Artificial Inteligence Conference 2018 — London, UK

Source: Deep Learning on Medium


Nos dias 08 a 11 de outubro de 2018, rolou a Conferência de Inteligencia Artificial em Londres organizada pela O’Reilly Media e com sponsor do Google. Eu tive o prazer de participar e a oportunidade de conferir como a comunidade do Google e TensorFlow vem divulgando as tecnologias de Machine Learning do Google Cloud Platform (GCP). Nesses 4 dias foram realizados palestras mais técnicas que necessitam de um conhecimento intermediário dobre A.I. e principalmente sobre o TensorFlow, assim como uma trilha de treinamento para quem deseja conhecer os serviços de A.I. do GCP.

Sessões

Nesse primeiro artigo vou falar sobre a trilha de treinamentos, pois as pessoas sempre me perguntam por onde elas devem começar o aprendizado para utilizarem A.I. com recursos cloud on-demand, e a trilha de treinamento dessa conferência foi planejada pelo Google com esse objetivo em mente.

Em um próximo artigo passarei mais detalhes sobre as demais apresentações que eu participei:

– Business forecasting using hybrid approach: A new forecasting method using deep learning and time series
– Forecasting at Uber: Machine learning approaches
– Frontiers of TensorFlow: Mathematics and music
– Cloud AutoML: Customize machine learning models with your own data
– Pragmatic ML development with scikit-learn and TensorFlow using Google ML

Serveless/End-to-end machine learning with TensorFlow on GCP Day

Os dois primeiros dias de conferencia foram dedicados para os treinamentos, onde tanto o Benoit Dherin como a Melinda King (ambos do Google) demonstraram o pipeline (através de laboratórios hands-on do Qwiklabs) de como utilizar as ferramentas do Google Cloud Platform (GCP) para de forma geral:

  • iniciar um projeto no GCP;
  • montar o seu datalab;
  • realizar a sua analise exploratória com o BigQuery;
  • criar os seus modelos com o tensorflow;
  • utilizar estrutura serverless (escalaveis e elásticas) do Cloud ML Engine para a fase de treino dos modelos;
  • deploy dos modelos de ML em estrutura de microservices;
  • utilização dos modelos em produção através do AppEngine;

Esse tipo de laboratório é muito interessante pois nos permite ter a total compreensão do quanto podemos construir do zero soluções de A.I. em poucos dias, com a utilização de ML rodando em estrutura serverless, utilizando-se da escalabilidade e elasticidade do PaaS para entregar soluções inovadoras com um custo ínfimo de investimento em P&D e ter o controle no gerenciamento do custo on-demand após a entrega do projeto. Ou seja, temos um maior controle no cálculo da redução de risco do ROI (risk-reduction return of investiment), uma vez que o custo de desenvolvimento passa a ser em sua maioria com a mão de obra e o custo com a manutenção é dado proporcionalmente pela demanda.

O curso que foi apresentado nesse treinamento é uma versão mais nova que ainda não foi aberto ao público no Quiklabs, mas para aqueles que tiverem interesse é possível fazer os cursos de Data Engineering no Quicklabs do GCP. Vale a pena também dar uma olhada no Google CodeLabs, o treinamento End-to-End ML with Tensorflow on GCP já esta disponível lá, e você pode executá-lo com a sua conta de nível gratuito do GCP.

Sobre o Tensorflow especificamente, o que eu posso dizer é que ele vem se consolidando como a biblioteca número 1 para quem quer montar o seu pipeline de Deep Learning (e mesmo de ML) de forma ágil e estruturada. Alem disso tem duas coisas interessantes para quem esta começando com o Tensorflow que vale a pena dar uma olhada. Primeiro é sobre a API de alto nível do estimators que permite criar modelos simples de predição utilizando menos de meia duzia de linhas de código em python. A segunda dica trata-se do app TensorFlow Playground, no qual você consegue simular e visualizar, para diferentes tipos de problemas e com diferentes parametrizações, como funciona os hidden layers de um modelo de deep learning, ou seja, é uma ferramenta chave para o aprendizado e entendimento dos modelos a serem projetados.


Espero que tenham gostado desse breve artigo, e em um próximo retornamos falando sobre Business Forecasting, TensorFlow e suas aplicações (incluindo experimentos musicais) e ainda falando principalmente sobre AutoML, que vem se tornando um tópico importante para uma abordagem mais abrangente e mais simples para a utilização de Machine Learning para a solução de problemas dentro de padrões pré-reconhecidos.

Até Mais!