Herramientas técnicas para equipos de IA (opcional)

Si trabajas con equipos de IA les escucharás hablar de las

herramientas que usan para crear sistemas de IA. En este vídeo me
gustaría mostrarte algunos detalles y nombres de las herramientas
más comúnmente utilizadas en IA, para que entiendas mejor lo que
hacen los ingenieros de IA. Es una suerte que el mundo de la IA actual
sea tan abierto. Muchos equipos comparten sus ideas con los demás
abiertamente. Hay sistemas de aprendizaje automático excelentes que
son de código abierto, y muchos equipos los usan para crear sus
sistemas. Si oyes hablar de TensorFlow, PyTorch, Keras, MXNet,
CNTK, Caffe, PaddlePaddle, Scikit-learn, R o Weka, todos son
sistemas de aprendizaje automático de código abierto que ayudan a
los equipos de IA a escribir más eficientemente su software. Muchos
de los avances tecnológicos en IA, también se publican libremente en
Internet en un sitio web llamado Arxiv. Escrito así. Espero que otras
comunidades académicas también compartan libremente sus
investigaciones, ya que he visto de primera mano lo que acelera el
progreso en el campo de la IA. Además, muchos equipos comparten
su código abiertamente en Internet, habitualmente en un sitio web
llamado GitHub, Este se ha convertido en el repositorio de facto para
software de código abierto de IA y de otros sectores. Al usar software
de código abierto con licencia apropiada muchos equipos pueden
empezar mucho más rápido que si tuvieran que crear todo desde cero.
Por ejemplo, si busco en Internet software de reconocimiento facial en
GitHub, puedo encontrar una página como esta. Si me desplazo hacia
abajo, veo una descripción bastante buena y legible del software
disponible en este sitio web sobre reconocimiento facial de personas,
incluso de partes de la cara. Hay mucho software que se puede
descargar gratuitamente para hacer todo tipo de cosas en Internet.
Comprueba la licencia o que la compruebe el equipo de IA antes de
usarlo en un producto, pero muchos de estos paquetes son de código
abierto, o al menos tienen una licencia muy permisiva y cualquiera los
pueda usar. Aunque GitHub es un sitio web técnico creado para
ingenieros, puedes juguetear libremente y ver qué otros tipos de
software de IA están disponibles en línea. Además de estas
herramientas técnicas de código abierto, a menudo también oirás
hablar a los ingenieros de IA de CPU y GPU. Esto es lo que significan
estos términos. Una CPU es el procesador de cálculo de tu ordenador,
ya sea uno de escritorio, portátil o un servidor en la nube. CPU
significa unidad central de procesamiento. Las CPU son fabricadas por
Intel, AMD y algunas otras empresas. Hacen muchos cálculos en tu
ordenador. GPU significa unidad de procesamiento gráfico.
Históricamente, las GPU se crearon para procesar imágenes. Si
juegas a un juego de vídeo, es probable que la GPU sea la que dibuje
los gráficos de lujo. Ya se descubrió hace tiempo que el hardware
creado originalmente para procesar gráficos resultaba ser muy potente
en la creación de grandes redes neuronales, o sea, grandes
algoritmos de aprendizaje profundo. Dada la necesidad de crear
sistemas de aprendizaje profundo o redes neuronales muy grandes, la
comunidad de IA se ha encontrado con la gran necesidad de contar
una potencia computacional cada vez mayor para entrenar redes
neuronales cada vez más grandes. Y se ha demostrado que las GPU
son fantásticas para este tipo de cálculos necesarios, para entrenar
redes neuronales muy grandes. Por eso, las GPU están jugando un
papel importante en el crecimiento del aprendizaje profundo.
[INAUDIBLE] es una compañía que ha vendido muchas GPU. Otras
empresas como Qualcomm o Google que crean sus propias CPU
están construyendo cada vez más hardware especializado para
alimentar estas enormes redes neuronales. Por último, puede que
escuches hablar de la implementación en la nube, frente a la local o
implementación in situ.` La implementación en la nube hace referencia
al uso mediante pago de servicios informáticos como los de Amazon
AWS, de Microsoft Azure o de Google GCP para usar los servicios de
otros para tu cálculo. Mientras que una implementación local significa
comprar tus propios servidores e implementarlos localmente en tu
propia empresa. Un análisis detallado de los pros y contras de estas
dos opciones va más allá del alcance de este vídeo. Gran parte del
mundo se está moviendo a la par de la implementación en la nube. Si
buscas en Internet encontrarás muchos artículos que tratan de los
pros y los contras de la nube frente a las implementaciones locales.
Hay un último término del que podrías oír hablar: implementación en el
borde. Si estás construyendo un vehículo autónomo, no hay suficiente
tiempo para enviar los datos de un vehículo autónomo a un servidor en
la nube para decidir si el vehículo debe parar o no, y responder al
vehículo autónomo. Por lo tanto, el cálculo tiene que realizarse
generalmente en un ordenador dentro del vehículo. Eso llama una
implementación en el borde, que consiste en poner un procesador
adecuado en el que se recogen los datos para poder procesarlos y
tomar una decisión muy rápidamente sin necesidad de transmitir los
datos por Internet para ser procesados en otro lugar. Si nos fijamos en
algunos de los altavoces inteligentes domésticos, también vemos una
implementación en el borde, ya que algunas tareas, no todas, pero
algunas de la tareas de reconocimiento de voz se realizan con un
procesador incluido justo ahí, dentro de este altavoz inteligente. La
principal ventaja de la implementación en el borde es que puede
aumentar la respuesta del sistema, y también reducir la cantidad de
datos que es necesario enviar a través de la red. Pero hay muchos
pros y contras sobre implementaciones en el borde frente a las de
nube y a las locales. Puedes buscar en línea si quieres más
información. Gracias por seguir este vídeo opcional sobre las
herramientas técnicas que usan los ingenieros de IA. Espero que
cuando escuches hablar de algunas de estas herramientas, empieces
a entender mejor lo que significan. Deseo verte la próxima semana.