¿Crees que Deep Learning y Machine Learning es una tecnología del futuro? Debo decirte que no. Deep Learning y  Machine Learning están presente en nuestro día a día.

Otra semana más estamos aquí con vosotros en vuestro podcast favorito sobre Arduino, programación y electrónica. Un nuevo capítulo de actualidad, recomendaciones, proyectos y recursos.

Deep Learning es una técnica llamada aprendizaje profundo que pertenece al área de Machine Learning aprendizaje de máquinas. Google ha publicado recientemente una noticia donde nos hablan de 13 escenarios donde se está utilizando en nuestra vida real.

Otra noticia que nos ha llegado ha sido que EmonCMS ha decidido empezar a cobrar una suscripción a los usuarios de esta plataforma abierta para almacenar consumos eléctricos.

Por último, desde la Universidad de Hamburgo informan que han creado una impresora 3D capaz de imprimir circuitos eléctricos.

Como proyecto de la semana os presentamos Gavino, las gafas de visión nocturna de José Luis @Movilujo y como recomendaciones hablaremos de BitfabIO, OpenHardwareIO, Autoconnect y del recurso de la semana MySensors.

Tenemos mucho de que hablar así que, vamos a empezar.

Integración del deep learning y machine learning en nuestra casa

La pasada semana se celebró la conferencia para desarrolladores Google I/O. En ella se presentaron muchas novedades relacionadas con Machine Learning y Deep Learning.

Se pudo ver cómo a través de Google Assistant, se hacía una reserva en un restaurante y una peluquería manteniendo una conversación totalmente natural entre una máquina y una persona.

Todo esto gracias al uso de Deep Learning y Machine Learning. No cabe duda que Google lleva muchos años trabajando en temas relacionados con Inteligencia Artificial.

Esto es debido a que tiene los dos componentes necesarios: los algoritmos y los datos. Sin uno de estos dos componentes la fórmula no funciona.

Y aunque las redes neuronales llevan inventadas desde el año 1943, han tenido que transcurrir 75 años para que el ser humano sea capaz de digitalizar cantidades ingentes de información del mundo físico.

Deep Learning y Machine Learning se alimenta de esto. Gracias al análisis de gran cantidad de datos y utilizando redes neuronales, es capaz de predecir muchas situaciones.

Eso es lo que nos muestra en su >reciente artículo publicado por Google donde nos hablan de 13 escenarios de nuestra vida real donde utilizamos Deep Learning y Machine Learning en aplicaciones y herramientas de Inteligencia Artificial.

Búsqueda de imágenes con Google Images

El paradigma de la visión artificial ha cambiado gracias a técnicas de Machine Learning como Deep Learning. Hasta hace bien poco, el método tradicional de la extracción de características de una imagen era muy costoso, en términos computacionales, y poco fiable.

Con las aplicaciones de Inteligencia Artificial basadas en el aprendizaje profundo, esto ha sido sustituido por el análisis de miles y miles de imágenes que permiten que una máquina aprenda.

Estas técnicas obtienen patrones que son utilizados para analizar imágenes y reconocer formas. Así es como trabaja >Google Images. Sólo tienes que hacer una prueba en su buscador.

Puedes pensar que de alguna manera se ha identificado cada imagen. Sin embargo, también puedes probar a añadir una nueva imagen con un nombre totalmente diferente y verás como la encuentra :)

Un ejemplo donde Machine Learning y Deep Learning funcionan de una forma excepcional.

Recomendaciones Google Play Music

Yo no soy usuario del servicio >Google Play Music así que no puedo opinar. Sin embargo, tengo conocidos que lo utilizan.

Se trata de una plataforma para escuchar música a través del móvil. Poco a poco y gracias a Deep Learning y Machine Learning esta plataforma ha ido aprendiendo.

En la actualidad es capaz de recomendar música según la hora del día, el tiempo que haga o la situación en la que estemos.

Por ejemplo, si estás cocinando te propondrá una música para cocinar basada en tus gustos. Si estás haciendo deporte la música será diferente.

Google Play Music se adapta a tus gustos y costumbres para ofrecerte la música que más se adecue a tu persona gracias a Deep Learning y Machine Learning.

