Deja de usar PowerPoint para tus presentaciones de ML y prueba esto en su lugar

Prueba esto en lugar de PowerPoint para tus presentaciones de ML.

Gradio es una manera infalible de impresionar tanto a stakeholders técnicos como no técnicos — ¿Por qué no lo están usando más científicos de datos y MLEs?

Las presentaciones de PowerPoint son aburridas.

Al menos las malas lo son.

Las malas presentaciones de PowerPoint distraen a la audiencia (que apaga sus cámaras y hace varias tareas a la vez), y permiten que los presentadores se salgan con la suya al utilizar demasiado lenguaje técnico y extenderse demasiado en el tiempo.

Entonces, ¿por qué los científicos de datos utilizan tanto PowerPoint?

• ¿Por qué el aprendizaje profundo siempre se realiza en datos de matriz? Nueva investigación de IA introduce ‘Spatial Functa’, donde desde los datos hasta la Functa se tratan como uno solo.
• La guía de campo de datos sintéticos
• Un nuevo estudio de investigación en IA presenta AttrPrompt un generador de datos de entrenamiento LLM para un nuevo paradigma en el aprendizaje de cero disparos.

En un hilo reciente de Reddit sobre este tema, los participantes que trabajan en Ciencia de Datos informaron que pasaban entre el 10% y el 60% de su tiempo creando presentaciones de diapositivas o dando presentaciones. Sé que esta estadística no es muy sólida, pero sin importar la distribución real, el sentimiento es cierto para muchos de nosotros que trabajamos en Ciencia de Datos: usamos PowerPoint, MUCHO, para mostrar desde tarjetas de modelos hasta capturas de pantalla de curvas ROC y valores de Shapley.

Te guste o no, PowerPoint es una gran parte de las pilas de Aprendizaje Automático modernas, y no va a desaparecer.

¿O sí?

En este artículo, te presentaré Gradio, una herramienta gratuita que te permite:

1. Visualizar modelos de Aprendizaje Automático a través de tu navegador o Jupyter Notebook
2. Impresionar a tus stakeholders no técnicos a través de visualizaciones interactivas y fáciles de entender
3. Probar tus modelos e identificar debilidades y la importancia de las características

No tengo ninguna afiliación con Gradio y no intento venderte nada, simplemente quiero mostrarte una herramienta que me ha funcionado bien en mi trabajo como científico de datos, ESPECIALMENTE para modelos que utilizan datos tabulares, como XGBoost.

Presentando Gradio: Una forma gratuita e interactiva de mostrar y probar tus modelos de AA

En palabras de los desarrolladores,

¡Gradio es la forma más rápida de demostrar tu modelo de aprendizaje automático con una interfaz web amigable para que cualquiera pueda usarlo, en cualquier lugar!

¿Cómo funciona esto? Es sorprendentemente simple.

¡Hola, mundo!

Primero, instala Gradio a través de pip.

pip install gradio

Luego, importa Gradio y define una función que pueda recibir una entrada. Después, envuelve tu modelo en una clase ‘gradio.Interface()’, y ¡listo!, tu modelo tendrá una interfaz amigable e interactiva que se puede integrar en un cuaderno o página web. Aquí tienes un ejemplo utilizando una función muy sencilla de “¡Hola {nombre}!”:

import gradio as grdef saludar(nombre):    return "¡Hola " + nombre + "!"demo = gr.Interface(fn=saludar, inputs="text", outputs="text")demo.launch()   

Si ejecutas eso en un Jupyter Notebook, la demostración de arriba aparecerá automáticamente en una nueva celda. Si lo ejecutas en un script, la demostración aparecerá en tu navegador en http://localhost:7860. Si quieres, también puedes “generar automáticamente un enlace público que puedes compartir con colegas para que puedan interactuar con el modelo en tu computadora de forma remota desde sus propios dispositivos” (docs).

Cómo usar Gradio con tus modelos de AA

Para poner un ejemplo un poco más complejo, digamos que teníamos un modelo de AA que pudiera reconocer imágenes dibujadas a mano. Usando Gradio, podríamos crear un bloc de dibujo que acepta la entrada del usuario…

import gradio as grdef reconocimiento_dibujo(img):    pass# Implementa aquí tu modelo de reconocimiento de dibujos...gr.Interface(fn=reconocimiento_dibujo, inputs="sketchpad", outputs="label").launch()

… dándonos una forma genial de dibujar bocetos, pasarlos al modelo y demostrar el modelo en tiempo real:

Nota: para mantener este artículo en una longitud manejable, no incluyo detalles sobre el modelo en sí; si estás buscando modelos, es posible que desees consultar HuggingFace, un gran repositorio de modelos pre-entrenados que se pueden cargar fácilmente en un cuaderno Jupyter o en un script de Python y usar con Gradio.

