Desde apicultores a gente que mapea el océano, Lobe busca facilitar para todos entrenar modelos de aprendizaje automático
Jennifer Langston
AI Blog
Sean Cusack ha sido apicultor en su patio trasero por 10 años y fanático de modificar cosas por más tiempo. Así es como él y su amigo entomólogo comenzaron a platicar sobre construir un sistema de alerta temprana para alertar a los propietarios de colmenas sobre amenazas que puedan ser catastróficas.
Imaginaron instalar una cámara activada por sensores de movimiento en la entrada de una colmena y usar aprendizaje automático para identificar, de manera remota, cuándo ingresaban invasores como los ácaros, avispas o incluso el avispón gigante asiático.
“Una amenaza como esa podría matar a tu colmena en unas horas, y se acabaría el juego”, comentó Cusack. “Pero si lo hubieras sabido dentro de los 10 minutos que sucedió y pudieras salir e involucrarte, podrías, de manera potencial, rescatar colonias enteras”.
No fue sino hasta que Cusack escuchó sobre Lobe, una aplicación que tiene como objetivo facilitar el aprendizaje automático para las personas, y les ayuda a entrenar modelos sin escribir código, que vio una manera manejable de hacer realidad el proyecto.
“Conozco bastante de tecnología, pero cuando intenté hacer algunas cosas de aprendizaje automático en el pasado, descubrí que puede ser bastante intimidante o abrumador juntar todas las piezas del rompecabezas”, comentó Cusack, ingeniero de software en Microsoft que trabaja en el desarrollo de web empresarial. “Lobe hizo clic para mí de inmediato”.
La aplicación gratuita, que Microsoft ha puesto a disposición en versión previa pública, ayuda a las personas sin experiencia en ciencias de los datos, a importar imágenes en Lobe y etiquetarlas de manera sencilla para crear un conjunto de datos de aprendizaje automático.
Hoy, Lobe soporta clasificación de imagen pero planea expandirse a otros tipos de datos y modelos en el futuro, mencionó Microsoft.
Una vez que el entrenamiento esté hecho, los modelos pueden ser exportados con facilidad para correr sobre plataformas estándares de la industria y funcionar en aplicaciones, sitios web o dispositivos. Esto permite a las personas crear soluciones de aprendizaje automático de extremo a extremo, en casa o en el lugar de trabajo, como crear una alerta cuando un mapache residente se mete en su basura o alertar cuando un empleado en una situación peligrosa no utiliza un casco.
Los primeros clientes incluyen a The Nature Conservancy, que utiliza la aplicación Lobe como parte de un proyecto más grande para mapear y proteger los recursos marinos del caribe y escoger qué fotos de vacaciones subidas por turistas que visitan esas regiones, se relacionan con el avistamiento de ballenas y delfines.
Otros clientes han utilizado Lobe para construir aplicaciones que puedan ayudar a identificar plantas dañinas como el roble venenoso en una caminata, o que utilizan una cámara para enviar una alerta cuando por accidente dejan abierta la puerta de la cochera o cuando se libera un lugar de estacionamiento frente a su casa.
“Lobe toma lo que es una sofisticada y compleja pieza de tecnología y la vuelve divertida de una manera activa”, comentó Bill Barnes, gerente para Lobe, que Microsoft adquirió y comenzó a incubar en 2018. “Lo que encontramos es que inspira a la gente. Los llena con la confianza de que en verdad pueden utilizar aprendizaje automático. Y cuando tienes confianza te vuelves más creativo y comienzas a mirar alrededor y a pregunta ‘¿Qué más puedo hacer con esto?’”.
Lobe, que está disponible para descarga en computadoras Windows o Mac, utiliza arquitecturas de aprendizaje automático de código abierto y transfiere el aprendizaje para entrenar modelos personalizados de aprendizaje automático en la propia máquina del usuario. Todos los datos se mantienen privados, y no se requiere conexión a internet o inicios de sesión. Debido a que el entrenamiento es automático, las personas pueden comenzar con sólo importar imágenes de las cosas que quieren que Lobe reconozca.
En el proyecto de colmena de Cusack, que demostró durante el más reciente hackathon de Microsoft, utilizó una cámara de sensor de movimiento que toma fotos de las abejas mientras vuelan hacia la colmena, así como de invasores como avispas, tijeretas y el avispón asiático gigante. Dado a que los avistamientos del avispón en la naturaleza son todavía raros, Cusack imprimió imágenes, las pegó en palos y las puso en la colmena para imitar una amenaza invasiva.
Lobe utilizó esas imágenes para crear un modelo de aprendizaje automático que pueda distinguir entre los diferentes insectos y ejecutarse en un pequeño dispositivo Raspberry Pi a la entrada del panal, para alertar de problemas a los propietarios.
