Podcast - AutoML: la manera fácil de hacer machine learning (Parte 2)

¿Te quedaste con ganas de más en el último capítulo de Cómo conocí a nuestro cloud. En el episodio anterior nos introducimos en el universo de AutoML y vimos las principales opciones componen este servicio.

En el podcast de hoy vamos un paso más allá y veremos, con la ayuda de Óscar Ferrer e Iván Sierra cuáles son los problemas habituales a la hora de trabajar con AutoML y los mejores consejos para que nuestros proyectos sean un éxito.

¡Queremos ponértelo fácil! Puedes escuchar este podcast en las principales plataformas: Ivoox, YouTube, Spotify, Google Podcast y Apple Podcast.

Ya os contamos hace unos días qué era AutoML. De manera sencilla, podemos definirlo como la manera de hacer Inteligencia Artificial de alta calidad sin saber de Inteligencia Artificial. Es una tecnología que permite crear modelos de IA, únicamente teniendo datos y sabiéndolos etiquetar.

¿Cómo hacer AutoML?

A al hora de hacer AutoML, la interfaz te va guiando. Antes de que empiecen te contamos estos consejos:

• Preparar los datos: tu modelo será tan bueno como lo sean tus datos.
• Obtener esos datos puede ser complicado. Por eso, os recomendamos buscar datasets públicos, como, por ejemplo, Kaggle, una subsidiaria de Google que es una comunidad en línea de científicos de datos y profesionales del aprendizaje automático.
• Primero tiene que ser el caso de uso y luego ver si con Machine Learning podemos solventar ese caso de uso, el problema. Es fundamental, por tanto, determinar el problema y el caso de uso.

¿Qué problemas tiene usar Automl?

Ya sabemos qué es, cuáles son las características y cómo hacer AutoML, pero ¿qué problemas podemos encontrar?

• El que más vemos es Vendor lock in: AutoML depende de la plataforma de Google y llevártelo a otro sitio es complicado porque no tienes el código del modelo, entre otras cosas. Edge AutoML te permite extraer el modelo y utilizarlo donde quieras, por lo que puede servir en determinados casos de usos.
• Precio: depende de los que te vaya a resolver y los beneficios que te va a dar.

Goodlio: un caso práctico

Nuestro compañero Tomás Calleja realizó un webinar sobre Goodlio, un modelo de clasificación de imágenes diseñado usando AutoML que era capaz de diferenciar entre dibujos de ninjas o de dinosaurios.

Si te has quedado con ganas de conocer más a fondo AutoML, en este post te contamos cómo construir una solución de AutoML completamente funcional.