Casi de forma simultánea Google ha liberado Tensorflow y Microsoft ha liberado CNTK. Doos toolkits para la implementación de algoritmos de inteligencia artificial basados en redes de neuronas. Microsoft ya publicó el código de CNTK en abril de 2015 pero lo hizo sólo en su propio Codeplex bajo licencia AFL. Además, Microsoft ya liberó también DMTK en 2015, otro toolkit para machine learning genérico.
La herramientas liberadas, en si mismas, no son muy relevantes, más adelante explicaré por qué. Lo importante es la tendencia que ya apuntábamos en 2014 de la inteligencia artificial a convertirse en una utility.
La oferta de herramientas de deep learning ya es bastante extensa: Theano, Caffe, Mocha, DL4J, Torch, etc. Hasta donde alcanzan mis limitados conocimientos sobre inteligencia artificial, ni Google ni Microsoft aportan ninguna novedad disruptiva en la implementación. Microsoft insiste en que, según sus propios benchmarks, CNTK es mucho más eficiente que el resto de herramientas.
Google TensorFlow es una librería de bajo nivel heredera de DistBelief, similar en ciertos aspectos a Theano. El punto fuerte de Google, a mi juicio, es la documentación y los tutoriales, los cuales son asequibles incluso para personas sin conocimientos previos de inteligencia artificial basada en redes de neuronas. TensorFlow se instala fácilmente con pip install (el núcleo está escrito en C++ pero se usa desde Python). Los tensores (matrices multidimensionales) que maneja TensorFlow se almacenan como objetos numpy.ndarray. La versión libre de TensorFlow es multiplataforma y puede aprovechar las ventajas de usar GPUs pero es mono-nodo lo cual limita enormemente su escalabilidad. Además, algunos críticos dicen que TensorFlow es lento en comparación con otras librerías alternativas, aunque la imparcialidad de los benchmarks que yo he encontrado podría ser cuestionable. Por encima de TensorFlow y Theano se pueden encontrar herramientas para implementar deep learning como Keras o Pretty Tensor. Como alternativa a TensorFlow para deep learning con soporte nativo de entrenamiento distribuido e interfaz para lenguaje R, es posible utilizar MXNet.
Por último, también es posible encontrar herramientas de machine learning en plataformas SaaS como Wolfram o BigML.
