Comprender Custom Vision
Se usará el servicio Custom Vision de Azure AI para crear un modelo de Machine Learning. Se obtendrá más información sobre el funcionamiento de Custom Vision. Después, verá el proceso paso a paso que se usa para crear un modelo, desde el concepto hasta el modelo totalmente funcional.
¿Qué es el aprendizaje automático?
Es probable que ya haya oído hablar de IA, aprendizaje automático o aprendizaje profundo. Ahora se identificarán los términos para comprender sus diferencias.
Inteligencia artificial (IA): es el proceso de programar un equipo informático para que imite la inteligencia humana. IA incluye el aprendizaje automático. El concepto de IA se basa en usar una máquina para imitar la inteligencia humana, pero ofrece otras muchas técnicas. La técnica en la que se centra este módulo es la de aprendizaje automático.
Aprendizaje automático: es un subconjunto de la inteligencia artificial. El aprendizaje automático usa técnicas para entrenar máquinas basándose en la experiencia. Imagine que la experiencia es un conjunto de datos, con respuestas correctas e incorrectas ya proporcionadas. En el aprendizaje automático, el equipo informático usa las respuestas que se proporcionan para mejorar la forma en que completa tareas concretas. El campo del aprendizaje automático también incluye el aprendizaje profundo.
Aprendizaje profundo: el aprendizaje profundo es un subconjunto del aprendizaje automático basado en redes neuronales artificiales (ANN). El proceso de aprendizaje es profundo porque las ANN se componen de varias capas: de entrada, de salida y ocultas. Cada capa contiene unidades que transforman los datos de entrada en información que la capa siguiente puede usar para una tarea de predicción concreta. La estructura de redes neuronales permite que una máquina aprenda a través de su propio procesamiento de datos.
Cuando se crea un modelo, se intenta imitar la inteligencia humana. Los datos se usan como "experiencia" para entrenar un modelo con el fin de que aprenda una tarea o función específica.
¿Qué es el aprendizaje por transferencia?
Custom Vision de Azure AI usa el aprendizaje por transferencia. El aprendizaje por transferencia es la capacidad de usar el conocimiento anterior para resolver mejor el problema en cuestión. Como humanos, adoptamos este enfoque para solucionar problemas en todo momento. También se empiezan a descubrir nuevas maneras de hacerlo con equipos informáticos.
En el servicio Custom Vision de Azure, el aprendizaje por transferencia funciona agregando una capa, que consta de un modelo previamente entrenado, a la red neuronal. El modelo entrenado sirve como punto de partida cuando se entrenan datos nuevos. El entrenamiento comienza con un dominio de información general. Se agregan nuevas capas a la red neuronal para resolver un problema específico. En este caso, el problema que se quiere resolver es cómo identificar aves. Al comenzar con un modelo previamente entrenado, obtenemos mejores resultados sin agregar grandes cantidades de datos.
Creación de un modelo de Machine Learning
Para comprender mejor el proceso de creación de un modelo de Machine Learning, a continuación se ofrece una introducción paso a paso de dicho proceso. Llevaremos a cabo este proceso para crear un modelo de Machine Learning.
Formular una pregunta directa. La pregunta es, ¿se pueden identificar las especies de un pájaro a partir de una imagen de él para ayudar a documentar diferentes tendencias y patrones de hábitos de las aves?
Preparar los datos. Se dispone de un conjunto de datos de imágenes de pájaros de Cornell Lab que está limpio y preparado, por lo que este paso esté resuelto. Si ha creado otro modelo, tendría que buscar y preparar los datos para entrenarlo. Querrá buscar datos que le ayuden a responder a la pregunta directa que le interesa.
Seleccione un algoritmo. El servicio Custom Vision de Azure usa una red neuronal convolucional (CNN), por lo que no se tiene que preocupar de este paso. CNN es un tipo de aprendizaje profundo que normalmente se usa para analizar imágenes. El hecho de que ya se haya creado el algoritmo permite ahorrar mucho tiempo.
Seleccionar un modelo candidato. El servicio Custom Vision proporciona gráficos y datos útiles para ayudar a determinar si el modelo tiene el rendimiento suficiente para responder correctamente a la pregunta. Cuando crea que el modelo funciona a un nivel satisfactorio, continúe al paso siguiente: probarlo.
Probar el modelo con datos desconocidos (nuevos). Es importante agregar datos nuevos para probar el modelo. Se realizará una búsqueda de imágenes de prueba en Internet para ver cómo funciona el modelo con datos con los que no se ha entrenado. Más adelante en el módulo se describirá la importancia de realizar pruebas de esta manera.
Se implementa el modelo. Custom Vision nos proporciona algunas opciones cuando es el momento de implementar el modelo. Se puede implementar en un punto de conexión para integrar el modelo, o bien se puede descargar dicho modelo. Si descarga el modelo, puede elegir entre varios formatos para implementar la manera que mejor se adapte al proyecto. En este módulo, hablaremos sobre cómo usar la opción de implementación rápida que está disponible en el portal de Custom Vision.
Ahora se empezará a crear el modelo.