Enseñando ML y AI a los Programadores

Rate this content
Bookmark

A menudo se piensa que para tener éxito con Machine Learning y Deep Learning, como una rampa de acceso a la Inteligencia Artificial, se necesita un profundo conocimiento en matemáticas y cálculo, así como algún tipo de doctorado. Pero no es así. Con APIs modernas como TensorFlow, gran parte de la complejidad se abstrae en bibliotecas preconstruidas, por lo que puedes centrarte en aprender. En esta sesión, Laurence Moroney, de Google, explicará cómo ha utilizado esto para crear cursos con cientos de miles de estudiantes, y a partir de ahí, cómo se creó un programa de certificación.

34 min
02 Jul, 2021

Video Summary and Transcription

La charla analiza el estado actual de la IA y los desafíos que enfrentan los desarrolladores en su educación. La misión de Google es capacitar al 10 por ciento de los desarrolladores del mundo en aprendizaje automático e IA. Han desarrollado especializaciones e iniciativas de capacitación para hacer que la IA sea fácil y accesible. El impacto de la educación en IA incluye exámenes de certificación rigurosos y asociaciones con universidades. La charla también destaca las tendencias de crecimiento en la industria tecnológica y la importancia de las habilidades en IA. Se recomienda TensorFlow por sus capacidades de implementación, y se enfatiza la práctica para construir una carrera en aprendizaje automático.

Available in English

1. Introducción a la IA y su estado actual

Short description:

Estoy emocionado de hablar sobre mi trabajo educando al mundo sobre IA y mejorando el mundo a través de la IA. También soy el autor del libro IA y Aprendizaje Automático para Programadores, un éxito de ventas reciente. Actualmente, la IA se encuentra en la fase de expectativas infladas, y mi papel es ayudar a las personas a comprender sus verdaderas capacidades. El número de profesionales de IA es de 300,000, en comparación con 30 millones.

Gracias. Estoy realmente emocionado de estar aquí hoy para hablar sobre mi trabajo de educar al mundo sobre la IA y tratar de mejorar el mundo a través de la IA. Un poco sobre mí, también soy el autor de este libro IA y Aprendizaje Automático para Programadores. Acaba de ser lanzado, por lo que es bastante nuevo, y en realidad fue el número uno en ventas en varias categorías de IA. Primero, quiero hablar un poco sobre la IA y dónde se encuentra. Y este gráfico que me gusta usar es el ciclo de vida de Gartner. Y el ciclo de vida de cualquier tecnología generalmente comienza con la introducción de la tecnología y luego alcanza este pico de expectativas infladas. El pico de expectativas infladas es algo en lo que se ve una gran cantidad de hype alrededor de la tecnología, pero ese hype no se basa realmente en nada real sobre la tecnología. Se basa en especulaciones y en la tecnología misma. Y luego, a menudo, el ciclo de vida nos lleva a la depresión de la desilusión. A pesar del nombre negativo, en realidad es algo muy positivo porque es cuando superamos las expectativas infladas. Superamos el hype y entendemos de qué se trata realmente el producto y la tecnología. Y una vez que alcanzamos ese punto, a partir de ahí podemos alcanzar la productividad. Desafortunadamente, la IA en este momento probablemente se encuentre en algún lugar de aquí en la curva. Todavía hay muchas expectativas infladas. Y solo para aclarar, a veces las expectativas infladas pueden ser positivas, donde todos están pensando en las cosas increíbles que se pueden hacer con la tecnología. Y a veces pueden ser negativas, donde las personas están aterrorizadas y tienen miedo de la tecnología. Pero sus expectativas sobre sus capacidades o lo que están infladas debido a esta curva de ciclo de hype. Pero mi trabajo en general es tratar de llevar a las personas a esta depresión de la desilusión. A veces bromeo diciendo que soy un desilusionador profesional, pero realmente con la idea de hacer que el mundo comprenda de qué se trata realmente la IA, qué se puede hacer con la IA, cómo se puede construir con la IA y a partir de ahí, luego puedes crecer hacia la productividad. Entonces, como dije, estamos aquí en este momento. Y mi pregunta entonces es por qué crees que estamos aquí en este momento. ¿Cuáles son las razones detrás de esto? La primera que mostraré es este número. Y este número es 300,000, que es el número de profesionales de IA en el mundo según una encuesta realizada por una empresa en China. Y querían echar un vistazo a por qué hay una escasez global de habilidades en torno a la IA. Esto fue hace aproximadamente dos años y medio. ¿Por qué había una escasez global de habilidades en torno a ellos? Y querían decir, bueno, cuántas personas calificadas hay. Y eran 300,000 profesionales de IA. Ahora me gusta comparar esto con este número, que es 30 millones.

2. Desafíos y Misión en Google

Short description:

Y varían enormemente. He visto algunos alrededor de 22 millones. He visto algunos alrededor de 35 millones. Por ejemplo, en la WWDC de este año, Tim Cook mencionó que solo en el ecosistema de Apple hay 28 millones de desarrolladores. Nuestra visión en Google es capacitar al 10 por ciento de los desarrolladores del mundo para que sean efectivos en el aprendizaje automático y la inteligencia artificial. Comenzamos este viaje hace aproximadamente 18 meses y hoy quiero compartir las estrategias que utilizamos y los resultados que hemos obtenido. Al trabajar con desarrolladores de software, recibí comentarios sobre las dificultades que enfrentan, incluido el uso de terminología desconocida y conceptos complejos. Esto presentó un desafío, pero se convirtió en nuestra misión en Google superar estos obstáculos.

Y hay varias estimaciones sobre el número de desarrolladores de software a nivel mundial. Y varían enormemente. He visto algunos alrededor de 22 millones. He visto algunos alrededor de 35 millones. Voy a elegir un número aproximado en el medio de eso y fue 30 millones. Y podría argumentar que en realidad el número es mucho mayor que este.

