Aunque hay casi 20 millones de desarrolladores en el mundo, solo dos millones son expertos en datos. “Necesitan herramientas que les ayuden a escalar sus esfuerzos, y las organizaciones necesitan más formas de aprovechar su trabajo”. Este es objetivo que se ha marcado Google con el lanzamiento de sus dos últimos proyectos en torno a la inteligencia artificial: AI Hub y Kubeflow Pipelines.

“Nuestro objetivo es poner la IA al alcance de todos los negocios. Por eso nuestras propuestas son simples, para que más empresas puedan adoptarlas, útiles para poder llegar al mayor número de organizaciones posibles, y rápidas para que las empresas puedan tener éxito más deprisa”.

AIHub

Para conseguir que más empresas puedan utilizar IA hay que hacer que “sea más fácil para ellas el descubrir, compartir y utilizar las herramientas y el trabajo ya existentes”. El problema, según un comunicado de Google para lanzar estos dos proyectos, es “la escasez de conocimientos sobre machine learning (ML) por parte de los programadores”. Esta es la razón de ser de AIHub.

Se trata de un centro privado y seguro donde las empresas pueden subir y compartir recursos de machine learning dentro de sus propias organizaciones. Esto facilita a las empresas la reutilización de pipelines y su despliegue para la producción en infraestructuras híbridas, utilizando el sistema pipelines Kubeflow, en tan sólo unos pasos.

Aún en versión alpha, proporcionará estos recursos desarrollados por Google y controles de uso compartido privado. Su versión beta se ampliará para incluir más tipos de activos y una gama más amplia de contenido público, incluyendo soluciones para partners.

Kubeflow Pipelines

Es un nuevo componente, que ya se puede utilizar en GitHub, del popular proyecto de código abierto iniciado por Google, que empaqueta el código machine learning, al tiempo que proporciona una aplicación para que puedan utilizarlo otros usuarios de una organización.

Ofrece un espacio de trabajo para componer, desplegar y gestionar flujos de trabajo de ML de extremo a extremo, lo que lo convierte en una solución híbrida que no se bloquea. También permite “una experimentación rápida y fiable”, por lo que los usuarios pueden probar muchas técnicas de ML para identificar qué es lo que funciona mejor para su aplicación.

Además, Kubeflow Pipelines ayuda a aprovechar las bibliotecas de código abierto TensorFlow Extended (TFX) de Google que abordan cuestiones de producción de ML, como el análisis de modelos, la validación de datos, la inclinación de los servicios de formación, la deriva de datos y mucho más. “Esto mejora la precisión, relevancia y equidad de los resultados para las empresas”.