Aspectos destacados y logros del cuarto trimestre de 2022

Publicado por Nari Yoon, Hee Jung, gerente de la comunidad de DevRel / Soonson Kwon, gerente del programa DevRel

Exploremos los aspectos más destacados y los logros de las vastas comunidades de Google Machine Studying durante el último trimestre de 2022. Estamos entusiasmados y agradecidos con todas las actividades de la pink world de comunidades de ML. ¡Aquí están los aspectos más destacados!

Aprendizaje automático en DevFest 2022

Cumbre de la comunidad de ML 2022

TensorFlow

gMLP: ¿Qué es y cómo usarlo en la práctica con Tensorflow y Keras? por ML GDE Radostin Cholakov (Bulgaria) demuestra los resultados de última generación en NLP y tareas de visión por computadora utilizando parámetros mucho menos entrenables que los modelos Transformer correspondientes. el tambien escribio Muestreo discreto diferenciable en TensorFlow.

Creación de un modelo de visión synthetic con TensorFlow: Parte 2 por TFUG Puno para los desarrolladores que desean profundizar en el entrenamiento de un modelo de detección de objetos en Google Colab, inspeccionar el modelo TF Lite e implementar el modelo en una aplicación de Android. ML GDE Nitin Tiwari (India) cubrió aspectos detallados para la capacitación y el despliegue de extremo a extremo de la detección de modelos de objetos.

Advenimiento del Código 2022 en TensorFlow puro (días 1-5) por ML GDE Paolo Galeone (Italia) resolviendo los rompecabezas de Creation of Code (AoC) usando solo TensorFlow. Los artículos contienen una descripción de las soluciones de los acertijos 1-5 de Creation of Code, en TensorFlow puro.

Cree archivos tensorflow-lite-select-tf-ops.aar y tensorflow-lite.aar con Colab por ML GDE George Soloupis (Grecia) guía sobre cómo puede reducir el tamaño closing del .apk de su aplicación de Android mediante la creación de archivos tensorflow-lite-select-tf-ops.aar y tensorflow-lite.aar sin la necesidad de Docker o PC private medioambiente.

Aplicación TensorFlow Lite y MediaPipe por ML GDE XuHua Hu (China) explica cómo usar TFLite para implementar un modelo ML en una aplicación en dispositivos. Compartió experiencias sobre el desarrollo de un juego de detección de movimiento con MediaPipe y cómo resolver problemas que podemos encontrarnos habitualmente.

Keras

TFX

Usha Rengaraju (India) compartió Tutoriales de TensorFlow Prolonged (TFX) (Parte 1, Parte 2, Parte 3) y los siguientes proyectos del TF: Tutorial de bosques de decisión de TensorFlow y Implementación de FT Transformer TensorFlow.

JAX/lino

Investigación de aprendizaje automático de alto rendimiento de JAX por TFUG Taipéi y ML GDE Jerry Wu (Taiwán) presentaron JAX y cómo comenzar a usar JAX para resolver problemas de aprendizaje automático.

Kaggle

Mejora de imagen con poca luz usando MirNetv2 por ML GDE Soumik Rakshit (India) demostró la tarea de mejora de imagen con poca luz.

IA en la nube

Mejor aprovisionamiento de {hardware} para experimentos de ML en GCP por ML GDE Sayak Paul (India) discutió los puntos débiles del aprovisionamiento de {hardware} (especialmente para experimentos de ML) y cómo podemos obtener un mejor aprovisionamiento de {hardware} con código usando instancias de Vertex AI Workbench y Terraform.

Modelo de serie temporal más práctico con BQML por ML GDE JeongMin Kwon (Corea) presentó BQML y el modelado de collection de tiempo y mostró algunas aplicaciones prácticas con implementaciones de BQML ARIMA+ y Python.

Investigación y ecosistema

IA en el cuidado de la salud por ML GDE Sara EL-ATEIF (Marruecos) presentó las aplicaciones de IA en el cuidado de la salud y los desafíos que enfrenta la IA en su adopción en el sistema de salud.

Mujeres en AI APAC terminaron su viaje en Membership de lectura en papel de ML. Durante 10 semanas, los participantes adquirieron conocimientos sobre investigaciones destacadas de aprendizaje automático, aprendieron las últimas técnicas y entendieron la noción de “investigación de ML” entre los ingenieros de ML. Ver su sesión aquí.

Un modelo de comprensión del lenguaje pure LaMDA para aplicaciones de diálogo por ML GDE Jerry Wu (Taiwán) presentó el concepto de comprensión del lenguaje pure (NLU) y compartió el modo de operación de LaMDA, el ajuste fino del modelo y los indicadores de medición.

Biblioteca de Python para preprocesamiento de NLP en árabe (Ruqia) por ML GDE Ruqiya Bin (Arabia Saudita) es su primera biblioteca de python para servir PNL en árabe.

Anatomía de los proyectos Capstone ML 🫀por ML GDE Sayak Paul (India) habló sobre trabajar en proyectos finales de ML que permanecerán contigo a lo largo de tu carrera. Cubrió varios temas que van desde la selección de problemas hasta el ajuste de las trampas técnicas y la presentación. Y en Mejorar como practicante de ML compartió su aprendizaje de la experiencia en el campo trabajando en varios aspectos.

Trascender las leyes de escala con 0,1 % de cómputo adicional por ML GDE Grigory Sapunov (Reino Unido) revisó un artículo reciente de Google sobre UL2R. y su publicación Descubriendo algoritmos de multiplicación de matrices más rápidos con aprendizaje por refuerzo explicó cómo funciona AlphaTensor y por qué es importante.

De vuelta en persona: indicaciones, instrucciones y el futuro de los modelos de lenguaje grande por TFUG Singapur y ML GDE Sam Witteveen (Singapur) y Martin Andrews (Singapur). Este evento cubrió los avances recientes en el campo de los modelos de lenguaje grande (LLM).

ML para producción: el arte de MLOps en TensorFlow Ecosystem con GDG Casablanca por TFUG Agadir discutió la motivación detrás del uso de MLOps y cómo puede ayudar a las organizaciones a automatizar muchos puntos débiles en el proceso de producción de ML. También cubrió las herramientas utilizadas en el ecosistema TensorFlow.