Por ejemplo, en la WWDC de este año, Tim Cook mencionó que solo en el ecosistema de Apple hay 28 millones de desarrolladores. Entonces, si hago una regla general de que la mitad de los desarrolladores del mundo están en el ecosistema de Apple, podríamos estar más cerca de los 60 millones de desarrolladores a nivel mundial. Bueno, trabajemos con este número de 30 millones. Ahora recuerda que según la encuesta había 300,000 profesionales de IA. Según mi estimación, hay 30 millones de desarrolladores de software. Entonces, nuestra visión en Google es: ¿qué pasaría si pudiéramos capacitar al 10 por ciento de los desarrolladores del mundo para que sean efectivos en el aprendizaje automático y la inteligencia artificial? Y si lo lográramos, tendríamos tres millones de desarrolladores de IA y ML, que es 10 veces este número. Así que hicimos eso nuestro objetivo. ¿Podemos aumentar el número de profesionales a nivel mundial en un factor de 10? No en un número de 10. Así que dijimos que haríamos de esto nuestro objetivo. Comenzamos este viaje hace aproximadamente 18 meses, un poco más de 18 meses. Y hoy quiero compartir las estrategias que utilizamos y los resultados que hemos obtenido. Pero primero, al trabajar con desarrolladores de software y cuando hablo con ellos y cuando veo cómo están siendo capacitados, recibí muchos comentarios sobre por qué pensaban que era difícil y por qué era algo que les interesaba pero que iba a ser demasiado difícil para ellos dedicar mucho de su tiempo y de su tiempo de estudio para poder aprenderlo. Y empecé a ver muchas terminologías como las que he incluido en este gráfico, personas que decían que era difícil. Había mucha matemática. Había muchos términos con los que no estaban familiarizados, como aprendizaje no supervisado o aprendizaje supervisado. Realmente, al igual que yo, no habían hecho cosas como cálculo y probabilidad en 25 años. Y como resultado, la cantidad de conceptos que se les presentaban solo para comenzar hacía que fuera como un gran obstáculo que tenían que superar para poder comenzar a transformar su carrera y transformar su conjunto de habilidades para convertirse en un desarrollador de aprendizaje automático o IA. Así que vi eso como un desafío. Y una de las cosas que hacemos en Google

3. Misión: Hacer que la IA sea fácil

Short description:

Mi misión en Google es hacer que la IA sea fácil. Al capacitar a millones de desarrolladores, podemos llegar a miles de millones de personas con soluciones de IA y romper la burbuja de la exageración para ver lo que es real en la IA.

es que nos damos una misión y nuestra misión está definida por tres palabras. Y las tres palabras que utilicé fueron hacer que la IA sea fácil. Y así, he hecho de eso mi misión en Google, realmente se trata de hacer que la IA sea fácil. Y omití una diapositiva aquí por un momento. Y luego eso me llevó a esta misión general en la que quería poder capacitar a millones de desarrolladores para llegar a miles de millones de personas y volver al ciclo de vida y al ciclo de exageración del que hablé anteriormente. Si podemos capacitar a millones de desarrolladores y creo que los millones de desarrolladores son la clave para poder llegar a miles de millones de personas con soluciones de IA y con aplicaciones de IA que nos harán romper la burbuja que nos hará romper la

4. AI Education Strategy and Specializations

Short description:

La estrategia consistía en desarrollar un plan de estudios y contenido dirigido a desarrolladores, sin necesidad de un doctorado o habilidades avanzadas en matemáticas. La estrategia profesional incluye MOOCs, capacitación directa y capacitación gestionada. Nos asociamos con deeplearning.ai para producir tres especializaciones: TensorFlow en la práctica, TensorFlow datos e implementación, y TensorFlow desde lo básico hasta el dominio. Estas especializaciones cubren temas como procesamiento del lenguaje natural, visión por computadora y modelado de secuencias. También lanzamos el canal de YouTube de TensorFlow y creamos laboratorios de código prácticos para proporcionar lecciones rápidas y experiencia práctica en línea con lo que buscan los empleadores.

La burbuja de la exageración para que podamos ver lo que es real en IA. Así que haremos que la IA sea fácil. Por lo tanto, parte de la estrategia en torno a esto fue que el primer objetivo era desarrollar un plan de estudios y un conjunto de contenido dirigido a desarrolladores. Así que fue hecho por un desarrollador y estaba dirigido a desarrolladores que son codificadores. No necesitas un doctorado, no necesitas matemáticas ni nada de eso. No tengo un doctorado y, como mencioné antes, no he hecho cálculo, probabilidad y estadística en 25 años. Así que quería desarrollar un plan de estudios que fuera hecho por un codificador y fuera para codificadores y luego construir una estrategia en torno a este plan de estudios. Y la estrategia es de dos partes. En primer lugar, está la estrategia profesional. Esta es la estrategia dirigida a educar a personas que ya son desarrolladores, personas que ya tienen carreras como codificadores y las personas en ese ámbito tienden a ser alcanzadas de tres formas diferentes. Hay cursos en línea masivos y abiertos o MOOCs. Hay la posibilidad de hacerlo directamente y a gran escala. Y luego está la capacitación gestionada. Permítanme hablar un poco de cada una de estas. Algunos MOOCs nos asociamos con deeplearning.ai y Andrew Ang y las grandes personas en deeplearning.ai para producir tres especializaciones. Lanzamos dos de ellas, TensorFlow en la práctica y TensorFlow datos e implementación. Y actualmente estoy trabajando duro en la tercera, que se lanzará en noviembre y diciembre y la llamamos TensorFlow desde lo básico hasta el dominio. Y la idea detrás de esta es producir 12 cursos en tres especializaciones que llevarían a alguien desde ningún conocimiento, excepto tal vez un poco de programación en Python, hasta poder usar TensorFlow en la práctica para poder enfrentar los escenarios comunes que se necesitan en las carreras de aprendizaje automático. Y eso es procesamiento del lenguaje natural, visión por computadora y modelado de secuencias. La segunda especialización, datos e implementación, toma el trabajo que has hecho en la creación de modelos de aprendizaje automático y los hace reales al ponerlos en aplicaciones móviles, al ponerlos en sitios web, al usarlos en JavaScript y cosas así. Y luego la última, TensorFlow desde lo básico hasta el dominio, es un poco volver atrás en la creación de modelos desde TensorFlow en la práctica, pero profundizando en cómo extender tus modelos, aprendiendo a crear personalizados. Tenemos cosas en los modelos llamadas capas, aprendiendo a crear capas personalizadas y luego mirando algunos de los algoritmos avanzados y siendo capaz de descomponerlos para entenderlos un poco mejor. En esa, temo haber roto mi promesa de no hacer matemáticas porque tuvimos que hacer un poco de matemáticas en eso. Pero intentamos hacerlo lo más accesible posible. El lanzamiento directo es entonces el lanzamiento del canal de YouTube de TensorFlow y queríamos que fuera el lugar al que la gente pudiera acudir para tener lecciones cortas y rápidas sobre cómo hacer algo en TensorFlow o qué está sucediendo en las nuevas versiones de TensorFlow, todas esas cosas. También hemos creado una serie de laboratorios de código prácticos dirigidos nuevamente a personas. No necesitas un doctorado en matemáticas. Te sientas, comienzas a codificar y comienzas a desarrollar conceptos. Y está en línea con los tres pilares de los que hablé anteriormente, que vimos como lo que los empleadores estaban buscando. Y eso es visión por computadora.

