O uso de API’s, as interfaces de programação de aplicativos das grandes empresas de tecnologia, como a Amazon, IBM, Microsoft e Google, entre outros, em projetos de inteligência artificial, pode ser mais mais simples do que possa parecer, mas não necessariamente é o melhor caminho.
Algumas podem ser uma espécie de caixa preta, recebem dados, são treinados automaticamente e devolvem uma saída, facilitando o desenvolvimento de projetos, propiciando agilidade. Na prática, as API’s viabilizam projetos mais rapidamente, mas para cada caso há de se avaliar os objetivos e recursos disponíveis.
Veja o caso das aplicações Amazon Web Service (AWS), de reconhecimento de imagem, conversação e fala da Amazon, aplicada a serviços de inteligência artificial, como na figura acima. As API´s podem ser chamadas por diversas aplicações do cliente, com o aproveitamento do grande diferencial da AWS nas plataformas de machine learning, frameworks e infraestrutura de dados.
São inúmeras possibilidades de configuração de um caso de uso específico. Através do Amazon Machine Learning (AML) ou SageMaker é possível trabalhar os modelos de machine learning sobre Tensorflow ou Torch por exemplo, até desenvolver tudo em Python. O procedimento elimina a dependência das APi´s apenas, podendo ser desenvolvido e treinado diretamente, como um estúdio de Machine Learning, e ainda possibilita trabalhar com computação elástica, como o Amazon EC2. Uma imensidão de possibilidades que devem ser trabalhadas em conjunto, conforme a necessidade.
O Amazon EC2 permite que você aumente ou diminua a capacidade em minutos, em vez de horas ou dias. É possível contratar simultaneamente uma, centenas ou até milhares de instâncias de servidor.
Já com o AWS Lambda é possível executar códigos sem provisionar ou gerenciar servidores. Você paga apenas pelo tempo de computação que utilizar. Não existe cobranças quando o seu código não estiver em execução.
Estas inúmeras possibilidades da Amazon podem transformar digitalmente a empresa, tanto o fornecedor, ao fornecer soluções escaláveis, quanto o cliente que consegue ter acesso a soluções de porte pagando por cada transação, por exemplo.
Preenchimento do Canvas Cognitivo – como fazer?
No Canvas Cognitivo, as API´s, o Sagemaker e , por exemplo, o Tensorflow são inseridos em “APLICAÇÕES – API´S e ML”.
O Amazon EC2 preenche o campo “DADOS E INTEGRAÇÕES”.
A tecnologia Lambda, se utilizada, estaria na área de “PARCEIROS E TECNOLOGIAS”.