Construir Inteligencia en el Borde - Aprendizaje Automático con React Native

Hola a todos, soy Rashmi Nagpal. Soy ingeniero de software de profesión e investigador por pasión. Así que hoy el título de mi charla es construir inteligencia en el borde con machine learning y usando react native. Así que comencemos. Así que la agenda de esta charla es en primer lugar discutiremos qué es machine learning y sus conceptos relacionados y cómo podemos construir nuestro modelo de machine learning utilizando el react como un marco técnico y luego habrá algunas de las aplicaciones que son posibles luego veremos cuáles son los desafíos que existen al usar machine learning en el borde y luego cuáles son las mejores prácticas para que podamos superar esos desafíos y un montón de recursos que dejaré para ustedes para el así que sin más preámbulos comencemos. Bueno, así que imagina que tienes un increíble modelo de machine learning cuya precisión supera tus expectativas más salvajes y luego estás emocionado de desplegar ese modelo en producción para que pueda ser accesible para los usuarios finales así que el siguiente paso lógico sería que simplemente empaquetes ese modelo y lo despliegues en producción tal vez usando algunos de los proveedores de servicios cloud existentes ya sea que podría ser el AWS o GCP pero espera pero después del despliegue ves que estás en estado de shock cuando ves la factura de despliegue en la cloud que es como 20 millones de dólares o sabes que es una cantidad enorme así que para apoyar esa historia puedes ver las infografías aquí todas las estadísticas reales que puedo ver en el lado izquierdo puedes ver que las infografías representan a empresas como el data dog y snowflake y así sucesivamente que gastan casi la mitad de sus ingresos en la cloud y la parte de la derecha muestra la creciente inversión en empresas o diría que empresas como pinterest capital one en la construcción de sus modelos en los dispositivos cloud así que una vez que hacemos una búsqueda rápida en google veremos que casi 90 millones de dólares se han gastado en la cloud solo en 2020 lo que es como el 30 por ciento de eso también se ha desperdiciado lo que es alrededor de 147 millones de dólares se ha perdido lo que es una gran cantidad de dinero ¿verdad? así que ahí es donde entra la computación en el borde así que primero entendamos qué es la computación en el borde así que podemos ver el diccionario o diría que wikipedia establece que la computación en el borde es una arquitectura de computación distribuida architecture donde tienes múltiples dispositivos que están trabajando de cerca en los dispositivos de borde porque quieres proporcionar un tiempo de respuesta más rápido y también quieres reducir la transferencia de data pero ¿por qué deberíamos usarlo? veamos eso así que hay un montón de razones que he enumerado aquí que tú sabes por qué deberíamos usar la computación en el borde en primer lugar es por supuesto la reducción de costos tú sabes no quieres desplegar tus modelos de machine learning que están consumiendo una gran cantidad de computación en la cloud sabes que la mitad de tus ingresos están consumiendo ¿verdad? y también quieres desplegar tus modelos de aprendizaje automático que deberían funcionar en esto incluso en conexiones a internet inestables o dispositivos para que puedas enviar la data de ida y vuelta en la cloud y puedas obtener la data o diría que tus decisiones impulsadas por la data en tiempo real y en segundo lugar también quieres que tu modelo uh tú sabes cuando están trabajando en los dispositivos del consumidor para que puedas preocuparte menos por la latencia de la red que la latencia de inferencia así que lo que quiero decir con la influencia es cuando el modelo está dando algunas predicciones en todas las decisiones impulsadas por la data en tiempo real una vez que ha sido entrenado en un caso especial o diría un caso de uso por ejemplo quieres reducir el tiempo de inferencia de un modelo de reconocimiento de imágenes de 30 milisegundos a 20 milisegundos pero incluso si la latencia de la red está aumentando en un par de segundos deberías estar bien y lo siguiente es cómo la computación en el borde juega un papel enorme al aumentar la security y la privacidad y por supuesto la fiabilidad porque no quieres que la información personal identificable de los usuarios que está cruzando la red sea atacada en términos de privacidad o algo así no quieres que sea muy fiable y por supuesto no debería ser quieres hacerlo mucho más susceptible a ser interceptado así que veamos entra en la imagen para eso así que esto es um volveré una diapositiva así que ¿qué es primero de todo machine learning estoy bastante seguro de que la