5. Google Training Initiatives and Success Stories

Short description:

Y luego hemos estado trabajando en varias iniciativas de capacitación de Google, incluyendo fundamentos de ML. Hicimos una charla en Google llamada de cero a héroe en aprendizaje automático, que fue muy exitosa entre los desarrolladores. Tenemos resonancia con los desarrolladores con este tipo de mensaje. También tenemos esfuerzos de capacitación gestionados de alto contacto para capacitar a los desarrolladores, como la academia Bank It en Indonesia y el Boot Camp de Aprendizaje Automático de Google Developers en Corea.

procesamiento del lenguaje natural modelado de secuencias. Y luego también hemos estado trabajando en varias iniciativas de capacitación de Google y creé una serie para la capacitación de Google. Y creé otra serie como capacitación gratuita cuando las personas estaban en casa en cuarentena y esas cosas llamada fundamentos de ML. Y todo eso se hacía directamente a gran escala a través de YouTube y otros canales de Google. Y luego, ¡ups! Y finalmente, antes de pasar al siguiente, solo como ejemplo de cómo el modelo centrado en el desarrollador ha tenido éxito. Carmel Allison y yo hicimos una charla llamada de cero a héroe en aprendizaje automático en Google I 2019 para probarlo con la audiencia de desarrolladores. Así que estoy tratando de dividir la audiencia de aprendizaje automático en dos. Están las personas que son expertas en aprendizaje automático y yo. Y luego están los desarrolladores de software que quieren usar el aprendizaje automático y yo. Y mi enfoque ha estado en este segundo grupo. Así que siempre he tenido en cuenta a la audiencia de Google I. Y hicimos una charla en Google I. Todo lo que llamamos de cero a héroe en aprendizaje automático para que alguien en unos 40 minutos pudiera pasar de tener conocimientos básicos de Python a poder hacer una visión por computadora bastante compleja en este caso en las capturas de pantalla. Les estaba enseñando cómo hacer un ejercicio de visión por computadora que reconociera piedra, papel o tijeras. Pero nuevamente, cuando se hizo, estaba muy centrado en el desarrollador. Una de las cosas buenas que aprendimos sobre esto es la cantidad de espectadores de estevideo. Estamos acercándonos a 1 millón de visualizaciones. Y cuando se trata de charlas en Google I. Oh, esta fue con mucho la más exitosa desde la perspectiva de YouTube. Así que nos dimos cuenta de que tenemos resonancia con los desarrolladores con este tipo de mensaje. Y luego, la tercera que mencioné es la capacitación gestionada. Y aquí es donde tenemos esfuerzos de capacitación gestionados de alto contacto para capacitar a los desarrolladores y dos de ellos que muestro en la diapositiva aquí uno de ellos es una academia en Indonesia llamada Bank It. Y Bank It fue una academia de aprendizaje automático exclusiva liderada por Google en colaboración con el gobierno y varias startups que trajimos a 300 personas. Fue basado en solicitudes. Los capacitamos en aprendizaje automático y el gobierno indonesio realmente quería ser parte de esto para poder comenzar a sembrar su ecosistema de startups con personas calificadas y

Y luego, el que está en la parte inferior es el Boot Camp de Aprendizaje Automático de Google Developers que se lleva a cabo en Corea. En realidad, comenzó a fines de octubre. Y la idea detrás de este es que Google y varias empresas y muchas de ellas startups se unieron para patrocinar este boot camp, pero para hacerlo muy diferente. Y eso es el grupo de personas que ingresan a este boot camp. Si aprueban el contenido del boot camp, tienen un trabajo garantizado. Estoy particularmente emocionado por este dado la situación económica actual debido a la pandemia, para poder trabajar junto con la industria para crear un flujo de personas calificadas para hacer un trabajo pero con la motivación

6. AI Education and Impact

Short description:

Hemos creado un riguroso examen de certificación para demostrar las habilidades de los desarrolladores en visión por computadora, procesamiento del lenguaje natural y modelado de secuencias. También trabajamos con universidades para ayudarles a desarrollar cursos, proporcionándoles nuestro plan de estudios y apoyo. Los MOOC que lanzamos tienen más de 600,000 estudiantes y son reconocidos como habilidades necesarias por el Foro Económico Mundial. Hemos tenido un gran éxito con universidades de todo el mundo, con docenas de ellas enseñando el plan de estudios de TensorFlow.

para que estas personas pasen por este boot camp y tengan un trabajo o pasantía garantizada al final. Me parece maravilloso. Y todo esto lleva a lo que llamamos el certificado orientado al empleo para desarrolladores. Hemos creado un riguroso examen de certificación y este examen de certificación demuestra que una vez que lo apruebas, estás demostrando que puedes ser un desarrollador con visión por computadora, procesamiento del lenguaje natural y modelado de secuencias. Y esto también forma parte de lo que tuvimos con la Academia Bankhead y con la academia que mencioné en Corea en el boot camp que mencioné en Corea. La segunda mitad de esto es trabajar con la academia. Trabajar con universidades. Y lo primero que escucho cuando hablo con profesores de universidades es que les encantaría impartir nuevos cursos. Pero cada vez que necesitan agregar un nuevo curso de pregrado, tienen que eliminar uno antiguo porque solo pueden enseñar tantos. Y hay un gran riesgo involucrado en enseñar nuevos cursos. Hay mucho tiempo involucrado en desarrollar el plan de estudios en capacitar a los asistentes y todas esas cosas. Y como resultado, tiende a haber mucha fricción para agregar nuevos cursos. Aquellos de nosotros que nos graduamos en ciencias de la computación, tengo la mitad de una licenciatura en ciencias de la computación y la mitad en física y la mitad en ciencias de la computación. Pero recuerdo que cuando me gradué, las habilidades que aprendí para graduarme eran las habilidades de hace cuatro o cinco años antes de mi día de graduación. Y los lenguajes yframeworks que necesitaba para conseguir un trabajo en la fecha en que me gradué simplemente no se enseñaban en la academia. Así que queríamos ayudar a resolver ese problema con el aprendizaje automático. Creamos un programa en el que ayudamos a las universidades a desarrollar cursos. Les proporcionamos el mismo plan de estudios que se utiliza en los MOOC, el mismo plan de estudios orientado a la programación de código que usamos en nuestros propios entrenamientos y todas esas cosas con apoyo y, en algunos casos, asistencia financiera para contratar, por ejemplo, asistentes de enseñanza. Y lo hemos lanzado con varias universidades. Y nuevamente, la idea era orientar esto hacia un certificado de desarrollador orientado al empleo, el mismo que tienen los profesionales. Así que me gustaría compartir algunos de los resultados sobre esto y el impacto global de esto. Primero que nada, los MOOC de Coursera y Deep Learning AI y las dos especialidades que lanzamos hasta ahora, cuando estoy grabando esto, tienen más de 600,000 estudiantes y está creciendo exponencialmente y estas nuevas especialidades se lanzarán el próximo mes. Creemos que vamos a llegar a más de un millón de estudiantes para el próximo año. Y una cosa que el Foro Económico Mundial hizo un informe sobre los trabajos del futuro y los trabajos de la cuarta revolución industrial que se llama IA y en realidad citaron estos MOOC como una habilidad necesaria. Enumeraron varios de ellos en los dos primeros lugares, donde Andrew y la especialización en deep learning, de la que aprendí con una especialización fantástica y mi especialización una práctica de TensorFlow, las que creamos juntos, lo que muestra que está siendo bien recibido desde una perspectiva de empleabilidad, incluso reconocido por el informe de empleos del Foro Económico Mundial. También deberías ver. Lanzaron una introducción a TensorFlow y algunos cursos de TensorFlow Lite y están cerca de los 200,000 estudiantes. En China, el plan de estudios se utilizó para crear un curso con una empresa llamada Nettie's y se lanzó la semana pasada o a mediados de octubre cuando estoy grabando esto, ya tienen alrededor de 3,000 estudiantes. Así que vemos que realmente está comenzando a despegar y Udemy lanzará algunos cursos muy pronto. Nuevamente, el plan de estudios está siendo utilizado por múltiples personas, por múltiples proveedores y estamos viendo números realmente buenos con las universidades. Hemos ayudado a docenas de universidades en todo el mundo a enseñar el plan de estudios de TensorFlow como describí anteriormente, pero quiero destacar algunos puntos.

