Celebramos el 10º aniversario de [en] - Alexander Thamm en 2022.  

En 2012, fuimos la primera consultora del mundo germanoparlante en asumir la causa de los Datos y la IA. Hoy podemos afirmar que la inteligencia artificial tiene el potencial de contribuir de forma importante a algunos de los principales retos económicos y sociales de nuestro tiempo: la IA desempeña un papel en la transición energética y el cambio climático, en la conducción autónoma, en la detección y el tratamiento de enfermedades o el control de pandemias. La IA aumenta la eficiencia de los procesos de producción e incrementa la adaptabilidad de las empresas a los cambios del mercado gracias a la información en tiempo real y a las predicciones.  

La importancia económica de la tecnología está creciendo rápidamente. Más de dos tercios de las empresas alemanas utilizan ya inteligencia artificial y aprendizaje automático.  

Con #AITOP10 le mostramos lo que está de moda ahora mismo en el campo de los Datos y la IA. Nuestras listas TOP10 presentan lo más destacado de los podcasts, tendencias de IA específicas del sector, expertos en IA, recomendaciones de herramientas y mucho más. Aquí obtendrá una amplia muestra representativa del universo de los Datos y la IA que nos mueve desde hace 10 años.  

Disfrute de la lectura... ¡y siéntase cordialmente invitado a enriquecer la lista! 

Puesto 10 Metaflow

El marco, desarrollado por Netflix y disponible como proyecto de código abierto desde 2019, simplifica varios desafíos en torno al escalado y versionado de proyectos de ML. Metaflow almacena código, datos y dependencias en un almacén dirigido por contenido, lo que permite evolucionar los flujos de trabajo, reproducir los antiguos y editar los nuevos. Al descargar los pasos individuales en nodos independientes de AWS, Metaflow facilita el escalado del flujo de trabajo de ML sin tener que ocuparse de la comunicación entre nodos. El marco es especialmente práctico si planea administrar y ejecutar su flujo de trabajo ML en un entorno de producción en AWS.

Lugar 9 H2O

La plataforma ML H2O mata varios pájaros de un tiro: con varios algoritmos preconfigurados como GLM, XGBoost, Random Forest, DNN, GAM o K-means, así como sencillas opciones de ampliación con Hadoop, Spark y otros frameworks, la plataforma resuelve muchas dificultades del desarrollo y despliegue de modelos ML. La interfaz de usuario intuitiva y las funcionalidades AutoML automatizan la ingeniería de características, el entrenamiento y el ajuste de modelos para un flujo de trabajo más rápido al crear nuevos modelos ML. Gracias a su compatibilidad con muchos lenguajes de programación populares y a sus útiles funciones de ML, esta plataforma es utilizada por muchas grandes empresas para casos de uso en los sectores de seguros, finanzas y sanidad.

Puesto 8 Apache MXNet

El marco de aprendizaje profundo lean, desarrollado por la Apache Software Foundation en colaboración con Intel, es adecuado tanto para la creación flexible de prototipos como para su uso en el entorno de producción. El marco se diseñó para el desarrollo de redes neuronales y convence con una infraestructura bien escalable y un modelo flexible de redes neuronales en diferentes lenguajes de programación. MXNet es ideal para paralelizar cálculos de aprendizaje profundo en múltiples CPU o GPU en la nube, con una escalabilidad casi lineal. La API Gluon como frontend simplifica el uso del marco a través de muchos bloques de construcción plug-and-play para el desarrollo de redes neuronales, incluyendo capas predefinidas, optimizadores e inicializadores.

Plaza 7 FastAI

Desarrollar un prototipo de modelo ML lleva mucho tiempo. Con fast.ai es, como su nombre indica, más rápido. La API de alto nivel del framework ofrece algoritmos preconfigurados, así como una estructura bien pensada y, por lo tanto, garantiza un desarrollo más rápido de prototipos de modelos de aprendizaje profundo funcionales. Sin embargo, esto no hace que el marco sea menos interesante para los expertos: con la API de bajo nivel se pueden crear modelos de ML sofisticados y afinados y optimizarlos hasta el más mínimo detalle. El objetivo del framework y de la organización sin ánimo de lucro que lo respalda es "hacer que las redes neuronales vuelvan a ser cool". No se trata de disminuir la popularidad de las redes neuronales, sino de ampliar la accesibilidad de la tecnología más allá de la élite académica y los expertos.

