Google Developers: enero 2020

Anunciamos la convocatoria para registro a Google for Startups Accelerator Latinoamérica - 2020 Spring

viernes, 31 de enero de 2020

BBVA Open Innovation México y Colombia se integran como aliados de Google y Centraal para la primera edición 2020 del programa.

10 nuevas startups de Latinoamérica tendrán la oportunidad de sumarse al selecto grupo de alumni, en los que encuentran startups como; Ben & Frank, Conekta, Ualá, Platzi, Konfio, La Haus, Kichink, Compara Online, Tienda Nube, y Miroculus, entre otros.

Enero 2020. El ecosistema emprendedor en América Latina ha crecido exponencialmente en los últimos años. Pero a medida que aparecen nuevos desafíos, y las oportunidades de mejora de productos y negocios permanecen sin explorar, seguimos comprometidos a llevar a las startups de la región al siguiente nivel.

Hoy tenemos el gusto de anunciar la apertura del registro para Google for Startups Accelerator (Launchpad Accelerator), la convocatoria estará abierta del 27 de Enero al 26 de Febrero, y las startups elegidas se darán a conocer a finales de Marzo.

Google for Startups Accelerator Latinoamérica, se enfoca en ayudar a emprendimientos de todo Hispanoamérica a crear productos y tecnologías atractivas, escalables e impactantes. Este programa se ha llevado a cabo en diversas partes del mundo como EE.UU. (San Francisco), Israel (Tel Aviv), Nigeria (Lagos), y Brasil (Sao Paulo); y por tercera ocasión llega a Latinoamérica basado en Ciudad de México, Buenos Aires y Bogotá, que serán las sedes para cada fase del programa.

En Google hemos trabajado con startups alrededor del mundo y hemos identificado algunos de los retos más importantes que enfrentan los emprendedores. A través de nuestro programa aportamos el conocimiento y experiencia de Google, nuestras metodologías, además de una amplia red de expertos y mentores en negocios, recursos humanos, habilidades gerenciales, UX/UI, tecnología y marketing, entre otros aspectos clave en el día a día de un startup. El resultado es un programa que aporta a los emprendedores herramientas para escalar sus productos globalmente.

El programa no tiene costo para los emprendedores y se desarrolla en tres meses en varias ciudades y ecosistemas de América Latina. Realizaremos nuestras sesiones de trabajo, estilo bootcamp con mentorías uno-a-uno, talleres y charlas.

Google for Startups Accelerator ha contado en ediciones anteriores con la participación de un selecto grupo de startups latinoamericanas tales como, Ben & Frank, Conekta, Ualá, Platzi, Konfio, La Haus, Kichink, ComparaOnline, Tienda Nube, Miroculus, entres otras.

Estos son los requisitos y características que buscamos en startups que quieran participar en Google for Startups Accelerator:

Startups en series A/B, en etapa de crecimiento y con producto funcionando, un modelo de negocio validado y estar trabajando en el ajuste y tracción de producto-mercado.

Dos o más co-founders y equipo de ingeniería/producto sólidos y de tiempo completo. Durante el programa, al menos un founder o C-level con disponibilidad para viajar y participar en todas las actividades, principalmente durante los bootcamps.

El contenido del programa y varias sesiones de mentoría ocurren en inglés.

Tecnología o propiedad intelectual adecuadas para su negocio y que utilice o pueda apalancarse de machine learning e inteligencia artificial (ML/AI)

Con equipos inclusivos, diversos y cuyos productos o servicios generan un impacto positivo en su país y/o la región.

Las inscripciones para Google for Startups Accelerator están abiertas en el siguiente link, disponible hasta el 26 de febrero de 2020. Las 10 startups seleccionadas se anunciarán a finales de marzo para comenzar a trabajar con Google y los bootcamps se llevarán a cabo de la siguiente manera:

Ciudad de México, México - abril 2020

Buenos Aires, Argentina - mayo 2020

Bogotá, Colombia - junio 2020

***

Acerca de Google for Startups Accelerator LATAM

Google for Startups Accelerator es la evolución de más de seis años de experiencia del equipo Google Developers trabajando con startups en más de 40 países, a través de su programa Launchpad. GFS Accelerator incluye una programación de vanguardia en temas cruciales, acercando emprendedores y startups a distintos expertos de Google, así como a la red de aliados y colaboradores en la región: fondos de inversión, aceleradoras y empresas.

GFS Accelerator LATAM se ejecuta en conjunto con aliados estratégicos en diferentes países, BBVA Open Space Mexico, BBVA Open Space Colombia y Centraal México. Así como decenas de profesionales que conforman nuestra selecta red de mentores y aliados.

Publicado por Francisco Solsona, Gerente de Relaciones con Desarrolladores para Google Hispanoamérica.

Cómo crear una Web más privada: medidas para dejar de usar las cookies de terceros

viernes, 24 de enero de 2020

En agosto, anunciamos una nueva iniciativa (conocida como Privacy Sandbox) para desarrollar un conjunto de estándares abiertos con el objetivo fundamental de mejorar la privacidad en la Web. Nuestro objetivo con esta iniciativa de código abierto es lograr que la Web sea más privada y segura para los usuarios y, al mismo tiempo, apoyar a los publicadores. Hoy, queremos contarte novedades sobre nuestros planes y pedirte ayuda para aumentar la privacidad de la navegación web.
Después de conversar con la comunidad web, estamos seguros de que con iteración y comentarios continuos, la preservación de la privacidad y los mecanismos de código abierto (como Privacy Sandbox) permiten lograr una Web estable sustentada mediante anuncios que deje obsoletas a las cookies de terceros. Una vez que estos enfoques hayan abordado las necesidades de usuarios, publicadores y anunciantes, y que hayamos desarrollado las herramientas para mitigar las soluciones alternativas, tenemos previsto quitar paulatinamente la compatibilidad con las cookies de terceros en Chrome. Nuestra intención es hacerlo dentro de los próximos dos años. Sin embargo, no podemos lograrlo por cuentra propia. Por eso, necesitamos que el ecosistema participe en estas propuestas. Tenemos previsto comenzar las primeras pruebas de origen a finales de este año. Iniciaremos con la medida de conversión y continuaremos con la personalización.

