Lo Que Vas a Construir

El AIRS MLOps Lab es un workshop práctico donde construyes, despliegas y aseguras un pipeline de ML real. Haces fine-tuning de un modelo de lenguaje open-source para convertirlo en un asesor de ciberseguridad, lo despliegas en Google Cloud, y después aseguras sistemáticamente el pipeline usando Palo Alto Networks AI Runtime Security (AIRS).

Esto no es un tutorial pasivo. Trabajas con Claude Code como tu compañero de desarrollo y mentor. Claude ha sido configurado específicamente para este lab — conoce el código, adapta el ritmo de sus explicaciones y usa preguntas socráticas para construir tu comprensión.

Prerrequisitos

Antes de iniciar el lab, asegúrate de tener:

• Proyecto GCP — con permisos de owner, APIs de Vertex AI y Cloud Run habilitadas
• Licencia de AIRS — acceso a un tenant de Prisma AIRS con credenciales de Strata Cloud Manager
• Claude Code — instalado y configurado
• Cuenta de GitHub — con gh CLI autenticado
• Python 3.12+ — con uv para manejo de dependencias
• Cuenta de HuggingFace — para explorar modelos y datasets

Tu instructor proporcionará los detalles del proyecto GCP y las credenciales de AIRS durante la sesión de configuración.

El Pipeline

Vas a construir un pipeline de CI/CD de 3 gates que escanea modelos de ML en cada etapa:

Gate 1 escanea el modelo base antes del entrenamiento, le hace fine-tuning con LoRA en Vertex AI y crea un manifest de procedencia.

Gate 2 fusiona el adapter LoRA con el modelo base, escanea el artifact fusionado y lo publica en GCS.

Gate 3 verifica la cadena del manifest, realiza un escaneo final, despliega el modelo en un endpoint de Vertex AI con GPU usando vLLM y despliega la aplicación FastAPI en Cloud Run.

La Arquitectura

La aplicación desplegada usa una arquitectura desacoplada — el modelo corre en infraestructura con GPU, la aplicación corre en infraestructura ligera:

Sin model weights en el contenedor de Cloud Run. Sin GPU. Sin dependencias de ML en runtime. Cloud Run maneja la capa web; Vertex AI maneja la inferencia en hardware dedicado con GPU.

La Estructura de Tres Actos

El workshop está organizado en tres actos con una pausa de presentación entre los Actos 1 y 2.

Acto 1: Constrúyelo (Módulos 0-3)

Construye un pipeline de ML completo desde cero. Al final, tendrás un asesor de ciberseguridad en vivo — entrenado, fusionado, publicado y desplegado. Sin escaneos de seguridad todavía. Eso es intencional.

Módulo	Enfoque	Tiempo
Módulo 0: Configuración	Entorno, GCP, GitHub, credenciales de AIRS	~30 min
Módulo 1: Fundamentos de ML	HuggingFace, formatos, datasets, plataformas	~45 min
Módulo 2: Entrena Tu Modelo	Gate 1, LoRA fine-tuning, Vertex AI	~30 min + espera
Módulo 3: Despliega y Sirve	Gate 2+3, merge, publish, deploy, app en vivo	~30 min + espera

Pausa de Presentación

Sesión dirigida por el instructor: propuesta de valor de AIRS, ataques reales, escenarios con clientes.

Acto 2: Entiende la Seguridad (Módulo 4)

Inmersión profunda en AIRS Model Security. Configura el acceso, ejecuta escaneos, explora políticas.

Módulo	Enfoque	Tiempo
Módulo 4: Inmersión en AIRS	SCM, SDK, escaneo, security groups, integración HF	~1-1.5 hr

Acto 3: Asegúralo (Módulos 5-7)

Asegura el pipeline que construiste. Explora lo que AIRS detecta y lo que no.

Módulo	Enfoque	Tiempo
Módulo 5: Integración de AIRS	Escaneo en pipeline, verificación de manifest, etiquetado	~1-1.5 hr
Módulo 6: El Zoológico de Amenazas	Pickle bombs, trampas Keras, riesgos de formato	~1 hr
Módulo 7: Brechas y Envenenamiento	Envenenamiento de datos, backdoors comportamentales, defensa en profundidad	~45 min-1 hr

Estructura del Proyecto

prisma-airs-mlops-lab/
├── .github/
│   ├── workflows/              # Pipeline de CI/CD (3 gates + app deploy)
│   └── pipeline-config.yaml    # Tu proyecto GCP y configuración de buckets
├── src/airs_mlops_lab/
│   └── serving/                # App FastAPI + cliente de inferencia Vertex AI
├── airs/
│   ├── scan_model.py           # CLI de escaneo AIRS
│   └── poisoning_demo/         # Prueba de concepto de envenenamiento de datos
├── model-tuning/
│   ├── train_advisor.py        # Script de fine-tuning con LoRA
│   └── merge_adapter.py        # Merge de adapter para despliegue
├── scripts/
│   └── manifest.py             # CLI de rastreo de procedencia del modelo
├── lab/
│   └── .progress.json          # Tu progreso (rastreado automáticamente)
├── CLAUDE.md                   # Configuración del mentor Claude Code
└── Dockerfile                  # App de Cloud Run (cliente ligero, sin modelo)

Siguiente Paso

¿Listo para configurar? Ve a la Guía de Configuración del Estudiante para crear tu repo y lanzar Claude Code.