Post patrocinado
Cada empresa se está convirtiendo en una empresa de inteligencia artificial y los ingenieros están en primera línea para ayudar a sus organizaciones a hacer esta transición. Para mejorar sus productos, a los equipos de ingeniería se les pide cada vez más que incorporen el aprendizaje automático en sus hojas de ruta de productos y OKR mensuales. Esto puede ser cualquier cosa, desde la implementación de experiencias personalizadas y sistemas de detección de fraude hasta las interfaces de lenguaje natural más recientes impulsadas por modelos de lenguaje grandes.
El dilema de la IA para los equipos de ingeniería
A pesar de la promesa de ML y la creciente lista de elementos de la hoja de ruta, la mayoría de los equipos de ingeniería de productos enfrentan algunos desafíos clave al crear aplicaciones de IA:
- Falta de recursos de ciencia de datos adecuados para ayudarlos a desarrollar rápidamente modelos de ML personalizados internamente,
- Los marcos de ML de bajo nivel existentes son demasiado complejos para adoptarlos rápidamente: escribir cientos de líneas de código TensorFlow para una tarea de clasificación no es una hazaña pequeña para alguien nuevo en el aprendizaje automático,
- El entrenamiento de canalizaciones de ML distribuidas requiere un conocimiento profundo de la infraestructura y puede llevar meses entrenar e implementar modelos.
Como resultado, los equipos de ingeniería siguen bloqueados en sus iniciativas de IA. El objetivo de Q1 se convierte en Q2 y finalmente se envía en Q3.
Desbloqueo de ingenieros con ML declarativo
Una nueva generación de herramientas declarativas de aprendizaje automático, iniciadas por primera vez en Uber, Apple y Meta, tiene como objetivo cambiar esta dinámica al hacer que la IA sea accesible para los equipos de ingeniería (y para cualquier persona interesada en ML). Los sistemas de ML declarativos simplifican la creación y personalización de modelos con un enfoque basado en la configuración arraigado en las mejores prácticas de ingeniería, similar a la forma en que Kubernetes revolucionó la gestión de la infraestructura.
En lugar de escribir cientos de líneas de código ML de bajo nivel, simplemente especifique las entradas (características) y las salidas (valores que desea predecir) de su modelo en un archivo YAML y el marco proporciona una canalización ML recomendada y fácil de personalizar. Con estas capacidades, los desarrolladores pueden crear potentes sistemas de IA de grado de producción para aplicaciones prácticas en cuestión de minutos. Ludwig, desarrollado originalmente en Uber, es el marco de aprendizaje automático declarativo de código abierto más popular con más de 9,000 estrellas en Git.
Comience a crear aplicaciones de IA de manera sencilla con el aprendizaje automático declarativo
Únase a nuestro próximo seminario web y una demostración en vivo para aprender cómo puede comenzar con ML declarativo con Ludwig de código abierto y una prueba gratuita de Predibase. Durante esta sesión aprenderás:
- Acerca de los sistemas de ML declarativos, incl. Ludwig de código abierto de Uber
- Cómo crear y personalizar modelos ML y LLM para cualquier caso de uso en menos de 15 líneas de YAML
- ¡Cómo entrenar, iterar e implementar rápidamente un modelo multimodal para la detección de bots con Ludwig y Predibase, y obtener acceso a nuestra prueba gratuita!
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoAiStream. Inteligencia de datos Web3. Conocimiento amplificado. Accede Aquí.
- Acuñando el futuro con Adryenn Ashley. Accede Aquí.
- Compra y Vende Acciones en Empresas PRE-IPO con PREIPO®. Accede Aquí.
- Fuente: https://www.kdnuggets.com/2023/05/predibase-go-engineer-ml-engineer-declarative-ml.html?utm_source=rss&utm_medium=rss&utm_campaign=go-from-engineer-to-ml-engineer-with-declarative-ml