Eliminación de fondo en retrato con Machine Learning

La aplicación de cámara del móvil Pixel 2 de Google tiene muchas novedades y utiliza algoritmos de Machine Learning y Deep Learning.

Una de ellas es la eliminación del fondo. Realmente no se elimina como tal, lo que hace esta función es desenfocar el fondo para dar un aspecto mucho más profesional a nuestras fotos.

Me recuerda mucho a mi vieja cámara reflex Nikon. Hasta hace bien poco era imposible conseguir los mismos efectos con un móvil pero en la actualidad, no podemos distinguir la diferencia entre una cámara u otra.

El resultado es realmente increíble, casi parece magia :)

Subtítulos automáticos en vídeos de YouTube con Deep Learning

En un mundo cada vez más global, se hace necesario sistemas capaz de traducir en tiempo real cualquier idioma. Los sistemas de transporte y las telecomunicaciones nos han acercado a todo el planeta.

Podemos hablar, leer y ver contenido en muchos idiomas pero nuestro intelecto no da para aprender cada uno de ellos.

Esto mismo ocurre en YouTube donde la cantidad ingente de vídeos hace que podamos encontrar información casi de cualquier tema. Incluso temas como que la Tierra es plana :)

El Machine Learning y Deep Learning nos ayudan a que podamos comunicarnos con otras culturas. En especial en YouTube donde su sistema de subtítulos automático nos ahorra mucho trabajo a los creadores de contenido.

Podemos crear nuestros propios vídeos en nuestro idioma materno que YouTube se encargará de traducirlos para que todo el mundo pueda entenderlo.

Inteligencia Artificial para respuestas automáticas con Gmail

No es una novedad que Gmail lea nuestros emails. Lo lleva haciendo desde el principio. Podemos pensar que estamos siendo espiados o podemos pensar que gracias a esto, nos dará un servicio mejor.

Yo prefiero pensar lo segundo :) Por eso, a día de hoy la nueva versión de Gmail nos ofrece muchas novedades. Entre ellas se encuentra la de ofrecernos repuestas automáticas basadas en el contenido del mensaje.

Por ejemplo, si envío un email donde esté concertando una cita a una hora.

Cuando lo reciba tendré unas respuestas automáticas relacionadas con el contenido del mensaje.

De momento, la versión en inglés funciona correctamente. Además, esta opción sólo está con la nueva versión de Gmail. Poco a poco y gracias al Machine Learning y Deep Learning todo esto irá mejorando.

Recordatorios en Gmail con Nudging

¿Cuántas veces has dejado un email a la espera de ser contestado y ha quedado en el olvido? Esto depende mucho de la cantidad de emails que recibas.

En mi caso, recibo muchos emails al cabo de la semana y, aunque respondo a cada uno de ellos, puede que alguno se quede olvidado en la bandeja de entrada.

Gracias a la herramienta Nudging, Gmail es capaz de avisarte cuando un email lleva tiempo en tu bandeja de entrada y no has contestado gracias a Machine Learning y Deep Learning.

Imagen obtenida de >Google.

Todavía no he tenido la suerte de poder probar esta herramienta. No se si es debido a que contesto antes de tiempo o que en la versión en español, no está operativa.

Prueba a enviarme un email con el asunto Nudging y lo dejaré durante unos cuantos días para saber si funciona :)

Contenido sospechoso en Google Play

La tienda de aplicaciones Google Play tiene millones de APPs. Cada día se añaden miles y miles de aplicaciones. Entre ellas, seguramente haya muchas con contenido sospechoso y mal intencionado.

¿Te imaginas tener que revisar una a una por un equipo de expertos? Sería totalmente inviable. Con técnicas de Machine Learning y Deep Learning esto es mucho más sencillo.

Ya no necesitas a cientos de personas revisando el contenido en busca de algo sospechoso. Los algoritmos son capaces de analizar millones de aplicaciones en busca de contenido peligroso.

Reconocimiento de texto a través de la cámara

Otra de las ideas desarrolladas por Google es la posibilidad de reconocer texto a través de una cámara. Esto nos permite fácilmente traducir cualquier cartel, anuncio o texto con sólo mostrarlo por la cámara.

Lo más increíble de todo es que se hace en tiempo real. La realidad es que aún queda un poco para que esta herramienta esté 100% operativa.