7. AI Education Impact and Initiatives

Short description:

El Imperial College en Londres lo utilizó para crear su plan de estudios y un curso en línea en Coursera. Nuestro objetivo es ampliar el acceso a grupos subrepresentados, como mujeres y universidades históricamente afroamericanas en los Estados Unidos. El programa de certificación, lanzado en 2020, proporciona certificación orientada al empleo en NLP, visión por computadora y modelado de secuencias. Ayuda a cerrar la brecha entre los empleadores y los profesionales calificados en IA. Nuestra meta es capacitar a los desarrolladores para el éxito en la nueva economía.

El Imperial College en Londres lo utilizó para crear su plan de estudios, pero también lo utilizan para crear un curso en línea de su propia plataforma que enseñan en Coursera, lo cual me pareció muy emocionante.

Una de las cosas a las que estamos realmente comprometidos con esto es ampliar el acceso tanto como sea posible. Así que he estado hablando de que no solo necesitas un doctorado y cosas así. También queremos ampliar el acceso a personas que tradicionalmente no están representadas en IA. La Universidad Keio en Japón ha lanzado un curso para mujeres. Y sabemos que hay un problema de representación en la tecnología, un problema de diversidad en la tecnología al no tener mujeres en la tecnología. Y en Japón esto es particularmente agudo debido a algunos problemas históricos allí. Así que la Universidad Keio realmente quería ver si podían atraer a más mujeres a la IA y están lanzando este curso para mujeres que será impartido por mujeres. Y nuevamente, se convirtieron en parte de nuestro programa de financiamiento universitario que establecimos. Y este es uno de los resultados que surgió de ello. Y luego, dadas las problemáticas a nivel global y lo que hemos estado aprendiendo a nivel global sobre cuestiones raciales y el hecho de que las vidas de las personas negras realmente importan. Una de las cosas en las que hemos estado trabajando arduamente es colaborar con universidades históricamente afroamericanas en los Estados Unidos para ayudarles a aprovechar los beneficios de las capacidades que podemos tener con IA y poder aprovechar lo que el Foro Económico Mundial mostraba sobre el crecimiento de empleos en IA y poder capacitar a sus estudiantes para eso. Anteriormente mencioné el programa de certificación. Lo lanzamos a mediados de 2020 y, lo siento, a principios de 2020, en primavera de 2020. Y es un certificado orientado al empleo, un examen riguroso que abarca NLP, visión por computadora y modelado de secuencias. Y hasta ahora tenemos alrededor de 1200 titulares en todo el mundo y está aumentando de manera constante. Y la visión aquí es realmente ayudar a las personas a demostrar sus habilidades, pero también ayudar a los empleadores a saber que estas habilidades han sido demostradas. Una gran parte de la brecha de empleo que descubrimos fue que muchos empleadores no sabían cómo encontrar personas calificadas en IA y no sabían las preguntas correctas para hacerles. Así que creamos el programa de certificación con eso en mente. Y para concluir, mencioné un poco antes, pero parte del impacto en esto es que realmente queremos ayudar a impulsar la economía. Realmente queremos ayudar a capacitar a los desarrolladores para que tengan éxito en la nueva economía. Me gustaría compartir algunas estadísticas sobre el estado del empleo a nivel mundial. En primer lugar, este gráfico. Este es un gráfico general con una tendencia al alza, pero hay una gran caída en la parte inferior. Y este es el gráfico del PIB. Lo promedié en varios países, Reino Unido, Estados Unidos, etc.

8. Tendencias de Crecimiento y Perspectivas Futuras

Short description:

La tendencia en los últimos 35 años muestra principalmente un crecimiento ascendente, con dos picos significativos en el gráfico. El primer pico ocurrió aproximadamente desde 1993 hasta 2007, impulsado por el crecimiento de la web y la economía tecnológica. Este período dio lugar a gigantes compañías como Microsoft, Apple y Google. El segundo pico es la economía de aplicaciones, que surgió con la introducción de los teléfonos inteligentes, especialmente con el lanzamiento del iPhone en 2007. A pesar de la caída causada por la pandemia, el ecosistema de aplicaciones aún ha experimentado un crecimiento significativo en empleos. Se espera que el próximo pico sea la cuarta revolución industrial, con un enfoque en datos, IA, ingeniería y computación en la nube. Los informes indican un alto potencial de crecimiento laboral en estas áreas, con una tasa de crecimiento anual compuesta de alrededor del 44 por ciento para el mercado global de ML y un Cagger del 43 por ciento para los ingresos del software de IA.

