Formación especializada en la PyTorch Conference North America
La PyTorch Foundation ha diseñado una estrategia educativa integral para su conferencia en Norteamérica, centrada en trasladar los prototipos de investigación de deep learning hacia infraestructuras críticas de empresa. El núcleo de esta iniciativa es el Introduction Track, una ruta de aprendizaje abierta a diversos perfiles, desde estudiantes y asistentes noveles hasta ingenieros de inteligencia artificial experimentados que busquen expandir sus conocimientos en áreas específicas del ecosistema PyTorch.
Este programa se complementa con el PyTorch Associate Training, una sesión formativa de jornada completa que se llevará a cabo el lunes 19 de octubre de 2026, de 9:00 a 17:00 horas, en San José, California. Esta capacitación presencial y dirigida por instructores tiene como objetivo cerrar la brecha entre los conceptos teóricos y la implementación de modelos listos para producción, alineándose con los dominios evaluados en el examen de certificación PyTorch Certified Associate.
Sesiones técnicas del Introduction Track
El programa de aprendizaje incluye diversas sesiones diseñadas para resolver problemas técnicos específicos del desarrollo de redes neuronales. Una de ellas, titulada "From Math Panic to PyTorch Confidence" y dirigida por Yashasvi Misra, se enfoca en desarrolladores de Python y educadores. Esta sesión utiliza ejercicios interactivos y explicaciones visuales para desmitificar el funcionamiento de los tensores, los gradientes y los grafos de computación dinámica, permitiendo a los asistentes construir modelos mentales antes de implementar bucles de entrenamiento y redes neuronales básicas.
Para aquellos desarrolladores que necesiten optimizar el rendimiento del hardware, Suman Debnath y JanakiRam Goteti impartirán la sesión sobre programación práctica de GPU con Triton. Triton es un modelo de programación embebido en Python y de código abierto que permite escribir código de GPU de alto rendimiento sin necesidad de recurrir a CUDA o C++. Los participantes aprenderán los fundamentos del movimiento de memoria en la GPU, la paralelización de hilos y la creación de kernels personalizados para la multiplicación de matrices y la adición de vectores.
Optimización de rendimiento y arquitectura de marcos de trabajo
La eficiencia en la ejecución de modelos es un punto crítico abordado por Aritra Roy Gosthipaty y Suvaditya Mukherjee en su sesión sobre la lectura de trazas de PyTorch. El objetivo es enseñar a interpretar las herramientas de perfilado modernas, analizando las cadenas de despacho entre CPU y GPU, así como la diferencia entre las cargas de trabajo limitadas por el cómputo y aquellas limitadas por la sobrecarga. Para lograr comparaciones de rendimiento precisas, se evaluarán cargas de trabajo utilizando torch.compile, kernels de Liger y kernels fusionados de Triton.
Por otro lado, Andrea Mattia Garavagno y Vijay Janapa Reddi presentarán una sesión centrada en la comprensión interna de los marcos de trabajo de machine learning. A través del proyecto de código abierto TinyTorch, que es una herramienta de interfaz de línea de comandos, los desarrolladores podrán reconstruir componentes esenciales del marco, como los optimizadores, los tensores, los transformers y el sistema de autograd, utilizando únicamente Python puro. Este enfoque permite una mejor depuración de lógicas complejas y una optimización más efectiva del hardware.
Modelos de lenguaje visuales y gestión de la atención
El programa también aborda las arquitecturas más avanzadas, como los modelos de lenguaje visuales o VLM. Aastha Jhunjhunwala y Mark Moyou analizarán cinco arquitecturas de código abierto para examinar los retos de escalabilidad y servicio. La sesión profundizará en las estrategias de fusión entre lenguaje y visión, la codificación de imagen a token, el ajuste fino (fine-tuning) en configuraciones de múltiples GPU y los costes operativos de producción, específicamente la presión sobre la memoria KV-cache y la expansión de los tokens de imagen.
En relación con la gestión de la memoria en ventanas de contexto extensas, Lucas Wilkinson y Matthew Bonanni detallarán el funcionamiento de la atención en vLLM. Los modelos actuales emplean mecanismos de atención lineales, dispersos, híbridos o de ventana deslizante para optimizar la memoria. La charla explicará cómo el motor vLLM representa estos patrones mediante conectores de KV-cache, backends de atención y asignadores de memoria híbridos, proporcionando una guía técnica para los desarrolladores.
Detalles del PyTorch Associate Training y certificación
La jornada formativa del 19 de octubre será impartida por Faradawn Yang, ingeniero del equipo de software de plataforma de IA en NVIDIA especializado en productos de inferencia. El programa se estructura en módulos secuenciales que incluyen conferencias interactivas, demostraciones en vivo de construcción de modelos y laboratorios guiados mediante cuadernos de Jupyter. Para asegurar la asimilación de los conceptos, se han integrado puntos de control de comprensión mediante revisiones y cuestionarios estructurados.
Los participantes trabajarán en proyectos industriales reales que simulan los desafíos de despliegue en entornos de producción. Para acceder a esta formación, los asistentes deben poseer conocimientos previos de programación en Python, manejo de Jupyter Notebooks y Google Colab, además de una comprensión básica de los conceptos de machine learning y una cuenta de Google activa para los ejercicios prácticos.
Como incentivo al desarrollo profesional, cada asistente que complete la formación recibirá un bono valorado en 250 dólares para realizar el examen oficial de certificación PyTorch Certified Associate (PTCA). Esta credencial busca validar las competencias prácticas en flujos de trabajo de deep learning bajo un estándar reconocido por la industria.
Requisitos de registro y acceso
Debido a que la PyTorch Foundation busca mantener una ratio óptima entre alumnos e instructor para garantizar la calidad del aprendizaje, las plazas para el PyTorch Associate Training son limitadas y requieren pre-registro. Los interesados pueden añadir esta formación a su inscripción general de la PyTorch Conference North America hasta el martes 13 de octubre.
La implementación de estas rutas de aprendizaje responde a la necesidad creciente de perfiles técnicos capaces de optimizar el uso de GPUs y gestionar la memoria en modelos de gran escala. Mientras que el Introduction Track ofrece una visión amplia y modular, el entrenamiento asociado proporciona una ruta intensiva hacia la certificación profesional, consolidando el ecosistema de PyTorch como la herramienta predominante para el paso de la investigación a la implementación industrial.
