Ir al contenido principal

Microsoft revela capacidad de IA que automatiza el desarrollo de IA

El tedioso pero necesario proceso de seleccionar, probar y ajustar modelos de aprendizaje automático que impulsan a muchos de los sistemas de inteligencia artificial actuales resultaba ser un proceso muy largo para Nicolo Fusi.

El golpe decisivo para el investigador de Microsoft y experto en aprendizaje automático llegó mientras se ocupaba de la selección de un modelo mientras él y sus colegas construían CRISPR.ML, una herramienta de biología computacional que utiliza IA para ayudar a los científicos a determinar la mejor manera de desempeñar experimentos de edición genética.

“No era un buen uso del tiempo”, comentó Fusi.

Así que se dio a la tarea de desarrollar otra capacidad de IA que de manera automática realiza esa transformación de datos, selección de modelo y la parte de afinación de hiper-parámetro del desarrollo de IA, y de manera inadvertida creó un nuevo producto.

Microsoft anunció en la conferencia Ignite en Orlando, Florida, que la capacidad automatizada de aprendizaje automático ha sido incorporada en el servicio Azure Machine Learning. Esta característica ahora está disponible en versión previa.

Servicio de aprendizaje reimaginado

La automatización del aprendizaje automático está al frente del empuje de Microsoft de hacer de Azure Machine Learning una solución de extremo a extremo para cualquiera que quiera construir y entrenar modelos que realicen predicciones a partir de datos, y luego desplegarlos en cualquier lugar: en la nube, en sitio o en el entorno.

Microsoft también anuncio que el servicio Azure Machine Learning ahora incluye un kit de desarrollo de software, o SDK por sus siglas en inglés, para el lenguaje Python de programación, el cual es muy popular entre los científicos de datos. El SDK integra el servicio Azure Machine Learning con los ambientes de desarrollo Python incluidos Visual Studio Code, PyCharm, cuadernos de Azure Databricks y cuadernos de Jupyter.

“Hemos escuchado que los usuarios querían utilizar la herramienta de su elección, querían utilizar cualquier marco de trabajo, así que pensamos de nuevo cómo deberíamos entregar Azure Machine Learning a esos usuarios”, comentó Eric Boyd, vicepresidente corporativo de Plataforma de IA, quién lideró la reimaginación del servicio Azure Machine Learning. “Hemos regresado con un SDK Python que da luz a un número de diferentes características”.

Estas características incluyen aprendizaje profundo distribuido, que permite a los desarrolladores construir y entrenar modelos más rápido con clusters masivos de unidades de procesamiento gráfico, o GPU, y acceder a poderosos conjuntos de puertas programables de campo, o FPGA, para una clasificación de imagen de alta velocidad y escenarios de reconocimiento en Azure.

De izquierda a derecha, Microsoft’s Paul Oka, Sharon Gillett, Nicolo Fusi, Evan Green, Gilbert Hendry, Francesco Paolo Casale y Rishit Sheth discuten el algoritmo y diferentes maneras de elegir el siguiente proceso de aprendizaje automático. Foto por Dana J. Quigley para Microsoft.

Sistema que realiza recomendaciones

La selección automatizada de modelo y el ajuste de los llamados hiper parámetros que gobiernan el desempeño de los modelos de aprendizaje de máquina que son parte de la automatización del aprendizaje automático pondrán el desarrollo de IA a disposición de un conjunto más amplio de clientes Microsoft, acotó Boyd.

“Hay algunos equipos y compañías con las que trabajamos que ahora realizarán predicciones basados en los modelos que les presenta la automatización del aprendizaje automático”, comentó.

Para los expertos en aprendizaje automático, Boyd agregó que la automatización del aprendizaje automático también ofrece ventajas.

“Para los científicos de datos entrenados y especializados, este es un atajo que automatiza mucho del tedio en la ciencia de los datos”, mencionó.

La automatización del aprendizaje automático toma lo mejor de los procesos del llamado aprendizaje automático para un conjunto de datos de una manera similar a como los servicios de transmisión de video bajo demanda que recomiendan películas. Los nuevos usuarios de un servicio de transmisión ven y califican algunas películas a cambio de recomendaciones sobre qué pueden ver a continuación. Las recomendaciones mejoran conforme el sistema aprende más sobre qué películas califican más alto los usuarios.

Del mismo modo, la automatización del aprendizaje automático corre algunos modelos con hiper parámetros ajustados en varias formas sobre un nuevo conjunto de datos de un usuario para aprender qué tan precisas son las predicciones del proceso. Esta información comunica el siguiente conjunto de recomendaciones, y así de manera sucesiva para cientos de iteraciones.

“Al final, cuentas con un muy buen proceso. Ya no tienes que hacer nada más. Y el sistema no necesita ver los datos, lo cual es atractivo para mucha gente estos días”, comentó Fusi, mientras explica que el conjunto de datos de un usuario se mantiene en su máquina local o en una virtual en Azure, soportada por la política de privacidad de Microsoft.

Nicolo Fusi, investigador de Microsoft y experto de aprendizaje automático, desarrolló la capacidad de automatización de aprendizaje automático para sus propios propósitos de investigación. Foto por Dana J. Quigley para Microsoft.

Del laboratorio al producto

Fusi describió la investigación detrás de la automatización del aprendizaje automático en un documento académico. El equipo de Azure Machine Learning vio una oportunidad de incorporar la tecnología como una característica en el servicio de aprendizaje automático, comentó Venky Veeraraghavan, gerente de grupo de programa para el equipo de plataforma de aprendizaje automático.

Sobre el proceso de validación de la tecnología, las pruebas y evaluaciones de producto con clientes, el equipo de Azure descubrió diferentes nuevas maneras en las que los clientes podrían utilizarla.

Por ejemplo, los clientes que tienen cientos de miles de piezas de equipo en diferentes ubicaciones geográficas, como molinos de viento o granjas eólicas, podrían utilizar la automatización de aprendizaje automático para afinar modelos predictivos para cada pieza de equipo, lo cual de otro modo probaría ser costoso y consumiría mucho tiempo.

En otros casos, los científicos de datos han comenzado a voltear hacia la automatización del aprendizaje automático después de que ya han seleccionado y afinado un modelo como una manera de validar su solución hecha a mano. “Hemos encontrado que por lo general obtienen un mejor modelo que no habían considerado antes”, comentó Veeraraghavan.

Para Fusi, esta capacidad ha eliminado la parte más tediosa del desarrollo de IA, para liberarlo y permitirle enfocarse en otros aspectos como ingeniería destacada, el proceso de extraer relaciones útiles a partir de los datos, y para descansar un poco.

“Puedo comenzar la automatización del aprendizaje automático y luego correr, ir a casa, dormir, y regresar al trabajo y ver un buen modelo”, mencionó.

Imagen principal: Nicolo Fusi presenta un gráfico que muestra modelos identificados por la automatización del aprendizaje automático. Foto por Dana J. Quigley para Microsoft.

Relacionado:

John Roach escribe sobre investigación e innovación en Microsoft. Síganlo en Twitter.