React y otros. Y se puede ver la tendencia general en los últimos aproximadamente 35 años es que ha sido principalmente ascendente. Ha habido un par de pequeñas caídas. Pero el problema cuando se traza algo como esto es que se ve una tendencia general ascendente y se puede pensar que todo está bien y se pueden pasar por alto algunos de los matices importantes en esto. Así que lo volví a trazar como un gráfico derivado donde, en lugar de mostrar solo el crecimiento general, quería mostrar el crecimiento en cualquier año dado en relación con los dos años anteriores. Y como resultado, el mismo gráfico de 35 años mostró esto. Esto para mí es realmente interesante porque hay un par de grandes picos en este gráfico. Uno de ellos está aquí. Y este no tengo los años en este, pero este fue desde aproximadamente 1993 hasta alrededor de 2007. Y así fue como el crecimiento de la web y cómo la aparición de la web y la economía tecnológica cambiaron realmente el mundo económicamente en este período masivo de crecimiento sostenido. Y no es sorprendente que ahora las mayores compañías del mundo por capitalización de mercado sean todas compañías que surgieron como resultado de este crecimiento, Microsoft, Apple, Google, todas esas compañías tecnológicas que ahora son gigantes surgieron de este período de crecimiento. El segundo aquí es la economía de aplicaciones. Este es realmente el crecimiento que surgió como resultado de la aparición del teléfono inteligente. Primero introducido, diría que se podría argumentar, por Apple con el lanzamiento del iPhone en 2007. Sé que había otros teléfonos inteligentes antes que eso, pero esta economía realmente despegó. Luego, la aparición y el crecimiento de Android y otras plataformas. Y hemos visto que esta es un área de crecimiento realmente enorme. Y aunque hay una gran caída a la derecha debido a Covid y debido a la pandemia, solo queremos darnos cuenta de que incluso Apple. Este año publicó una estadística que decía que en 2020 el ecosistema de aplicaciones ha crecido en 300,000 empleos solo en los Estados Unidos, por lo que podemos ver que los empleos y el empleo siguen siendo muy, muy importantes debido a estos dos picos. Y el próximo pico puede ser dentro de 10 años si miras un gráfico como este habrá un nuevo pico. Y ese es la cuarta revolución industrial y la economía que surge como resultado del Foro Económico Mundial, por ejemplo, hizo un informe donde querían analizar los empleos del mañana a partir de 2020 y hasta 2022 y tenían cinco categorías, datos y luego datos y IA, ingeniería y personas de la nube y cultura, desarrollo de productos, ventas y marketing y, con mucho, el más grande. Como puedes ver aquí, hubo un crecimiento del 37 por ciento en empleos entre 2020 y 2022 en datos y IA e ingeniería, la computación en la nube, como puedes ver, fue de más del 34 por ciento. Gran parte de eso se debió a cosas de ML en la nube. También podemos ver que es un área de crecimiento potencial enorme para empleos y empleo. También hay un informe de Forbes y puse el enlace aquí que muestra que el mercado global de ML tendrá una tasa de crecimiento anual compuesta de aproximadamente el 44 por ciento entre 2017 y 2024, de mil quinientos millones a veinte mil ochocientos millones. Entonces, es un área de crecimiento enorme y los ingresos del software de IA. También informaron entre 2018 y 2025, de diez a ciento veintiséis mil millones, que es un Cagger del 43 por ciento. Entonces, podemos ver aquí que definitivamente hay un crecimiento masivo en esta área que se avecina. Todas los informes que veo tienden a ponerlo como una tasa de crecimiento anual compuesta en los 40. Ambos, 43 y 44 por ciento, lo respaldan e incluso utilizaron LinkedIn para analizar empleos y 44,000 empleos en los EE. UU. Requieren algún tipo de ML y casi cien mil a nivel mundial requieren algún tipo de ML. Entonces, podemos

QnA

Importancia de las habilidades de IA y TensorFlow vs PyTorch

Short description:

Estas habilidades son enormemente importantes a medida que avanzamos. Queremos capacitar a millones de desarrolladores para llegar a miles de millones de personas. Gracias por sus preguntas. Quiero implementar mis modelos en todas partes. La opción correcta es tener modelos en todas partes. Comencemos con una pregunta sobre TensorFlow o PyTorch. Tengo preferencia por TensorFlow, pero es bueno aprender todo lo posible sobre ambos.

puede ver ML AI. Este tipo de habilidades son enormemente importantes a medida que avanzamos. Y queremos ser las personas que ayuden a capacitar a millones de desarrolladores para llegar a miles de millones de personas. Y con eso, solo quiero decir gracias y estaré disponible para responder cualquier pregunta. Sí. Muchas gracias. Gracias. Sí. ¿Puedo responder esa pregunta con todas las opciones anteriores? Por favor. ¿Tienes una respuesta ahora mismo? Hagámoslo. Sí. Realmente quiero implementar mis modelos. Absolutamente en todas partes. En todas partes. Ya sabes qué. En todas partes. Es como todas las opciones. ¿Cuál es la opción correcta? Tener modelos en todas partes. Eso es genial. Bueno, ahora mismo, comencemos con algunas preguntas increíbles porque tenemos algunas preguntas increíbles aquí mismo. Entonces, en realidad, esto es de alguien llamado Espero estar pronunciando tu nombre correctamente. Pero ¿cuál crees que es una mejor opción para la industria? TensorFlow o PyTorch.

Bueno, en primer lugar, comenzaré diciendo que estoy completamente sesgado dado que trabajo en el equipo de TensorFlow. Estoy usando una chaqueta de TensorFlow y estoy bebiendo café de una taza de TensorFlow. Así que creo que mi respuesta va a ser TensorFlow. Pero si me quito la chaqueta y dejo de usar la taza, creo que siempre es bueno que todos aprendan todo lo posible sobre ambos.

TensorFlow vs PyTorch y Construyendo una Carrera

Short description:

A pesar de la competencia con PyTorch, se recomienda TensorFlow debido a su versatilidad en la implementación de modelos en diversas plataformas. Si bien PyTorch ofrece una interfaz más sencilla, la fortaleza de TensorFlow radica en sus amplias capacidades de implementación. La práctica es crucial para construir una carrera en el aprendizaje automático, y encontrar un proyecto apasionante con datos disponibles es una excelente manera de adquirir experiencia.

Sabes que damos la bienvenida a la gran competencia que estamos obteniendo con PyTorch. Creo que es brillante para la industria tener competencia entre los proveedores. Pero responderé que, a pesar de eso, sigo pensando que TensorFlow es la mejor opción debido a la cantidad de lugares diferentes donde puedes implementar modelos de TensorFlow. Exacto. Desde la infraestructura masiva a escala de la nube con TPUs multinodo hasta los microcontroladores y sistemas integrados más pequeños, tus habilidades de TensorFlow sin importar el tipo de modelo que desees producir, hay un lugar para ponerlo. Desde la perspectiva de la industria, creo que recomendaría enfáticamente, a pesar de mi chaqueta, que elijas TensorFlow.

Sí, definitivamente. Sé que PyTorch abstrae muchos mecanismos bien ocultos que TensorFlow proporciona. Y aunque es un intercambio porque por un lado TensorFlow es definitivamente más adaptable y controlable y flexible, mientras que con PyTorch algunas personas encuentran una interfaz más fácil de usar en general. Sí, no afirmaré tener experiencia en PyTorch. Es algo que necesito aprender más, siendo completamente sincero. Pero sí, mi enfoque siempre ha sido permitir que las personas tengan éxito con la tecnología. Y sabes, un nivel es poder construir modelos. Pero el otro nivel y el nivel más importante es tener un lugar donde implementarlos. Y creo que, en ese sentido, la capacidad de implementación es una fortaleza enorme de TensorFlow y es por eso que me apasiona tanto.