Los usuarios exigen más privacidad, lo que incluye transparencia, capacidad de elección y control sobre cómo se utilizan sus datos, y es evidente que el ecosistema web necesita evolucionar para cumplir con estas demandas cada vez mayores. Como respuesta, algunos navegadores bloquearon las cookies de terceros. Sin embargo, crreemos que esta medida tiene consecuencias no intencionales que pueden afectar tanto a los usuarios como al ecosistema web. Al perjudicar el modelo de negocios de muchos sitios web sustentados mediante anuncios, los enfoques drásticos respecto a las cookies fomentan el uso de técnicas poco transparentes, como la captura de huellas digitales, que pueden reducir el control y la privacidad del usuario. Creemos que como comunidad podemos, y debemos, mejorar.

Afortunadamente, recibimos comentarios positivos en foros como W3C que destacan que los mecanismos subyacentes de Privacy Sandbox representan casos de uso clave y están orientados en la dirección correcta. Estos comentarios, y las propuestas relacionadas de otros participantes de estándares, nos dan la confianza de que las soluciones en este ámbito pueden funcionar. Además, nuestra experiencia en el trabajo con la comunidad de estándares para crear alternativas y dejar de utilizar paulatinamente Flash y NPAPI demostró que podemos trabajar en conjunto para resolver desafíos complejos.

Continuaremos trabajando para que las tecnologías web actuales sean más seguras y privadas. Como ya anunciamos anteriormente, Chrome limitará el seguimiento cross-site, o de terceros, inseguro a partir de febrero. Para ello, solo tratará como cookies propias a aquellas que no incluyan una etiqueta SameSite, y requerirá que el acceso a las cookies etiquetadas para uso de terceros se haga a través de HTTPS. De esta manera, las cookies de terceros serán más seguras y los usuarios tendrán controles más precisos de las cookies del navegador. Al mismo tiempo, estamos desarrollando técnicas para detectar y mitigar el seguimiento y las soluciones anternativas ocultas. Para ello, lanzaremos nuevas medidas en contra de la toma de huellas digitales a fin de desalentar este tipo de técnicas intrusivas y engañosas. Esperamos lanzarlas más adelante este año.

Trabajamos activamente en el ecosistema a fin de que los navegadores, publicadores, desarrolladores y anunciantes tengan la oportunidad de experimentar con estos nuevos mecanismos, probar si funcionan bien en varias situaciones, y desarrollar implementaciones compatibles, como la selección y medición de anuncios, la prevención de denegación del servicio (DoS), las medidas en contra de spam y fraude, y la autenticación federada.

Queremos crear una Web más confiable y sostenible en conjunto, y necesitamos tu participación continua para lograrlo. Te invitamos a enviarnos tus comentarios sobre las propuestas de la comunidad de estándares web a través de GitHub y de garantizar que satisfagan tus necesidades. Si no es así, informa los problemas a través de GitHub o envía un correo electrónico al grupo de W3C. Si tu negocio depende de la Web, asegúrate de que tus proveedores de tecnología participen en este proceso y comparte tus comentarios con los grupos de comercio que representen tus intereses.

Seguiremos comunicando sobre el progreso de nuestras iniciativas para aumentar la privacidad de la navegación web.

Publicado por Justin Schuh. Director, Ingeniería de Chrome

Wombat Dressing Room, un proxy de publicación de npm en GCP

miércoles, 22 de enero de 2020

Wombat Dressing RoomWombat Dressing Room

A menudo, se sacrifican algunos aspectos en pos de la automatización

npm tiene funciones de seguridad de primer nivel: tokens con restricción de rango CIDR, notificaciones de publicación y autenticación en dos pasos, entre otras. De esas funciones, la autenticación en dos pasos es fundamental para proteger las publicaciones.

La autenticación en dos pasos exige que proporciones dos datos cada vez que accedas a un recurso protegido: "algo que sabes" (por ejemplo, una contraseña) y "algo que tienes" (por ejemplo, un código de una app de autenticación). Con la autenticación en dos pasos, incluso si se vulnera tu contraseña, los atacantes no pueden publicar paquetes malintencionados (a menos que también roben ese "algo que tienes").

En mi equipo, un grupo pequeño de desarrolladores administra más de 75 bibliotecas Node.js. Creemos que la automatización es fundamental para el proceso: hemos programado herramientas que automatizan los lanzamientos, validan los encabezados de licencia, garantizan que los colaboradores hayan firmado acuerdos de licencia de colaboradores, etcétera. ¡Somos partidarios de la filosofía de automatizar todo!

Es difícil automatizar el paso de ingresar un código tomado de un teléfono celular. Por esa razón, muchos prefieren desactivar la autenticación en dos pasos en su automatización.

¿Y si fuera posible tener automatización y la seguridad adicional de la autenticación en dos pasos? Esa es la razón por la que desarrollamos Wombat Dressing Room.

Un nuevo enfoque para la automatización

Con Wombat Dressing Room, en lugar de que una persona configure la autenticación en dos pasos en una app de autenticación, la autenticación en dos pasos es administrada por un servidor proxy compartido. Las publicaciones se dirigen al proxy de Wombat Dressing Room, que ofrece las siguientes funciones de seguridad:

Tokens de publicación por paquete.

Wombat Dressing Room puede generar tokens de autenticación vinculados a repositorios de GitHub. Esos tokens están atados a un solo repositorio de GitHub, para el que el usuario que genera el token debe tener permisos push.

Si el token por paquete de una publicación se filtra, un atacante solo podría tomar el control del único paquete asociado al token.

Tokens de duración limitada

Wombat Dressing Room también puede generar tokens con una validez de 24 horas. Con este modelo, un token filtrado dejar de ser vulnerable una vez alcanzado el límite de 24 horas.

Lanzamientos de GitHub como autenticación en dos pasos

Con este modelo de autenticación, un paquete solo puede publicarse en npm si hay un lanzamiento de GitHub con la etiqueta correspondiente en GitHub.

Esto incorpora un "segundo paso" real, ya que los usuarios deben demostrar que tienen acceso a Wombat Dressing Room y al repositorio de GitHub.

