Implementación de Firestore y Vision API en Aplicaciones Cloud

Curso de Big Data y Machine Learning con Google Cloud Platform

Contenido del curso

Manejo de Big Data

Herramientas de inteligencia artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0011:33

Implementación de Firestore y Vision API en Aplicaciones Cloud

Curso de Big Data y Machine Learning con Google Cloud Platform

Clase 19 de 19

Clase 19 / 19

Recursos

¿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.

Manejo de Big Data

Big Data y Machine Learning en Google Cloud Platform

Google Cloud y Big Data: Historia, Servicios y Aplicaciones Prácticas

Google Cloud Platform para Big Data: Arquitectura y Seguridad

Exploración de Servicios Big Data e IA en Google Cloud

Procesamiento de Datos con Cloud Dataflow en Google Cloud

Características y Funcionalidades de BigQuery

Integración de BigQuery con Data Studio: Creación de Dashboards

Funcionamiento de PubSub en Google Cloud y su Integración con Dataflow

Integración de PubSub, Dataflow y BigQuery en Google Cloud

Herramientas de inteligencia artificial

Aplicación de Machine Learning en Industrias y Estrategias de Adopción

Roles en Vertex AI y su integración con Google Cloud

Flujo de Trabajo en Vertex AI: Integración y Despliegue de Modelos

Entrenamiento de Modelos de Visión con Google Cloud

Machine Learning APIs: Análisis Predictivo y Prescriptivo

Creación de Modelos Predictivos con AutoML en Google Cloud

Conclusiones del Curso de Big Data e Inteligencia Artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Clonación de Infraestructura con Vision API y Base de Datos

Despliegue de Funciones en GCP con Vision API y Firestore

Implementación de Firestore y Vision API en Aplicaciones Cloud

Implementación de Firestore y Vision API en Aplicaciones Cloud

Progreso del curso

Manejo de Big Data

Herramientas de inteligencia artificial

Proyecto: Clon de Google Photos (Parte 4 de 4)

Recursos

Recursos