gente podría estar al tanto de lo que es machine learning sólo para poner a todos en la misma página daré una breve introducción de lo que es la máquina aprendizaje así que ai es un gran bombo que está pasando ahora mismo a cargo de todos sabemos eso así que básicamente machine learning es una especie de subconjunto de la ai y ai es general estás imitando el comportamiento humano mientras que machine learning es más o menos estás explícitamente programando principalmente una detección de spam ¿verdad? o bien estás tratando de hacer algún tipo de predicción de pronóstico mientras que el aprendizaje profundo es básicamente una especie de extracción de patterns de la data usando algunas redes neuronales así que veamos cuál es el bloque de construcción detrás de estos algoritmos así que esta es una estructura básica de la red neuronal se te da el conjunto de data como entrada y luego estás asignando el peso sum y el sesgo y la función de activación considera eso como la caja negra o el modelo de machine learning que está haciendo todos estos cálculos detrás de las capuchas y luego estás obteniendo una salida que es una especie de decisiones en tiempo real impulsadas por la data así que entendamos esta estructura básica de la red neuronal a través de un ejemplo sabes por ejemplo queremos desplegar un ejemplo de reconocimiento de imágenes en los dispositivos de borde entonces por supuesto lo que vamos a hacer ¿verdad? primero veremos la imagen que se está tomando como entrada y luego realizarás algún algoritmo de reconocimiento de imágenes y luego te dará una salida que es como decir oh esta imagen pertenece a la categoría de perros o tal vez como un a qué categoría de animales pertenece así es como funcionan las redes neuronales aquí detrás de los principios así que si queremos construir este tipo de redes neuronales y ahora también sabemos qué es el react y sabemos que estamos mucho más acostumbrados a los fundamentos de react y al marco detrás de él ¿podemos realmente desplegar el modelo de machine learning en el navegador o en los dispositivos de borde? bueno la respuesta es definitivamente sí así que veamos cómo podemos hacerlo así que primero de todo estamos instalando los paquetes necesarios que necesitamos y luego estamos creando en el que sabes estamos añadiendo diferentes capas en el modelo las capas en el modelo es lo que he explicado en el anterior um sabes para escanearlo y apagar la red neuronal bien este es el conjunto de data que se está tomando como entrada entonces tienes diferentes capas dentro de él así que estás haciendo algunos cálculos estás asignando las métricas que quieres pero con qué intervalo de confianza um en qué confianza particular quieres que el modelo sea mucho más preciso alrededor de eso así es como defines un modelo creas el modelo y luego entrenas el modelo así que aquí estoy usando la función aquí mismo y estás viendo que bien en este caso en la moda sólo estoy llamando a este tipo de función de ajuste que se ha definido y en esa tercera función estoy usando las dos entradas quiero decir que he estado viendo los dos argumentos para el conjunto de data que es el primero es extremo y el siguiente es un número más amplio de épocas es el número de iteraciones que tu modelo correrá y luego te dará sabes bien ahora el modelo ha sido entrenado ahora puedes hacer alguna predicción en la parte superior de él y eso es donde la última pieza de código o el paso a paso el código que puedo ver es quieres clasificar tu texto el problema que estábamos tratando de hacer aquí es sabes dado una frase necesitas identificar a qué sentimiento particular pertenece esa frase y eso es donde estamos construyendo un modelo de ml sabes un modelo de análisis de sentimientos usando uh paquetes preexistentes que están disponibles y paquetes de cobertura que están disponibles en el react o diría que los frameworks de javascript son como en htm extenso no js y todos estos así que definitivamente puedes utilizar los frameworks ya existentes y luego te da una predicción oh esta frase en particular pertenece a la categoría positiva por lo tanto es un sentimiento positivo por ejemplo puedo decir oh en realidad estoy muy honrado de estar hablando en esta conferencia reaparición sabes es remoto pero de nuevo tener la oportunidad de hablar frente a todos ustedes es una oportunidad humilde así que es un sentimiento positivo ¿verdad? y un sentimiento negativo podría ser no me gusta la piña en una pizza así que es un sentimiento negativo y así es como nuestro modelo es va a darte dos predicciones al final de la derecha bien así que lo siguiente es sabes que puedes envolver de nuevo el mismo modelo o te gusta ahora eres este tipo de modelo de