Descubriendo AWS DeepRacer: FAQ

Preguntas Generales

Q. ¿Qué enlaces de interés hay disponibles para AWS DeepRacer?
A. Enlaces de Interés:
• AWS Alianza Tech: https://aws.amazon.com/es/government-education/skills-to-jobs-tech-alliance/spain/?nc1=h_ls
• AWS DeepRacer: https://aws.amazon.com/es/deepracer/
• AWS DeepRacer Student League: https://aws.amazon.com/es/deepracer/student/
• AWS Educate: https://aws.amazon.com/es/education/awseducate/
• AWS Skill Builder: https://explore.skillbuilder.aws/learn/course/external/view/elearning/12338/aws-deepracer-conduccion-con-aprendizaje-por-refuerzo-espanol-de-espana-aws-deepracer-driven-by-reinforcement-learning-spanish-from-spain
• Slack Community AWS DeepRacer: http://join.deepracing.io/
• GitHub: https://github.com/aws-samples/aws-deepracer-workshops/
• Tips: https://aws.amazon.com/deepracer/racing-tips/
• AWS DeepRacer Forum: https://forums.aws.amazon.com/forum.jspa?forumID=318
• OpenVINO Toolkit: https://software.intel.com/en-us/openvino-toolkit/

Q. ¿Cuales son los conocimientos previos que deberian tener los alumnos?
A. Para competir en AWS DeepRacer, es útil tener un conocimiento básico de Python y comprender conceptos fundamentales de aprendizaje por refuerzo. No obstante, AWS ha diseñado DeepRacer para ser accesible incluso para principiantes en aprendizaje automático.

Q. ¿Se recomienda que los alumnos hagan la competicion de forma individual o por parejas o grupos?
A. Aunque normalmente esta actividad se realiza en equipos, es importante destacar que para la Liga AWS DeepRacer para estudiantes, la participación individual es recomendable. Sólo se dará un premio/diploma a un estudiante. Cada estudiante debe enfrentar el desafío de diseñar y entrenar su propio modelo de vehículo autónomo, lo que fomenta el desarrollo de habilidades individuales en el campo de la inteligencia artificial y la programación. Esta modalidad permite que cada participante tenga la oportunidad de aprender y crecer de manera independiente, compitiendo en igualdad de condiciones con otros estudiantes en territorio nacional.

Q. ¿Se permite ser un grupo, y si es asÍ hasta cuánto es el límite?
A. Recomendamos revisar las reglas específicas de la competición en la que participa.

Q. ¿Qué y cuántos recursos son gratuitos y cuándo tendrían que pagar?
A. AWS DeepRacer ofrece una cantidad limitada de tiempo de entrenamiento, en este caso 10 horas durante 30 días con AWS Free Tier. Después de agotar esos recursos, gratuitos, tendría que pagar por el tiempo adicional de entrenamiento y evaluación. En el siguiente enlace podréis encontrar más información: LINK. Adicionalmente, el servicio de AWS DeepRacer se encuentra disponible en AWS Academy a través de los Learner Labs.

Q. Los profesores pueden tener también recursos para probar algo?
A. Idem.

Q. He visto que se puede comprar el coche en Amazon. ¿Merece la pena o el concurso es virtual únicamente?
A. Para entrenar el modelo y ver cómo mejora no es necesario comprar un coche. El propio entorno de DeepRacer permite ver cómo responde el modelo a los cambios que hacemos en la función de recompensa, hiperparámetros o a los ítems del Action Space.

El coche es necesario para carreras en persona, y con él podemos ver cómo el modelo se comporta en un circuito real, que también tendremos que comprar o construir.

En este enlace hay más información sobre cómo construir tu propio circuito.

Q. ¿Qué fechas manejais?
A. Más información en el siguiente blog

Servicio AWS DeepRacer

Q. Cloudwatch es un SIEM, se podrá utilizar como un SIEM con políticas y demás?
A. CloudWatch no es un SIEM por sí solo. Sin embargo, se puede utilizar junto con otros servicios y características de AWS, como AWS Lambda y CloudWatch Logs Insights, para construir una solución SIEM. Será necesario establecer políticas, alertas y métricas específicas para adaptarlo a las necesidades de seguridad de tu organización. Sin embargo, esto está fuera del scope de AWS DeepRacer.

Q. ¿El modelo de CNN se puede exportar y probar en local?
A. Sí, puedes exportar el modelo CNN de DeepRacer y probarlo localmente. AWS proporciona herramientas y documentación para ayudarte a eso. A continuación, os presentamos una visión general de cómo hacerlo y qué recursos están disponibles:

1. Exportación desde la consola de AWS DeepRacer:

• Ve a la página de modelos de tu AWS DeepRacer en consola.
• Selecciona el modelo que deseas exportar.
• Haz click en “Exportar modelo”. Esto descargará un archivo ‘.tar.gz’ que contiene el modelo y sus metadatos.

1. Contenido del archivo exportado:
   Dentro del archivo ‘.tar.gz’ encontrarás el modelo en sí (que es un modelo TensorFlow) y algunos archivos de metadatos adicionales.

2. Uso del modelo exportado:
   Una vez hayas exportado el modelo, puedes cargarlo usando TensorFlow y ejecutar inferencias en él. No obstante, para replicar completamente el ambiente de DeepRacer en local, necesitarías de un software de simulación como Gazebo y un vehículo compatible.

Te recomendamos revisar el sitio web oficial de AWS para más información.

Adicionalmente, existen varias guías en internet soportadas por la comunidad sobre cómo realizar el training en local, e.g.:
• https://aws-deepracer-community.github.io/deepracer-for-cloud/
• https://wiki.deepracing.io/Local_Training

Q. El entorno de programacion de python es usando un IDE especifico o podemos usar cualquiera.
A. Para programar Python en DeepRacer, no estás limitado a un IDE específico. Si bien AWS DeepRacer proporciona un editor en línea integrado dentro de su consola, puedes usar cualquier entorno de desarrollo que prefieras para Python. Puedes escribir y probar tu función de recompensa localmente en tu IDE o editor de elección.

Una vez estés satisfecho con tu función de recompensa, pégala en la consola de AWS y pulsa el botón “Validate” para verificar que todo es correcto usando una función Lambda.

Q. ¿Sólo es posible modificar la función de recompensa o es posible modificar otras cosas?
A. Si bien la función de recompensa es un componente clave que los usuarios pueden y deben modificar, también es posible ajustar otros aspectos del entrenamiento, como los hiperparámetros, el espacio de acción (Action Space), o incluso el algoritmo de entrenamiento (PPO vs SAC).

AWS facilitará una guía para que probéis paso a paso como realizar dichas modificaciones.

En cualquier caso, como consejo general es mejor hacer modificaciones de manera controlada para saber qué funciona y qué no.

Q. Entonces, ¿el flujo de trabajo habitual será siempre a través SageMaker y siempre en la nube? (para la programación en Python de la función)
A. El flujo de trabajo típico en DeepRacer implica utilizar Amazon SageMaker para el entrenamiento y AWS RoboMaker para la simulación. Todo este proceso se realiza en la nube, aprovechando la infraestructura de AWS.

Q. ¿Dónde está disponible el servicio AWS DeepRacer?
A. El servicio AWS DeepRacer lo encontraréis disponible en la región de North Virginia (US East 1).