Sí, esa es una excelente respuesta. Y también aquí hay otra pregunta de Arjun Kumar. ¿Lo recomiendas? ¿Cómo recomiendas continuar construyendo tu carrera después de completar cursos como el tuyo o similares? Sí, buena pregunta. Creo que la práctica, la práctica y la práctica son muy importantes. Creo que, al igual que con cualquier tipo de programación, cuanto más lo hagas, mejor te volverás en ello. Comienzas a darte cuenta de las dificultades. Comienzas a darte cuenta de esos consejos y trucos, esas cosas que te hacen mejor en hacerlo. Así que el aprendizaje automático no es una excepción en ese sentido. Es realmente práctica, práctica y práctica. No tiene que ser público con competiciones en Kaggle ni nada por el estilo. Y una cosa que siempre recomiendo es que encuentres algo que te apasione y seguramente haya algunos datos disponibles sobre algo que te apasione y

Symbiotic Relationship Between Theory and Practice

Short description:

Y simplemente continúa practicando y convirtiéndote en un mejor creador de modelos. La clave con cualquier cosa es practicar constantemente para mejorar. ¿Cómo equilibras las nociones completamente diferentes de abordar el aprendizaje automático y el aprendizaje profundo? Es una relación simbiótica entre la teoría y las aplicaciones prácticas. Comenzar con la codificación práctica facilita la comprensión de los modelos y cómo aprenden. Construir modelos sin conocer matemáticas es posible, pero comprender las matemáticas subyacentes es necesario para construir mejores modelos.

comienza a construir modelos en ese sentido. Y simplemente continúa practicando y convirtiéndote en un mejor creador de modelos. Y una vez que tengas esos modelos, practica, practica, practica y luego implementa esos modelos, ya sea en infraestructuras escalables a gran escala o tal vez solo en el teléfono celular para uso personal. Pero ya sabes, la clave con cualquier cosa es practicar constantemente para mejorar. Sí, eso es cierto. También me gusta practicar y todo lo que está asociado con esto. Como hay muchas personas. También estoy viendo muchas preguntas donde hay un aspecto matemático en el aprendizaje profundo y el aprendizaje automático, mientras que TensorFlow es más como `OK, vamos a descomponer las cosas desde un aspecto más práctico y luego profundizar en eso`. Entonces, una pregunta sería, ¿cómo equilibras estos dos enfoques completamente diferentes del aprendizaje automático y el aprendizaje profundo? ¿Prefieres uno u otro o de alguna manera una relación simbiótica entre la teoría y las aplicaciones prácticas cuando emprendes tu viaje en el aprendizaje automático?

Me gusta el término que acabas de usar, simbiótico, porque creo que es exactamente correcto. Pero simbiótico, ¿cómo comienzas? Y deberían estar entrelazados. Pero, ¿cómo empiezas? Y quiero decir, puedo decir, al menos personalmente, que no había hecho cálculo en 30 años cuando comencé a investigar el aprendizaje automático moderno. Y cuando el material inicial que estaba viendo enseñaba cómo funciona un optimizador a través del descenso de gradiente y toneladas de cálculo, o enseñaba cómo funciona una convolución utilizando notación matemática y griega, debo admitir que estaba perdido. Me resultaba más difícil seguirlo. Pero cuando comencé a investigar esto usando código, principalmente código, me resultó mucho más fácil leer y entender el código. Así que mi relación simbiótica comenzó definitivamente en el lado práctico de la codificación. Ahora puedo entender qué es un modelo. Ahora puedo entender cómo un modelo aprende a partir de parámetros. Ahora puedo ver cómo funciona la retropropagación y cosas así. Y luego, con todo ese contexto, comencé a adentrarme en las matemáticas y a ver ah, ahora veo dónde estoy usando cálculo para el descenso de gradiente y todas esas cosas. Así que realmente construí ese contexto para poder entenderlo mejor, y por eso ahora es una relación muy simbiótica. Sabes, podría comenzar a construir modelos sin conocer matemáticas. Pero una vez que comencé a construir modelos, si quería construir mejores modelos, era necesario comprender lo que estaba sucediendo en el fondo. Sí, eso es completamente cierto, porque sé que hay muchas personas en la escuela, especialmente según nuestras encuestas, y tal vez en la escuela estén aprendiendo matemáticas muy complejas, como el cálculo, por ejemplo, que mencionaste, y te preguntas: bueno, si simplemente te lo presentan, está bien, pero ¿dónde lo uso? ¿Qué es

Cálculo y TensorFlow

Short description:

No dejes que el cálculo sea el obstáculo que te impida comenzar en el aprendizaje automático. Una vez que eres productivo, se vuelve más fácil entender las matemáticas. En cuanto a TensorFlow, las primeras versiones estaban orientadas a gráficos, lo que dificultaba para los programadores. TensorFlow 2, con ejecución ansiosa, se volvió más pythonico y más fácil de usar.

¿Qué voy a hacer con esto? No me importa mientras solo pase este curso. Estoy bien. Luego, cuando estás como pero estoy interesado en el aprendizaje automático y el aprendizaje profundo. Hmm. ¿Qué necesito hacer para eso? Cálculo entrante. Simplemente furtivamente es como hola de nuevo. Y luego estás como oh, así es como puedes usar el cálculo para crear todos estos proyectos de aprendizaje automático que ves en todas partes siendo implementados. Es como oh, Dios mío, hay autos sin conductor. Hay sistemas que pueden detectar fraudes, si tu actividad es fraudulenta. Sí, todas las aplicaciones son infinitas y todas con cálculo. Así que sí, definitivamente es muy interesante escuchar eso. Es como no dejes que eso esté ahí. No dejes que eso sea el obstáculo que te impida entrar si eres como yo que una vez que comienzas a leer cálculo y tu mente se duerme, ya sabes, ese tipo de cosas realmente puedes comenzar y comenzar a hacer todo esto y ser productivo antes de comenzar a meterte en las matemáticas. Pero es como una vez que estás en ese nivel productivo, entonces se vuelve más fácil meterte en las matemáticas porque has construido ese contexto a su alrededor y eso lo hace mucho más fácil. Lo siento, dijiste que tenías otra pregunta.

