Hace aproximadamente un año, Google anunció el lanzamiento de Vertex AI, una plataforma de IA administrada diseñada para ayudar a las empresas a acelerar la implementación de modelos de IA. Para conmemorar el aniversario del servicio y el inicio de la Cumbre de ML aplicada de Google, Google anunció esta mañana nuevas características que se dirigen a Vertex, incluido un servidor dedicado para la capacitación del sistema de IA y explicaciones “basadas en ejemplos”.
“Lanzamos Vertex AI hace un año con el objetivo de habilitar una nueva generación de IA que permita a los científicos e ingenieros de datos realizar un trabajo creativo y satisfactorio”, dijo a TechCrunch Henry Tappen, gerente de producto del grupo Google Cloud, por correo electrónico. “Las nuevas características de Vertex AI que estamos lanzando hoy continuarán acelerando la implementación de modelos de aprendizaje automático en todas las organizaciones y democratizarán la IA para que más personas puedan implementar modelos en producción, monitorear continuamente e impulsar el impacto comercial con IA”.
Tal como Google lo ha presentado históricamente, el beneficio de Vertex es que reúne los servicios de Google Cloud para IA bajo una interfaz de usuario y una API unificadas. Clientes como Ford, Seagate, Wayfair, Cashapp, Cruise y Lowe’s usan el servicio para construir, entrenar e implementar modelos de aprendizaje automático en un solo entorno, afirma Google, pasando los modelos de la experimentación a la producción.
Vertex compite con las plataformas de IA administradas de proveedores de la nube como Amazon Web Services y Azure. Técnicamente, encaja en la categoría de plataformas conocidas como MLOps, un conjunto de mejores prácticas para que las empresas ejecuten IA. Deloitte predice el mercado de MLOps tendrá un valor de $ 4 mil millones en 2025, creciendo casi 12 veces desde 2019.
Proyectos Gartner la aparición de servicios gestionados como Vertex hará que el mercado de la nube crezca un 18,4 % en 2021, y se prevé que la nube represente el 14,2 % del gasto global total en TI. “A medida que las empresas aumentan las inversiones en movilidad, colaboración y otras tecnologías e infraestructuras de trabajo remoto, el crecimiento de la nube pública [will] mantenerse hasta 2024”, escribió Gartner en un estudio de noviembre de 2020.
Nuevas capacidades
Entre las nuevas funciones de Vertex se encuentra AI Training Reduction Server, una tecnología que, según Google, optimiza el ancho de banda y la latencia del entrenamiento distribuido multisistema en las GPU de Nvidia. En el aprendizaje automático, el “entrenamiento distribuido” se refiere a la distribución del trabajo de entrenamiento de un sistema en varias máquinas, GPU, CPU o chips personalizados, lo que reduce el tiempo y los recursos necesarios para completar el entrenamiento.
“Esto reduce significativamente el tiempo de capacitación requerido para grandes cargas de trabajo de idiomas, como BERT, y permite aún más la paridad de costos entre diferentes enfoques”, dijo Andrew Moore, vicepresidente y gerente general de inteligencia artificial en la nube en Google, en una publicación hoy en el blog de Google Cloud. “En muchos escenarios comerciales de misión crítica, un ciclo de capacitación más corto permite a los científicos de datos entrenar un modelo con un mayor rendimiento predictivo dentro de las limitaciones de una ventana de implementación”.
En la vista previa, Vertex ahora también presenta Tabular Workflows, cuyo objetivo es brindar una mayor personalización al proceso de creación de modelos. Como explicó Moore, los flujos de trabajo tabulares permiten al usuario elegir qué partes del flujo de trabajo quieren que la tecnología “AutoML” de Google maneje frente a qué partes quieren diseñar ellos mismos. AutoML, o aprendizaje automático automatizado, que no es exclusivo de Google Cloud o Vertex, abarca cualquier tecnología que automatice aspectos del desarrollo de IA y puede abordar las etapas de desarrollo desde el comienzo con un conjunto de datos sin procesar hasta la creación de un modelo de aprendizaje automático listo para su implementación. AutoML puede ahorrar tiempo, pero no siempre puede superar el toque humano, especialmente cuando se requiere precisión.
“Los elementos de los flujos de trabajo tabulares también se pueden integrar en sus canalizaciones Vertex AI existentes”, dijo Moore. “Hemos agregado nuevos algoritmos administrados que incluyen modelos de investigación avanzados como TabNet, nuevos algoritmos para la selección de características, destilación de modelos y… más”.
Relacionado con las canalizaciones de desarrollo, Vertex también está logrando una integración (en versión preliminar) con Spark sin servidor, la versión sin servidor del motor de análisis de código abierto mantenido por Apache para el procesamiento de datos. Ahora, los usuarios de Vertex pueden iniciar una sesión de Spark sin servidor para desarrollar código de forma interactiva.
En otros lugares, los clientes pueden analizar las características de los datos en la plataforma de Neo4j y luego implementar modelos utilizando Vertex, cortesía de una nueva asociación con Neo4j. Y, gracias a una colaboración entre Google y Labelbox, ahora es más fácil acceder a los servicios de etiquetado de datos de Labelbox para imágenes, texto, audio y datos de video desde el tablero de Vertex. Las etiquetas son necesarias para que la mayoría de los modelos de IA aprendan a hacer predicciones; los modelos se entrenan para identificar las relaciones entre etiquetas, también llamadas anotaciones, y datos de ejemplo (p. ej., la leyenda “rana” y una foto de una rana).
En el caso de que los datos se etiqueten incorrectamente, Moore ofrece explicaciones basadas en ejemplos como solución. Disponible en versión preliminar, las nuevas características de Vertex aprovechan las explicaciones “basadas en ejemplos” para ayudar a diagnosticar y tratar problemas con los datos. Por supuesto, ninguna técnica de IA explicable puede detectar todos los errores; El lingüista computacional Vagrant Gautam advierte contra el exceso de confianza en las herramientas y técnicas utilizadas para explicar la IA.
“Google tiene alguna documentación de las limitaciones y un documento técnico más detallado sobre la IA explicable, pero nada de esto se menciona en ninguna parte. [today’s Vertex AI announcement]”, dijeron a TechCrunch por correo electrónico. “El anuncio enfatiza que ‘el dominio de las habilidades no debe ser el criterio de entrada para la participación’ y que las nuevas funciones que brindan pueden ‘escalar la IA para los que no son expertos en software’. Mi preocupación es que los no expertos tienen más fe en la IA y en la explicabilidad de la IA de lo que deberían, y ahora varios clientes de Google pueden construir e implementar modelos más rápido sin detenerse a preguntar si ese es un problema que necesita una solución de aprendizaje automático en primer lugar. , y llamando a sus modelos explicables (y por lo tanto confiables y buenos) sin conocer el alcance total de las limitaciones en torno a eso para sus casos particulares”.
Aún así, Moore sugiere que las explicaciones basadas en ejemplos pueden ser una herramienta útil cuando se usan junto con otras prácticas de auditoría de modelos.
“Los científicos de datos no deberían necesitar ser ingenieros de infraestructura o ingenieros de operaciones para mantener los modelos precisos, explicables, escalables, resistentes a desastres y seguros, en un entorno en constante cambio”, agregó Moore. “Nuestros clientes exigen herramientas para administrar y mantener fácilmente los modelos de aprendizaje automático. “
Source link