Experimentos de AI Workshop

AI Workshop ofrece a clientes, partners, investigadores y desarrolladores la oportunidad de experimentar con las innovaciones más punteras en IA. Nuestros investigadores e ingenieros de IA están aplicando las innovaciones científicas y tecnológicas más recientes para desarrollar nuevos conceptos, técnicas y aplicaciones, y quieren que los pruebes.

Experimentos disponibles en la actualidad

• Etiquetado de imágenes con aprendizaje semisupervisado

  Envía un número pequeño de imágenes etiquetadas (como mínimo, 5 imágenes de cada clase) junto a una gran cantidad de imágenes sin etiquetar (cientos de miles o incluso más) y recibe etiquetas predichas para todas las imágenes sin etiquetar.

• Descripciones conceptuales de imágenes

  Este experimento aprovecha los modelos de comprensión multimodales de imágenes de última generación de Google para describir imágenes de forma conceptual. Estas descripciones pueden usarse en aplicaciones en las que existen casos donde es importante contar con una descripción coherente y precisa en lenguaje natural de una imagen.

• Reactor semántico

  Utiliza los modelos de CLN más punteros desde Hojas de cálculo de Google. Escribe respuestas, selecciona un modelo y un método de clasificación, y envía una consulta. Este experimento es útil para desarrollar bots, juegos y otros experimentos semánticos.

• Aprendizaje semisupervisado con gráficos

  Este experimento toma un gráfico con un pequeño porcentaje de instancias etiquetadas (semillas) y propaga etiquetas para todos los elementos que no cuentan con una, basándose en ponderaciones de similitud entre elementos relacionados proporcionadas por los usuarios. Puede ser útil, sobre todo, para clientes que tienen un gráfico de sus datos (o pueden generar uno fácilmente), pero el proceso de etiquetar cada nodo les resulta muy caro o les hace perder mucho tiempo.

• Clasificación de emociones del lenguaje natural

  Entender el contenido emocional de un texto sirve para proporcionar información valiosa sobre los usuarios o sobre el contenido en sí, sobre todo en textos como comentarios y reseñas de clientes, servicios de asistencia al cliente y branding de productos. Este experimento clasifica los textos según emociones como felicidad, entretenimiento, gratitud, sorpresa, desagrado, tristeza, enfado o desconcierto.

• Ampliación de datos con características semánticas

  Con este experimento, puedes convertir datos dispersos (como URLs, consultas o textos) en características densas con sentido semántico y fáciles de depurar e interpretar. Envía un conjunto de datos con características dispersas y etiquetas, y recibe una tabla de consulta que puedes usar para ampliar otras bases de datos con características semánticas generadas a partir de las mismas características dispersas.

• Generación de gráficos de conocimiento especializado

  Los gráficos de conocimiento son elementos muy útiles, pero producir uno para un dominio particular puede resultar muy caro. El objetivo de este proyecto es proporcionar un método automatizado para producir un gráfico de contenido de entidades, temas o conceptos a partir del análisis de un corpus de documentos subidos por el usuario.

• Aprendizaje de funciones de pérdida efectiva

  Cada vez que alguien entrena un modelo de aprendizaje automático, es necesario seleccionar una función de pérdida que se va a minimizar de entre un conjunto de datos de entrenamiento. Este experimento proporciona una manera eficiente y basada en datos con la que aprender una función de pérdida efectiva, ya sea sobre la marcha durante el entrenamiento o basada en los resultados de ejecuciones de entrenamiento completas (igual que en el caso del perfeccionamiento de hiperparámetros tradicional).

• Asistencia sobre el aprendizaje federado

  El aprendizaje federado, un método emergente de aprendizaje automático, sirve para utilizar el aprendizaje automático en conjuntos de datos descentralizados. Este método puede ayudar a proteger la privacidad de tus datos y mejorar al mismo tiempo el rendimiento y la velocidad locales. Con este experimento puedes hablar con los expertos de Google sobre tu experiencia con el aprendizaje federado, incluido el uso de la biblioteca de código abierto TensorFlow Federated.

