El Machine Learning fue otro de los temas que tratamos en el Google Cloud Onboard Barcelona. A nivel personal, me gustó el enfoque que decía que “Machine learning es crear software que encuentra las reglas, no definir las reglas”. Hoy te invito a hacer un pequeño repaso sobre algunas de las características del “machine learning como servicio” de Google Cloud.

¿Qué es el machine learning como servicio?

El MLaaS, Machine learning como servicio, sería la definición general de varias plataformas basadas en la nube, que cubren la mayoría de los problemas de infraestructura, como la capacitación y la evaluación de modelos, o el procesamiento de datos, con predicciones adicionales. La parte interesante es que podrás combinar los resultados de estas predicciones con tu infraestructura de IT interna, a través de las APIs REST.

Google Cloud Machine Learning Engine

El Google Cloud ML Engine está dirigido a “científicos de datos” experimentados y usa TensorFlow como controlador de machine learning.

Como vimos la semana pasada, TensorFlow es una biblioteca open source que sustenta la mayoría de los productos de Google. Es el software que sus especialistas usaron para crear herramientas de machine learning.

¿Cuáles son los pasos de TensorFlow?

  1. Recopilar datos de entrenamiento
  2. Crear el modelo
  3. Entrenar el modelo basado en datos de entrada.
  4. Usar el modelo en nuevos datos.

Creo que vale la pena referir que TensorFlow está disponible en GitHub con un número importante de colaboradores que no son de Google, y más de 4000 proyectos basados en Kubernetes.

¡Lee más sobre Kubernetes en el artículo de Sergio!

En la misma línea, Google ha inventado a Kubeflow - un kit de herramientas de aprendizaje automático para Kubernetes - con la idea de facilitar que cualquier pueda desarrollar, desplegar y gestionar modelos de AI portable.

Google también ha desarrollado TPUs. El TPU, tensor processing unit, o unidad de procesamiento tensorial es un circuito integrado, desarrollado específicamente para el aprendizaje automático.

Con el “todo en uno” en mente, la aproximación de Google quiere que las APIs de aprendizaje automático solucionen la cuestión de la infraestructura, la del Modelo y la del Dataset. No quieren que reinventes la rueda.

Google Cloud AutoML

Cloud AutoML es un producto en fase BETA que, aunque no tengas experiencia en la ciencia de datos, te permitirá  entrenar modelos de una forma automática. Además, el modelo - entrenado para hacer predicciones - puede escalarse para adaptarse a las necesidades del cliente. Ya sea para objetos, imágenes, o texto y lenguaje natural.

Con el Cloud AutoML una organización puede alimentar su propia colección de datos y AutoML generará automáticamente un modelo de machine learning capaz de mejorar el negocio. Todo esto a través de las ya referidas APIs REST.

¿Qué APIs de aprendizaje automático son estas?

API de lenguaje natural

Esta API te permite hacer el reconocimiento de entidades (personas, lugares, empresas), o el análisis del sentimiento - positivo, negativo. Es multi idioma, facilita procesar directamente en 10 idiomas, ¡y también ayuda a hacer análisis sintácticos! - ¿Qué te parece?

En la era del chatbot, Dialogflow es una herramienta estratégica, pues impulsada por tecnologías de procesamiento de lenguaje natural permite interpretar lo que una persona quiere en un texto.

API de traducción

Entre muchas otras características, esta API es automática, en el sentido de que no es necesario conocer el idioma de origen para hacer la traducción. La idea es utilizar el Google Translate en tus productos.

API de reconocimiento de voz

Se aprovecha de la abundancia de idiomas soportadas por Google. Es naturalmente multi idioma, y reconoce el habla natural. Además funciona en entornos ruidosos y en tiempo real.

API de análisis de imágenes y vídeos.

Detecta múltiples tipos de objetos, contenidos (no)apropiados y reconoce texto en las imágenes de forma automática. Algunas herramientas como Cloud Vision, o Cloud Video Intelligence permiten, entre otras cosas, etiquetar objetos, detectar caras y analizar expresiones, colores dominantes, o transcribir discursos.

Escalabilidad

Según Gartner, el 50% de las empresas gastarán más por año en bots y en la creación de chatbots que en el desarrollo de aplicaciones tradicionales en 2021. Si tus modelos procesan o irán a procesar datos con grandes picos de carga, la computación en la nube es lo que te permitirá una escalabilidad de forma rápida.

Conclusión

En suma, el Machine Learning se parece a ciencia ficción para muchos negocios, y algo que requiere grandes inversiones. La verdad es que con plataformas como la de Google Cloud, ya es posible iniciarse en Machine Learning sin gran inversión, y aprovechar estos servicios para  desarrollar tus modelos de predicción. Asimismo, si a los servicios de AI de Google aún les faltan algunas capacidades, siempre vale la pena recordar que el poder también está en el gran conjunto de datos a los que Google tiene acceso.

¿Qué APIs de aprendizaje automático estás utilizando en tu organización?

Fotografía: Pixabay

Fuentes:

Compartir es construir