Por ahora, el tiempo de respuesta depende mucho de las condiciones. Estoy seguro que con el tiempo esto se va a ser de gran utilidad para todos nosotros.

Por supuesto que todo esto es gracias a Machine Learning y Deep Learning. Poco a poco el algoritmo irá aprendiendo y será capaz de hacerlo mucho más rápido.

Machine Learning y Deep Learning con Google Assistant

Hemos visto como a lo largo de los años las máquinas han ido sustituyendo a las personas en algunas fases de la atención telefónica.

Hasta ahora hemos sido capaces de saber si lo que está al otro lado es una máquina o una persona. Pero esto se ha terminado.

El asistente Google Assistant hizo una espectacular demostración llamando a una peluquería y a un restaurante. Pudo mantener una conversación totalmente natural con dos personas sin que se dieran cuenta que detrás había una máquina.

Esto es una demostración de cómo la Inteligencia Artificial sustituirá trabajos repetitivos que no nos aportan nada a los seres humanos gracias al Machine Learning y Deep Learning.

Ayuda en aparcamiento con Google Maps

Tenemos que reconocer que el tema del tráfico es un problema muy grave en muchas ciudades. Sobre todo a la hora de aparcar el coche.

Hasta que los coches autónomos lleguen a nuestra vida diaria, tenemos que lidiar con este problema. Intentar aparcar un coche puede llevarnos a perder mucho tiempo, dinero y generar contaminación.

¿No crees que sería increíble poder predecir si vas a poder aparcar o no en una zona determinada de una ciudad? Bueno pues esto es posible gracias al Machine Learning y Deep Learning.

Google Maps se basa en datos estadísticos de posición y uso de otros conductores para determinar si es viable aparcar o no a unas horas en ciertas zonas de una ciudad.

Ya no tendrás que dar decenas de vueltas a la manzana en busca de ese apreciado hueco que te permita aparcar y llegar a tiempo a tu reunión :)

Encuentra la dirección correcta con Google Maps

Las ciudades están en constante evolución y mejora. Cada día hay nuevas calles, nuevos nombres y nuevas direcciones. Esto hace que en ocasiones sea complicado encontrar una dirección.

Por eso Google Maps es capaz de actualizarse en tiempo real gracias al análisis de millones de imágenes obtenidas por Street View y por sus coches autónomos de Google.

Los algoritmo de Machine Learning y Deep Learning analizan imágenes y geolocalización para poder localizar dentro de Google Maps con una precisión jamás antes vista.

Sentirte perdido en una ciudad ajena forma parte del pasado si utilizas esta aplicación.

Google Lens y el reconocimiento de objetos

Aún recuerdo mis años de la universidad cuando se empezaba a hablar de los avances que Google estaba haciendo en el campo de la Visión Artificial.

Todavía se sigue utilizando la famosa librería OpenCV para el tratamiento digital de imágenes. Pero el paradigma de este campo ha cambiado gracias a la Inteligencia Artificial, Deep Learning y Machine Learning.

Un claro ejemplo es la herramienta Google Lens que es capaz de reconocer a través de una cámara, millones de objetos en tiempo real.

Vuelvo a repetir que esto es gracias, sobre todo, a la cantidad de información visual que ha sido capaz de digitalizar durante las últimas décadas.

Esto ha dado mucha ventaja en este campo a la poderosa Google.

Planifica tus viajes con Google Trips, Machine Learning y Deep Learning

Leonhard Euler fue un famoso físico y matemático del siglo XVIII. Hace unos 280 años propuso un problema en la ciudad de Königsberg y sus 7 puentes. ¿Es posible caminar por la ciudad cruzando cada puente exactamente una vez?

No consiguió resolverlo sin embargo, 280 años después los ingenieros de Google han buscado una aplicación donde utilizar sus desarrollos matemáticos gracias a Machine Learning y Deep Learning.

Google Trips es capaz de ofrecerte una ruta turística en una ciudad que te lleve por los monumentos y zonas más representativas de esa ciudad.

Todo optimizado para que en el menor tiempo posible puedas hacerlo y que no te pierdas nada importante en tus días de vacaciones.

EmonCMS comenzará a cobrar para mantener sus servidores

EmonCMS es una plataforma de código abierto para procesar, registrar y visualizar datos ambientales como energía y temperatura.

