AWS apuesta al aprendizaje automático para revolucionar todas las industrias: cómo capacitarse de manera gratuita

En el marco de re: Invent 2020, el mayor evento de nube, desde Estados Unidos el vicepresidente de aprendizaje automático de Amazon Web Services, Swami Sivasubramanian, dio a conocer los nuevos lanzamientos, innovaciones y tendencias del mercado cloud en 2021.

"El aprendizaje automático es una de las tecnologías más disruptivas. Estamos seguros de que cambiará la industria para mejor", dijo el vicepresidente de aprendizaje automático de Amazon Web Services (AWS), Swami Sivasubramanian, como apertura de la segunda semana al re: Invent, el evento más importante de la compañía.

Sivasubramanian fue el encargado de liderar la primera ponencia enfocada completamente en el tema de Machine Learning (ML) en la historia de re: Invent, que ahora atraviesa su novena edición. A lo largo de casi dos horas de presentación, junto al testimonio de varios clientes y partners, reforzó la necesidad de combinar la cultura de la reinvención de los negocios con la tecnología.

Días atrás, el CEO de AWS, Andy Jassy, explicó cómo se están articulando en la nube las capacidades y servicios de Machine Learning para el almacenamiento y procesamiento de datos, detallando además las reinvenciones que están aplicando en los tres modos de computación: Instancias, Contenedores y Serverless, con soluciones que mejoran la performance en la carga de trabajo y reducen los precios. Es el caso en Instancias de la llegada para la primera parte de 2021 de AWS Graviton 2 (una nueva versión de AWS Graviton) cuyo desempeño significa un 40% de reducción de costos.

Lejos de ser un nicho, más de 100.000 clientes utilizan los servicios de Machine Learning de AWS en todo el mundo. Entre los clientes, se destacan empresas como BMW, que opera más de siete terabytes de datos para cumplir con la demanda de autos y motos en todo el mundo, y la Fórmula 1, que implementó modelos en ML basados en 450.000.000 de datos para mejorar el diseño de autos y elaborar simulaciones, además de ofrecer a los telespectadores nuevas experiencias en las carreras. La farmacéutica Roche, Nike, Netflix, la billetera de criptomonedas Coinbase y la financiera JP Morgan Chase también confían sus datos en modelos de aprendizaje automático de AWS.

En apenas 10 años, AWS pasó a estar en quinto lugar en el top list de empresas de IT, cuando antes no figuraba en esas posiciones. Con ingresos anualizados de 46 mil millones de dólares y una tasa de crecimiento anual de 29% en el tercer trimestre de 2020, AWS continúa acelerándose en el mercado global gracias a la computación en la nube, en donde representa un 45% del mercado sector. En los últimos días, se conoció en la Argentina que MercadoLibre eligió a AWS como su principal proveedora de servicios en la nube tanto para su unidad de negocios de comercio electrónico, así como para sus servicios financieros.

¿Qué es el machine learning y cómo se lo implementa en la nube?

El aprendizaje automático es la forma en que las computadoras "piensan" y realizan tareas por sí mismas. Un modelo de aprendizaje automático está basado en algoritmos, estadística y matemática y debe ser entrenado. Son auto-escalables y se perfeccionan con el tiempo.

AWS desarrolló el primer entorno de desarrollo integrado (IDE) para desarrollar aprendizaje automático, entrenar, ajustar modelos y luego implementarlos. El entorno se llama Amazon SageMaker.

Durante el re: Invent, el vicepresidente de aprendizaje automático de AWS presentó nuevas características para construir, entrenar e implementar modelos en machine learning. En el último año, la compañía instauró más de 250 nuevos servicios y capacidades en el entorno de SageMaker.

"Es un área que se mueve muy rápido. La innovación debe ser rápida y debe satisfacer las necesidades de nuestros clientes. Tuve la fortuna de presenciar cómo el desarrollo de la nube y lanzamientos clave como Amazon S3 y Amazon DynamoDB transformaron el negocio de la computación en la nube. Ahora, el aprendizaje automático llegó al mismo momento. Las nuevas características permitirán a todos los desarrolladores y científicos de datos entrenarse en nuestros servicios", aseguró Sivasubramanian.

El vicepresidente explicó que "todos los proyectos en machine learning son diferentes". La infraestructura, el almacenamiento y el networking dependen del cliente. Por esta razón, Sivasubramanian hizo hincapié en automatizar la estructura desde donde se desarrollan estos modelos. Los entornos de trabajo, o framework, deben ser constantemente actualizados para permitir la creación de nuevos programas. En este caso, frameworks como TensorFlow, Pytorch y Mxnet corren en la nube de AWS. Para el fin de optimizar el entorno de trabajo, Amazon Web Services lanzó AWS Trainium y Habana Gaudi. Ambos estarán disponibles en la nube Amazon EC2 o en Amazon SageMaker. Como segundo anuncio oficial del evento, el IDE SageMaker permitirá entrenar modelos 40% más rápido.

Nuevos lanzamientos

Durante la presentación, Sivasubramanian anunció una serie de nuevas herramientas en el entorno Amazon SageMaker, con la premisa de automatizar procesos y tornar aplicaciones de aprendizaje automática una realidad para clientes de todos tamaños y verticales de negocios. La primera es Amazon Sagemaker Data Wrangler, la herramienta más veloz y fácil para preparar datos para machine learning, que permitirá a los usuarios seleccionar con un click data de múltiples fuentes. El servicio cuenta con más de 300 transformadores de datos incluidos, qué permiten adonizar, transformar y combinar datos sin la necesidad de escribir una línea de código que sea.

