- Aprenderás a integrar tu modelo de aprendizaje automático en una aplicación
- Empezarás a codificar la integración de tu aplicación
Estas son las actividades para esta lección:
INTEGRANDO TU MODELO
A estas alturas, es de esperar que tu equipo haya
- entrenado tu modelo de IA utilizando un conjunto de datos de calidad.
- probado el modelo con datos nuevos y diversos
Pero no puedes dejarlo ahí.
Tú quieres que tu modelo tomeacción basándose en la predicción que haga.
Deberás implementar tu modelo en una aplicación para que sea útil.
ELEGIR UNA PLATAFORMA
Dependerá de la plataforma que utilices para codificar tu aplicación:
- cuál es tu plataforma preferida para programar aplicaciones móviles
- la plataforma utilizada para entrenar el modelo
A continuación se muestran las plataformas de aprendizaje automático analizadas en la Unidad 5. Haz clic en cada una para ver algunas opciones para integrar el modelo en una app.
Teachable Machine es una plataforma muy versátil. Puedes guardar tu modelo en la nube o guardarlo como un archivo, por lo que tienes muchas opciones de integración con las plataformas programación .
Este video describe cómo exportar tu modelo.
- App Inventor tiene una extensión para Teachable Machine Image Classification, contribuida por Fabiano Oliveira, que puede ser descargada e importada en el cajón de extensiones.
- Teachable Machine proporciona fragmentos de código para integrarse con Tensorflow, una biblioteca de aprendizaje automático. Ofrece 3 opciones de fragmentos de código:
- Tensorflow.js - El lenguaje Javascript te permitirá crear una página web o una aplicación web.
- Tensorflow - Lenguaje Python para crear aplicaciones web.
- Tensorflow Lite - Lenguaje Java para crear aplicaciones móviles.
Los 3 fragmentos de código te proporcionan un archivo modelo y código para copiar. Dependiendo del lenguaje, es posible que tengas que instalar bibliotecas y editores de código. Los fragmentos de código incluyen enlaces a las instrucciones.
Estos son los pasos para utilizar la opción Tensorflow.js:
- Copia el código y pégalo en un nuevo archivo de texto en blanco en tu ordenador.
- Guárdalo como index.html (o cualquier otra cosa con extensión .html).
- Abre el archivo en un navegador web. Te proporcionará una interfaz básica en la que podrás clasificar una imagen capturada con la webcam en función de tu modelo.
- Si quieres poder subir una imagen para clasificar, en lugar de la webcam, este código funciona. (Cortesía Chris Hoyean Song) Sólo asegúrate de copiar la URL de tu modelo de tu fragmento de código original a este archivo.
- Copia el código y pégalo en un nuevo archivo de texto en blanco en tu ordenador.
Las opciones Tensorflow y Tensorflow Lite requerirán una instalación diferente del software y programación bibliotecas. Consulta el sitio github para obtener más instrucciones.
Integraciones de Technovation: Python, App Inventor
Actualmente, la única integración de Machine Learning for Kids que funciona plenamente para Junior y Senior categoría es Python.
Para aprender más sobre cómo integrar tu modelo de Machine Learning for Kids en Python, prueba una de las hojas de ejercicio de esta página. Selecciona Python en el menú desplegable del Tipo de marca.
MIT App Inventor es una opción para la integración, pero no todos los tipos de conjuntos de datos funcionan plenamente. Consulte el sitio web de Machine Learning for Kids para asegurarse de que su conjunto de datos es compatible con App Inventor.
Las extensiones en App Inventor son componentes externos que añaden funcionalidad a una aplicación, pero que no forman parte de los componentes centrales de App Inventor .
Una vez que haya entrenado su modelo de imagen o sonido utilizando los sitios web clasificadores de App Inventor(imagen, sonido), utilizará una extensión en App Inventor para dar vida a su modelo en su aplicación móvil.
- Haz clic en Extensión en la Paleta del Diseñador.
- Haz clic en Importar extensión.
- Haz clic en Seleccionar archivo y elige el archivo de extensión que descargaste de la página de extensiones anterior.
- Haz clic en el botón Importar para importar la extensión y sus bloques.
También necesitas añadir un componente WebViewer a tu proyecto. Puedes encontrarlo en el cajón de Interfaz de usuario.
En el siguiente ejemplo, mostramos cómo configurar el Clasificador de Imagen, pero funciona prácticamente igual con el Clasificador de Audio, si tu modelo incluye sonidos.
Para vincular tu modelo desde el clasificador, primero descarga el modelo desde el sitio web del clasificador y, a continuación,
- Selecciona el componente PersonalImageClassifer.
- En el panel de Propiedades, haz clic en "Ninguno" en Modelo y cargue el archivo model.mdl descargado. (El archivo puede tener cualquier nombre, pero debe tener la extensión .mdl en su nombre).
- Haz clic en "Ninguno" en WebViewer y selecciona el componente WebViewer que acabas de añadir al proyecto.
Observa que la propiedad "InputMode" puede ser Video o Imagen. Si eliges video, intentará clasificar continuamente el feed video que aparece en el WebViewer. Si eliges Imagen, tendrás que añadir un componente como Camera o ImagePicker para obtener una imagen para clasificar. Seguirás necesitando el componente WebViewer para que funcione la clasificación de imágenes.
Los modelos realizados con Ximilar pueden utilizarse con una API para integrarlos en una app.
Puedes utilizar el componente Web API en Thunkable para integrar un modelo externo de una plataforma como Ximilar en una aplicación. Nota: Cubriremos las APIs en Thunkable en la siguiente unidad.
Vea la segunda parte de video de Pratham para incorporar su modelo de IA coralina de la Unidad 5 a una aplicación móvil de Thunkable .
ACTIVIDAD: INTEGRA TU MODELO DE AI
Integra basadándote en la plataforma elegida
- Revisa lo que se necesita, en tu plataforma en particular, para añadir tu modelo de IA entrenado a un proyecto.
- Crea un nuevo proyecto en la plataforma seleccionada y añade tu modelo. La forma de hacerlo dependerá del proceso de tu plataforma concreta.
- ¡Actúa! Añada componentes y código a la plataforma para que tu proyecto emprenda una acción basada en la predicción de tu modelo.
REFLEXIÓN
Has empezado a codificar la parte de acción de tu aplicación de IA. Aquí es donde puedes ver los resultados de tu modelo y lo que realmente puede hacer.
Ahora es un buen momento para revisar tu plan de Proyecto/Canvas para ver cómo está progresando tu proyecto. Es posible que desees ajustar los plazos y las tareas en función de la plataforma que estés utilizando y los pasos que necesitarás para alcanzar los objetivos de tu proyecto.
Una vez que el código funcione, es hora de volver a comprobarlo con los usuarios. Busca gente que pruebe tu aplicación y te dé su opinión.
REVISIÓN DE TÉRMINOS CLAVE
- Software - término que designa los programas o aplicaciones que se ejecutan en un ordenador o dispositivo
- Extensiones - paquetes de software que añaden funciones a programas existentes.
RECURSOS ADICIONALES
Clasificador de malvaviscos usando Teachable Machine y Coral.
Echa un vistazo a estos vídeos sobre herramientas de IA más avanzadas.
- Google Colabprogramación en Python
- DialogFlow - Parte 1 con Google AppSheets
- Dialogflow - Parte 2 y un asistente virtual
