AI Architecture Implementation: From Design to Production

Generic, brand-neutral engineering capability; deep, sourced playbooks live in references/ and knowledge/. [DOC]

Generic, brand-neutral engineering capability; sourced playbooks in references//knowledge/. [DOC]

TL;DR

Guiar la implementación de arquitecturas AI desde el diseño hasta producción — selección de tecnología, implementación de pipelines, configuración de serving, despliegue de monitoreo, y automatización CI/CD. Produce blueprints de implementación, guías de selección de tecnología, y un playbook fase-a-fase que transforma decisiones arquitectónicas en infraestructura operativa [EXPLICIT]

When to Use

• Implementar una arquitectura AI diseñada (output de ai-software-architecture o ai-pipeline-architecture)
• Seleccionar stack tecnológico para un nuevo sistema AI (frameworks, tools, databases)
• Implementar Feature Store, Model Registry, o Drift Detection desde cero
• Configurar CI/CD para ML (Blue & Gold deployment, validation gates)
• Desplegar sistema de monitoring y observabilidad para AI
• Implementar pipeline RAG completo (ingestion, chunking, embedding, retrieval, generation)
• Ejecutar roadmap de remediación de una auditoría de arquitectura AI
• Migrar de notebooks a producción (MLOps maturity progression)

When NOT to Use

• Diseñar la arquitectura (antes de implementar) → ai-software-architecture
• Auditar un sistema existente → ai-architecture-audit
• Seleccionar patrones de diseño → ai-design-patterns
• Definir estrategia de testing (sin implementar) → ai-testing-strategy
• Implementar específicamente en AWS → aws-architecture-implementation
• Implementar infraestructura cloud genérica → infrastructure-architecture

---

Sub-capabilities (resource map)

Deep, evidence-tagged playbooks — open the one the task needs (ICM Layer 3, on-demand). [INFERENCE]

Procedure

1. Resolve the sub-capability; open the matching references/ playbook. [EXPLICIT]
2. Apply its decision tables; pick the strategy explicitly. [EXPLICIT]
3. Validate against the Quality Criteria and tag every claim. [EXPLICIT]

Quality Criteria

• Sub-capability resolved to one playbook. [INFERENCE]
• Claims evidence-tagged. [EXPLICIT]

Contract

• Aceptación: capability resolved to its reference playbook, applied, validated, evidence-tagged. [EXPLICIT]
• Límites: 1. NO diseña la arquitectura — implementa una arquitectura ya diseñada 2. NO selecciona patrones — implementa patrones ya seleccionados (ver ai-design-patterns) 3. NO genera mo. [EXPLICIT]
• Casos borde: 1. Equipo sin experiencia ML: Fase 0 extendida con capacitación. Empezar con managed services (SageMaker, Vertex). Reducir complejidad de Feature Store y multi-model tiering ha. [EXPLICIT]
• Supuestos: 1. Arquitectura AI ya diseñada (output de ai-software-architecture, ai-pipeline-architecture, o similar) 2. Cloud provider y presupuesto definidos 3. Equipo técnico disponible con. [SUPUESTO]
• Trade-off: Decision Enables Constrains When to Use ---------- --------- ------------ ------------- Managed MLOps platform Fast setup, integrated tools Vendor lock-in, le. [EXPLICIT]

Packet

Capas del packet, cargables bajo demanda (disciplina ICM: una capa por vez, nunca todas juntas): references/ guías de profundidad (cargar UNA por etapa) · knowledge/ cuerpo de conocimiento · prompts/ prompts listos · examples/ salida de ejemplo · agents/ subagentes del packet · assets/ recursos estáticos.