PyTorch

Pasar el reto de PyTorch: con los recursos del machine learning

El aprendizaje profundo se usa en algunos de los proyectos más innovadores del mundo. En parte, eso se debe a los increíbles recursos disponibles, como PyTorch.

El aprendizaje profundo está aumentando en popularidad y, con razón, ya que es una tecnología asombrosa. Intenta imitar el funcionamiento del cerebro humano y usa redes neuronales artificiales para lograrlo. En realidad, el aprendizaje profundo existe desde hace bastante tiempo, desde la década de 1960, pero no fue hasta la llegada de la GPU que se adoptó en gran medida. Este ahora se usa para realizar múltiples cómputos al mismo tiempo con una exactitud superior en cantidades masivas de datos.

Sin embargo, lo que a menudo pasa a un segundo plano en el auge del aprendizaje profundo son las infraestructuras y las bibliotecas detrás de este concepto. PyTorch, una biblioteca de machine learning desarrollada por el equipo de Investigación de inteligencia artificial de Facebook (FAIR), ha cobrado mucha fuerza. Se utiliza en algunos de los proyectos más innovadores del mundo, como en Disney, que lo utiliza para identificar rostros en películas y dibujos animados. Airbnb usa las herramientas de AI convencionales en PyTorch para mejorar la experiencia de los clientes, y Tesla creó su software de conducción autónoma en PyTorch. Y la lista sigue.

En el último episodio de AI & U, Mark McQuade se une a Randall Hunt, representante de programadores de AI de Facebook, para analizar el aprendizaje profundo y utilizar las bibliotecas de aprendizaje de ML como PyTorch.

Conéctese para escuchar sobre los siguientes temas:

  • Cómo ser un representante de programadores
  • Cómo llevar los modelos de AI a producción con infraestructuras y bibliotecas
  • PyTorch como recurso de AI de código abierto
  • Comparación entre PyTorch y Tensorflow
  • Casos de uso de PyTorch en diferentes sectores que incluyen el sector de automotive, de la salud y de la agricultura

Randall analiza la comunidad de código abierto PyTorch y la variedad de colaboradores. "Una de las cosas que disfruto es que puedo enfocarme en las herramientas de código abierto. Y estas herramientas son cosas que usamos a nivel interno y que pensamos que van a ser útiles para la comunidad en general. Así que terminamos haciéndolas de código abierto. Y una de las cosas importantes acerca de PyTorch es que Facebook es solo uno de los muchísimos colaboradores. Así que existe una enorme cantidad de trabajo que proviene de grandes socios como Nvidia o AWS o Google y de todo tipo de colaboradores de grandes empresas. Pero también hay académicos. Entonces, personas de Cornell o de otros sitios aportan nuevas funciones. La comunidad crea y propone los grandes componentes de PyTorch con relativamente poca participación de nuestra parte. Y creo que los beneficios de las contribuciones y PyTorch son cosas que no había visto en mucho tiempo".

Randall explica la importancia de las herramientas de código abierto en torno a la AI responsable. "Hay un trabajo muy importante en el espacio de la AI responsable. Por lo tanto, la privacidad cuando hablamos de la AI es tomar las decisiones correctas en términos de la representación insuficiente de las personas o tipos de clases de la comunidad y asegurarse de no hacer nada incorrecto con la AI. Y ese es un problema no menor por resolver. Y una de las partes más importantes en ese aspecto son las herramientas. Creo que algunas de las herramientas de código abierto en torno a la AI responsable son muy valiosas. Y ese trabajo debería continuar".

Randall también explica por qué ve la AI como algo tan valioso. "Es una oportunidad de hacer real al mundo que vemos en ciencia ficción. Entonces, poner fin a las diferencias que vemos en ciencia ficción, como ya sabe, la ciencia ficción positiva, y la realidad es algo que me resulta muy interesante. No hay progreso sin gente que se esfuerce e investigue. Por eso considero la AI como algo muy valioso".

 

Join the Conversation: Find Solve on Twitter and LinkedIn, or follow along via RSS.

Stay on top of what's next in technology

Learn about tech trends, innovations and how technologists are working today.

Subscribe

NLP and transformers

Obtener valor del NLP y el modelo basado en la arquitectura Transformer

About the Authors

rackspace logo

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: Eric Miller, CTO, Rackspace Technology Jeff DeVerter, Chief Technology Evangelist, Rackspace Technology The editorial team:  Gracie LePere, Program Manager Chris Schwartz, Editor & Producer  Larry Meyer, Creative Management Royce Stewart, Chief Designer  Simon Andolina, Design Tim Mann, Design Lisa Varrall, Design Abi Watson, Design Debbie Talley, Production Manager  Chris Barlow, Editor  Kamalpreet Badasha, Writer Tim Hennessey Jr., Writer Craig Grannell, Writer Karen Taylor, Writer Brooke Kaczmarek, Social Media Manager 

Read more about Rackspace Technology Staff - Solve