Pero ese no es el caso. Tú mismo, como ingeniero de front-end, puedes integrar capacidades de aprendizaje automático sin tener que entrar en el bucle o aprender un nuevo conjunto de lenguajes por completo. Y cómo puedes lograrlo es con la ayuda de una gran cantidad de bibliotecas de aprendizaje automático de código abierto para Javascript que están disponibles para que las uses con tu aplicación de React.
Entonces, ya sea una de las bibliotecas de aprendizaje automático de código abierto más populares basadas en Javascript como TensorFlow.js o ONNX.js, o incluso algunos de los frameworks y bibliotecas más nuevos como Transformers.js que te permiten agregar la capacidad de modelos de aprendizaje automático muy grandes directamente en tu navegador con la ayuda de Javascript, que por supuesto puedes incluir en tu aplicación de React.
Y hay cinco razones diferentes por las que deberías ejecutar el modelo de inferencia de aprendizaje automático en React y en tus aplicaciones de front-end. Y principalmente se debe a cinco cosas. La primera es la privacidad. Cuando utilizas estos modelos basados en aprendizaje automático y ejecutas estas inferencias en el navegador mismo, eso es mucho más privado y tiene una mejor privacidad. Porque no estás haciendo la inferencia de aprendizaje automático en un servidor dedicado. Eso también es mucho menos costoso porque no tienes que mantener servidores dedicados. Por lo tanto, puedes hacer todas estas inferencias de aprendizaje automático directamente en el navegador y también obtienes un menor costo y una menor latencia.
Y el alcance y la escala con los que realmente puedes construir y servir estas aplicaciones ahora es mucho mayor. También una cosa importante a considerar aquí es que la forma en que podemos hacer esta inferencia en el navegador es con la ayuda de poder aprovechar el uso del hardware del sistema como CPU, GPU, porque todas estas bibliotecas diferentes que hemos discutido vienen con soporte para tecnologías como WebAssembly, WebGPU, que permiten mejorar el rendimiento de tus aplicaciones basadas en el navegador con la ayuda de diferentes tecnologías como WebGL o, por supuesto, con el hardware de tu sistema que se utiliza para ejecutar estas inferencias o entrenamientos directamente en el navegador. Por lo tanto, la idea es que, con la ayuda de estas bibliotecas en particular, puedes usarlas sin tener que aprender algo como Python y, de hecho, en muchos casos obtienes un mejor rendimiento con JavaScript en comparación incluso con Python en muchos de estos modelos en particular, porque están más optimizados para JavaScript y en algunos casos JavaScript es incluso más rápido.
Y una demostración que les mostraré a todos ustedes está construida con la ayuda de TensorFlow.js, que, por supuesto, es una biblioteca de aprendizaje automático de código abierto completamente disponible para que cualquiera la use, y utilizaremos un modelo de aprendizaje automático preconstruido que utilizaremos para nuestra aplicación. Por lo tanto, hay muchas aplicaciones o modelos preconstruidos que ya están disponibles con TensorFlow y de manera similar para otras bibliotecas que ya hemos cubierto, incluidas las basadas en humanos, texto, sonido y otras más. Y el que usaremos es el modelo CocoaSSIST. Por lo tanto, el modelo CocoaSSIST es un modelo muy famoso y conocido por ser capaz de clasificar tus imágenes. Así que será un paso muy sencillo. Cargaremos una imagen, cargaremos el modelo de aprendizaje automático real y obtendremos predicciones. Por ejemplo, aquí estamos prediciendo algunos perros dentro de una imagen que subimos, y obtenemos un cuadro delimitador con el resultado de la imagen clasificada y la etiqueta con la que se clasifica. Entonces, para nuestra demostración, instalaremos estos paquetes en particular. Será el propio TensorFlow.js y el modelo CocoaSSIST. Y puedes importar estos modelos directamente en React utilizando esta forma en particular. Luego cargaremos estos modelos en nuestra aplicación de React y esperaremos a que el modelo se cargue por completo. En este caso, vamos a cargar el modelo CocoaSSIST. Ahora, una vez que se haya cargado el modelo, podemos seguir adelante y escribir las predicciones para poder predecir en función de una fuente de video en particular. Así que digamos que abro mi cámara web y trato de detectar qué hay en la fuente de video y podré hacerlo muy fácilmente con la ayuda de la función de predicciones. Ahora, para comenzar con esto, veamos cómo se ve en realidad. Así que iré a mi VS Code y esta es mi aplicación de React.
Comments