Visión general
- Un sistema de aprendizaje automático consta de varios componentes básicos que deben administrarse
- Conozca los tres bloques de construcción clave del aprendizaje automático con los que trabajará como científico de datos
Introducción
¿Cómo funciona un proyecto de aprendizaje automático? ¿Cuáles son los diferentes componentes básicos que forman parte de la creación de un sistema de aprendizaje automático o inteligencia artificial (IA)? Este es un tema con el que luché personalmente durante mis primeros días en el campo.
Sabía cómo hacer modelos de aprendizaje automático, pero no tenía ni idea de cómo funcionaba realmente un proyecto de aprendizaje automático del mundo real. ¡Fue una gran revelación cuando pasé por el proceso! Y con el tiempo, he visto a la mayoría de los principiantes en ciencia de datos y aprendizaje automático luchar para comprender los matices de un sistema de aprendizaje automático.
Recuerde: ¡no se trata solo de construir modelos! Hay MUCHO que se necesita para crear un sistema de inteligencia artificial y aprendizaje automático exitoso. Es una fusión de hardware y software, entre otras cosas. Entonces, la pregunta es: ¿cuáles son los bloques de construcción clave que componen un sistema de aprendizaje automático exitoso?
Eso es lo que cubriremos en detalle en este artículo. Le daré una descripción general de estos diferentes componentes en un sistema de aprendizaje automático o inteligencia artificial, y luego comprenderemos estos componentes con la ayuda de un automóvil autónomo.
Este artículo y los conceptos que cubriremos son parte del programa gratuito ‘Introducción a la IA y el aprendizaje automático‘ curso. Recomiendo encarecidamente comprobarlo: es un gran lugar para familiarizarse con los diversos conceptos de inteligencia artificial y aprendizaje automático.
Y los tres pilares fundamentales del aprendizaje automático son:
- Bloque de construcción de aprendizaje automático n. ° 1: capturar la entrada
- Bloque de construcción de aprendizaje automático n. ° 2: procesamiento y almacenamiento de datos
- Bloque de construcción de aprendizaje automático n. ° 3: unidad de resultado o interacción
Bloque de construcción de aprendizaje automático n. ° 1: capturar la entrada
Como era de esperar, todo sistema de aprendizaje automático necesita una gran cantidad de datos para funcionar. En última instancia, tomará decisiones en función de los datos que capture. Y necesita capturar datos sobre el entorno en el que se encuentra, las condiciones ambientales, las entradas del usuario, etc.
Por lo tanto, el primer bloque de construcción de cualquier sistema de inteligencia artificial o aprendizaje automático es la forma en que captura e ingresa en el sistema.
Entonces, ¿cómo se ve esta entrada? Esto podría incluir varios sensores como una cámara que captura imágenes, ubicación GPS, entradas de usuario desde aplicaciones móviles, etc. Para seleccionar las entradas correctas, debemos hacer estas preguntas clave:
- ¿Qué datos necesitamos capturar?
- ¿Con qué frecuencia necesitamos capturar estos datos?
- ¿Qué tan rápido fluirían estos datos?
- ¿Cuál podría ser la mejor forma de capturar estos datos?
A veces, habría varias formas de capturar los mismos datos. Por ejemplo, puede confiar en los sensores de su automóvil para capturar la información meteorológica, o puede extraerlos directamente de Internet en función de las coordenadas GPS de su automóvil.
Podría tener sentido sopesar los pros y los contras de varias formas de capturar datos antes de decidir cuál prefiere.
Bloque de construcción de aprendizaje automático n. ° 2: procesamiento y almacenamiento de datos (Edge y Cloud)
Una vez que capturemos estos datos de las unidades de entrada, necesitaremos almacenarlos o ejecutar cálculos en ellos. Esa es básicamente la elección a la que se reduce cuando estamos trabajando en un proyecto de aprendizaje automático!
Ambos (procesamiento o almacenamiento) pueden ocurrir en el sistema normalmente llamado «IA en el borde» o pueden ocurrir en la nube. Nuevamente, tenemos algunas opciones frente a nosotros. Necesitamos decidir:
- ¿Qué datos se almacenarían en el borde?
- ¿Qué cálculos ocurrirían en el borde? Aquí, normalmente tendría limitaciones en el entorno informático (créame, ¡no todo el mundo tiene los recursos informáticos ilimitados de Google!)
- ¿Qué pasaría en la nube?