Primeros pasos con Wombat Dressing Room

Usamos Wombat Dressing Room hace más de un año para administrar las bibliotecas del cliente de Google Cloud en nuestro proceso totalmente automatizado de lanzamiento de bibliotecas. A partir de hoy, el código está disponible para todos los usuarios de GitHub con una licencia Apache 2.0.

Wombat Dressing Room se ejecuta en Google App Engine, y puedes encontrar instrucciones para configurarlo en su README.md.

Espero que esto ayude a otros miembros de la comunidad a simplificar y automatizar su proceso de lanzamiento sin dejar de minimizar la superficie de ataque de sus bibliotecas.

Por Benjamin Coe, que trabaja en las bibliotecas del cliente Node.js de Google Cloud Platform y fue el tercer ingeniero en npm, Inc.

Google Research: Repasamos 2019 y avanzamos hacia 2020 y el futuro

martes, 21 de enero de 2020

Publicado por Jeff Dean, miembro sénior y vicepresidente sénior de Google Research and Health, en nombre de toda la comunidad de Google ResearchGoogle Research201820172016publicaciones de investigación de 2019Uso ético de la IAPrincipios de IAactualización anual

Publicamos un artículo de investigación sobre una nueva herramienta de transparencia, que habilitó el lanzamiento de Model Cards para varios de nuestros productos de IA de Cloud. Consulta esta tarjeta de modelo de ejemplo para la función "Detección de objetos" de la API de AI Vision de Cloud.

Mostramos cómo Activation Atlases puede ayudar a explorar el comportamiento de redes neuronales y asistir en la interpretabilidad de modelos de aprendizaje automático.

Presentamos TensorFlow Privacy, una biblioteca de código abierto que permite entrenar modelos de aprendizaje automático con garantías de privacidad diferencial.

Lanzamos una versión Beta de Fairness Indicators para ayudar a practicantes de aprendizaje automático a identificar impactos injustos o no intencionales en sus modelos.

Hacer clic en una porción de Fairness Indicators cargará todos los puntos de datos de esa porción en el widget de la herramienta What-If. En este caso, se muestran todos los puntos de datos con la etiqueta "female".

Publicamos un artículo de KDD'19 sobre cómo se incorporaron comparaciones de pares y regularización en el sistema recomendador de producción a gran escala para mejorar la legitimidad del aprendizaje automático.

Publicamos un artículo de AIES'19 sobre un caso de éxito de aplicación de legitimidad en la investigación de aprendizaje automático en un sistema de clasificación de producción y describimos nuestra métrica de legitimidad, "igualdad condicional", que tiene en cuenta las diferencias de distribución en la implementación de igualdad de oportunidades.

Publicamos un artículo de AIES'19 sobre la legitimidad basada en los hechos en problemas de clasificación de texto que plantea la pregunta "¿Cómo cambiaría la predicción si el atributo sensible al que se hace referencia en el ejemplo fuera diferente?" y usa este enfoque para mejorar los sistemas de producción que evalúan la toxicidad del contenido en línea.

Publicamos un nuevo conjunto de datos para mejorar la investigación sobre identificación de ultrafalsos.

Muestra de videos sobre la contribución de Google en la comparativa FaceForensics. Para generarlos, se seleccionaron pares de actores al azar, y redes neuronales profundas intercambiaron sus caras.

IA para beneficencia socialLas inundaciones son el desastre natural más común y peligroso del planetaaprendizaje automático, procesamiento y mejores fuentes de datos, logramos mejorar de manera significativa la predicción de inundacionestaller que reunió a investigadores expertos en predicción de inundaciones, hidrología y aprendizaje automático

usar el aprendizaje automático en el análisis de datos sobre vida salvaje tomados con cámarasNOAAidentificar especies de ballenas y localizarlascreamos y lanzamos una serie de herramientas que permiten realizar nuevos tipos de investigaciones sobre biodiversidad mediante aprendizaje automático6.º taller de categorización visual detalladogrupo de investigación relacionada con IA y ciencia de datos de Makerere Universityenfermedades de la planta de mandiocalínea de tiempo de Google Earthagregar datos sobre movilidad humana 617 millones de niños analfabetosla app de Bolo usa tecnología de reconocimiento de vozayudó a 800 000 niños a leer historiaspiloto de tres meses

app de Socraticayudar a estudiantes de secundariamétodo socráticoanunciamosImpact Challenge de IA

La Fundación Médicos sin Fronteras (MSF) está creando una aplicación para smartphones gratuita que usa herramientas de reconocimiento de imágenes para ayudar al personal médico que trabaja en entornos de bajos recursos (actualmente, se está realizando la prueba piloto en Jordania) a analizar imágenes de agentes antimicrobianos a fin de encontrar los antibióticos que deben usarse para la infección de cada paciente.

Más de mil millones de personas viven en granjas y trabajan como pequeños agricultores. Por lo tanto, incluso el ataque de una única peste puede acabar con sus cosechas y sustento. Wadhwani AI usa modelos de clasificación de imágenes para identificar pestes y brindar información oportuna sobre los pesticidas que deben usarse y en qué momento a fin de mejorar el rendimiento de las cosechas.

Por otro lado, en las selvas tropicales, donde la deforestación ilegal actúa como principal responsable del cambio climático, Rainforest Connection usa aprendizaje profundo para administrar supervisión bioacústica y teléfonos celulares antiguos para realizar el seguimiento del estado de la selva y detectar amenazas.

Los 20 ganadores del Impact Challenge de IA. Puedes obtener más información sobre el trabajo de los beneficiarios aquí.

Aplicaciones de la IA en otros campospublicamos varios artículos relacionados

En Reconstrucción interactiva, automatizada en 3D del cerebro de una mosca,informamos sobre un trabajo colaborativo que logró un hito en el mapeo de la estructura completa del cerebro de una mosca aplicando modelos de aprendizaje automático que lograron trazar cada neurona individual.

En Aprendizaje de métodos de simulación mejorados para ecuaciones en derivadas parciales, mostramos cómo puede usarse el aprendizaje automático para acelerar el cálculo de EDP, que son fundamentales para la resolución de problemas de procesamiento relacionados con climatología, dinámica de fluidos, electromagnetismo, conducción de calor y relatividad general.

