> ## Documentation Index
> Fetch the complete documentation index at: https://docs.monostate.ai/llms.txt
> Use this file to discover all available pages before exploring further.

# Cuándo Usar la API

> Integración Python para aplicaciones personalizadas

# Cuándo Usar la API de Python

La API te da control programático completo para construir aplicaciones personalizadas.

## Mejor Para

* **Aplicaciones personalizadas** - Construye tus propias herramientas
* **Flujos de trabajo complejos** - Pipelines multi-paso
* **Configuración dinámica** - Ajusta sobre la marcha
* **Integración** - Conecta con código existente
* **Sistemas de producción** - Despliega como servicios

## Cómo Se Ve

Escribe código Python:

```python theme={null}
from aitraining import TextClassification

trainer = TextClassification(
    model="bert-base-uncased",
    learning_rate=2e-5
)

trainer.train(data)
predictions = trainer.predict(texts)
```

## Ejemplo de Flujo de Trabajo

```python theme={null}
import pandas as pd
from aitraining import AutoTrainer

# Preprocesamiento personalizado
data = pd.read_csv("raw_data.csv")
data = clean_and_prepare(data)

# Configuración dinámica
config = {
    "model": get_best_model(data),
    "batch_size": calculate_batch_size(),
    "epochs": 5 if len(data) > 1000 else 10
}

# Entrena con callbacks
trainer = AutoTrainer(**config)
trainer.train(
    data,
    callbacks=[
        early_stopping,
        checkpoint_best,
        log_to_wandb
    ]
)

# Integra en aplicación
@app.route("/predict")
def predict():
    result = trainer.predict(request.json)
    return jsonify(result)
```

## Ventajas

* **Control completo** - Accede a todo
* **Lógica personalizada** - Tu preprocesamiento
* **Integración** - Funciona con cualquier biblioteca Python
* **Dinámico** - Ajusta basándose en condiciones
* **Probable** - Prueba unitaria de tu entrenamiento

## Limitaciones

* **Más código** - Escribes la orquestación
* **Complejidad** - Maneja errores tú mismo
* **Solo Python** - No agnóstico de lenguaje
* **Dependencias** - Gestiona paquetes

## Cuándo Cambiar

Usa CLI cuando:

* Necesitas automatización simple
* Quieres solución agnóstica de lenguaje
* Prefieres configuración sobre código
* Trabajas con herramientas no-Python

Usa UI cuando:

* Necesitas feedback visual
* Enseñando a otros
* Experimentos rápidos
* Exploración de datos

## Casos de Uso Comunes

### Servicio Web

```python theme={null}
from flask import Flask
from aitraining import load_model

app = Flask(__name__)
model = load_model("./trained_model")

@app.route("/api/classify", methods=["POST"])
def classify():
    text = request.json["text"]
    result = model.predict(text)
    return {"label": result}
```

### Pipeline de Datos

```python theme={null}
def training_pipeline(df):
    # Limpieza personalizada
    df = remove_outliers(df)
    df = normalize_features(df)

    # Entrenamiento condicional
    if df.shape[0] > 10000:
        model = "large-model"
    else:
        model = "small-model"

    # Entrena
    trainer = AutoTrainer(model=model)
    trainer.train(df)

    return trainer
```

### Prueba A/B

```python theme={null}
models = {}

# Entrena variantes
for config in experiments:
    trainer = create_trainer(config)
    trainer.train(data)
    models[config.name] = trainer

# Compara
results = evaluate_all(models, test_data)
best = select_best(results)
```

### Callbacks Personalizados

```python theme={null}
class CustomCallback:
    def on_epoch_end(self, epoch, logs):
        if logs["loss"] < self.threshold:
            send_notification("Training going well!")

        if should_adjust_lr(logs):
            self.trainer.learning_rate *= 0.5

trainer.train(data, callbacks=[CustomCallback()])
```

## Consejos para Usuarios de API

1. **Maneja excepciones** - El entrenamiento puede fallar
2. **Agrega logging** - Rastrea qué sucede
3. **Usa type hints** - Detecta errores temprano
4. **Escribe tests** - Asegura confiabilidad
5. **Documenta código** - Otros lo usarán

## Características Exclusivas de API

Cosas que solo la API puede hacer:

* Callbacks personalizados durante entrenamiento
* Selección dinámica de modelo
* Pipelines de datos complejos
* Integrado en aplicaciones
* Ajuste programático de hyperparámetros

## Patrones Esenciales

```python theme={null}
# Context manager para recursos
with AITraining() as trainer:
    trainer.train(data)
    # Limpieza automática

# Entrenamiento async
async def train_async():
    await trainer.train_async(data)

# Predicciones streaming
for prediction in trainer.predict_stream(texts):
    process(prediction)

# Composición de modelos
ensemble = Ensemble([
    model1,
    model2,
    model3
])
```

## Ejemplos de Integración

```python theme={null}
# Con pandas
df = pd.read_csv("data.csv")
trainer.train(df)

# Con scikit-learn
from sklearn.model_selection import train_test_split
X_train, X_test = train_test_split(data)

# Con weights & biases
import wandb
wandb.init(project="my-training")
trainer.train(data, callbacks=[WandbCallback()])

# Con FastAPI
@app.post("/train")
async def train_endpoint(data: TrainingData):
    result = await trainer.train_async(data)
    return {"model_id": result.id}
```

## Próximos Pasos

<CardGroup cols={2}>
  <Card title="Referencia API" href="/api/launching-interface">
    Documentación completa de API
  </Card>

  <Card title="Alternativa CLI" href="/foundations/cli-when-to-use">
    Cuándo los comandos son más simples
  </Card>
</CardGroup>