Existen diversos modelos de entrega para el Machine Learning y la Inteligencia Artificial, como la computación cognitiva, el aprendizaje automático automatizado, la gestión de modelos de Machine Learning y la computación basada en GPU (unidad de procesamiento gráfico). En el caso de las plataformas de aprendizaje automático cabe destacar que es uno de los servicios que más rápido está creciendo en la nube pública.

A continuación, veremos toda la terminología que envuelve a estos servicios de Machine Learning en Cloud y los modelos de entrega adoptados por los proveedores de la nube pública. Ayudar a los responsables en la toma de decisiones empresariales es el objeto de este post.

Servicios Cognitivos

La computación cognitiva se entrega como un conjunto de API que ofrece una visión computacional, un procesamiento del lenguaje natural (NLP) con servicios de voz. Los desarrolladores pueden consumir estas API como cualquier otro servicio de web o API REST. A medida que crece el consumo de estos servicios, aumenta la calidad de estos. Además, con la ampliación de los datos y el uso de estos servicios, los proveedores de la nube están mejorando continuamente la precisión de las predicciones. En este campo, lo más reciente es la automatización del Machine Learning (AutoML). Esta tendencia permitirá a los analistas y desarrolladores de negocios realizar modelos de aprendizaje automático que puedan abordar escenarios complejos. El AutoML se centra en la adquisición de datos y predicción. En resumen, los usuarios tienen su propio conjunto de datos, identifican las etiquetas y hacen click para generar un modelo completamente entrenado y optimizado que esté listo para predecir. El AutoML ofrece un punto intermedio para consumir modelos pre-entrenados vs entrenar modelos personalizados desde cero. Microsoft Cognitive Services, Amazon AI Services, Google Cloud AI API e IBM Watson API son ejemplos de servicios cognitivos.

Plataformas Machine Learning (ML) como servicio

Cuando las API cognitivas no cumplen con los requisitos, se puede aprovechar el Machine Learning PaaS para crear modelos de aprendizaje automático altamente personalizados. Al igual que en el modelo de entrega PaaS, donde los desarrolladores traen su código y lo alojan a escala, el Machine Learning PaaS (ML PaaS) espera que los científicos o analistas de datos aporten su propio conjunto de datos y código que pueda entrenar a un modelo con datos personalizados. Esto supone el ahorro de aprovisionamiento de entornos de computación, almacenamiento y redes para ejecutar trabajos complejos de aprendizaje automático. Además, el ML PaaS elimina la fricción que implica la configuración de los entornos de ciencia de datos. Proporciona entornos preconfigurados que pueden usar los científicos de datos para entrenar, ajustar y alojar el modelo. Microsoft Azure ML Services, Amazon SageMaker, Google Cloud ML Engine e IBM Watson Knowledge Studio son ejempledos de ML PaaS en la nube.

Servicios de Infraestructura Machine Learning (ML)

Muchos proveedores de Cloud ofrecen máquinas virtuales sin procesar respaldadas por CPU de alta gama y aceleradores, como la unidad de procesamiento de gráficos (GPU) y la matriz de puertas programable de campo (FPGA).  La infraestructura de ML es como la máquina de aprendizaje automático IaaS. Los desarrolladores y científicos de datos que necesitan acceso a la potencia de cómputo en bruto recurren a esta infraestructura: infraestructura ML. Confían en equipos de DevOps para provisionar y configurar los entornos necesarios.

Para proyectos complejos de aprendizaje depende en gran medida de nichos de herramientas y bibliotecas, y las organizaciones eligen infraestructura ML. De modo que obtienen el control de la configuración de hardware y software que puede no estar disponible en las ofertas de ML PaaS.

La inversión en hardware de Microsoft, Amazon, Google y Facebook han hecho que la infraestructura de ML sea más barata y eficiente. La oferta de FPGA de Microsoft es un ejemplo de acelerador de hardware personalizado exclusivamente para trabajos de ML. Microsoft Azure Deep Learning VM basado en NVIDIA GPU es un ejemplo de IaaS de nicho para ML.

Claramente el Machine Learning está haciendo evolucionar el concepto de Inteligencia Artificial y que ésta sea el futuro. Y lo más importante: ya está al alcance de todos.