Simulaciones de la ecuación de Burgers, un modelo de ondas de shock en fluidos, resueltas con un método de volumen finito estándar (izquierda) o con nuestro método basado en redes neuronales (derecha). Los cuadrados naranjas representan las simulaciones realizadas con cada método en cuadrículas de baja resolución. El modelo se retroalimenta con estos puntos en cada punto de tiempo, lo que luego predice cómo cambiarán. Las líneas azules muestran las simulaciones exactas que se usaron para el entrenamiento. La solución de la red neuronal es mucho mejor, incluso en una cuadrícula 4 veces menos detallada, como lo indican los cuadrados naranjas que definen claramente la línea azul.

Además, les dimos a los modelos de aprendizaje automático mejores ejemplos de aromas del mundo con Aprendizaje olfativo: Uso del aprendizaje profundo para predecir las propiedades olfativas de las moléculas. Mostramos cómo implementar redes neuronales gráficas (GNN) para predecir directamente los descriptores de olor de moléculas individuales sin usar reglas creadas manualmente.

Instantánea en 2D de nuestro espacio de incorporaciones, en el que se destacaron algunos ejemplos de olores. Izquierda: Cada olor tiene un espacio propio. Derecha: La naturaleza jerárquica del descriptor de olor. Las áreas sombreadas y delineadas se procesan con una estimación de la densidad kernel de las incorporaciones.

En este trabajo, que combina la química con un refuerzo de las técnicas de aprendizaje, presentamos un marco de trabajo para la optimización de moléculas.

El aprendizaje automático también puede ayudar en proyectos artísticos y creativos. Varios artistas encontraron formas de colaborar con IA y RA, y crearon interesantes manifestaciones nuevas, como el baile con una máquina para reimaginar coreografías y la creación de nuevas melodías con herramientas de aprendizaje automático. Sin embargo, los principiantes también pueden usar el aprendizaje automático. Para homenajear el nacimiento de J. S. Bach, usamos un doodle que implementaba aprendizaje automático: si el usuario creaba una melodía, la herramienta de aprendizaje automático podía crear armonías para acompañarla con el estilo de Bach.

Tecnología asistencial

Lookout ayuda a las personas ciegas o con visión reducida a identificar información sobre su entorno. Depende de una tecnología similar a la que sustenta Google Lens, que permite realizar búsquedas y acciones en torno a los objetos que rodean al usuario apuntándolos con el teléfono.

Transcripción instantánea tiene el potencial de permitir que las personas sordas o con deficiencias auditivas tengan una mayor independencia en sus interacciones diarias. Estos usuarios pueden obtener transcripciones de sus conversaciones en tiempo real, incluso aunque el discurso sea en otro idioma.

Project Euphonia realiza transcripciones de voz a texto personalizadas. Para las personas con ELA y otras condiciones que alteran o dificultan el habla, esta investigación mejora el reconocimiento automático de voz en comparación con otros modelos de ese tipo más modernos.

Al igual que Project Euphonia, Parrotron usa redes neuronales de extremo a extremo para mejorar la comunicación, aunque la investigación se centra en la conversión automática de voz a voz, en lugar de la transcripción, puesto que presenta una interfaz de voz a la que algunos usuarios quizá puedan acceder más fácilmente.

Hay millones de imágenes en línea que no tienen descripciones de texto. La función Obtener descripciones de imágenes de Google ayuda a usuarios ciegos o con visión reducida a comprender las imágenes que no tienen descripciones. Cuando un lector de pantalla encuentra una imagen o un gráfico sin descripción, Chrome crea una automáticamente.

También desarrollamos herramientas que pueden leer texto visual en formato de audio en Lens para Google Go, lo que ayuda significativamente a los usuarios que no saben leer bien a navegar en el mundo repleto de palabras que los rodea.

Logramos que tu teléfono sea más inteligentemodelos de reconocimiento de vozmodelos visualesmodelos de reconocimiento de escritura a mano

Lanzamos el subtitulado incorporado en el dispositivo mediante Subtitulado instantáneo, que siempre proporciona transcripciones de cualquier video que se reproduce en tu dispositivo.

Creamos la nueva y poderosa app de transcripción Grabadora, que puede indexar información de audio fácilmente a fin de que sea fácil de obtener.

También realizamos mejoras en la traducción con cámara de Google Traductor para que los usuarios puedan apuntarla a texto en idiomas que no saben y obtener traducciones en contexto al instante.

Lanzamos la API de Augmented Faces en ARCore, lo que habilita nuevas herramientas de expresión en RA en tiempo real.

Realizamos una demostración del seguimiento de una mano sobre un dispositivo en tiempo real, lo que habilita nuevos métodos de interacción y control de dispositivos con la mano para los usuarios.

Mejoramos el reconocimiento de escritura a mano basado en RNN en el dispositivo para teclados en pantalla de dispositivos móviles.

Por otro lado, lanzamos un nuevo enfoque de localización global que usa la cámara de los smartphones para orientar a los usuarios de manera más precisa y ayudarlos a moverse en el mundo.

aprendizaje federadocómic en líneamétodo de aprendizaje automático que inventaron investigadores de Google en 2015sistemas de aprendizaje a gran escalaartículo general sobre el aprendizaje federadotoma de selfis increíblesimágenes de campos y retratos con profundidad de carácter profesionalVisión nocturna en teléfonos Pixel para hacer alucinantes tomas de astrofotografíasuperresolución multifotogramafotografía con dispositivos móviles en condiciones de muy poca luz

SaludGoogle Healthpublicamos artículos de investigaciónherramientas de compilación

Demostramos que un modelo de aprendizaje profundo para mamografías puede asistir a los médicos en la detección del cáncer de mama, enfermedad que afecta a 1 de cada 8 mujeres en EE.UU., con una precisión mayor que la de los expertos, lo que reduce tanto los falsos positivos como los falsos negativos. El modelo tuvo una precisión similar al entrenarse con datos anónimos de un hospital del Reino Unido para evaluar pacientes en un sistema de salud completamente diferente del de EE.UU.

Ejemplo de un caso de cáncer difícil de detectar que fue correctamente identificado por aprendizaje automático

Demostramos que un modelo de aprendizaje profundo para diagnósticos diferenciales de enfermedades de la piel puede dar resultados significativamente más precisos que una revisión general de un médico o incluso de un dermatólogo.

