Facebook dio a conocer hace pocos dias que está apostando por PyTorch como su marco de inteligencia artificial predeterminado, ya que sus actuales modelos de inteligencia artificial realizan billones de operaciones todos los días y al apostar por Pytorch, se busca poder satisfacer esta creciente demanda de carga de trabajo pues la compañía dijo que al migrar todos sus sistemas, podrán innovar mucho más rápidamente al tiempo que garantiza una experiencia más óptima para todos sus usuarios.

Para quienes desconocen de PyTorch, deben saber que es una biblioteca de aprendizaje automático de código abierto que se basa en la biblioteca Torch. Fue creado por la unidad de investigación de inteligencia artificial de Facebook y ya se utiliza para impulsar una amplia gama de aplicaciones de inteligencia artificial, como la visión por computadora y los modelos de procesamiento del lenguaje natural.

Los ejemplos de modelos de IA de PyTorch incluyen la personalización de los feeds e historias de los usuarios en Instagram, y los que identifican y eliminan el discurso de odio en Facebook.

La adopción de PyTorch como el marco de trabajo de inteligencia artificial predeterminado de Facebook ayuda a garantizar que todas las experiencias en nuestras tecnologías se ejecutarán de manera óptima a escala de Facebook y para todos, independientemente del dispositivo, sistema operativo o calidad de conexión a Internet que puedan tener

Facebook menciona que esta migración también significa que se puede trabajar junto con una comunidad más de cerca que nunca:

PyTorch no solo hace que nuestro trabajo de investigación e ingeniería sea más efectivo, colaborativo y eficiente, sino que también nos permite compartir nuestro trabajo como bibliotecas PyTorch de código abierto y aprender de los avances realizados por los miles de desarrolladores de PyTorch en todo el mundo.

Una de las razones para pasar a PyTorch es que el proceso de investigación a producción de la IA ha sido tradicionalmente tedioso y complejo, además que otro de los principales problemas que se busca abordar es que los investigadores se vieron obligados a elegir entre marcos de IA optimizados para investigación o producción, pero no para ambos.

Hoy, más de un año en el proceso de migración, hay más de 1.700 modelos de inferencia basados ​​en PyTorch en plena producción en Facebook, y el 93 por ciento de nuestros nuevos modelos de capacitación, los responsables de identificar y analizar el contenido en Facebook, están en PyTorch.

«Esta nueva iteración fusionó PyTorch basado en Python con Caffe2 listo para producción y fusionó los modos de ejecución inmediata y gráfica, proporcionando flexibilidad para la investigación y optimización del rendimiento para la producción», escribió Facebook en su blog. «Los ingenieros de PyTorch en Facebook introdujeron una familia de herramientas, bibliotecas, modelos previamente entrenados y conjuntos de datos para cada etapa de desarrollo, lo que permite a la comunidad de desarrolladores crear e implementar rápidamente nuevas innovaciones de IA a escala».

En otras palabras, Facebook está eligiendo PyTorch porque es un marco único para modelos de IA de investigación y producción que brinda flexibilidad para experimentar y también la capacidad de lanzar IA a gran escala cuando está listo para el horario de máxima audiencia. Eso hace posible implementar nuevos modelos en minutos en lugar de semanas, dijo Facebook, al tiempo que reduce la infraestructura y la carga de ingeniería que conlleva el mantenimiento de dos sistemas de inteligencia artificial diferentes.

El objetivo de nuestra migración de PyTorch es crear una experiencia de desarrollador de un extremo a otro más fluida para nuestros ingenieros y desarrolladores. Queremos acelerar nuestro proceso de investigación a producción mediante el uso de una única plataforma que nos permita la flexibilidad de experimentar junto con la capacidad de lanzar modelos de IA a escala de producción.

PyTorch también tiene una ventaja cuando se trata de ejecutar modelos de IA directamente en dispositivos como teléfonos inteligentes. Esto se debe a que Facebook ha creado el marco PyTorch Mobile que reduce los tamaños binarios en tiempo de ejecución para garantizar que los modelos PyTorch AI puedan ejecutarse en dispositivos con una potencia de procesamiento mínima.

Fuente: https://ai.facebook.com