Crea Aplicaciones De Inteligencia Artificial Sin Programar

Cada vez hay más librerías, plataformas y servicios en la nube para crear aplicaciones de Inteligencia Artificial (AI). Pero utilizarlas directamente para programar tu componente inteligente te obliga a aprender el lenguaje específico de cada plataforma y te liga a ella en el futuro. No es una buena thought con lo rápido que evoluciona el ecosistema de la IA con nuevas, y mejores, plataformas apareciendo a diario.
¿Como puedes crear una app que integre algún algoritmo de IA (lo que también se llama sensible apps ) incluso una solución completa de ciencia de datos (data science) sin tener que aprender a programar y depender de una plataforma concreta? La solución es modelar la aplicación AI y dejar que sea luego la plataforma de modelado la que genere y ejecute la aplicación utilizando, for example, alguno de los frameworks deep studying existentes.
Ya deberías saber que subiendo el nivel de abstracción al qué defines tu problema software consigues de inmediato una serie de beneficios como la independencia tecnológica. Esta es también la tendencia que se sigue en el mundo de la inteligencia artificial. Cada vez hay más herramientas para modelar IA y así facilitar que todo el mundo, aunque no sean programadores, pueda acceder a esta fascinante tecnología.
Vamos a intentar cubrir tanto las herramientas que permiten añadir componentes de inteligencia artificial predefinidos a una aplicación existente como herramientas específicas para preparar y entrenar modelos de aprendizaje automático (machine learning).
Herramientas de modelado visual de IA de la mano de las grandes tecnológicas
Las grandes del mundo tech” (Google, Amazon, Microsoft) han visto los entornos de modelado para IA como una manera de crecer su base de usuarios. Te venden la programación visible” como manera de crear tus propias aplicaciones de aprendizaje automático sin programar pero, evidently, luego esas aplicaciones sólo las puedes ejecutar en sus plataformas respectivas.
Azure Machine Learning Studio
El entorno de modelado para Machine Studying que más me gusta es el Azure Machine Learning Studio de Microsoft. Como Microsoft dice: es un entorno easy, ejecutable en tu navegador y que ofrece un entorno visual y drag-and-drop donde no hay necesidad de escribir ningún tipo de código”. Puedes fácilmente definir cuales son tus datos de entrada, procesarlos (si hace falta), utilizarlos para entrenar diferentes tipos de modelos de machine studying y finalmente evaluar la calidad de los resultados.
Creando un modelo para clasificación con Azure ML Studio
SPSS Modeler de IBM
La alternativa de IBM a Azure ML Studio es el SPSS Modeler, parte del Watson Studio Como la solución de Microsoft, te permite definir tu knowledge pipeline, el modelo que quieres generar (clasificador, predictivo,...) y evaluar y visualizar los resultados. Viene con una librería muy completa de algoritmos y modelos predefindos para no empezar de cero.
Lo más parecido que Amazon proporciona sería el Amazon SageMaker pero no he conseguido ver que incluya ningún tipo de editor visual para IA.
Modelado para ciencia de datos
En un problema de knowledge science, la recolección de datos y su manipulación / preparación es tan importante como el aprendizaje automático que vamos a intentar a continuación. Es por eso que los entornos visuales de ciencia de datos vienen con un gran número de componentes para el masaje” de datos.
Aunque algunas de estas herramientas pueden venir con su propio motor de ejecución, la mayoría se integran con frameworks de deep studying existentes como Keras Tensorflow
RapidMiner
RapidMiner incluye un herramienta de diseño visual de workflows para prototipar y validar modelos predictivos. Viene con un buen número de conexiones predefinidas con servicios artificial intelligence blog externos (muchas de ellas para la integración de datos, RapidMiner soporta más de 60 tipos de ficheros y formatos de datos, tanto para datos estructurados como no estructurados).
Orange
Orange es una herramienta de aprendizaje y visualización de modelos de ML. El análisis de los datos se realiza vía la conexión de widgets en un flujo de datos común. Cada widget se encarga de una más tareas de recuperación, preproceso, visualización evaluación de datos. Casi todo lo que puedas imaginar tiene ya su widget pero puedes igualmente crear los tuyos.
Programación visible de workflows para análisis de datos con Orange
Knime
Mi opción favorita. Knime es una plataforma genérica para el análisis de datos que puede usarse con muchos fines diferentes. Hay más de 2000 tipos de nodos que puedes utilizar para ello. Las extensiones Knime para knowledge scientists y Knime para deep studying son las que más nos interesan para este submit. For example, la extensión de deep learning permite a los usuarios realizar todo tipo de operaciones (desde la definición hasta la ejecución) sobre redes neuronales. Se puede complementar con la extensión para knowledge scientists para enriquece mucho toda la parte de recogida y proceso de datos. In addition, Knime es open source
Fijaros que aparte de estas herramientas específicas para knowledge science, cada vez veremos más y más extensiones que añadan un cierto nivel de funcionalidades de análisis de datos en entornos más generales. Un gran ejemplo seria Neuron , una extensión de information science para Visible Studio Code
Modelando redes neuronales
Si tu objetivo principal son las redes neuronales, DIANNE es una buena opción. En DIANNE, la redes neuronales se definen como un grafo dirigido que se puede crear visualmente con su editor on-line a partir de módulos predefinidos.
Si lo que quieres es más que nada aprender como funcionan las redes neuronales, entonces este Tensorflow playground es la solución very best. Permite jugar con redes neuronales (añadiendo / quitando neuronas y modificando sus parámetros) y aprender así sus conceptos básicos.
Visualización de los modelos de aprendizaje
Hay herramientas especializadas en visualizar los resultados del aprendizaje automático. Su objetivo es ayudarte a entender como funciona y como de bien responde el modelo de ML generado.
Herramientas de generación de código para crear software program con comportamiento inteligente
Las herramientas low-code clásicas” se están dando cuenta que sus usuarios quieren poder añadir componentes inteligentes a sus modelos software, de la misma forma que pueden diseñar el modelo de datos de comportamiento. For example, quieren poder añadir fácilmente chatbots a su software un componente de reconocimiento facial sin tener que aprender a programar con librerías de deep learning.
Como respuesta, estas herramientas de generación de código están añadiendo ya nuevos módulos visuales que permitan representar y encapsular estas funcionalidades inteligentes. De momento, sólo se ofrece la integración de componentes ya predefinidos (para reconocer objetos, análisis del sentimiento,...) y ofrecidos por plataformas externas, con lo que la integración consiste básicamente en enlazar tu software program con ese servicio externo con pocas posibilidades de configuración. Pero en todo caso, es un buen comienzo.
Genexus
Genexus es la que ofrece más y mejores opciones, como resume la tabla que os copio a continuación (fijaros que para alguno de los módulos puedes elegir también sobre qué infraestructura ejecutarlo):
Google Cloud AI