Trabajando con expertos del Departamento de Asuntos de Veteranos de EE.UU., colegas de DeepMind Health que ahora son parte de Google Health demostraron que un modelo de aprendizaje automático puede predecir el inicio de la insuficiencia renal aguda (IRA), una de las principales enfermedades prevenibles, hasta dos días antes de su aparición. En el futuro, esta herramienta les daría a los médicos una ventaja de 48 horas para comenzar a tratar esta grave afección.

Expandimos la aplicación del aprendizaje profundo a los registros de salud electrónicos junto a varias organizaciones socias. Puedes leer más al respecto en nuestra entrada de blog de 2018.

Dimos un gran paso hacia la predicción del cáncer de pulmón, ya que trabajamos con un modelo de aprendizaje profundo que examinó los resultados de un estudio de tomografía computada con la misma eficacia (o incluso mejor) que un radiólogo para detectar esta enfermedad en sus primeras etapas. La detección temprana del cáncer de pulmón mejora significativamente la posibilidad de supervivencia.

Seguimos expandiendo y evaluando nuestra implementación de herramientas de aprendizaje automático para la detección y prevención de enfermedades oculares, en colaboración con Verily y nuestros socios de cuidado de la salud de India y Tailandia.

Publicamos un artículo de investigación sobre un microscopio de realidad aumentada para el diagnóstico del cáncer, en el que un patólogo puede obtener comentarios en tiempo real sobre qué partes de una muestra de tejido son más interesantes cuando la examina por el microscopio. Puedes obtener más información al respecto en nuestra entrada de blog de 2018.

Creamos una herramienta de búsqueda de imágenes similares centrada en seres humanos para que los patólogos puedan brindar diagnósticos más efectivos mediante el examen de casos similares.

Informática cuánticatarea de procesamiento

Izquierda: Interpretación de un artista del procesador Sycamore montado en el criostato (versión en resolución completa; Forest Stearns, artista cuántico de IA residente de Google). Derecha: Fotografía del procesador Sycamore (versión en resolución completa; Erik Lucero, científico investigador y director de producción de hardware cuántico)

ejemplo anteriorla expresiónel controltécnicas de aprendizaje automático clásicas, como el aprendizaje de refuerzo profundolo que representan nuestros hitos en la informática cuánticaTeoría y algoritmos generalesalgoritmos y teoríaanálisis de grafostrading algorítmicoresume parte de nuestro trabajo en los algoritmos de aprendizaje de grafosVLDB’19Balanceo de carga basado en caché en aplicaciones de centros de datosparticionamiento balanceado de grafos

Mapa de calor de solicitudes de IO (resultantes de pérdidas de caché) en todas las hojas del servidor de búsqueda web. Las tres concentraciones representan una selección de hojas aleatoria, balanceo de carga y balanceo de carga basado en caché (de izquierda a derecha). Las líneas indican los percentiles 50, 90, 95 y 99,9. Fuente: Artículo "Balanceo de carga basado en caché en aplicaciones de centros de datos", de VLDB’19.

ICLR’2019Trucos nuevos para un perro viejo: el aprendizaje por refuerzo encuentra algoritmos de optimización clásicosartículo de FOCS’19teoríaprácticaclúster de densidadcompresión de vocabularioartículo de SODA’19artículo de FOCS 2019apareamiento bipartitoITCS’19almacenamiento en cachéSODA’20trading algorítmicoinnovaciones en el diseño experimentalartículo oral de NeurIPS’19WINE2019artículo de KDD'19otro de NeurIPS'19potencia experimental

El algoritmo de clúster del artículo de KDD’19 "Diseño experimental aleatorizado mediante clústeres geográficos" se aplicó a búsquedas de usuarios de Estados Unidos. El algoritmo identifica automáticamente las áreas metropolitanas y predice correctamente, por ejemplo, que el Área de la Bahía incluye San Francisco, Berkeley y Palo Alto, pero no Sacramento.

Algoritmos de aprendizaje automáticoMedición de los límites del entrenamiento paralelo de datos para redes neuronales,artículo

En todas las cargas de trabajo que probamos, observamos una relación universal entre el tamaño del lote y la velocidad de entrenamiento con tres regímenes diferentes: el escalamiento perfecto con lotes pequeños (siguiendo la línea de puntos), la disminución en los resultados a medida que crece el tamaño del lote (divergencia de la línea de puntos) y un máximo paralelismo de datos en el caso de los lotes más grandes (donde la tendencia alcanza su meseta). Los puntos de transición entre los regímenes varían de manera significativa entre las diferentes cargas de trabajo.

GPipe

En Cómo evaluar el aprendizaje sin supervisión de las representaciones desglosadas,examinamos las propiedades que afectan las representaciones que se aprenden a partir de datos sin supervisión a fin de comprender mejor cómo se logran representaciones de calidad y aprendizaje efectivo.

En Cómo predecir la brecha de generalización en redes neuronales profundas,mostramos que es posible predecir la brecha de generalización (que existe entre el rendimiento de un modelo con datos de la distribución de entrenamiento en comparación con los datos obtenidos a partir de una distribución diferente) usando estadísticas de la distribución de margen, lo que nos ayuda a comprender mejor qué modelos generalizan con mayor efectividad. También investigamos Cómo mejorar la detección sin distribución en modelos de aprendizaje automáticopara comprender mejor cuándo un modelo comienza a encontrar tipos de datos que no había visto antes. Por otro lado, analizamos la Clasificación sin políticas en el contexto del aprendizaje de refuerzo a fin de entender qué modelos son mejores para generalizar.

En Cómo aprender a generalizar a partir de recompensas dispersas y sin especificar,examinamos métodos para especificar funciones de recompensa para el aprendizaje de refuerzo que les permitan a los sistemas de aprendizaje aprender directamente de objetivos verdaderos a fin de que no pierdan tiempo con secuencias de acciones más extensas y no convenientes que permiten alcanzar los objetivos esperados solo por casualidad.