Lobe ocupa un lugar ideal para los clientes que buscan una manera simple y rápida de comenzar con el aprendizaje automático desde sus PC o Mac, sin requerir de cualquier dependencia de la nube, comentó Microsoft. Complementa los servicios de Azure AI para los clientes que quieren aprovechar las capacidades del cómputo en la nube.
“En verdad queremos impulsar a más personas a que aprovechen el aprendizaje automático y que lo prueben por primera vez”, comentó Jake Cohen, gerente senior de programa en Lobe. “Queremos que puedan usarlo en formas que antes no podían o que no sabían que podían”.
The Nature Conservancy utiliza Lobe para apoyar su proyecto Mapping Ocean Wealth, que busca mapear cómo y dónde el turismo, la pesca y otras actividades, afectan de manera potencial a importantes recursos oceánicos: con la meta de ayudar a los oficiales en cinco naciones del Caribe a que tomen decisiones económicas y de conservación más informadas.
La organización no lucrativa utiliza Lobe para detectar fotos de vacaciones que describen actividades de avistamiento de ballenas o delfines que los visitantes de aquellos países han subido a un popular sitio web de viajes. A las fotos se les ha eliminado toda la información personal pero mantienen los datos geográficos, que pueden ayudar a dar a los tomadores de decisión una idea aproximada de lo populares que son esas actividades turísticas basadas en la naturaleza en diferentes lugares.
“Hay muchos mapas buenos de pesca, muchos mapas buenos de navegación y mapas que muestran dónde están diferentes hábitats. Pero es bastante difícil capturar patrones espaciales de lo que hacen los turistas, y dónde lo hacen y con qué intensidad”, comentó Kate Longley-Wood, coordinadora de mapas oceánicos para The Nature Conservancy. “Así que descubrimos que estos conjuntos de datos, de colaboración colectiva, pueden ser en verdad útiles para llenar esos vacíos”.
Antes de usar Lobe, The Nature Conservancy tuvo que contratar a investigadores y estudiantes de ciencias de los datos para crear un modelo personalizado de aprendizaje automático que pudiera identificar a turistas que interactuaban con arrecifes de coral. Pero Lobe ha permitido a la organización no lucrativa hacer ese mismo trabajo en casa, con personal que no tiene experiencia en programación o en ciencias de los datos.
Para entrenar al modelo, Longley-Wood recolectó dos conjuntos de imágenes y las importó en Lobe. El primero fue de fotos de vacaciones de “observación de ballenas y delfines” de personas que estaban involucradas de manera clara en esas actividades. El segundo contenía imágenes que “no eran ballenas o delfines”: fotos de mar abierto, otros tipos de botes, personas que practicaban snorkeling.
Una ventaja de Lobe es que es muy fácil ver cuándo hace mal las cosas el modelo, y de manera rápida mejorar su precisión, mencionó Longley-Wood. Si el modelo se confunde y etiqueta de manera incorrecta una imagen de una persona que nada junto a un bote como una foto de un avistamiento de una ballena, se puede corregir con un solo clic.
Otro cliente temprano es Chris Cachor, ingeniero de software para Sincro, una compañía de Ansira enfocada en la mercadotecnia automotriz. Él ayuda a los concesionarios locales de autos a obtener el mejor rendimiento de los anuncios en redes sociales.
Las personas son menos propensas a interactuar con anuncios que muestran imágenes de catálogo de un modelo de auto para la venta, a diferencia de una foto auténtica de un auto como aparece en el lote, mencionó Cachor. Sin embargo, los guiones diseñados para detectar fotos genéricas de autos todavía no han podido mantenerse al día con las imágenes generadas por computadora cada vez más sofisticadas, mencionó.
Cachor dijo que pensó en utilizar aprendizaje automático para automatizar esa tarea, pero las herramientas que había ejecutado parecían demasiado engorrosas y tomaba tiempo aprender a usarlas. Con Lobe, pudo importar y etiquetar ejemplos de imágenes de catálogo, de imágenes generadas por computadora, e imágenes auténticas de autos. En minutos, tuvo su primera versión de un modelo de visión de cómputo para eliminar fotos que tenían menos posibilidades de funcionar bien en los anuncios.
“Fue super bueno ver los resultados al momento, sin que se convirtiera en un proyecto académico de todo el fin de semana”, comentó Cachor. “Te lleva de cero a 60 muy rápido”.
Imagen principal: Un apicultor en su patio trasero usó Lobe, una aplicación gratuita que ayuda a las personas a entrenar modelos personalizados de aprendizaje automático, para crear un dispositivo que pueda distinguir a las abejas que entran a la colmena y a insectos invasores que amenacen a la colonia. Video por Getty Images.
Contenido relacionado:
Jennifer Langston escribe sobre innovación e investigación en Microsoft. Síganla en Twitter.