Plaza 6 XGBoost

Si trabaja con datos estructurados o tabulares, un algoritmo basado en árboles de decisión debería estar en su lista de prioridades. XGBoost ofrece la combinación perfecta de optimización de software y hardware para acelerar el algoritmo Gradient Boosted Trees. Con API en Python, Java, C++, Scala y Julia, el framework admite múltiples implementaciones de Gradient Boosted Trees y se ejecuta en CPU, GPU y recursos informáticos distribuidos. El framework ya ha logrado convencer en muchas competiciones de Kaggle y ofrece tiempos de cálculo más cortos que el gradient boosting normal gracias a su velocidad. La combinación de optimización de hardware, paralelización e integración en la nube hace que el marco sea óptimo para acelerar los cálculos basados en árboles de decisión.

Puesto 5 Apache Spark

Spark le ofrece una solución completa para su flujo de trabajo de ML como uno de los mayores proyectos de código abierto de la historia. El motor de computación unificado para proyectos de análisis de datos a gran escala es uno de los motores de código abierto desarrollados más activamente para el aprendizaje automático y el procesamiento de datos. El motor Spark es compatible con todos los lenguajes de programación habituales y puede combinarse fácilmente con diversos marcos de trabajo y bibliotecas. Con Spark MLLib, el motor proporciona varios algoritmos y herramientas de flujo de trabajo para experimentar, desplegar y escalar su modelo ML con el rápido motor de computación Spark. Desde SQL hasta el streaming de datos y el aprendizaje automático, Spark se ejecuta en cualquier lugar, desde la CPU de su ordenador portátil hasta un clúster de servidores, lo que lo convierte en el marco adecuado para empezar poco a poco y escalar a lo grande.

Lugar 4 Scikit-Learn

Para los principiantes que quieran iniciarse en el mundo del ML con el análisis predictivo de datos, Scikit-Learn es justo lo que necesitan. Este marco de trabajo robusto y fácil de entender ofrece una serie de herramientas sencillas y eficaces para la minería y el análisis de datos. Dado que Scikit-Learn se basa en varios paquetes de Python como Numpy, SciPy y Matplotlib, el flujo de trabajo típico de ML es fácil de navegar y aprender. Con su facilidad de uso y muchos ejemplos bien descritos, Sckikit-Learn es una gran herramienta para principiantes y nuevos ingenieros de ML que quieren obtener resultados rápidamente con algoritmos de ML.

3er puesto Keras

Desarrollar redes neuronales puede resultar más difícil de lo esperado, especialmente para los principiantes. El framework Keras ofrece un remedio y simplifica la definición y el entrenamiento de cualquier tipo de red neuronal. Keras se desarrolló originalmente con fines científicos para reducir el tiempo desde la idea hasta la experimentación con redes neuronales. El marco incluye API unificadas y sencillas, reduce los pasos necesarios para desarrollar redes neuronales para casos de uso típicos y proporciona una depuración fácil de usar. Con el rendimiento de TensorFlow y una API para la experimentación rápida, Keras es un marco establecido utilizado tanto por científicos como por muchas grandes empresas.

2º puesto PyTorch

En tu búsqueda de un marco de aprendizaje profundo flexible y bien escalable, es posible que hayas oído hablar de PyTorch, ¡y con razón! Una de las principales ventajas de utilizar PyTorch para el aprendizaje profundo son los llamados "gráficos de cálculo dinámicos" de PyTorch. Mientras que los grafos de computación estáticos, como en TensorFlow, se definen antes del tiempo de ejecución, los grafos de computación dinámicos se definen sólo cuando se computa el modelo. En otras palabras, el grafo se reconstruye en cada iteración. Esto puede ser particularmente útil en la definición de redes neuronales recurrentes (RNN), por ejemplo en casos de uso NLP con entradas de longitud variable. Dado que PyTorch está diseñado para un entorno de bajo nivel, el marco ofrece un alto grado de flexibilidad y muchas posibilidades, pero puede resultar algo abrumador para los principiantes.

Lugar 1 TensorFlow

Por supuesto, el marco de aprendizaje profundo más popular no puede faltar en esta lista. Con API en Java, Python y JavaScript, pero la estructura central escrita en C++, TensorFlow es rápido y fácil de usar. El marco se puede utilizar para entrenar y desplegar redes neuronales profundas, ya sea en servidores, en la web o en dispositivos periféricos. Con innumerables casos de uso de ML líderes en la industria, TensorFlow es uno de los marcos más versátiles y populares para el desarrollo de redes neuronales. Es más, el nuevo TensorFlow Extended proporciona incluso una plataforma integral para el desarrollo y despliegue de pipelines de ML completos.

¿Con qué framework prefieres trabajar cuando se trata de ML y Deep Learning?

¡Comenta tus favoritos debajo de este artículo!