En esta tarea de seguimiento de instrucciones, la acción traza trayectorias para₁,₂ y₃ a fin de alcanzar el objetivo, pero las secuencias₂ y₃ no siguen las instrucciones. Este ejemplo ilustra el problema de recompensas sin especificar.

AutoML

En EfficientNet: mejora de la precisión y eficiencia mediante AutoML y el escalamiento de modelos,mostramos cómo usar técnicas de búsqueda de arquitectura neuronal para obtener resultados sustancialmente mejores para problemas de visión artificial, incluido un resultado innovador de precisión de 84,4% top-1 en ImageNet que tenía 8 veces menos parámetros que el mejor modelo anterior.

Tamaño del modelo vs. comparación de precisión: EfficientNet-B0 es la red de modelo de referencia desarrollada por AutoML MNAS, mientras que Efficient-B1 a B7 se obtienen escalando la red de modelo de referencia. En particular, EfficientNet-B7 logra una innovadora precisión de 84,4% top-1/97,1% top-5 y es 8,4 veces menor que la mejor CNN existente.

En EfficientNet-EdgeTPU: cómo crear redes neuronales optimizadas por acelerador con AutoML,mostramos cómo un enfoque de búsqueda de arquitectura neuronal puede encontrar modelos eficientes adaptados a determinados aceleradores de hardware, lo que da como resultado modelos altamente precisos y que requieren poco procesamiento para ejecutarse en dispositivos móviles.

En Búsqueda de arquitectura de video,describimos cómo extender el trabajo de AutoML al dominio de los modelos de video mediante la búsqueda de arquitecturas que logren resultados innovadores y de arquitecturas livianas que tengan el mismo rendimiento que los modelos manuales, pero reduciendo 50 veces el procesamiento.

Las arquitecturas de TinyVideoNet (TVN) evolucionaron para maximizar el rendimiento de reconocimiento manteniendo el tiempo de procesamiento dentro del límite deseado. Por ejemplo, TVN-1 (arriba) se ejecuta en 37 ms en una CPU y en 10 ms en una GPU. TVN-2 (abajo) se ejecuta en 65 ms en una CPU y en 13 ms en una GPU.

Desarrollamos técnicas de AutoML para datos tabulares, con lo que se desbloqueó un importante dominio en el que muchas empresas y organizaciones tienen interesantes datos en torno a bases de datos relacionales y, con frecuencia, quieren desarrollar modelos de aprendizaje automático sobre estos datos. Colaboramos para lanzar esta tecnología como un nuevo producto de AutoML Tables en Google Cloud y también debatimos qué tan bien funcionó este sistema en una competencia de Kaggle en Solución de extremo a extremo de AutoML para datos tabulares en KaggleDays (spoiler: AutoML Tables quedó en segundo lugar entre 74 equipos de científicos de datos expertos).

En Cómo explorar redes neuronales sin importar el peso,mostramos cómo es posible encontrar arquitecturas de redes neuronales interesantes sin realizar pasos de entrenamiento para actualizar los pesos de los modelos evaluados. De esta manera, el proceso de búsqueda de arquitectura es mucho más eficiente.

Una red neuronal en la que no importa el peso realiza una tarea con un carro con una vara hacia arriba en diferentes parámetros de peso y también usando parámetros de peso específicos.

Cómo aplicar AutoML en arquitecturas Transformer explora la búsqueda de arquitecturas para el procesamiento de tareas de lenguaje natural cuyo rendimiento supera considerablemente el de los modelos "vanilla Transformer", ya que sus costos de procesamiento eran mucho menores.

Comparación entre el Transformer evolucionado (ET) y el original en WMT’14 En-De, en diferentes tamaños. Los mejores niveles de rendimiento ocurren en los tamaños más pequeños, aunque ET también se muestra sólido en tamaños más grandes y supera el rendimiento del Transformer más grande con un 37,6% menos de parámetros (los modelos comparados se muestran rodeados por un círculo verde). Consulta los valores exactos en la tabla 3 de nuestro artículo.

En SpecAugment: Un nuevo método de aumento de datos para el reconocimiento de voz automático,mostramos que el enfoque de los métodos de aumento de los datos de aprendizaje automático puede extenderse a los modelos de reconocimiento de voz, ya que el enfoque de aumento aprendido logró una precisión mucho mayor con menos datos que los enfoques de aumento de datos impulsados por seres humanos expertos en aprendizaje automático.

Lanzamos nuestra primera aplicación de identificación de presiones en el teclado y lenguaje hablado mediante AutoML. En nuestros experimentos, encontramos mejores modelos (más eficientes y con mejor rendimiento) que los diseñados por seres humanos que se habían implementado durante un tiempo.

Comprensión del lenguaje natural

En Cómo explorar la traducción automática neuronal masiva y multilingüe,mostramos mejoras significativas en la calidad de traducción mediante el entrenamiento de un único modelo que traduzca entre 100 idiomas en lugar de tener 100 modelos separados.

Izquierda: En general, los pares de idiomas con grandes cantidades de datos de entrenamiento tienen mejor calidad de traducción. Derecha: El entrenamiento multilingüe, en el que entrenamos un único modelo para todos los pares de idiomas en lugar tener modelos separados para cada par, presenta mejoras sustanciales en la puntuación BLEU (una medida de calidad de traducción) para pares de idiomas sin muchos datos.

En Reconocimiento de voz multilingüe a gran escala con un modelo de transmisión de extremo a extremo,explicamos cómo podemos mejorar significativamente la precisión del reconocimiento de voz combinando reconocimiento de voz y modelos de idioma, y entrenando el sistema en varios idiomas.

Izquierda: Sistema de reconocimiento de voz monolingüe tradicional compuesto por modelos de idioma, acústica y pronunciación para cada idioma. Centro: Sistema de reconocimiento de voz multilingüe tradicional en el que el modelo de acústica y pronunciación es multilingüe, pero el de idioma es específico por idioma. Derecha: Sistema de reconocimiento de voz de extremo a extremo multilingüe en el que los modelos de idioma, acústica y pronunciación se combinan en un único modelo multilingüe.

En Translatotron: modelo de traducción de voz a voz y de extremo a extremo,mostramos que es posible entrenar un modelo combinado para lograr que las tareas (normalmente independientes) de reconocimiento de voz, traducción y generación de texto a voz logren interesantes beneficios, como preservar el sonido de la voz del emisor en el audio traducido que se genera y simplificar el sistema general de aprendizaje.