Hablamos de esta plataforma cuando tratamos el tema de medir el consumo eléctrico en frigoríficos. Es la base del IoT Fridge Saver.

EmonCMS ha hecho un comunicado en su foro anunciando sus intenciones de comenzar a cobrar una suscripción a los usuarios de su plataforma de monitorización energética.

Esto afecta únicamente a quienes usen los servidores de >EmonCMS y no a quienes tengan instalada la plataforma en un servidor propio.

Justifican la decisión por el incremento de usuarios y de feeds almacenados durante los últimos meses. Pretenden utilizar los ingresos para mantener los servidores, financiar el desarrollo y ampliar la plataforma.

El precio se fijará en una cifra alrededor de 1 a 2 libras (1.5 – 3 €) por feed y año. Los clientes que compren hardware propio de emonCMS recibirán un saldo proporcional al precio del mismo (estimado un 20%).

Esta medida se pondrá en marcha a partir del 1 de julio de este año 2018.

Recuerdan a quienes no quieran pagar una subscripción que EmonCMS es una plataforma de código abierto y que existe una versión para instalar en servidor propio o incluso una RaspberryPi.

También informan que existe un >script disponible para migrar los datos de su nube a una instancia local. Incluso están trabajando en un >módulo de sincronización para facilitar aún más la tarea de exportación de los datos.

Las cuentas que no tengan saldo serán notificadas por correo. Durante un mes seguirán funcionando normalmente. A partir de ahí y durante 3 meses no se permitirá añadir más datos pero se podrán recuperar. Tras 6 o 12 meses de inactividad la cuenta será eliminada.

Por último cabe destacar que gracias a la adquisición de toda esta información, puede resultar relativamente sencillo aplicar Machine Learning y Deep Learning para poder predecir y ahorrar consumo eléctrico en nuestros hogares.

Impresora 3D que imprime circuitos eléctricos

Investigadores de la >Universidad de Hamburgo han creado una impresora 3D capaz de imprimir circuitos eléctricos con una pasta conductiva.

Esta impresora no solo imprimen la carcasa y los circuitos con pasta conductiva, si no que adicionalmente incluye una máquina pick and place SMD, que coloca automáticamente los componentes.

Si tu ya dispones de una impresora 3D y te siente con el ánimo de añadir la funcionalidad PNP (Pick and Place) a tu impresora, estás de suerte porque es de código abierto y lo puedes encontrar en >GitHub.

Este tipo de proyectos tiene muchas posibilidades. Recuerda a otro tipo de impresoras capaces de imprimir imanes a la carta

(por si alguno se anima el añadir la funcionalidad de PNP es de codigo abierto, y la podeis encontrar en Github como RepRapPNP)

Las posibilidades son impresionantes, me recuerda la impresora que es capaz de >imprimir imanes a la carta o las impresoras capaces de imprimir PCBs.

Gavino, gafas de visión nocturna DIY

En el proyecto de esta semana Jose Luis >@Movilujo en Twitter nos presenta Gavino, las gafas de visión nocturna DIY. Se trata de unas gafas que nos permiten ver en la oscuridad.

Están basadas en una Raspberry Pi Zero W, cámara IR y y Google CardBoard. Sin embargo, estas gafas no utilizan Machine Learning y Deep Learning aunque se de buena tinta que José Luis es un apasionado de estos temas :)

El funcionamiento consiste en arrancar un servidor de streaming con las imágenes que captura la cámara. Estas imágenes se muestran en una página web. La Raspberry Pi se configura como punto de acceso y a través de una APP creado con APP Inventor, accedemos a los datos.

Por último, también ha diseñado una carcasa donde meter toda la electrónica y poder acoplar la cámara IR. El resultado es espectacular. Lo puedes ver en el siguiente vídeo.

José Luis es una persona muy inquieta y siempre nos está sorprendiendo con proyecto Maker increíbles. No dejes de seguir su cuenta de Twitter y su blog donde detalla cada uno de sus proyectos de una forma muy precisa.