Ahora que siempre tenemos tantas preguntas para ti, siguen llegando. Ya sabes, ves como TensorFlow se ha convertido en algo enorme justo frente a ti. Pero ¿tienes alguna reserva sobre TensorFlow? Tal vez en algún momento TensorFlow podría haber hecho algo mejor. Y probablemente todavía sea algo que sea un gran problema. ¿Hay algo así? No creo que haya algo que considere un gran problema ahora. Creo que una cosa que hubiera sido realmente agradable tener antes, pero que finalmente tuvimos con TensorFlow 2, fue pensar en ello de una manera más pythonica, porque las primeras versiones de TensorFlow estaban muy orientadas a gráficos. Entonces cargabas todas tus cosas en un gráfico y luego ejecutabas una sesión dentro de un gráfico. Y para mí, como programador en lugar de una persona de IA, eso era un poco extraño al principio. Era muy difícil porque no puedes hacer depuración paso a paso y cosas así. Cuando lanzamos TensorFlow 2, con ejecución ansiosa por defecto, se volvió más pythonico. Así que hizo que fuera mucho más fácil para las personas que son programadores comenzar y ponerse en marcha. Y si hubiera algo que tuviera el tiempo

Choosing a Language for Machine Learning

Short description:

El mejor lenguaje para comenzar tu viaje en el aprendizaje automático es aquel que te apasiona. Si no tienes preferencia, se recomienda Python debido a la amplia disponibilidad de bibliotecas de soporte. Sin embargo, no hay nada de malo en usar JavaScript, especialmente con TensorFlow.js. Jason discutirá esto más a fondo en la conferencia.

máquina que cambiaría para hacerlo antes sería eso. Es muy fascinante. Y creo que tenemos una última pregunta aquí. Entonces, hay personas con experiencia en JavaScript y Python y siempre preguntan cuál es el mejor lenguaje para comenzar mi viaje en el aprendizaje automático. ¿Tienes alguna opinión específica al respecto? Sí, creo que el mejor lenguaje para comenzar tu viaje en el aprendizaje automático de esos dos es aquel que te apasiona más usar. Conozco a muchas personas que aman JavaScript y muchas personas que odian JavaScript y muchas personas que aman Python y muchas personas que lo odian. Si no tienes ninguna afinidad particular con ninguno de ellos, mi recomendación sería comenzar con Python simplemente debido a la cantidad de bibliotecas de soporte que existen para la parte más allá del aprendizaje automático, la parte de ciencia de datos. Dibujar gráficos y todas esas cosas. Entonces, como dije, si tuvieras que elegir uno desde cero, definitivamente diría Python. Pero ciertamente no hay nada de malo en JavaScript. Las cosas que puedes hacer con TensorFlow.js son fabulosas. Y sí, creo que Jason hablará de eso en esta conferencia más tarde hoy y siempre muestra cosas increíbles. Exactamente. También estoy deseando eso. Por cierto, Lawrence, creo que se nos acaba el tiempo para algunas preguntas, pero muchas gracias por responder todas nuestras preguntas hasta ahora. Y gracias a esta maravillosa audiencia, por supuesto siempre estamos felices de tenerte aquí. Y si alguno de ustedes no tuvo la oportunidad de hacerle preguntas a Lawrence o si no surgieron en este momento. No dudes en contactarlo en su sala de conferencias, incluso a partir de ahora mismo después de esta llamada. Así que solo estén allí. Lawrence, fue genial tenerte aquí. Y esperamos escuchar de ti pronto. Sí. Suena bien. Gracias y nos vemos a todos en la sala de conferencias.

Check out more articles and videos

We constantly think of articles and videos that might spark Git people interest / skill us up or help building a stellar career

JSNation 2023JSNation 2023
24 min
AI and Web Development: Hype or Reality
In this talk, we'll take a look at the growing intersection of AI and web development. There's a lot of buzz around the potential uses of AI in writing, understanding, and debugging code, and integrating it into our applications is becoming easier and more affordable. But there are also questions about the future of AI in app development, and whether it will make us more productive or take our jobs.
There's a lot of excitement, skepticism, and concern about the rise of AI in web development. We'll explore the real potential for AI in creating new web development frameworks, and separate fact from fiction.
So if you're interested in the future of web development and the role of AI in it, this talk is for you. Oh, and this talk abstract was written by AI after I gave it several of my unstructured thoughts.
6 min
Charlie Gerard's Career Advice: Be intentional about how you spend your time and effort
Featured Article
When it comes to career, Charlie has one trick: to focus. But that doesn’t mean that you shouldn’t try different things — currently a senior front-end developer at Netlify, she is also a sought-after speaker, mentor, and a machine learning trailblazer of the JavaScript universe. "Experiment with things, but build expertise in a specific area," she advises.

What led you to software engineering?My background is in digital marketing, so I started my career as a project manager in advertising agencies. After a couple of years of doing that, I realized that I wasn't learning and growing as much as I wanted to. I was interested in learning more about building websites, so I quit my job and signed up for an intensive coding boot camp called General Assembly. I absolutely loved it and started my career in tech from there.
 What is the most impactful thing you ever did to boost your career?I think it might be public speaking. Going on stage to share knowledge about things I learned while building my side projects gave me the opportunity to meet a lot of people in the industry, learn a ton from watching other people's talks and, for lack of better words, build a personal brand.
 What would be your three tips for engineers to level up their career?Practice your communication skills. I can't stress enough how important it is to be able to explain things in a way anyone can understand, but also communicate in a way that's inclusive and creates an environment where team members feel safe and welcome to contribute ideas, ask questions, and give feedback. In addition, build some expertise in a specific area. I'm a huge fan of learning and experimenting with lots of technologies but as you grow in your career, there comes a time where you need to pick an area to focus on to build more profound knowledge. This could be in a specific language like JavaScript or Python or in a practice like accessibility or web performance. It doesn't mean you shouldn't keep in touch with anything else that's going on in the industry, but it means that you focus on an area you want to have more expertise in. If you could be the "go-to" person for something, what would you want it to be? 
 And lastly, be intentional about how you spend your time and effort. Saying yes to everything isn't always helpful if it doesn't serve your goals. No matter the job, there are always projects and tasks that will help you reach your goals and some that won't. If you can, try to focus on the tasks that will grow the skills you want to grow or help you get the next job you'd like to have.
 What are you working on right now?Recently I've taken a pretty big break from side projects, but the next one I'd like to work on is a prototype of a tool that would allow hands-free coding using gaze detection. 
 Do you have some rituals that keep you focused and goal-oriented?Usually, when I come up with a side project idea I'm really excited about, that excitement is enough to keep me motivated. That's why I tend to avoid spending time on things I'm not genuinely interested in. Otherwise, breaking down projects into smaller chunks allows me to fit them better in my schedule. I make sure to take enough breaks, so I maintain a certain level of energy and motivation to finish what I have in mind.
 You wrote a book called Practical Machine Learning in JavaScript. What got you so excited about the connection between JavaScript and ML?The release of TensorFlow.js opened up the world of ML to frontend devs, and this is what really got me excited. I had machine learning on my list of things I wanted to learn for a few years, but I didn't start looking into it before because I knew I'd have to learn another language as well, like Python, for example. As soon as I realized it was now available in JS, that removed a big barrier and made it a lot more approachable. Considering that you can use JavaScript to build lots of different applications, including augmented reality, virtual reality, and IoT, and combine them with machine learning as well as some fun web APIs felt super exciting to me.


