Estos son algunos ejemplos de herramientas patentadas que se usan comúnmente en el aprendizaje automático y otras tareas de IA.

Herramienta	Descripción
IBM® Watson	Basado en el sistema que derrotó a los campeones reinantes en Jeopardy!, IBM ha vendido Watson como una solución de software para las empresas que están interesadas en incorporar el poder de la IA en sus aplicaciones. Watson no es solo un servicio, sino todo un paquete. Algunos productos de ejemplo de este paquete son: - Watson OpenScale: una plataforma de gestión de proyectos de IA de nivel empresarial. - Watson Assistant: un asistente virtual como Siri de Apple o Alexa de Amazon. - Watson Machine Learning: una plataforma para entrenar una variedad de modelos de aprendizaje automático. - Natural Language Understanding: un servicio de análisis de texto. - Clasificador de lenguaje natural: un servicio de clasificación de lenguajes. - Voz a texto y texto a voz: servicios para convertir de forma inteligente entre texto y voz. - Reconocimiento visual: un servicio de clasificación de imágenes y videos.
AWS® IA	Amazon Web Services (AWS) es un proveedor de computación en la nube que ofrece muchos servicios diferentes. AWS proporciona estos servicios a los clientes bajo demanda, lo que significa que AWS pone su infraestructura y recursos informáticos en la nube a disposición de los clientes cuando sea necesario. Esta es una opción popular para las organizaciones, ya que pueden descargar algunas o todas sus operaciones de TI, incluidas las operaciones de IA, a un tercero.  Algunos ejemplos de servicios que se incluyen en la categoría de IA de AWS son: - Amazon SageMaker: un servicio de aprendizaje automático y aprendizaje profundo administrado que admite plataformas como PyTorch y TensorFlow™. - Amazon Forecast: un servicio de aprendizaje automático para el modelado predictivo. - Amazon Comprehend: un servicio de análisis de texto. - Amazon Lex: un servicio para crear chatbots. - Amazon Polly: un convertidor inteligente de texto a voz. - Amazon Transcribe: un convertidor inteligente de voz a texto. - Amazon Rekognition: un servicio para analizar imágenes y video. - AWS DeepRacer: un coche de carreras de juego autónomo y el entorno en la nube que lo acompaña para entrenar el coche de carreras mediante el aprendizaje por refuerzo. Esta es principalmente una herramienta de enseñanza para aquellos nuevos en el aprendizaje automático.
Microsoft® Azure® IA	Al igual que AWS, Microsoft Azure es un servicio de computación en la nube bajo demanda. Si bien AWS ha mantenido la cuota de mercado en este sector durante varios años, a partir de 2019, Azure está empezando a rivalizar con AWS. Algunos servicios que forman parte de la plataforma Azure AI incluyen: - Azure Machine Learning: un servicio de aprendizaje automático y aprendizaje profundo administrado que admite plataformas como scikit-learn, PyTorch y TensorFlow. - Azure Databricks: un servicio que se integra con Apache Spark para la informática en clúster, al tiempo que admite muchas de las bibliotecas de aprendizaje automático de código abierto descritas anteriormente. - Cognitive Services: una colección de servicios de visión artificial y PLN para comprender y procesar voz y texto, así como para identificar y subtitular imágenes y videos. - Búsqueda de Azure: un servicio que aprovecha el PLN y la visión artificial para proporcionar búsquedas impulsadas por IA. - Azure Bot Service: un servicio para crear chatbots.
Google Cloud™ AI	Google Cloud es el tercero de los tres principales proveedores de computación en la nube bajo demanda. Aunque no tiene la misma cuota de mercado que AWS o Microsoft Azure, Google ofrece una sólida cartera de IA de sus servicios en la nube. Ejemplos de algunos de esos servicios incluyen: - AI Hub: un repositorio central para compartir contenido de IA de forma privada dentro de una organización. - Plataforma de IA: una colección de herramientas que ayudan a los profesionales del aprendizaje automático a diseñar, crear e implementar proyectos de IA. - Cloud AutoML: un servicio administrado para principiantes para entrenar modelos de aprendizaje automático. Google normalmente ofrece versiones autoML de sus diversos servicios de IA, además de las API estándar que incluyen modelos previamente entrenados. - Lenguaje natural en la nube: una colección de servicios de PLN para comprender y procesar voz y texto. - Cloud Text-to-Speech y Cloud Speech-to-Text: servicios de conversión que aprovechan el aprendizaje automático. - Vision AI: un servicio para la detección y clasificación de objetos en imágenes. - Video Intelligence: un servicio para la detección y clasificación de objetos en video.
MATLAB®	MATLAB (laboratorio de matrices), desarrollado por MathWorks, es un entorno de computación numérica y lenguaje de programación que admite la manipulación de matrices, visualización, implementación de algoritmos y la creación de interfaces de usuario. Los programas desarrollados en MATLAB pueden interactuar con programas escritos en otros lenguajes como Python, C++, C#, Java y Fortran.
Mathematica®	Mathematica, desarrollado por Wolfram Research, proporciona un entorno informático técnico y lenguaje de programación que admite la ciencia de datos, el aprendizaje automático, las redes neuronales, el procesamiento de imágenes y muchas otras funciones informáticas. El programa incluye un backend o kernel de procesamiento que los usuarios programan a través de herramientas proporcionadas en la interfaz de usuario, utilizando Wolfram Language.
Tableau®	Tableau como herramienta de análisis y visualización de datos que proporciona capacidades para la preparación de datos, el descubrimiento de datos, la visualización, los paneles interactivos y la publicación de resultados en línea.
Power BI®	Power BI, desarrollado por Microsoft, es un servicio de análisis empresarial que proporciona funcionalidades de almacenamiento de datos que incluyen preparación de datos, detección de datos, visualización y paneles interactivos, a los que los usuarios pueden tener acceso a través de una interfaz de usuario local denominada Power BI Desktop.

