Swami Sivasubramanian, Vicepresidente de Machine Learning de Amazon Web Services puso el foco sobre soluciones en Machine Learning (ML) e Inteligencia Artificial (IA) que la empresa ofrece a sus clientes y socios en su camino a una completa transformación digital. Pero ¿Cómo hacerlo? Usando la data, pero no como un ente muerto sino vivo, latente y sobre todo en evolución constante.
Este hombre, catalogado como uno de los más visionarios de la industria, dice que cuando se habla de bases de datos y la búsqueda por estar actualizado, muchas compañías encuentran el reto de administrar eficientemente la infraestructura, ya que suele ser pesado, consume mucho tiempo y, sobre todo, costoso.
Para ello, AWS cuenta con servicios como Amazon Aurora, que se actualiza con nuevas capacidades como Amazon DevOps Guru para RDS. Éste utiliza todo el potencial del Machine Learning para diagnosticar el rendimiento de la base de datos y detectar problemas operativos, ofreciendo una recomendación inteligente para solucionarlo. Así es, la clave del asunto es el DIAGNOSTICO, tal como sucede en la medicina
- VENTANA AL FUTURO
Y reluciendo, como su nombre, se encuentra la compañía Aurora, dedicada a la producción de tecnología para vehículos autónomos. Usando Machine Learning y cargas de trabajo en la nube, la compañía creó su software de simulación Aurora Driver. Diariamente realiza 12 millones de simulaciones para perfeccionar su tecnología de conducción autónoma y así ofrecer una mayor seguridad para los conductores.
Sivasubramanian sin embargo entró en el tema tabú en la tecnología, y esto no es mejoras en el hardware sino la confianza. El resaltó la confianza de más de 1.5 millones de clientes que usan los servicios de AWS para analítica, base de datos y Machine Learning. Pero ¿en qué contexto se da esto?
El ejecutivo explica que cuando las empresas producen cantidades masivas de datos, utilizan servicios como AWS Lake Formation para acceder a la información, administrarla y asegurar una correcta gobernanza. Actualmente AWS corre más de 200 Data Lakes (lagos de datos) alrededor del mundo.
- LA GRAN INDUSTRIA DE LOS VIDEOJUEGOS
Zynga, empresa creadora de videojuegos, utiliza la tecnología de Amazon Redshift de AWS para analizar los Petabytes de datos que genera. Esto lo realiza en tiempo real y frente a usuarios en los cuales la frustración de las latencias genera olas de ira.
De esta forma optimiza el rendimiento de sus juegos y mejora la experiencia de sus usuarios.
Pero el manejo de datos, latente también se da en otras áreas de la industria. Por ejemplo, la farmacéutica Moderna utilizó también este servicio de AWS para procesar millones de datos para la producción y elaboración de su vacuna contra la COVID-19.
Sivasubramanian dió un paso más y con más de 100 mil clientes alrededor del mundo apostando por esta tecnología, anunció que AWS busca que el Machine Learning sea accesible para todos.
Por ello lanzó dos nuevas iniciativas: Amazon SageMaker StudioLab y el programa de becas AWS AI & ML. La primera es una herramienta gratuita que permitirá a los desarrolladores educarse en técnicas en ML y experimentar con esta. La segunda iniciativa es un programa que invertirá 10 millones de dólares en becas para que 2 mil estudiantes puedan conocer y aprender más sobre Inteligencia Artificial y Machine Learning.
- MÁS CERCANOS
Sivasubramanian también resaltó servicios como QuickSight Q, que permite a cualquier persona sin previo conocimiento de Machine Learning, el realizar preguntas en un lenguaje natural y recibir respuestas precisas con visualizaciones que le ayuden a entender mejor los datos. Es decir, se comenzará a recortar la brecha digital, entre los super expertos y el resto de la humanidad.
Este servicio en conjunto con las opciones sin servidores de Amazon Redshift pueden crear analítica simple y accesible para datos, analizar cantidades masivas de datos, ofrecer KPIs y monitoreo de datos en tiempo real.
Otro de los anuncios fueron 6 nuevas capacidades de Amazon SageMaker. Estas son:
1. SageMaker Canvas: Permite a los analistas crear predicciones más precisas usando ML usando una interfaz de apuntar y clickear, sin requerir código.
2. SageMaker Ground Truth Plus. Ofrece un servicio completo de etiquetado para entrenar modelos de Machine Learning de forma más rápida y económica.
3. SageMaker Studio. Hace accesibles datos de ingeniería, analítica, flujos de trabajo de ML dentro de un cuaderno universal.
4. SageMaker Training Compiler. Permite a los clientes entrenar modelos de aprendizaje profundo 50% más rápido al compilar código de forma automática.
5. SageMaker Inference Recommender. Sugiere de forma automática las instancias de cómputo de AWS para ejecutar inferencias de ML con el mejor precio – rendimiento.
6. SageMaker Serverless Inference. Ofrece computación sin servidores para inferencias de ML a escala.
