937 0
937 0

Con este framework, iOS 11 y macOS 10.13 High Sierra (además, de hecho, de tvOS 11 y watchOS 4), alcanzan cierto nivel de inteligencia artificial al poder ser capaces de predecir ciertas circunstancias basándose en, primero, datos suministrados por el desarrollador y luego datos suministrados por el entorno una vez la aplicación se está ejecutando. Vamos a ver cómo funciona, explicada para personas, esta característica.

Con Core ML es factible introducir dentro de una aplicación cierto nivel de inteligencia artificial al permitir que una aplicación aprenda de su entorno basándose en dos cosas: los datos que se le suministren y un algoritmo de aprendizaje. Inicialmente el desarrollador debe suministrar al algoritmo a través del framework una serie de datos de referencia para que a partir de ese punto sea factible poder realizar predicciones. Es lo que se llama un trained model (modelo entrenado) que es la base de una característica de inteligencia artificial incluida en una aplicación.

¿Cómo usar esta característica? imagina que estás desarrollando una aplicación que gestiona precios en Amazon y debes suministrarle a tu algoritmo bajo Core ML una serie de datos de referencia como el precio de un producto a lo largo del tiempo. Esto permite que se puedan enjaular esos datos y establecer predicciones de ese precio a lo largo del tiempo. Y esto suena muy interesante, porque de la misma manera que trabajas con precios de Amazon, puedes usar cualquier API para entrenar a la aplicación para que sea capaz de adivinar cuales serán los precios de habitaciones de hotel, vuelos, cualquier producto que se venda online de hecho y con el tiempo y con los suficientes datos, establecer predicciones de cuando el precio será mejor, más alto, más bajo. Si a esto sumamos otras características, los datos serán aún más precisos, como por ejemplo, la capacidad de determinar el precio de una casa basándose en la ubicación geográfica y los precios de las casas cercanas, el número de habitaciones, la cantidad de baños o datos relativos al entorno como la cantidad de servicios disponibles en un radio determinado, el transporte público, etc.

Seguramente más de un desarrollador se estará frotando las manos en este momento porque es ahora donde se empieza a ver las capacidades de Core ML al poder establecer de forma automática predicciones directamente dentro del propio dispositivo del usuario sin tener que sacar esos datos fuera del mismo, procesarlos en servidores externos (desplegando una estructura para los mismos) y luego devolviéndolos al dispositivo para que sean mostrados.

Al respecto de los datos que puedes tratar con Core ML, este framework soporta Vision para análisis de imagen, Foundation para procesamiento de lenguaje natural y GameplayKit para evaluar el aprendizaje en árboles de decisiones.

Core ML está optimizado para su ejecución en un dispositivo, por lo que intenta minimizar su consumo de memoria y de energía. Adicionalmente, esta forma de ejecutar el aprendizaje desde dentro del dispositivo ayuda a preservar la privacidad del usuario al evita la transferencia de información y permite a las aplicaciones ser funcionales incluso cuando no hay conexión a internet.

De nuevo, la capacidad de Core ML, vista desde una perspectiva general, es la de predecir y cuantos más datos tenga, más aprenderá y sus predicciones serán más precisas. Esto se aplica a muchas cosas y tiene muchas posibilidades en muchas aplicaciones: por ejemplo, en aplicaciones de productividad, analizando nuestras listas de tareas, una aplicación será capaz de predecir tareas repetitivas y colocar directamente esas tareas en fechas determinadas o recordarnos las mismas y en general, cualquier aplicación en cualquier entorno podrá aprender de nuestras decisiones para adaptarse a nuestras necesidades de forma mucho más personal e inmediata conforme le vayamos suministrando más y más datos que  le permitan crear un modelo de predicción más preciso.

In this article


Join the Conversation