El surgimiento de TensorFlow – InformationWeek

El gran interés en la comunidad de desarrolladores para explorar las capacidades de TensorFlow tiene un potencial aún mayor para producir información valiosa en la investigación y aplicaciones de computación cuántica.

Imagen: Gráfico en movimiento - stock.adobe.com

Imagen: Gráfico en movimiento – stock.adobe.com

Pregúntele a cualquier desarrollador sobre un marco, y escuchará muchas respuestas basadas en sus preferencias. Pero si pregunta acerca de los marcos de aprendizaje automático, es probable que aparezca TensorFlow. Con una aplicación ampliada para incluir otros lenguajes más allá de Python, y su reciente introducción a la computación cuántica, TensorFlow ofrece una oportunidad adicional para que TI coordine equipos organizacionales alrededor de una aplicación común adecuada para la próxima generación de inteligencia empresarial.

Primero, analicemos algunos de los detalles que han puesto a TensorFlow en el centro de atención desde su lanzamiento en 2015 en Google. TensorFlow es una biblioteca de software de código abierto para desarrollar modelos de aprendizaje profundo utilizando Tensores. Los tensores son objetos de matriz de datos dispuestos como una red para entrenar datos en un modelo que luego puede aplicarse a nuevos conjuntos de datos similares. El propósito es crear modelos predictivos de aprendizaje profundo que se puedan implementar en una serie de aplicaciones del mundo real.

TensorFlow ha estado disponible durante mucho tiempo para Python, pero se han desarrollado nuevas bibliotecas para otros lenguajes de programación. Se introdujo una biblioteca para la programación en R, mientras que un paquete Node.JS permite que TensorFlow se incorpore en varios marcos de JavaScript.

La introducción de TensorFlow Quantum, sin embargo, es la adición más intrigante. Introduce a los usuarios a la investigación emergente de la computación cuántica. La emoción de la computación cuántica radica en su oportunidad de reimaginar cómo las aplicaciones del mundo real, como la atención médica, los servicios de Internet y la seguridad de los datos, ofrecen sus características y beneficios.

Cuando los datos convencionales se basan en bytes representados únicamente como 0s o 1s, la computación cuántica se basa en una composición de niveles de energía como 0s y 1s. La composición es fluida: puede ser 0 o 1, un porcentaje de 0 o 1 o ambos (llamada superposición). La medición de los niveles de energía se llama paquetes, como los electrones que tienen estados de energía.

Qubits y cirqs

La informática gestiona los paquetes como qubits, una combinación de bytes y niveles de energía. Calcular qubits requiere la aplicación de circuitos, llamados cirqs. Los cirqs actúan como puertas que permiten calcular el comportamiento previsto de los qubits y luego estructurarlo en un modelo. Aunque los datos cuánticos difieren en estructura de los datos tradicionales, los usuarios de TensorFlow Quantum pueden aprovechar su conocimiento de Python para crear modelos rápidamente. El usuario escribe cirqs en Python, luego imprime un diagrama de cirq en la pantalla para evaluar la estructura.

Por lo tanto, los modelos TensorFlow están destinados a vincular la capacidad de codificación en Python para interpretar el comportamiento de la computación cuántica. Las técnicas de modelado, como la detención temprana, pueden no traducirse exactamente en teorías cuánticas, pero su propósito, poner un límite a la optimización de un modelo a medida que se entrena en datos, puede influir en cómo los profesionales relacionan los principios clásicos del aprendizaje automático con su comprensión incipiente de la computación cuántica. . El beneficio es un enfoque en la innovación dentro de un marco familiar.

Los equipos de TI que trabajan con iniciativas de aprendizaje profundo pueden mejorar esa innovación a través de la gestión de calidad de producción. Muchos aspectos del desarrollo de software, como el desarrollo basado en pruebas (TDD) y la integración continua / desarrollo continuo (CI / CD) se están incorporando en DataOps y, en consecuencia, MLOps. Los equipos de TI pueden buscar oportunidades para establecer canalizaciones de datos robustas creadas a partir de las prácticas de MLOps. Las instancias pueden proporcionar pistas para traducir las lecciones aprendidas que podrían adaptarse a los conceptos de aprendizaje automático aplicados a la computación cuántica.

Comunidad en crecimiento

La investigación en computación cuántica es muy incipiente, con muchas teorías y cálculos que se sienten más en casa en un episodio de Star Trek que en una aplicación del mundo real. Pero la comunidad TensorFlow está creciendo con el aliento de Google. Google ofrece algunas tutoriales de cuaderno que los usuarios pueden hacer una demostración, junto con un guía de instalación. Durante la Cumbre de Google I / O19, el defensor de TensorFlow, Josh Gordon, compartió que 1,800 desarrolladores habían estado contribuyendo proyectos de prueba y listos para la producción utilizando TensorFlow. El gran interés en la comunidad de desarrolladores para explorar las capacidades de TensorFlow tiene un potencial aún mayor para producir información valiosa en la investigación y aplicaciones de computación cuántica.

Los modelos híbridos de aprendizaje profundo cuántico-clásico como los desarrollados en TensorFlow Quantum pueden resolver problemas de optimización a un ritmo más rápido que la informática convencional. Ese hecho ha atraído a algunos competidores a intensificar sus ofertas. IBM ha construido su propia computadora cuántica, desafiando la afirmación de Google de lograr la supremacía cuántica. Mientras tanto, Microsoft anunció el otoño pasado su propio ecosistema de nube abierta de pila completa, Azure Quantum, que emitió un kit para desarrolladores para desarrolladores.

Pero con un conjunto sólido de funciones de marco integrado, TensorFlow continuará guiando a los desarrolladores hacia los asombrosos avances anticipados de la computación cuántica.

Pierre DeBois es el fundador de Zimana, una consultora de análisis de pequeñas empresas que revisa datos de análisis web y soluciones de panel de redes sociales, luego proporciona recomendaciones y acciones de desarrollo web que mejoran la estrategia de marketing y la rentabilidad empresarial. He … Ver biografía completa

Agradecemos sus comentarios sobre este tema en nuestros canales de redes sociales, o [contact us directly] con preguntas sobre el sitio.

Más ideas

Related Stories