¡DBI Data Business Intelligence ha participado este jueves en el Google Experts Summit!
El evento, celebrado en el Campus del gigante de la tecnología en Madrid, ha acogido la presentación de Tensor Flow, la nueva librería de Deep Learning que Google ha puesto a disposición de la comunidad.
Aunque el concepto Deep Learning hace referencia a un conjunto de algoritmos de Machine Learning, lo cierto es que estamos hablando de mucho más. Tensor Flow es una plataforma y entorno de programación que, disponible bajo la licencia Apache 2.0, ofrece un amplio abanico de posibilidades para su utilización.
Buenos resultados en modelos con grandes volúmenes de data
Según el ingeniero de Google, Sergio Guadarrama, la nueva librería permite reunir en una misma plataforma el desarrollo del algoritmo y la producción. Desde DBI Data Business Intelligence aún no hemos tenido la oportunidad de comprobarlo pero sí hemos obtenido buenos rendimientos a la hora de entrenar modelos con grandes cantidades de datos.
¿A qué se debe esto? Los algoritmos están construidos en C++ aunque la manera natural de realizar una llamada es a través de Python.
Esta librería está diseñada para manejar grandes volúmenes de datos – varios millones de registros – y, a pesar de que Guadarrama no lo mencionó explícitamente, parece que está muy orientada a la construcción de algoritmos sobre imágenes.
Entre otros ejemplos, estos algoritmos permiten clasificar imágenes de perros según su raza, identificar personas e, incluso, estimar el año / lugar en que se tomó una fotografía específica.
Caso DBi: Tensor Flow y el nuevo proyecto para un call center
El equipo de DBI Data Business Intelligence sólo utiliza grandes volúmenes de información en modelos de atribución data-driven, que se realizan a nivel cookie y con datos de períodos temporales de varios meses. No obstante, para entrenarlos, sí aplicamos técnicas de Big Data similares a las que hay en la base de Tensor Flow.
En general, la manera de atacar estos problemas es dividir la tarea entre varios ordenadores – unidades de procesamiento – para conseguir que procesen de manera paralela. De esta forma, se incorpora mayor potencia bruta y se disminuye la complejidad de la tarea, de manera que se reduce el número total de operaciones matemáticas a realizar para resolverla.
Normalmente, no nos encontramos con la necesidad de tratar datos basados en imágenes. Con todo, el equipo está trabajando ahora en el desarrollo de un producto para call centers que puede aprovechar las funcionalidades de Tensor Flow.
De momento, contamos con algoritmos capaces de disparar alarmas cuando detectan determinados estados de ánimo en la llamada del cliente o alguno de los argumentarios establecidos para los comerciales. No obstante, seguiremos realizando pruebas y, muy pronto, esperamos tener un producto listo para el mercado.
Si quieres profundizar más, te recomendamos consultar la página oficial de Tensor Flow.
¿Usas algoritmos en tus proyectos? ¿Has trabajado con Tensor Flow? ¡Explícanos tu experiencia o comparte cualquier opinión en la sección de comentarios!
