Inteligencia Artificial

Lo nuevo de Google hace que el aprendizaje de máquina sea más accesible

Con Cloud AutoML, Google se propone democratizar el acceso al aprendizaje de máquina. Es un servicio de nube que busca expandir el horizonte de quienes no tienen gran experiencia en el tema, y aumentar la productividad de los expertos, creando modelos de alta calidad. Aunque todavía está en su versión Alfa, ya está dando que hablar.

El equipo de AI (Inteligencia Artificial) de Google Cloud lanzó en 2017 Google Cloud Machine Learning Engine para ayudar a las organizaciones con expertise en aprendizaje de máquina (ML) a construir modelos que funcionen con cualquier tipo de datos. Esto demostró cómo los servicios de ML, como por ejemplo APIs —incluyendo Vision, Speech, NLP, Translation y Dialogflow— podían ser construidas con modelos pre-entrenados. La comunidad de investigadores de ML (científicos de datos) de Google (Kaggle ha crecido hasta superar el millón de miembros.

Con todo, seguía existiendo un gap difícil de llenar: para usar esta tecnología seguía necesitándose científicos de datos, o profesionales con un alto expetise en ML. “Creemos que Cloud AutoML va a aumentar aún más la productividad de los expertos en inteligencia artificial, promover el avance en nuevos campos y ayudar a los ingenieros menos experimentados a desarrollar sistemas de inteligencia artificial avanzados”, definió Fei-Fei Li, científico jefe para Inteligencia Artificial de Google Cloud. La nueva apuesta del gigante californiano agrupa una serie de productos de Aprendizaje de Máquina (Machine Learning o, simplemente, ML) para que desarrolladores con poca experiencia en ese campo entrenen modelos de alta calidad. En este contexto, el primer producto liberado es AutoML Vision: un servicio que permite entrenar modelos de visión/reconocimiento para casos de uso particulares. Se espera que muy pronto Cloud AutoML publique otros servicios.

Con todo, ya aparecieron varios casos de éxito. Tal el caso de la Sociedad Zoológica de Londres (ZSL por sus siglas del inglés), que recurrió a la nueva plataforma para rastrear la vida silvestre, mediante el análisis automático de millones de imágenes capturadas por cámaras en las áreas salvajes. Estas cámaras ayudan a ZSL a conservar diferentes especies de vida silvestre mediante la identificación de sus movimientos y la identificación de posibles cazadores furtivos. Esas cámaras son activadas por movimiento y usan sensores de calor para identificar vida silvestre o humanos, produciendo grandes cantidades de datos que necesitan ser etiquetados rápidamente. A través de los procesos manuales, este etiquetado podía llevarle a los conservacionistas cerca de nueve meses. Para cuando se terminaba, tanto las estrategias de los animales como las de la Sociedad Zoológica pudieron haber cambiado.

Los algoritmos de aprendizaje automático de Cloud AutoML permiten reducir esos nueve meses a un instante, automáticamente. La plataforma permitió usar los modelos a medida de ZSL y entrenarlos en el extenso conjunto de datos existente de la organización. Los resultados demuestran que Cloud AutoML incluso ha podido dar muy buenos resultados en el reconocimiento de subconjuntos de especies, algo que es particularmente difícil.

TRANSFORMAR UNA MÁQUINA EN UN ALUMNO RÁPIDAMENTE

La dinámica de AutoML es simple. Si se trata de reconocimiento de objetos en imágenes,  hoy AutoML puede recibir, a través de una interfaz gráfica, un set de imágenes de parte del entrenador de la plataforma, para luego ser entrenado sobre dicho conjunto. La inteligencia resultante puede ser desplegada vía APIs para realizar reconocimientos (predicciones) sobre nuevas imágenes integrada a otras aplicaciones.

Lo nuevo de Google hace que el aprendizaje de máquina sea más accesible

Para este reconocimiento de imágenes, Google usa tecnología propietaria, que ya ha sido probada exitosamente en los datasets de imágenes más populares (CIFAR e ImageNet). En base a estas particularidades, hoy Cloud AutoML Vision ofrece:

  • Una precision aumentada: Cloud AutoML Vision está construido sobre los abordajes de reconocimiento de imágenes de Google, incluyendo tecnologías de búsqueda como transfer learning y arquitectura neural. Esto significa que se puede obtener un modelo más preciso aun si la empresa tiene conocimientos limitados de ML.
  • Tiempo de respuesta más rápido a los modelos listos para producción: Con Cloud AutoML, es posible crear un modelo simple en minutos para pilotear su aplicación habilitada para AI o construir un modelo completo listo para producción en tan sólo un día.
  • Fácil de usar: AutoML Vision proporciona una interfaz gráfica de usuario sencilla que permite especificar datos, y luego convierte esos datos en un modelo de alta calidad personalizado para sus necesidades específicas.

APRENDIZAJE INTEGRADO

Algunas de las capacidades de AutoML incluyen:

  • Integración con etiquetado humano. Para clientes que tienen imágenes pero aun sin etiquetar, el servicio provee un equipo de etiquetadores humanos in house que siguiendo las instrucciones del cliente podrán clasificar las imágenes. Así, los datos de entrenamiento tendrán la misma calidad y desempeño que Google tiene para sus propios productos, si bien los datos permanecerán privados.
  • Motorizado por AutoML y Transfer Learning de Google. La solución es impulsada por el estado de arte en materia de tecnologías de Google, lo que permite obtener modelos de alta calidad.
  • Conpletamente integrado. En su núcleo, Cloud AutoML está completamente integrado con otros servicios de Google Cloud, lo que prove a los clients un método consistente de acceso a través de toda la línea de servicios Google Cloud. Así, es posible guardar los datos en Google Cloud Storage. Para generar predicciones en el modelo entrenado, solo hace falta usar la Vision API existente, añadiendo un parámetro para su modelo a medida, o bien usar el servicio de predicción en línea Cloud ML Engine.

Los casos de uso comienzan a diversificarse. Por ejemplo, la tienda Urban Outfitters evaluó Cloud AutoML para automatizar el proceso de atribución de productos. “Crear y mantener un conjunto completo de atributos del producto es fundamental para proporcionar a nuestros clientes recomendaciones de productos relevantes, resultados de búsqueda precisos y filtros de productos útiles; sin embargo, la creación manual de atributos de productos es ardua y lleva mucho tiempo. Para abordar esto, nuestro equipo ha estado evaluando Cloud AutoML para automatizar el proceso de atribución del producto al reconocer las características matizadas del producto, como patrones y estilos de líneas de cuello. Cloud AutoML brinda una gran promesa de ayudar a nuestros clientes con mejores experiencias de descubrimiento, recomendación y búsqueda”, aseguró Alan Rosenwinkel, cientifico de datos de URBN (propietaria de la brand Urban Outfitters).

Autor

  • Alejandro Alonso

    Periodista de ciencia y tecnología, y escritor. Ha trabajado en medios como Insider, ComputerWorld, IT Resellers Magazine, Telecomunicaciones & Negocios y Prensa Económica, entre otros, a lo largo de más de 25 años de trayectoria.

[mdx-adserve-bstreet region="MED"]

Alejandro Alonso

Periodista de ciencia y tecnología, y escritor. Ha trabajado en medios como Insider, ComputerWorld, IT Resellers Magazine, Telecomunicaciones & Negocios y Prensa Económica, entre otros, a lo largo de más de 25 años de trayectoria.

Publicaciones relacionadas

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Botón volver arriba