Radar SG56

Datalore

JetBrains dio a conocer Datalore, una aplicación web que funciona como una especie de ambiente de desarrollo integrado (IDE) para realizar análisis y visualización de datos con Python.

El editor de código soporta las capacidades que esperarías hoy en día tales como syntax highlighting, completar código, scaffolding. Está listo para usarse inmediatamente y tiene preinstaladas bibliotecas para análisis de datos como pandas, numpy, matplotlib, sklearn, pytorch, entre otras. También tiene control de versiones integrado que permite ver el historial de cambios y regresar a versiones previas. Todo se hace en la nube, desde almacenamiento hasta procesamiento, por lo que puedes escoger qué tanto poder necesitas.

Datalore actualmente se encuentra disponible como beta público en https://datalore.io  

El tren serverless continua su empuje

Los proveedores de cómputo en la nube continúan empujando y fortaleciendo su oferta de Functions as a Service.

Amazon Web Services recientemente anunció soporte en AWS Lambda para .NET Core 2.0 así como el lenguaje Go. Para facilitar la construcción de microservicios con estas tecnologías, el equipo de AWS publicó un repositorio en GitHub con bibliotecas, ejemplos y otras herramientas.

Microsoft publicó el libro electrónico gratuito “Azure Serverless Computing Cookbook” que explica a detalle cómo construir aplicaciones serverless y contiene una gran cantidad de recetas para Azure Functions.

Oracle está aplicando un “yo también” y dio a conocer el proyecto Fn, una plataforma serverless basada en contenedores Docker que puede hospedarse en la nube o en tu propio data center. Por el momento, Fn soporta funciones hechas en Java pero se espera agregar soporte para Go, Ruby, Python, PHP y Node.js próximamente.

Google Cloud TPUs

Google anunció la disponibilidad como beta público de Cloud TPUs. Este es un servicio de cómputo en la nube que se ejecuta sobre los chips Tensor Processing Unit (TPU) diseñados por Google específicamente para cargas de trabajo que usan el framework TensorFlow para machine learning, por lo que prometen ofrecer mejor desempeño y menor costo que ejecutar estas cargas sobre procesadores genéricos. Cada TPU provee alrededor de 180 teraflops de desempeño en operaciones de punto flotante utilizando un bus de memoria de alto desempeño de 64 GB.

Utilizar infraestructura en la nube para entrenar modelos de machine learning tiene mucho sentido ya que permite realizar varias tareas en paralelo, y tener acceso a enormes cantidades de poder conforme se necesitan. Entrenar a un modelo complejo con una gran cantidad de datos puede hacerse en una noche, a diferencias de días o semanas que tomaría en servidores propios.

Prepárate para el cómputo cuántico

En los últimos meses hemos visto que distintos proveedores han hecho disponibles kits y servicios para que los desarrolladores de software puedan comenzar a familiarizarse con el cómputo cuántico y sus posibilidades.

Microsoft es una de estas empresas, y recientemente hizo disponible el Microsoft Quantum Development Kit, que incluye el lenguaje de programación Q# —diseñado para cómputo cuántico—, así como un simulador capaz de simular hasta 30 qubits lógicos en una laptop de gama alta. Microsoft argumenta que el código construido con este kit funcionará sin necesidad de cambios en computadoras cuánticas reales accesibles en la nube de Azure.

Por su parte, IBM ofrece el portal IBM Q Experience que permite que cualquiera pueda fácilmente interactuar con procesadores cuánticos reales en la nube de IBM, para ejecutar algoritmos y experimentos así como explorar tutoriales y simulaciones.

Faltan varios años para que el cómputo cuántico sea ampliamente utilizado, pero vale la pena irse preparando para este nuevo paradigma.