Muchas gracias por tu colaboración José Luis y esperamos poder tener otro proyecto en este podcast :)

El servicio de impresión BitfabIO

BitfabIO es un servicio de impresión 3D. Para los que, como yo, no tienen una impresora 3D, es un servicio muy útil. Sólo tienes que enviar los archivos .stl y BitfabIO te envía las piezas impresas a casa.

Puedes imprimir en diferentes materiales PLA, ABS, Nylon reforzado y muchos más. Además tienen una gran variedad de colores. Además ofrecen consultoría y diseño. Para los menos expertos, pueden pedir un presupuesto de un diseño a medida.

Yo personalmente he probado el servicio y puedo decir que han sido muy profesionales. He recibido la pieza en perfectas condiciones y en plazo. Un 10 para ellos. No dudéis de utilizar este servicio si os hace falta una impresión en 3D profesional.

OpenHardwareIO repositorio de Hardware

La web OpenHardwareIO es un repositorio de Open Hardware. Muy parecido a cómo funciona el famoso repositorio de diseños en 3D Thingiverse, pero con placas de electrónica.

Nos permite subir nuestros proyectos Open Hardware para compartir con la comunidad. Podemos aprender e innovar compartiendo ideas con otros entusiastas. Aprender de otros proyectos ya publicados y recibir comentarios de la comunidad para mejorar nuestros proyectos.

No cabe duda que compartir es la mejor manera de aprender y mejorar nuestros proyectos de electrónica.

Autoconnect para ESP8266

La librería >Autoconnect nos permite configurar la red inalámbrica de ESP8266 mediante un portal cautivo. El micro arranca en modo Punto de Acceso o AP (del inglés Access Point) si no tiene ninguna red configurada.

Básicamente nos ayuda a configurar una red WiFi en nuestra placa a través de una página web, sin tener que abrir el código y modificarlo para posteriormente subir de nuevo a la placa.

Similar a WiFiManager, pero con un aspecto mucho más cuidado. La documentación es muy completa y detallada. Tiene múltiples ejemplos para ilustrar los posibles usos.

Amplía la librería ESP8266WebServer y, según las primeras pruebas, no aumenta el consumo de memoria aunque incrementa el tamaño del firmware en 70kB.

Sólo tiene una pega, funciona sólo con el ESP8266 y no es compatible con ESP32 ni con Arduino MKR1010.

MySensors comunidad del IoT

MySensors es una comunidad de hardware y software de código abierto que se centra en proyectos Maker de Internet de las cosas y domótica DIY.

La API y librería de MySensor nos permite interconectar facilmente Arduino, ESP8266, Raspberry Pi, NRF24L01+, RFM69, RMF95 (LoRa) con mas de 20 sistemas domóticos como HomeAssistant , OpenHAB, HomeGenie, etc….

Este portal nos proporciona instrucciones de compilación fácil de usar y seguir, ejemplos de código listos para cargar en nuestras placas y diseños hardware de código abierto adaptables a nuestros requisitos.

Todo esto a través de una librería que nos permite una comunicación segura entre los dispositivos. Probado con más de 20 plataformas de automatización y domótica en el hogar.

Es una buena herramienta para crear proyectos para el hogar sin complicarnos mucho y de una forma segura.

Conclusiones sobre el Deep Learning y Machine Learning

Sin duda alguna, Deep Learning y Machine Learning han llegado a la tecnología para quedarse con nosotros durante mucho tiempo. Estas técnicas nos permiten desarrollar productos que incorporan Inteligencia Artificial.

Pero al igual que ha sucedido con otras tecnologías, todavía queda mucho margen de mejora. Poco a poco iremos viendo como este área sigue evolucionando e incorporándose en nuestro día a día.

Al contrario de lo que puedan pensar los detractores, la tecnología está al servicio de las personas. El fin de todo debe ser hacer la vida más fácil a cada uno de nosotros. Pero también tenemos que ser conscientes que hay que pagar un precio.

En ocasiones es económico pero en otras situaciones, es la privacidad colectiva. Todos estos sistemas de Deep Learning y Machine Learning se nutren de cantidades ingentes de información. Sólo así conseguiremos que las máquinas sean más inteligentes.

¿Conoces alguna otra aplicación donde se utilice Deep Learning y Machine Learning?

¿Qué opinas de la Inteligencia Artificial?

Cualquier pregunta, duda o sugerencia aquí abajo, en los comentarios :)