• Resumen de varios textos cortos

  Este experimento permite al cliente entrenar un Summarizer, un modelo que ingiere textos cortos (por ejemplo, reseñas de restaurantes) y crea un resumen canónico de todos esos textos en conjunto (es decir, sería como una única reseña resumida de ese restaurante).

• Asistencia sobre la privacidad diferencial

  Los modelos de aprendizaje automático pueden memorizar datos, lo que puede ocasionar problemas de privacidad. Sin embargo, existen técnicas para medir el grado de memorización y entrenar los modelos con mayores niveles de privacidad. Con este experimento puedes preguntar a los expertos de Google cuál es la forma en la que se debe entrenar a los modelos de aprendizaje automático para que la privacidad diferencial sea un éxito utilizando la biblioteca de código abierto TensorFlow Privacy.

• Recuento de acciones discretas en vídeos

  Gracias a este experimento, puedes contar las veces en las que una acción específica ocurre en uno o más vídeos. Debes elegir un vídeo con un único ciclo de acción junto con otros vídeos (sin etiquetar) donde la acción en concreto también ocurre o es posible que ocurra. Por cada vídeo, recibirás un recuento del número de veces en las que ocurre la acción.

• Propagador de etiquetas de vídeo

  Con este experimento solo tienes que etiquetar los fotogramas de un vídeo para conseguir que los fotogramas de otros vídeos relacionados queden también etiquetados. Nuestro sistema propaga las etiquetas de un vídeo en particular al resto.

• Detector de errores de etiquetado de imágenes

  Gracias a este experimento, los clientes reúnen sus imágenes de entrenamiento etiquetadas y nosotros las escaneamos con nuestras herramientas de control de calidad. Los clientes reciben una lista de imágenes de entrenamiento que están potencialmente sin etiquetar.

• Similitud semántica para el lenguaje natural

  En un texto concreto, sirve para encontrar los elementos textuales relacionados o con más similitudes de entre una lista de candidatos. Este experimento desarrollado a partir de correlaciones de uso del lenguaje natural te ayuda a conectar elementos al centrarse en su significado y uso, no en simples palabras clave.

• Resolución de programas lineales de números enteros mixtos

  Este experimento resuelve programas lineales de números enteros mixtos, compuestos por un sistema de ecuaciones que optimiza variables continuas y de números enteros a partir de un conjunto de restricciones. Google utiliza este método de resolución todos los días para resolver problemas de optimización críticos para empresas y a gran escala. Las aplicaciones incluyen problemas de asignación, programación, empaquetado y flujo.

• Clasificación de imágenes con puntuaciones fiables

  Los sistemas de IA pueden resultarnos mucho más útiles si sabemos cómo de fiables son ciertas predicciones. Este experimento genera un modelo de IA que devuelve la clase predicha junto con una puntuación de fiabilidad bien calibrada de la predicción.

• Clasificación interpretable de imágenes con prototipos

  Las predicciones de modelos se pueden entender mejor si señalamos los elementos más similares de los datos de entrenamiento. Los clientes ponen sus datos a nuestra disposición y reciben un clasificador que no solo predice el resultado, sino que también incluye ejemplos relacionados (prototipos) que explican la decisión.

• Aprendizaje aumentado para clasificación de imágenes

  Mejora el rendimiento de tu modelo de clasificación de imágenes en casos en los que no tengas suficientes datos o existan etiquetas incompletas o con errores. Envía tus datos de entrenamiento tal y como están, y recibe acceso a dos modelos CNN: uno entrenado con tus datos y otro con nuestra técnica de aprendizaje aumentado.

• Filtro turbo de imágenes

  Este experimento utiliza la API de Google Vision y modelos insertados para hacer un filtrado de objetos de interés en imágenes. Se podría usar potencialmente para acelerar el proceso de etiquetado de datos, además de para ordenar y archivar imágenes con rapidez.