En Codificador universal de oraciones multilingües para la obtención semántica,mostramos cómo combinar diversos objetivos para crear modelos que sean significativamente mejores en la obtención semántica (en comparación con técnicas de combinación de palabras más simples). Por ejemplo, en Google habla con los libros, la búsqueda"¿Qué aroma evoca recuerdos?"genera el resultado"A mí, el aroma del jazmín y el del pan bagnat me hacen recordar mi tranquila niñez".

En Traducción automática neuronal robusta,mostramos cómo usar un procedimiento de entrenamiento antagonista para mejorar significativamente la calidad y la robustez de las traducciones.

Izquierda: Se aplica el modelo Transformer a una oración de entrada(abajo, izquierda)y, junto con la oración de salida en el idioma de destino (arriba, derecha)y la oración de entrada en el idioma de destino(centro, derecha;comienza con el marcador de posición "<sos>"), se calcula la pérdida de traducción. La función AdvGen toma la oración de origen, la distribución de la selección de palabras, las palabras candidatas y la pérdida de traducción como entradas para construir un ejemplo de origen antagonista. Derecha: En la etapa de defensa, el texto de origen antagonista funciona como entrada del modelo Transformer, y se calcula la pérdida de traducción. Luego, AdvGen usa el mismo método anterior para generar un ejemplo de texto de destino antagonista a partir de la entrada en el idioma de destino.

seq2seqTransformerBERTTransformer-XLALBERTGoogle TraductorRedacción inteligenteBúsqueda de Googlelanzamiento de BERT en nuestros algoritmos de búsqueda y clasificación centralesPercepción automática

Comprensión más detallada a nivel visual en Lens que permitió potenciar la búsqueda visual

Funciones útiles para la cámara inteligente, como los gestos rápidos, Face Match y enmarcado inteligente para videollamadas en Nest Hub Max

Tecnología para la percepción del espacio en tiempo real para aumentar de manera útil el mundo que nos rodea con Lens

Mejores modelos para la predicción futura a partir de videos

Mejores representaciones para la comprensión temporal detallada de videos mediante aprendizaje temporal consistente y cíclico

Derecha: Entrada de videos de personas que realizan un ejercicio de sentadillas. El video en la parte superior izquierda es la referencia. Los otros videos muestran los fotogramas más similares (en el espacio de incorporaciones de TCC) de otros videos de personas que hacen sentadillas. Izquierda: Las incorporaciones de fotogramas correspondientes avanzan a medida que se realiza la acción.

Aprendizaje de representaciones en texto, voz y video que son temporalmente coherentes a partir de videos sin referencia.

Resultados cualitativos de VideoBERT preentrenados en videos de cocina Arriba: Con algo de texto sobre recetas, generamos una secuencia de tokens visuales. Abajo: Con un token visual, mostramos los tres principales tokens futuros que predice VideoBERT en diferentes escalas de tiempo. En ese caso, el modelo predice que un bol de harina y polvo de cacao puede hornearse y convertirse en un pastel o un brownie. Visualizamos los tokens visuales con las imágenes del conjunto de entrenamiento más similar a los tokens en el espacio correspondiente.

Desarrollamos la capacidad para predecir entradas visuales futuras a partir de observaciones pasadas.

Creamos modelos que comprenden mejor las secuencias de acciones en videos, lo que permite recordar mejor los momentos especiales de los videos, como "soplar velas" o "bajar por el tobogán", en Google Fotos.

Desarrollamos arquitectura para la localización de acciones temporal.

Robóticaimportante área de investigación

En Navegación robótica de largo alcance mediante aprendizaje de refuerzo automatizado,mostramos cómo combinar aprendizaje de refuerzo con planificación de largo alcance para que los robots naveguen en entornos complejos (como los edificios de oficinas de Google) de manera eficaz.

En PlaNet: una red profunda de planificación para el aprendizaje reforzado,mostramos cómo aprender de manera efectiva un modelo del mundo solo a partir de los píxeles de imágenes y cómo implementar este modelo sobre el comportamiento del mundo para realizar tareas con menos sesiones de aprendizaje.

En Unificación de la física y el aprendizaje profundo con TossingBot,mostramos cómo los robots pueden aprender física "intuitiva" a partir de la experimentación en un entorno en lugar de programarse previamente con modelos de física sobre el entorno en el que operan.

En Soft Actor-Critic: aprendizaje de refuerzo profundo para la robótica,mostramos que entrenar un algoritmo de aprendizaje de refuerzo para maximizar la recompensa esperada (que es el objetivo estándar de este aprendizaje) y la entropía de la política (para que el aprendizaje favorezca las políticas más aleatorias) puede ayudar a los robots a aprender más rápido y ser más robustos ante los cambios del entorno.

En Cómo aprender a ensamblar y generalizar a partir de la separación autosupervisada,mostramos cómo los robots pueden aprender a ensamblar si primero aprenden a separar los elementos de manera controlada. Los niños aprenden cuando desarman y, al parecer, ¡los robots también!

Presentamos ROBEL: comparativas de robótica para el aprendizaje con robots económicos,una plataforma de código abierto que tiene robots rentables y comparativas seleccionadas que se diseñaron para facilitar la búsqueda y el desarrollo de hardware de robótica física en el mundo real.

Contribuimos al avance de la comunidad general de investigadores y desarrolladoresLanzamos TensorFlow 2.0inferencia de GPU para dispositivos móvilesTensorFlow Litelanzamos Teachable Machine 2.0MLIRJAXNeurIPS 2019kernels de tangente neuronalinferencia bayesianadinámica molecularvista previa de JAX en TPU de CloudMediaPipeXNNPACKTPU de CloudTensorFlow Research CloudIntroducción a TensorFlow en Courseraviajamos para mostrar TensorFlowTensorFlow Worlddescubrió dos planetas nuevosrepresentaban máscaras africanascrear Farmers Companiondeterminar las condiciones de seguridad del caminodetectar baches y grietas peligrosas en caminosaprende cómo agregar color a las fotos en blanco y negroConjuntos de datos abiertosGoogle Búsqueda de Datasetscompartir de manera responsable los datos abiertos

Open Images V5: Una actualización para el popular conjunto de datos Open Images que incluye máscaras de segmentación para 2,8 millones de objetos de 350 categorías (de modo que ahora tiene cerca de 9 millones de imágenes anotadas con etiquetas a nivel de imagen, cuadros para vincular objetos, máscaras de segmentación de objetos y relaciones visuales).

