Implementación de modelos de IA y tasks en Dashai

Abstract

DashAI es un framework en desarrollo implementado en Python, que aspira a facilitar el entrenamiento, la evaluaci´on y la comparaci´on de diversos modelos de aprendizaje autom´atico (ML) para un amplio espectro de tareas, todo a trav´es de una interfaz gr´afica de usuario (GUI). Es un proyecto colaborativo con contribuciones de ingenieros y memoristas, cada uno encargado de distintas facetas del framework. El objetivo es que DashAI sea open source, orientado a tareas, interoperable y extensible, con una interfaz gr´afica interactiva. Debido a que DashAI esta en desarrollo todav´ıa muestra varias limitaciones notables, principalmente una escasez de tareas y modelos disponibles. Actualmente, solo cuenta con la tarea de clasificaci´on tabular y modelos de ML cl´asicos como Random Forest, KNN y SVM. Esta carencia es preocupante dado que la diversidad de tareas y modelos es crucial por diversas razones: abordar una variedad de problemas que la IA enfrenta en la realidad, atender a la complejidad variable de los problemas con modelos desde los m´as sencillos hasta los m´as sofisticados como los transformers, permitir la experimentaci´on con distintas t´ecnicas de ML para adaptarse mejor a las necesidades del usuario y proporcionar una plataforma educativa que permita a los usuarios aprender sobre los puntos fuertes y d´ebiles de diferentes modelos y tareas, y cu´ando y c´omo aplicarlos. Para fortalecer el framework se incorporaron tareas adicionales: clasificaci´on de im´age nes, clasificaci´on de texto y traducci´on. Asimismo, se a˜nadieron los modelos ViT, DistilBert y uno espec´ıfico para la traducci´on de ingl´es a espa˜nol del Tatoeba-Challenge, cada uno co rrespondiente a una tarea respectiva. Todos estos modelos se integraron mediante la librer´ıa transformers de HuggingFace. Adem´as, se a˜nadieron m´etricas en DashAI y se realizaron modificaciones en las etapas previas al entrenamiento para mejorar sus funcionalidades. Para concluir, las modificaciones e implementaciones se llevaron a cabo de manera exitosa, permitiendo el entrenamiento de modelos m´as sofisticados a trav´es de la interfaz de DashAI y ofreciendo una mayor variedad de tareas y m´etricas para evaluar el rendimiento de estos modelos. Sin embargo, es importante destacar que, dado el alcance de este trabajo, existen numerosos aspectos que no se han abordado en profundidad, debido a que son trabajos en desarrollo de otros memoristas.