La estética de la AI: cómo desarrollar aplicaciones de datos fabulosas
El front-end a menudo pasa a un segundo plano en el ciclo de vida del machine learning. Por eso necesita ayuda para materializar las aplicaciones.
Si entrenó un modelo de machine learning para que realice un análisis de datos fabuloso, seguramente querrá mostrar sus resultados. Pero, para hacer esto, necesita conocimiento de front-end. Sin embargo, eso no siempre es una fortaleza de los científicos de datos o ingenieros de datos que, en general, desarrollan modelos de machine learning. Por eso, las aplicaciones de front-end a menudo pasan a un segundo plano en el ciclo de vida del machine learning y del análisis de datos.
Ahora existe una solución para ese problema. Streamlit le permite convertir scripts de datos en aplicaciones web que se pueden compartir en cuestión de minutos. Es de código abierto y no se requieren habilidades de desarrollo web ni de front-end.
En el último episodio de AI & U, Mark McQuade conversa con Johannes Rieke, ingeniero de productos de Streamlit. Antes de unirse a Streamlit, Johannes creó una aplicación estupenda llamada traingenerator, que es una aplicación web para generar código de plantillas para machine learning. Desarrolló traingenerator por gusto, y la aplicación fue tan exitosa en la comunidad que consiguió llamar la atención del equipo de Streamlit, que luego lo contrató como su primer ingeniero de productos.
Conéctese para escuchar sobre los siguientes temas:
- Tendencias actuales en machine learning
- La comunidad que simplifica la AI y el machine learning
- Casos de uso de Streamlit y machine learning
- Asesoramiento para involucrarse con la AI
Mark McQuade comenta sobre las empresas emergentes que están trazando el futuro de la AI. “Eso es algo que nos gusta destacar en este programa. Cómo simplificar la AI y el machine learning. Hay algunas partes de la AI que requieren mucho conocimiento académico, pero, al mismo tiempo, existen muchas herramientas en las que todo eso no es necesario. La gente las desarrolla todo el tiempo. Hugging Face es un gran ejemplo. Le ofrece un modelo previamente entrenado para cualquier tipo de tarea transformadora de NLP que necesite hacer. Entonces, en realidad, muchas empresas están simplificando y desmitificando la AI”.
Johannes les da el siguiente consejo a quienes estén intentando forjarse una carrera en AI: “Yo les diría que no le teman a la tecnología más reciente ni a los productos más nuevos. Cuando empecé con machine learning, los últimos modelos y artículos de investigación me asustaban un poco. Siempre decía: ‘Eso va a ser supercomplicado’ y ‘¿Cómo voy a implementar todo esto?’. Sin embargo, creo que es realmente bueno abordar estas cuestiones nuevas porque pueden descubrir muchísimo a partir de ellas. En especial hoy en día, todas las últimas herramientas les permiten a las nuevas empresas desarrollar cosas muy rápido”.
Cómo hacer posible la revolución de la visión artificial
About the Authors
Rackspace Technology Staff - Solve
The Solve team is made up of a curator team, an editorial team and various technology experts as contributors. The curator team: Srini Koushik, CTO, Rackspace Technology Jeff DeVerter, Chief Technology Evangelist, Rackspace Technology The editorial team: Gracie LePere, Program Manager Royce Stewart, Chief Designer Simon Andolina, Design Tim Mann, Design Abi Watson, Design Debbie Talley, Production Manager Chris Barlow, Editor Tim Hennessey Jr., Writer Stuart Wade, Writer Karen Taylor, Writer Meagan Fleming, Social Media Specialist Daniel Gibson, Project Manager
Read more about Rackspace Technology Staff - Solve