- 1

Big Data y Machine Learning en Google Cloud Platform
01:23 - 2

Google Cloud y Big Data: Historia, Servicios y Aplicaciones Prácticas
09:15 - 3

Google Cloud Platform para Big Data: Arquitectura y Seguridad
10:19 - 4

Exploración de Servicios Big Data e IA en Google Cloud
09:54 - 5

Procesamiento de Datos con Cloud Dataflow en Google Cloud
07:50 - 6

Características y Funcionalidades de BigQuery
08:35 - 7

Integración de BigQuery con Data Studio: Creación de Dashboards
11:35 - 8

Funcionamiento de PubSub en Google Cloud y su Integración con Dataflow
09:08 - 9

Integración de PubSub, Dataflow y BigQuery en Google Cloud
13:16
Implementación de Firestore y Vision API en Aplicaciones Cloud
Clase 19 de 19 • Curso de Big Data y Machine Learning con Google Cloud Platform
Contenido del curso
- 10

Aplicación de Machine Learning en Industrias y Estrategias de Adopción
11:54 - 11

Roles en Vertex AI y su integración con Google Cloud
12:09 - 12

Flujo de Trabajo en Vertex AI: Integración y Despliegue de Modelos
07:26 - 13

Entrenamiento de Modelos de Visión con Google Cloud
14:25 - 14

Machine Learning APIs: Análisis Predictivo y Prescriptivo
13:32 - 15

Creación de Modelos Predictivos con AutoML en Google Cloud
14:45 - 16

Conclusiones del Curso de Big Data e Inteligencia Artificial
04:33
¿Cómo configurar Firestore para la aplicación?
La configuración de Firestore es un elemento crucial en el desarrollo de aplicaciones que trabajan con datos almacenados en la nube. En este transcurso, hemos avanzado hasta el punto donde integramos esta base de datos en nuestro sistema. En primer lugar, es esencial habilitar la API de Firestore. Esto se logra a través de la consola de Google Cloud, donde se debe buscar Firestore y seguir los pasos para generar la base de datos. Firestore ofrece dos modos de uso: Data Store y modo Nativo, siendo este último el que seleccionamos para futuras expansiones hacia aplicaciones SPA (Single Page Application). Al elegir el modo Nativo, debemos especificar la localización geográfica de nuestros datos, y preferimos que residan en Estados Unidos.
Con estos pasos, Firestore se habilitará y, aunque pueda tomar varios minutos, una vez terminado, garantiza que nuestro sistema pueda funcionar en su totalidad. Después de asegurar que nuestra base de datos está lista, es necesario limpiar las fotos previamente subidas al bucket de Cloud Storage para realizar nuevas pruebas de carga.
¿Cómo funcionan los procesos de carga de imágenes en nuestra aplicación?
La esencia de la aplicación Smart Photos App se centra en la habilidad de cargar y etiquetar imágenes automáticamente. Después de limpiar el contenido previo en nuestro bucket, procedemos a cargar nuevas imágenes: un gatito, un perrito y un coche Ferrari. Este proceso se realiza mediante la función de "upload" en la aplicación, seleccionando cada archivo individualmente. Una vez subidas, nuestro sistema, en conjunción con Vision API, identificará y etiquetará los objetos en las imágenes. Estos datos etiquetados se almacenan automáticamente en Firestore, donde podemos ver la colección de tags creada con los diferentes objetos identificados.
¿Cómo mejorar la funcionalidad de búsqueda en la aplicación?
Una aplicación interactiva y precisa requiere una funcionalidad de búsqueda eficiente. Observamos que los identificadores y etiquetas en Firestore aparecen en inglés, lo cual influye en nuestras capacidades de búsqueda. Es fundamental, entonces, buscar utilizando términos en inglés para recuperar las imágenes correctas, por ejemplo, "cat" para gatos, "dog" para perros y "car" para coches. Este proceso prueba que toda la aplicación está funcionando como se espera, aunque está abierta a mejoras.
Mejoras sugeridas para la aplicación:
-
Añadir estilos de CSS: Esta es una aplicación básica en cuanto a diseño visual. Incorporar hojas de estilo CSS mejorará la presentación, incluyendo animaciones y gradientes visuales.
-
Funcionalidad de traducción multilingüe: Actualmente, las etiquetas y términos de búsqueda están en inglés. Integrar APIs de traducción (como las de Google) permitiría búsquedas en varios idiomas, mejorando la accesibilidad.
-
Implementar AutoML Vision para especificidad avanzada: Actualmente, solo reconocemos objetos generales. Al entrenar modelos con AutoML Vision, podríamos lograr especificaciones más detalladas, como identificar modelos de coches o razas y características específicas de animales.
Estas mejoras no solo enriquecen la capacidad y usabilidad de la aplicación, sino que también ofrecen a los desarrolladores formas de personalizar y especializar su proyecto para diferenciarse en el mercado profesional.