Con solo unas pocas líneas de código, Gradio facilita mostrar tus modelos de una manera interactiva que cualquiera pueda entender. Piensa en las posibilidades en tu equipo: ¿qué tan fácil podría ser mostrar tus modelos a tu equipo o a las partes interesadas?

Si te gusta esta historia, significaría mucho para mí si haces clic en mi botón de “Seguir” – ¡solo el 1% de mis lectores lo hacen! Gracias por leer.

¿Qué hay de XGBoost?

Sí, sí, lo sé – está muy bien hacer una demostración con un modelo de reconocimiento de imágenes sofisticado, pero en realidad XGBoost a menudo reina supremo en los equipos de Ciencia de Datos del mundo real.

Bueno, si eso es lo que estás pensando, tengo buenas noticias para ti: Gradio funciona con todo tipo de modelos, incluidos los modelos diseñados para datos tabulares, como XGBoost.

Aquí tienes un ejemplo de un modelo XGBoost que predice los ingresos de las personas, mostrado a través de Gradio:

Como puedes ver, Gradio permite interactuar con el modelo ajustando los interruptores y los deslizadores y ver cómo afectan estas acciones a las predicciones. ¡Incluso puedes usar los valores de Shapley para ver la importancia de diferentes características en la determinación de las predicciones del modelo!

¿Cómo uso Gradio?

Gradio nunca va a reemplazar los métodos tradicionales de prueba y evaluación de modelos (por ejemplo, informes de clasificación y el uso de un conjunto de datos de prueba adecuado), pero encuentro que es útil para dos cosas en mi trabajo diario:

1. Explicar modelos a partes interesadas no técnicas – Gradio me ayuda a responder preguntas ad hoc de las partes interesadas como “¿qué sucedería con las predicciones del modelo si cambiamos esta variable?” Además, no necesitas un doctorado en IA para jugar con los interruptores, por lo que todos pueden probar el modelo y construir su propia comprensión de cómo funciona, independientemente de si tienen o no experiencia técnica o saben cómo programar.
2. Probar mis modelos – Gradio te permite consultar tus modelos en tiempo real, poner a prueba tus hipótesis e identificar rápidamente debilidades ocultas en tu modelo (por ejemplo, encontrar comportamientos inesperados). Es una alternativa más rápida a las pruebas por lotes y, lo más importante, democratiza el proceso de prueba. Usando Gradio, no necesitas depender de un único Científico de Datos para ejecutar pruebas por lotes en un cuaderno, solo tienes que alojar tu modelo públicamente (por ejemplo, en HuggingFace Spaces), compartir el enlace al modelo y todos en tu equipo pueden participar y probar el modelo.

¿Es Gradio el asesino profetizado de PowerPoint?

No, no lo es, pero ese no es realmente el punto.

La versatilidad de PowerPoint significa que una herramienta limitada como Gradio no puede ser un reemplazo completo. Además, si se utiliza correctamente, PowerPoint puede ser una forma increíblemente efectiva de mostrar partes del ciclo de vida de ML, como tarjetas de modelos y casos de negocio.

PERO para otras partes del ciclo de vida de ML (como mostrar la importancia de las características y los resultados del modelo), PowerPoint no siempre funciona muy bien, y es posible que encuentres que Gradio ayuda a solucionar algunas de sus debilidades y evita que tu audiencia se quede dormida durante las presentaciones.

Entonces, si eres un científico de datos o MLE que encuentra que PowerPoint es aburrido o ineficaz, ¿por qué no probar Gradio? Sin duda, me ha sido de gran ayuda.

Una cosa más, ¿podrías estar en mi 1%?

Menos del 1% de mis lectores en Zepes hacen clic en mi botón ‘Seguir’, así que realmente significa mucho cuando lo haces, ya sea aquí en Zepes, Twitter o LinkedIn. ¡Gracias por leer!

We will continue to update Zepes; if you have any questions or suggestions, please contact us!