Machine Learning y reconocimiento de imágenes con MachineBox

Machine Learning es una palabra de moda :)

Aprendizaje automático, su traducción al castellano, no tiene tanto gancho.

Lo que si te gustará es conocer MachineBox.

Y lo vas a probar en cuestión de minutos.

Sin instalar nada en tu ordenador, date el lujo de jugar con el Machine Learning sin tener que entender todo el funcionamiento de un sistema tan complejo.

Machine Learning y reconocimiento de imágenes con MachineBox en vídeo ¶

Puedes verlo aquí con esta demo de reconocimiento facial:

Suscríbete a mi canal de YouTube

¿Qué es MachineBox? ¶

MachineBox es un conjunto de máquinas virtuales que se instalan como contenedores Docker, cada uno con una función específica.

Así se convierten en fáciles de desplegar, escalables y, gracias a que todo está expuesto en forma de API, integrable con tu proyecto o software.

Eso si, no es gratuito. Si tiene una modalidad FREE para probar con tranquilidad aunque sea con limitaciones. Las versiones de pago pueden ayudarte a resolver muchos problemas, de ahí su coste algo elevado.

Características de las máquinas de Machine Learning ¶

Todas las “boxes” de MachineBox tienen características similares:

• Utilizan una imagen de Docker que se instala en tu sistema. Necesita una clave de funcionamiento que te facilitan en las instrucciones de instalación.
• Al estar todo “containerizado” es más fácil de actualizar, desplegar y mantener.
• Todas las “boxes” tienen una interfaz web a modo de documentación y pruebas.
• El funcionamiento propuesto es mediante una API, perfectamente documentada, para integrarlo en tu aplicación.
• Las máquinas necesitan ser entrenadas para mejorar sus resultados.
• Incluyen datos de prueba para ver resultados de forma inminente.

Tipos de “boxes” de MachineBox ¶

Facebox

Reconocimiento facial. Es la que te explico en el vídeo que acompaña este texto.

En los ejemplos aparecen caras de los Beatles, con los que esta caja está ya entrenada.

El proceso es similar al resto de máquinas de MachineBox. Entrenas al sistema con fotos de las personas que quieres reconocer, con una imagen y su nombre. Luego puedes detectar esas caras en fotografías con más personas. Además la respuesta te colocará el lugar exacto de las caras, estén estas identificadas o no.

Tagbox

En este caso reconoce objetos en la fotografía. Conceptos a los que llama etiquetas o tags.

Aparece el índice de correspondencia del análisis, esta vez sin ser necesario entrenamiento previo. Incluso te permite hacer una instrucción sobre conceptos propios para que los identifique (por ejemplo, la imagen de tu marca).

Nudebox

Detecta desnudos en las imágenes. Así de fácil y sencillo y de útil para aplicaciones que incluyen la publicación de fotografías por parte de usuarios.

Videobox

Imagínate las tres cajas anteriores y ahora haz que funcionen a lo largo de todo un vídeo. Podrás detectar caras, etiquetar objetos y averigüar si el vídeo incluye algún desnudo. Tecnologías como las de Instragram o YouTube a tu alcance.

Suggestionbox

Es la última en incorporarse. Primero se crea un modelo para que luego sirva como ejemplo. De esta forma el usuario podrá, por ejemplo, recibir recomendaciones de contenido en base a un modelo de categorías.

Textbox

Procesamiento de lenguaje natural. Detectar en los textos palabras, verbos, sujetos, adjetivos, lugares…

Lo he probado para el castellano y no funcionaba con la precisión necesaria. Probablemente opciones como DialogFlow sean mejores para estos menesteres.

Fakebox

Promete detectar noticias falsas. Esto sería en si mismo un producto que se podría explotar, dado que uno de los problemas de intoxicación de la red viene dado por las noticias ficticias que no siempre son fáciles de comprobar.

Colofón ¶

Sin duda se trata de una gran herramienta. Y por primera vez en mucho tiempo no sé exactamente en qué está programado, dado que va dentro del contenedor docker y no he revisado su funcionalidad. Probablemente sea Go el artífice del funcionamiento.

Prueba la instalación que puedes ver en el vídeo y saca tus propias conclusiones.

Nos leemos en el próximo artículo.