AWS también creó Amazon SageMaker Clarify, una herramienta para que los desarrolladores tengan una mayor visibilidad de sus modelos y datos de entrenamiento para que puedan identificar y limitar el sesgo y explicar predicciones dentro del proceso de trabajo. Esta herramienta puede utilizarse durante la integración de datos, el entrenamiento, la implementación o en el monitoreo del modelo. Amazon SageMaker Clarify también es capaz de realizar un reporte sobre qué rol ocupa el modelo en cada predicción. A esta herramienta, se le suma Deep Profiling para Amazon SageMaker Debugger, que tiene como objetivo entrenar sus modelos más rápido, al monitorear automáticamente la utilización de recursos del sistema y proporcionar alertas.

El desarrollo "a la carta" de AWS para sus clientes

Según Sivasubramanian, los clientes solicitaron a la compañía aplicar machine learning a aplicaciones para crear gráficos. AWS escuchó el pedido de las empresas y hace tres años lanzó Amazon Neptune, un desarrollador de gráficos basados en bases de datos. Para utilizar este servicio no se necesita ninguna experiencia en aprendizaje automático.

En esta misma línea, necesitaban una herramienta que plasme tendencias y predicciones para negocios y empresas. En este contexto, desarrollaron Amazon Quick Sights Q, un panel al que definieron como "auto-narrativo". Se visualizan variables como ventas, crecimiento, tendencias, entre otros. Lo interesante de la herramienta es que los usuarios del panel podrán preguntar en lenguaje común al modelo de machine learning y este responderá. Por ejemplo, cuáles fueron los productos más vendidos en 2019 y luego compararlo con 2020. Se realiza de manera automática y se puede elegir el tipo de gráfico de preferencia. AWS demuestra el impacto real de la tecnología en negocios y resolviendo problemas de extremo a extremo.

Cómo cambiará el machine learning el fútbol americano

La Liga Internacional de Fútbol Americano (NFL) implementó los servicios de nube y machine learning de AWS desde 2017, entre otros proyectos, para prevenir lesiones y traumatismos en jugadores. Con ese objetivo, recopilan imágenes, videos, datos en tiempo real de la velocidad, aceleración y ubicación de cada jugador para construir modelos que ayuden a entender el juego y el desempeño de los jugadores en el campo de juego.

La vicepresidente de innovación, salud y seguridad de la NFL, Jennifer Langton, explicó que los datos le permiten prevenir lesiones de los jugadores, mejorar las reglas del juego y probar nuevos equipamientos. "Examinamos la durabilidad y el rendimiento de los cascos de los jugadores junto a ingenieros mecánicos y biomédicos. Analizamos millones de variables como dirección, contacto físico y velocidad. Prohibimos algunos tipos de cascos y redujimos en un 24% el traumatismo craneoencefálico en la temporada de 2018 solamente. En la de 2019, otra vez más", afirma Langton. Actualmente, están trabajando en una simulación de un atleta digital que permitirá imitar escenarios en el campo de juego para prevenir y tratar lesiones en los jugadores.

El rol de la nube en el desarrollo de la vacuna contra el COVID-19

AWS brinda servicios a farmacéuticas como AstraZeneca y Moderna. Según Sivasubramanian, "los datos clínicos son complejos". Para optimizar el tiempo de farmacéuticas, seguros sanitarios y prestadores de servicios médicos, crearon Amazon HealthLake, una solución que permite almacenar datos y analizarlos en la nube. Su objetivo es reinventar un proceso manual a uno 100% digital y en la nube. "Los datos se organizan en orden cronológico. Se pueden consultar y buscar datos y utilizar todas las capacidades de machine learning", adelantó el vicepresidente. Para ejemplificar el uso de este nuevo servicio, tomaron prescripciones, drogas, dosis, frecuencia y niveles de glucosa en sangre de un paciente diabético.

La empresa de tecnología Philips utiliza los servicios AWS en Israel para realizar un seguimiento de la historia clínica de los pacientes. Elad Benjamin, manager de radiología e informática de Philips en Tel Aviv, participó del evento y aseguró que la computación en la nube y el machine learning "mejoraran la calidad, el tiempo y la precisión de los diagnósticos". Philips utiliza el servicio basado en la nube HealthSuite, una plataforma en la que recopilan la historia médica de los pacientes.

Nuevo curso para aprender machine learning

"Queremos educar a la próxima generación de desarrolladores machine learning. Nuestro objetivo es expandir el aprendizaje automático y que sea accesible a desarrolladores y científicos de datos. Sin embargo, para los desarrolladores resulta difícil extraer data y para los analistas de datos y científicos de datos es muy difícil desarrollar los modelos", apuntó Sivasubramanian.

El curso, que empezó el 9 de diciembre, es gratuito y ofrece certificado. Tiene una duración de cuatro semanas y exige un nivel de conocimiento intermedio. Hay cuatro exámenes obligatorios. Está disponible a través de la plataforma edX.

Más de Negocios

Compartí tus comentarios