Preguntas naturales: Primer conjunto de datos que usa búsquedas que ocurren naturalmente y encuentra respuestas mediante la lectura de una página completa en lugar de extraer respuestas de un párrafo breve.

Datos para la detección de ultrafalsos: Contribuimos con un gran conjunto de datos de ultrafalsos visuales en la comparativa FaceForensics (mencionada anteriormente).

Google Research para fútbol: Entorno de aprendizaje de refuerzo novedoso en el que los agentes buscan dominar el deporte más popular del mundo: el fútbol (en EE.UU., "soccer"). En este caso, los agentes de aprendizaje de refuerzo salen a la cancha.

Google-Landmarks-v2: Más de 5 millones de imágenes (el doble que la primera versión) de más de 200 000 lugares diferentes.

YouTube-8M Segments: Conjunto de datos de localización temporal y clasificación a gran escala que incluye etiquetas verificadas por seres humanos en el nivel de segmento de 5 segundos de los videos de YouTube-8M.

Actividades de voz de Atomic Visual Actions (AVA): Conjunto de datos de video multimodal de audio y contenido visual para la percepción de conversaciones. Además, ejecutamos desafíos académicos para el reconocimiento de acciones de AVA y AVA: actividades de voz

PAWS y PAWS-X: Para ayudar en la identificación de paráfrasis, ambos conjuntos de datos contienen pares de oraciones correctas con amplia superposición léxica; la mitad de los pares son paráfrasis y la otra mitad no.

Conjuntos de datos de diálogo de lenguaje natural: CCPE y Taskmaster-1 usan una plataforma Wizard-of-Oz que empareja a dos personas que conversan para imitar una charla de nivel humano con un asistente digital.

Comparativa de adaptación de tareas visuales (VTAB): VTAB sigue lineamientos similares a ImageNet y GLUE, pero se basa en el principio de que una mejor representación es aquella que tiene un mejor rendimiento para las tareas nuevas con datos de dominio limitados.

Conjunto de datos de diálogo guiados por Schema: El más grande de los corpus públicos de diálogos orientados por tarea disponibles, que contiene más de 18 000 diálogos en 17 dominios.

Interacción con la comunidad de investigación

CVPR: Cerca de 250 empleados de Google presentaron más de 40 artículos, charlas, carteles, talleres y mucho más.

ICML: Cerca de 200 empleados de Google presentaron más de 100 artículos, charlas, carteles, talleres y mucho más.

ICLR: Cerca de 200 empleados de Google presentaron más de 60 artículos, charlas, carteles, talleres y mucho más.

ACL: Cerca de 100 empleados de Google presentaron más de 40 artículos, instructivos y talleres.

Interspeech: Más de 100 empleados de Google presentaron más de 30 artículos.

ICCV: Cerca de 200 empleados de Google presentaron más de 40 artículos, y varios ganaron tres prestigiosos premios de ICCV.

NeurIPS: Cerca de 500 empleados de Google participaron como autores en más de 120 artículos aceptados y participaron en talleres y mucho más.

premios Google Faculty Research 2018programa de residencias de Google IAtrabajamos como mentores para startups dedicadas a la IANuevos lugares y nuevos rostrosoficina de investigación en Bangaloreestamos contratandoExpectativas para 2020 y más alláinteresante resumen de los avances importantes de la última décadaTPUv1TPUv2 y TPUv3Edge TPUrevolución del aprendizaje profundo continuará cambiando nuestra visión sobre la informática y las computadoras

¿Cómo podemos compilar sistemas de aprendizaje automático que puedan realizar millones de tareas y aprendan correctamente otras nuevas de manera automática? Actualmente, entrenamos sobre todo modelos automáticos separados para cada tarea nueva: empezamos de cero o, como mucho, con un modelo entrenado en una tarea o en unas pocas tareas muy relacionadas. Por lo tanto, los modelos que entrenamos son muy buenos en una o dos tareas, pero no más. Sin embargo, lo que realmente buscamos son modelos que sean buenos para implementar sus conocimientos en la realización de varias tareas a fin de que puedan aprender una nueva con relativamente pocos datos de entrenamiento y procesamiento. Este es un gran desafío que requerirá conocimientos y avances en varias áreas, por ejemplo, diseño de circuitos de estado sólido, arquitectura de computadoras, compiladores basados en aprendizaje automático, sistemas distribuidos y algoritmos de aprendizaje automático, y expertos en dominios de muchos otros campos a fin de compilar sistemas que puedan generalizar y resolver nuevas tareas de manera independiente en una amplia variedad de áreas.

¿Cómo podemos avanzar e innovar en áreas importantes de la investigación de inteligencia artificial, por ejemplo, prevención de sesgos, aumento de la interpretabilidad y la comprensibilidad, mejoras en la privacidad y garantía de seguridad? El avance en esas áreas será fundamental, ya que cada vez usamos más el aprendizaje automático en la sociedad.

¿Cómo podemos aplicar la informática y el aprendizaje automático para realizar avances en importantes áreas nuevas de la ciencia? Se requieren importantes avances mediante la colaboración con expertos en otros campos, como climatología, cuidado de la salud, bioinformática y muchas otras áreas.

¿Cómo podemos asegurarnos de que las ideas y las direcciones en las que pongan su atención las comunidades de aprendizaje automático y de investigación informática se pongan en práctica y sean exploradas por diversos grupos de investigadores? El trabajo al que se dedican las comunidades de investigación informática y de aprendizaje automático tiene grandes implicancias para miles de millones de personas, y queremos que los grupos de investigadores que realizan ese trabajo representen las experiencias, las perspectivas, los intereses y el entusiasmo creativo de todo el mundo. ¿Cómo podemos apoyar mejor a los nuevos investigadores de diferentes entornos que ingresen al campo?