Where do you see the fields going together in the future, near or far? I'd love to see more AI-powered web applications in the future, especially as machine learning models get smaller and more performant. However, it seems like the adoption of ML in JS is still rather low. Considering the amount of content we post online, there could be great opportunities to build tools that assist you in writing blog posts or that can automatically edit podcasts and videos. There are lots of tasks we do that feel cumbersome that could be made a bit easier with the help of machine learning.
 You are a frequent conference speaker. You have your own blog and even a newsletter. What made you start with content creation?I realized that I love learning new things because I love teaching. I think that if I kept what I know to myself, it would be pretty boring. If I'm excited about something, I want to share the knowledge I gained, and I'd like other people to feel the same excitement I feel. That's definitely what motivated me to start creating content.
 How has content affected your career?I don't track any metrics on my blog or likes and follows on Twitter, so I don't know what created different opportunities. Creating content to share something you built improves the chances of people stumbling upon it and learning more about you and what you like to do, but this is not something that's guaranteed. I think over time, I accumulated enough projects, blog posts, and conference talks that some conferences now invite me, so I don't always apply anymore. I sometimes get invited on podcasts and asked if I want to create video content and things like that. Having a backlog of content helps people better understand who you are and quickly decide if you're the right person for an opportunity.What pieces of your work are you most proud of?It is probably that I've managed to develop a mindset where I set myself hard challenges on my side project, and I'm not scared to fail and push the boundaries of what I think is possible. I don't prefer a particular project, it's more around the creative thinking I've developed over the years that I believe has become a big strength of mine.***Follow Charlie on Twitter
React Summit US 2023React Summit US 2023
30 min
The Rise of the AI Engineer
We are observing a once in a generation “shift right” of applied AI, fueled by the emergent capabilities and open source/API availability of Foundation Models. A wide range of AI tasks that used to take 5 years and a research team to accomplish in 2013, now just require API docs and a spare afternoon in 2023. Emergent capabilities are creating an emerging title: to wield them, we'll have to go beyond the Prompt Engineer and write *software*. Let's explore the wide array of new opportunities in the age of Software 3.0!
ML conf EU 2020ML conf EU 2020
41 min
TensorFlow.js 101: ML in the Browser and Beyond
Discover how to embrace machine learning in JavaScript using TensorFlow.js in the browser and beyond in this speedy talk. Get inspired through a whole bunch of creative prototypes that push the boundaries of what is possible in the modern web browser (things have come a long way) and then take your own first steps with machine learning in minutes. By the end of the talk everyone will understand how to recognize an object of their choice which could then be used in any creative way you can imagine. Familiarity with JavaScript is assumed, but no background in machine learning is required. Come take your first steps with TensorFlow.js!
JS GameDev Summit 2023JS GameDev Summit 2023
37 min
Building the AI for Athena Crisis
This talk will dive into how to build an AI for a turn based strategy game from scratch. When I started building Athena Crisis, I had no idea how to build an AI. All the available resources were too complex or confusing, so I just started building it based on how I would play the game. If you would like to learn how to build an AI, check out this talk!

Workshops on related topic

DevOps.js Conf 2024DevOps.js Conf 2024
163 min
AI on Demand: Serverless AI
Featured WorkshopFree
In this workshop, we discuss the merits of serverless architecture and how it can be applied to the AI space. We'll explore options around building serverless RAG applications for a more lambda-esque approach to AI. Next, we'll get hands on and build a sample CRUD app that allows you to store information and query it using an LLM with Workers AI, Vectorize, D1, and Cloudflare Workers.
React Advanced Conference 2023React Advanced Conference 2023
98 min
Working With OpenAI and Prompt Engineering for React Developers
Workshop
In this workshop we'll take a tour of applied AI from the perspective of front end developers, zooming in on the emerging best practices when it comes to working with LLMs to build great products. This workshop is based on learnings from working with the OpenAI API from its debut last November to build out a working MVP which became PowerModeAI (A customer facing ideation and slide creation tool).
In the workshop they'll be a mix of presentation and hands on exercises to cover topics including:
- GPT fundamentals- Pitfalls of LLMs- Prompt engineering best practices and techniques- Using the playground effectively- Installing and configuring the OpenAI SDK- Approaches to working with the API and prompt management- Implementing the API to build an AI powered customer facing application- Fine tuning and embeddings- Emerging best practice on LLMOps
JSNation Live 2021JSNation Live 2021
81 min
Intro to AI for JavaScript Developers with Tensorflow.js
Workshop
Have you wanted to explore AI, but didn't want to learn Python to do it? Tensorflow.js lets you use AI and deep learning in javascript – no python required!
We'll take a look at the different tasks AI can help solve, and how to use Tensorflow.js to solve them. You don't need to know any AI to get started - we'll start with the basics, but we'll still be able to see some neat demos, because Tensorflow.js has a bunch of functionality and pre-built models that you can use on the server or in the browser.
After this workshop, you should be able to set up and run pre-built Tensorflow.js models, or begin to write and train your own models on your own data.
ML conf EU 2020ML conf EU 2020
160 min
Hands on with TensorFlow.js
Workshop
Come check out our workshop which will walk you through 3 common journeys when using TensorFlow.js. We will start with demonstrating how to use one of our pre-made models - super easy to use JS classes to get you working with ML fast. We will then look into how to retrain one of these models in minutes using in browser transfer learning via Teachable Machine and how that can be then used on your own custom website, and finally end with a hello world of writing your own model code from scratch to make a simple linear regression to predict fictional house prices based on their square footage.
ML conf EU 2020ML conf EU 2020
112 min
The Hitchhiker's Guide to the Machine Learning Engineering Galaxy
Workshop
Are you a Software Engineer who got tasked to deploy a machine learning or deep learning model for the first time in your life? Are you wondering what steps to take and how AI-powered software is different from traditional software? Then it is the right workshop to attend.
The internet offers thousands of articles and free of charge courses, showing how it is easy to train and deploy a simple AI model. At the same time in reality it is difficult to integrate a real model into the current infrastructure, debug, test, deploy, and monitor it properly. In this workshop, I will guide you through this process sharing tips, tricks, and favorite open source tools that will make your life much easier. So, at the end of the workshop, you will know where to start your deployment journey, what tools to use, and what questions to ask.
ML conf EU 2020ML conf EU 2020
146 min
Introduction to Machine Learning on the Cloud
Workshop
This workshop will be both a gentle introduction to Machine Learning, and a practical exercise of using the cloud to train simple and not-so-simple machine learning models. We will start with using Automatic ML to train the model to predict survival on Titanic, and then move to more complex machine learning tasks such as hyperparameter optimization and scheduling series of experiments on the compute cluster. Finally, I will show how Azure Machine Learning can be used to generate artificial paintings using Generative Adversarial Networks, and how to train language question-answering model on COVID papers to answer COVID-related questions.