- Implementación de Anaconda y gestión de entornos virtuales aislados para evitar conflictos de versiones de Python.
- Metodologías para la instalación de librerías de Machine Learning y Deep Learning mediante comandos de terminal y archivos de requerimientos.
- Sincronización de dependencias entre equipos de trabajo mediante la exportación e importación de archivos YAML.
- Configuración de kernels personalizados en JupyterLab y despliegue de canales de paquetes en entornos sin conexión a internet.
Si te has lanzado a la aventura de montar tu propio sistema de Inteligencia Artificial, lo primero que te vas a encontrar es que necesitas dejar el ambiente de desarrollo local niquelado. Ya sea que trabajes desde un portátil o una de las configuraciones de workstation más usadas para IA y Deep Learning, configurar correctamente el espacio donde escribirás tu código es la diferencia entre que todo fluya o pasarte horas peleándote con errores de compatibilidad que te quiten las ganas de programar.
Para lograrlo, la herramienta estrella es la suite de Anaconda, que básicamente es un paquete todo en uno que nos ahorra el quebradero de cabeza de instalar Python y sus librerías una a una. Además, incluye los Jupyter Notebooks, que son una maravilla para ir probando trozos de código, hacer visualizaciones de datos y dejar anotaciones, casi como si estuvieras usando un cuaderno de clase pero con superpoderes de computación.
Poniendo en marcha Anaconda en tu equipo
Lo primero de todo es pillar el instalador desde la web oficial de Anaconda. Es fundamental elegir la versión adecuada para tu sistema operativo, ya sea Windows, macOS o Linux. Un detalle clave aquí es seleccionar siempre la versión de Python 3 y optar por el instalador gráfico para que el proceso sea más intuitivo. Una vez descargado el archivo, solo tienes que ejecutarlo y seguir los pasos del asistente, asegurándote de tener permisos de administrador si quieres que la instalación esté disponible para todos los usuarios del ordenador.
Cuando ya esté todo instalado, puedes abrir el Anaconda Navigator, que es la interfaz visual para gestionar todo. Pero si prefieres ir al grano, lo más rápido es abrir la terminal o la línea de comandos y comprobar que todo funciona escribiendo conda --version y python --version. Para mantener el sistema al día y evitar fallos extraños, es muy recomendable ejecutar conda update conda para tener la versión más reciente de la suite.
Gestión avanzada de entornos virtuales con Conda
Uno de los mayores dolores de cabeza en la IA es que un proyecto puede requerir Python 3.10 y otro, quizás uno más antiguo, Python 2.7. Para que no se monte un caos de dependencias, Conda permite crear entornos aislados. El entorno por defecto es el ‘base’, pero lo ideal es crear uno nuevo para cada proyecto usando el comando conda create --name nombre_de_tu_proyecto. Para entrar en ese espacio y empezar a trabajar, usamos conda activate nombre_de_tu_proyecto, y cuando hayamos terminado, simplemente hacemos conda deactivate.
Si necesitas una versión concreta de Python, puedes especificarla al momento de crear el entorno, por ejemplo: conda create -n proyecto_antiguo python=2.7. Esto es vital cuando rescatamos proyectos de IA antiguos o usamos librerías que no se han actualizado en años. Si te das cuenta de que un entorno ya no te sirve, puedes borrarlo por completo con conda remove --name nombre_del_entorno --all, asegurándote así de que no queden archivos huérfanos ocupando espacio en tu disco.
Instalación de librerías y dependencias para Ciencia de Datos
Para que tu máquina de IA cobre vida, necesitarás instalar paquetes específicos. Puedes hacerlo de forma individual con conda install pandas o instalar varios de golpe como numpy, matplotlib y scikit-learn. Si tienes un archivo de texto con todas las necesidades del proyecto, puedes usar conda install --file requirements.txt. En proyectos de Deep Learning, es habitual instalar Keras y TensorFlow, que son los pilares para crear redes neuronales complejas.
Cuando trabajas en equipo, lo más molesto es que a un compañero no le funcione el código porque tiene una versión distinta de una librería. Para evitar esto, lo mejor es exportar el entorno completo a un archivo YAML mediante conda env export > environment.yml. Así, cualquier otro desarrollador puede replicar tu configuración exacta ejecutando conda env create -f environment.yml, garantizando que la consistencia del proyecto sea total y no haya sorpresas desagradables.
Integración con herramientas externas y despliegues específicos
Si utilizas Visual Studio Code, recuerda que puedes seleccionar el kernel de Conda directamente desde la interfaz de los notebooks. Un truco importante: si creas un entorno nuevo en la terminal, a veces debes reiniciar el editor para que reconozca el nuevo entorno. Además, si estás en Windows, es preferible usar el Símbolo del sistema (cmd) en lugar de PowerShell para evitar problemas al activar o desactivar los entornos.
Para casos más avanzados, como el uso de Gemini Enterprise en Google Cloud, es posible añadir entornos Conda a la instancia de Agent Platform Workbench. Esto permite usar kernels personalizados para R o Apache Beam. El proceso implica crear el entorno en la terminal de JupyterLab, instalar ipykernel y registrar el kernel para que aparezca como una opción seleccionable en el lanzador de notebooks, facilitando así el flujo de trabajo en la nube.
Configuración de canales locales para entornos sin conexión
Existen situaciones donde el ordenador de trabajo no tiene acceso a internet por seguridad. En estos casos, se puede montar un canal Conda local. Primero, se descargan todas las dependencias necesarias en una máquina con conexión usando un script de Python, y luego se indexan esas carpetas con el comando conda index. Una vez que el índice está creado, se puede mover la carpeta a un servidor de red o un disco duro externo.
Para instalar paquetes desde este repositorio offline, se utiliza la bandera --channel file://ruta/al/canal junto con --offline. Esto obliga a Conda a buscar los paquetes en la fuente local en lugar de intentar conectar con los servidores de Anaconda. Es una solución robusta para despliegues en entornos restringidos que requieren estabilidad y control absoluto sobre las versiones instaladas.
Contamos con una herramienta versátil que nos permite desde instalar Anaconda de forma sencilla hasta gestionar entornos complejos con versiones específicas de Python y librerías de Deep Learning. La capacidad de exportar configuraciones en archivos YAML y la posibilidad de crear espejos locales para instalaciones sin internet hacen que Conda sea la opción preferida para cualquier persona que quiera dedicarse a la inteligencia artificial y la ciencia de datos sin complicaciones técnicas innecesarias.
