Experimentos de Google
La IA está abriendo nuevas puertas para reinventar los procesos empresariales y mejorar y aumentar la toma de decisiones humanas. Es un componente central de la transformación digital y de los esfuerzos hacia ella. La hoja de ruta impulsada por la IA se basa en una infraestructura sólida, estrategias de escalado, gobernanza e incorporación de los principios de la IA.
La IA estrecha hace uso de 20 o 30 métodos distintos de aprendizaje automático, pero es extremadamente limitada en lo que es capaz de hacer. Las mejores herramientas que tenemos son los discriminadores. Pero los discriminadores sólo pueden enseñar el concepto estrecho de lo que se discrimina. Y el discriminador discrimina ejemplos A o B. El ejemplo A será una salida bruta con métodos estándar. B será una salida de aprendizaje automático. Y el discriminador está configurado para determinar cuál es cuál. El discriminador ajustará continuamente el componente adversario de la red generativa hasta que no pueda distinguir de forma fiable entre las imágenes originales y las generadas por la máquina. En ese momento, está listo para realizar ese tipo específico de tarea.
Información adicional
El físico cuántico Mario Krenn recuerda estar sentado en un café de Viena a principios de 2016, estudiando detenidamente las impresiones del ordenador, tratando de dar sentido a lo que MELVIN había encontrado. MELVIN era un algoritmo de aprendizaje automático que Krenn había construido, una especie de inteligencia artificial. Su trabajo consistía en mezclar y combinar los bloques de construcción de los experimentos cuánticos estándar y encontrar soluciones a nuevos problemas. Y encontró muchos problemas interesantes. Pero había uno que no tenía sentido. “Lo primero que pensé fue: ‘Mi programa tiene un error porque la solución no puede existir'”, dice Krenn.
MELVIN había resuelto aparentemente el problema de la creación de estados enredados muy complejos con múltiples fotones (los estados enredados son los que en su día hicieron que Albert Einstein invocara el espectro de la “espeluznante acción a distancia”). Krenn, Anton Zeilinger, de la Universidad de Viena, y sus colegas no habían proporcionado explícitamente a MELVIN las reglas necesarias para generar esos estados complejos, pero había encontrado la manera. Con el tiempo, Krenn se dio cuenta de que el algoritmo había redescubierto un tipo de arreglo experimental que se había ideado a principios de la década de 1990. Pero esos experimentos habían sido mucho más sencillos. MELVIN había descifrado un rompecabezas mucho más complejo. “Cuando entendimos lo que ocurría, pudimos generalizar inmediatamente [la solución]”, dice Krenn, que ahora está en la Universidad de Toronto.
Sitios web de ai divertidos
Acerca de: Impulsado por TensorFlow.js, Scroobly utiliza modelos de aprendizaje automático Facemesh y PoseNet para dar vida a los garabatos. El sistema ML mapea el movimiento en vivo a los garabatos creados por los usuarios, actualizando la animación visible en la pantalla a medida que los usuarios se mueven. Construido con Tensorflow.js, Three.js y React.js, Scroobly es una herramienta creativa que puede ayudar a los usuarios a convertirse en animadores digitales sin mucha experiencia en codificación o diseño.
Acerca de: Look to Speak es una aplicación para android que permite a las personas usar sus ojos para seleccionar frases de texto preescritas y hacerlas hablar en voz alta. Creada con TensorFlow y el SDK de Android, esta aplicación basada en el aprendizaje automático sólo funciona si la cámara frontal puede ver los ojos de los usuarios y éstos tienen que apartar la mirada del dispositivo para activar las acciones. La app también viene precargada con una cierta selección de frases que luego se pueden editar en el libro de frases.
Sobre: Construida con TensorFlow, Infinite Bad Guy es un ‘experimento de vídeo musical infinito’, en el que permite a los usuarios reproducir todas las portadas de una determinada canción juntas. El aprendizaje automático mantiene todas las versiones en el mismo ritmo y permite a los usuarios saltar de un vídeo a otro sin problemas. Según una entrada del blog, esto crea un sinfín de combinaciones posibles; así, cada reproducción es única y nunca similar a la anterior.
Ai experimenta rápido, dibuja
Cuando se trabaja en un proyecto de aprendizaje automático, obtener buenos resultados a partir de una sola ejecución de entrenamiento del modelo es una cosa. Pero mantener todos sus experimentos de aprendizaje automático bien organizados y tener un proceso que le permita sacar conclusiones válidas de ellos es otra muy distinta.
La respuesta a estas necesidades es el seguimiento de experimentos. En el aprendizaje automático, el seguimiento de experimentos es el proceso de guardar toda la información relacionada con los experimentos que le interesa para cada experimento que ejecuta.
Los equipos de ML implementan el seguimiento de los experimentos de diferentes maneras, ya sea mediante el uso de hojas de cálculo, GitHub, o plataformas autoconstruidas. Sin embargo, la opción más eficaz es hacerlo con herramientas diseñadas específicamente para el seguimiento y la gestión de experimentos de ML.
En este artículo, repasamos y comparamos las 15 mejores herramientas que te permitirán seguir y gestionar tus experimentos de ML. Conocerás sus principales características y verás en qué se diferencian unas de otras. Esperamos que esto le ayude a evaluarlas y a elegir la más adecuada para sus necesidades.