Genexus ha sacado recientemente también una extensión para generat chatbots y de hecho estamos mirando como podría integrarse con Jarvis nuestro propio framework para el modelado y despliegue de chatbots multiplataforma.inteligencia artificial wikipedia
Mendixinteligencia artificial wikipedia
Mendix camina hacia una dirección parecida (e.j. ver como crear un chatbot con Mendix ) pero de momento el proceso parece requerir bastante más trabajo guide.
Lobe
Lobe (ahora comprada por Microsoft) es un nuevo competidor en la area de las herramientas ” low-code para AI ” Su objetivo es que te sea muy fácil entrenar modelos de deep studying que luego puedas integrar en una app. Todavía están en beta y con la compra por Microsoft es difícil saber como van a evolucionar, pero viendo los ejemplos visuales de deep studying, es fácil imagina un buen número de apps interesante para dispositivos móviles que se podrían crear con Lobe.
Reconocimiento de gestos con Lobe
Related Posts
January 24, 2017
COMMENT
Identify
Email
Web site
Anúnciate aquí
Con más de 800 visitantes al día, somos la net líder en Ingeniería de Software program de habla hispana. Contacta para anunciarte antes de que sea demasiado tarde
Crea tus propios chatbots con Xatkit
Únete a nuestro grupo de Ingenieros Software program
No te pierdas las últimas novedades sobre programación, diseño, AI, metodologías y mucho más
Apúntate
Pin It on Pinterest

0

Leave A Comment

Your email address will not be published. Required fields are marked *

This site uses Akismet to reduce spam. Learn how your comment data is processed.