Herramientas adicionales de IA de Google

Constantemente se añaden nuevas herramientas y tecnologías a la caja de herramientas de IA/AA. Las nuevas capacidades tienen el potencial de acelerar masivamente ciertos tipos de soluciones de aprendizaje automático, particularmente aquellas que simulan la naturaleza.

Para los profesionales de IA, las nuevas herramientas y tecnologías pueden ser una espada de doble filo. Proporcionan herramientas adicionales para preparar conjuntos de datos, resolver problemas y presentar resultados. Y aunque pueden facilitar algunas tareas, pueden aumentar los requisitos de hardware y agregar complejidad a los proyectos.

Para obtener resultados coherentes y garantizar que el código se compile y ejecute correctamente, debe asegurarse de que todos en el equipo usen las mismas versiones de software. Si una persona utiliza funciones de una biblioteca de software determinada, otros miembros del equipo deberán asegurarse de tener la misma biblioteca instalada en sus equipos de desarrollo.

Como se explicó anteriormente, el entrenamiento de modelos de aprendizaje automático requiere el procesamiento de una gran cantidad de datos. Dependiendo de la complejidad de los datos y el algoritmo, el entrenamiento requiere mucho tiempo de procesamiento y memoria del computador. La elección del entorno de hardware adecuado afectará significativamente a la rapidez con la que puede entrenar un modelo. Algunos de los principales factores que componen estos entornos incluyen:

Para reducir la cantidad de tiempo necesario para ejecutar un algoritmo de entrenamiento, es posible que necesite escalar verticalmente el hardware o agregar más recursos para satisfacer la demanda. En algunos casos, puede escalar verticalmente adecuadamente agregando más procesadores a un único computador. Al escalar en cantidades relativamente pequeñas, un único computador puede ser realmente más rápido que varios computadores porque evita los retrasos causados por las redes.

Sin embargo, para un escalamiento masivo, se necesitan varias máquinas. La paralelización le permite escalar verticalmente el rendimiento de su entorno de aprendizaje automático dividiendo las tareas entre varios procesadores. Esto implica establecer una configuración de hardware con más procesadores y memoria, proporcionar el software y la configuración adecuados para admitirlos y usar algoritmos de aprendizaje automático que puedan dividir las tareas de computación en varias subtareas que luego se pueden delegar a varios procesadores que se ejecutan en paralelo.

La paralelización puede reducir significativamente el tiempo necesario para ejecutar un algoritmo de entrenamiento; por ejemplo, de varias semanas a solo unas pocas horas en algunos casos. Esto ahorra tiempo, lo que hace que sea más práctico experimentar con varios modelos. Esto permite volver a entrenar los modelos con datos nuevos con más frecuencia. Agregar potencia de procesamiento a través de la paralelización también hace que sea más práctico ajustar con precisión sus modelos, lo que le permite alcanzar niveles de rendimiento que, de otro modo, tardarían demasiado tiempo en entrenarse.

Los entornos de software utilizados para los proyectos de aprendizaje automático a menudo se ensamblan a partir de cientos de componentes diferentes, incluida una plataforma host (como Linux^® o Windows^®), un entorno de programación (como Python o R), repositorios de datos en línea y servicios en la nube, y bibliotecas de software utilizadas para realizar diferentes tipos de tareas (como pandas, scikit-learn y Matplotlib). Estas bibliotecas de software, en particular, pueden tener muchas interdependencias que pueden afectar a si sus proyectos se ejecutarán o no y los resultados que producen. Documente cuidadosamente las herramientas y versiones que utiliza el modelo, para que usted (o cualquier persona que herede su proyecto) pueda reconstruir el entorno correcto más adelante, si es necesario.

Python es un lenguaje de programación interpretado de alto nivel, orientado a objetos con una sintaxis fácil de aprender, cerca del inglés, que enfatiza la legibilidad. Su baja curva de aprendizaje y la facilidad de uso hacen que el mantenimiento de programas basados en Python sea más fácil y menos costoso, y admite una variedad de módulos y paquetes para su uso en ciencia de datos, IA y AA.

Python 3 es la última versión principal del lenguaje. Python 3.9.0 se lanzó a finales de 2020 y se actualiza constantemente.

Dado que Python es un lenguaje de programación de uso general, puede usarlo para desarrollar muchos tipos diferentes de aplicaciones, entre las que se incluyen:

       - Herramientas de análisis y previsión de datos

       - Inteligencia artificial

       - Aplicaciones web

       - Videojuegos

       - Aplicaciones de audio y video

       - Aplicaciones móviles

       - Aplicaciones de redes

       - Aplicaciones científicas y matemáticas

       - Herramientas de seguridad

       - Aplicaciones educativas

Python es uno de los lenguajes de programación más populares del mundo y muchas organizaciones conocidas lo utilizan en el desarrollo de su software. Google, la Administración Nacional de Aeronáutica y del Espacio (NASA) y muchas otras han utilizado Python. Aquí encontrará una lista de aplicaciones que se han desarrollado total o parcialmente mediante Python y con las que puede estar familiarizado.

Escenario

Antes de empezar a desarrollar modelos de aprendizaje automático, debe tener un sistema en el cual trabajar. Si bien hay formas de trabajar completamente en sistemas alojados en la nube, otra opción es instalar software en sus propios computadores. Tiene muchas opciones para configurar su propia pila de software de aprendizaje automático, por lo que en algún momento deberá determinar qué software desea usar.

1. Descubra herramientas de aprendizaje automático en GitHub.