Por lo general, si hay alguna operación crítica que debería ocurrir, incluso si no hay conexión a Internet o una actualización del sistema, siempre debería ocurrir en el borde.
Estos incluirían cosas como decisiones sobre la marcha, alertas o cualquier otra forma de monitoreo que desee en el dispositivo. El almacenamiento de datos y los cálculos más completos se realizan en la nube. Aquí es donde los científicos de datos suelen aplicar varias técnicas de aprendizaje automático para mejorar el sistema. Todos nuestros lagos de datos, almacenes de datos, etc. normalmente también estarían en la nube.
Bloque de construcción de aprendizaje automático n. ° 3: unidad de resultado o interacción
Finalmente, habría una unidad de salida o interacción en un sistema exitoso de inteligencia artificial o aprendizaje automático. Esta es la unidad en la que el sistema de aprendizaje automático interactuaría con el universo exterior y actuaría.
Esto podría ser en forma de pantalla, salida de voz o acciones robóticas informales. Por lo general, la salida de nuestro sistema de aprendizaje automático también tendría varias consideraciones de diseño.
Por ejemplo, si un vehículo no puede decidir o leer el entorno con certeza, es necesario responder preguntas clave:
- ¿Qué debe hacer el sistema?
- ¿Debe detenerse primero o debe alertar al usuario?
- ¿Con qué frecuencia y qué detalles debe comunicar al usuario?
Estas son algunas de las preguntas centrales que se consideran comúnmente en la capa de salidaLa "capa de salida" es un concepto utilizado en el ámbito de la tecnología de la información y el diseño de sistemas. Se refiere a la última capa de un modelo de software o arquitectura que se encarga de presentar los resultados al usuario final. Esta capa es crucial para la experiencia del usuario, ya que permite la interacción directa con el sistema y la visualización de datos procesados.... de cualquier sistema de aprendizaje automático.
Estudio de caso: bloques de construcción para un automóvil autónomo
Ahora, tomemos un ejemplo de un automóvil autónomo y veamos cada uno de estos componentes básicos con más detalle. Esto le ayudará a obtener una comprensión más práctica de cómo funciona un sistema de aprendizaje automático o de inteligencia artificial en el mundo real.
Entonces, ¿cuál sería el primer bloque de construcción o componente?
Lo has adivinado, ¡entrada! Echa un vistazo al coche autónomo de drive.ai:
Como puede ver aquí, este vehículo autónomo tiene muchos sensores que actúan como entrada al sistema de aprendizaje automático. Puede ver estos sensores en la parte superior del automóvil (en color azul). Estos se denominan LiDAR o detección y rango de luz. Además de estos, hay otros sensores que capturan más información como el clima, obstáculos dentro y alrededor del automóvil, detección de carriles, etc.
Luego está el cálculo y el almacenamiento en el propio automóvil, lo que le permite tomar decisiones como:
- ¿Cuánto conducir?
- ¿A qué velocidad correr?
- ¿Cuáles son los obstáculos en el camino?
- ¿Cómo manejar estos obstáculos?
También hay una capa de almacenamiento y computación en la nube, que es responsable de mejorar el algoritmo de conducción con el tiempo.
Y finalmente, vería varios componentes de salida como una pantalla para mostrar mensajes a las personas alrededor del automóvil. También está la acción tomada por el proceso robótico para impulsar el vehículo hacia adelante. Aquí hay una ilustración de las diferentes capas que se requieren en esta etapa:
Hay muchos otros aspectos prácticos necesarios para crear un automóvil autónomo exitoso. Pero quería tomar este ejemplo para mostrarle cómo funciona la idea general detrás de un sistema de aprendizaje automático del mundo real y los bloques de construcción clave necesarios para ejecutarlo.
Notas finales
Bastante fascinante, ¿verdad? Como dije anteriormente, un proyecto de aprendizaje automático no se trata solo de construir modelos. Hay mucho más que la mayoría de los entusiastas de la ciencia de datos no conocen. Este conocimiento práctico es necesario si desea obtener un puesto como especialista en aprendizaje automático.
Aquí tienes un desafío. Ahora que comprende los diversos componentes de un automóvil autónomo, es su turno de diseñar los componentes de una aspiradora inteligente que puede navegar por el piso por sí sola y limpiar el área por la que navega. ¡Diviértete construyéndolo!
Y si tiene preguntas o pensamientos sobre este artículo, me encantaría saber de usted.