reconocimiento de imágenes y luego puedes desplegarlo en sabes como en un dispositivo de borde en el sentido de un smartphone y luego puedes decir oh bienvenidos a la familia react a todos y así es como sabes que sólo subes una imagen y luego puedes uh sabes identificar a qué esta imagen pertenece a esta categoría de muelle con cierta predicción bien así que ahora entendamos cuáles son las aplicaciones básicas de la ml en los dispositivos de borde así que hay un montón de algoritmos o un montón de casos de uso son posibles para cuando quieres desplegar cualquier tipo de sistema de machine learning en en tales dispositivos de borde el primero es el sistema de recomendación ¿verdad? obtienes un aviso o simplemente una especie de mensaje oh esta podría ser una película favorita que debes haber visto antes así que es una especie de recomendándote una posible película o el donante que realmente te interesa y luego los sistemas de monitoreo de pacientes la gente puede ver sabes como ya puedes ver los médicos pueden monitorear a los pacientes aunque estén más sólo para comprobar cualquiera que sea el nivel de glucosa como alguien sabes nivel de depresión y otro tipo de monitoreo que uno puede usar en un sistema de salud de manera similar para el mantenimiento predictivo tú sabes cuando alguien uh fábrica o puedes decir almacén está recibiendo algunos productos que están fuera de la tienda que posiblemente podrían quedarse sin stock así que puedes tener una alarma o simplemente tipo de sistema de tablero y luego puedes obtener también como en tu dispositivo celular particular que puede hacer un sistema de alerta de mantenimiento predictivo hacia él así que estas son aplicaciones posibles que podemos hacer bien así que ahora hemos visto sabes um tantas glorias y tú sabes bien cuáles son las posibilidades los casos de uso pero cuáles son los verdaderos desafíos así que estos son un montón de desafíos que he enumerado aquí el primero y más importante es en los dispositivos de borde es muy vital que necesitas asegurarte de que no estás cayendo con la restricción de memoria sabes los dispositivos de borde generalmente vienen con una capacidad de memoria limitada por lo tanto hace mucho más desafiante cuando quieres entrenar o simplemente ejecutar cualquier sistema básico de machine learning o modelos en la parte superior de él y hay por algunos modelos voluminosos como un pájaro robot o transformador tipo de modelos que definitivamente requieren miles de millones de parámetros entre por lo tanto tal tipo de restricciones de memoria pueden ser mucho más difíciles cuando quieres entrenar desde cero pero lo siguiente es la calidad de la data así que cuando estás entrenando tipo de modelos de machine learning usando la baja calidad tipo de smartphone o los dispositivos de borde si la calidad de la data va a ser pobre entonces por supuesto sabes que tu modelo no te va a dar las decisiones en tiempo real impulsadas por la data con 100 precisión ¿verdad? así que la calidad de la data importa mucho y lo último es cuando tienes el recurso computacional limitado porque sabes todos estos dispositivos ML o diría um todos estos productos alimentados por AI definitivamente requieren muchos recursos fuentes de computadora y consumen mucha memoria y potencia de procesamiento así que necesitas asegurarte de que cualquier dispositivo en el que quieras entrenar tienen suficiente memoria y por supuesto puedes ir con tu cloud o tal vez como algunos otros recursos alternativos para eso bien así que estos son un montón de restricciones y ahora veamos cuáles son las mejores prácticas cómo podemos superar esas dos restricciones que hemos visto en la diapositiva anterior primero y más importante alguna regla es sabes que necesitas optimizar el runtime de tu modelo performance ya sea que puedas usar alguna cuantización o simplemente técnicas de poda y luego tienes que encontrar el marco correcto así que encontrar el marco correcto es una especie de siempre verde ¿verdad? una vez que encuentres el marco correcto o diría los parámetros mientras estás entrenando el modelo tal vez depende del número de épocas o tal vez depende de las iteraciones o simplemente una especie de sabes ya sea los proyectos tensor o una especie de en intercambio cualquier marco que quieras usar para todo depende de si quieres hacerlo mucho más modular porque no quieres correr en hacer los cálculos una y otra vez así que por lo tanto necesitas hacer alguna concurrencia necesitas inculcar algunos hilos múltiples y procesos para que puedas renovar el código para hacerlo mucho más optimizado y por supuesto intenta simplemente comparar el modelo en base a diferentes parámetros o diría diferentes niveles d