AWS busca democratizar el aprendizaje automático con servicios en la nube

Swami Sivasubramanian, vicepresidente de aprendizaje automático de AWS.

Amazon Web Services (AWS) reafirmó la fuerte apuesta que viene haciendo en las áreas de aprendizaje automático, con una serie de anuncios que prometen facilitar la llegada de esa tecnología de forma más rápida y sencilla a industrias como el deporte y la salud.




Durante la segunda semana del AWS re:Invent 2020, el principal evento anual del líder tecnológico que provee la plataforma de nube más completa y ampliamente adoptada del mundo, Swami Sivasubramanian, vicepresidente de aprendizaje automático de AWS, dio la primera conferencia dedicada exclusivamente al tema en los nueve años del evento, una clara señal de la importancia que AWS da a esos temas tecnológicos para la evolución de múltiples industrias.

re:Invent 2020 es un evento virtual que partió el 30 de noviembre y se extenderá hasta el 18 de diciembre. En total, más de 500 mil personas ya se registraron para sesiones en donde más de 500 líderes y expertos de AWS revelarán los últimos avances en tecnologías de la nube y compartirán sus historias de éxito.

En su presentación inaugural la semana pasada, el CEO de AWS, Andy Jassy, destacó que la pandemia ha acelerado la migración a la nube de muchas empresas que no solo han buscado formas de ahorrar gastos, sino también sienten la necesidad de reinventarse para ser competitivas en el largo plazo.

AWS lanzó por primera vez servicios de machine learning (ML) en 2016 y ha lanzado más de 250 nuevas ofertas de esa tecnología por año.

Sivasubramanian comentó que la evolución del aprendizaje automático está llegando a un momento clave en que se podrá democratizar la accesibilidad a esas tecnologías para desarrolladores de bases de datos y analistas de datos. Hasta ahora uno de los desafíos principales para el aprendizaje automático es que “los equipos de científicos pueden demorar semanas en entrenar modelos de aprendizaje profundo”, agregó.

La preparación de datos para el aprendizaje automático es un proceso difícil y tedioso, que surge del hecho de que los atributos de datos (conocidos como características) que se utilizan para entrenar un modelo de aprendizaje automático a menudo provienen de diferentes fuentes y existen en varios formatos. Esto significa que los desarrolladores deben dedicar un tiempo considerable a extraer y normalizar estos datos antes de usarlos.

Para enfrentar eso, Sivasubramanian dijo que AWS ha utilizado el entrenamiento distribuido para reducir en un cuarenta por ciento los tiempos promedio para entrenar grandes redes de aprendizaje profundo.

El ejecutivo anunció el lanzamiento de Amazon SageMaker Data Wranglers con el objeto de preparar con mayor facilidad los datos para los modelos de aprendizaje automático y un mecanismo para detectar sesgos, llamado Amazon SageMaker Clarify. Sivasubramanian también anunció una nueva capacidad, denominada Deep Profiling para Amazon SageMaker Debugger, que tiene como objetivo mejorar el uso de recursos, como GPU y memoria, en el entrenamiento de aprendizaje profundo.

Swami Sivasubramanian destacó que AWS lanzó por primera vez servicios de machine learning en 2016 y ha lanzado más de 250 nuevas ofertas de esa tecnología por año.

Incluso en el esfuerzo para democratizar y acelerar la adopción de machine learning por clientes de todos tamaños y áreas de negocios, AWS anunció el Amazon SageMaker JumpStart, un servicio que ayuda a los desarrolladores sin experiencia en el aprendizaje automático a seleccionar entre varias soluciones completas, por ejemplo, la detección de fraude y la predicción del abandono de clientes.

AWS también está buscando encontrar formas de aplicar el aprendizaje automático a problemas comerciales y verticales específicos. La semana pasada Jassy anunció la introducción de nuevos servicios orientados al ámbito industrial. Amazon Lookout for Equipment permite usar sensores para enviar alertas si hay una anomalía en el funcionamiento de un equipo, para luego hacer el mantenimiento preventivo antes de que ocurra una falla.

Un servicio similar es Amazon Lookout for Vision, que examina los productos en una línea de ensamblaje, por ejemplo, de lápices, para eliminar anomalías como variaciones de color no deseadas. AWS Panorama es un servicio de inteligencia en cámaras de video para mejorar la seguridad y tomar decisiones respecto de la productividad en tiempo real.

En el ámbito deportivo, Jennifer Langton de la Liga Nacional de Fútbol Americano (NFL), habló de cómo la NFL ha utilizado el aprendizaje automático para mejorar la seguridad y minimizar las lesiones en ese deporte de contacto. Han podido rastrear el comportamiento de jugadores en la cancha y desarrollar mejores cascos, que derivaron en un 24% reducción en contusiones cerebrales durante la temporada del 2018.

Machine learning en Chile

En Chile, Clínica Las Condes puso a disposición de la comunidad médica del país una herramienta de Inteligencia Artificial y aprendizaje automático que contribuye a la detección de casos positivos de pacientes con Covid-19, mediante el análisis de radiografías de tórax.

Por otra parte, el grupo de seguros y financiero chileno Consorcio logró tener un enfoque más personalizado de productos con el despliegue de un data lake o repositorio centralizado. Esto se convirtió en una fuente de conocimiento del comportamiento, perfil y necesidades del cliente que les han podido ofrecer pagos de primas flexibles, que varían de acuerdo a la utilización efectiva del automóvil.

Matt Wood, vicepresidente de inteligencia artificial de AWS, habló de los desafíos para la aplicación de aprendizaje automático en la atención médica. Los análisis de datos en ese campo se ven obstaculizados por la forma en que los datos se distribuyen en numerosos repositorios en diferentes formatos.

Wood anunció el lanzamiento de Amazon HealthLake, que puede cargar automáticamente datos estructurados, pero también extraer información como los nombres de los pacientes de las notas del médico y agregarla a ese “lago” de datos. Para un diagnóstico temprano de diabetes, por ejemplo, los médicos deben analizar cientos de miles de puntos de datos de notas de donantes y recetas. “Es un esfuerzo mayúsculo”, dijo, para analizar todos esos datos. “Estas son solo piezas del rompecabezas esparcidas alrededor de diferentes silos, pero cuando se combinan, podemos obtener una imagen mucho más clara”, concluyó.

Matt Wood, vicepresidente de inteligencia artificial de AWS.

Comenta

Los comentarios en esta sección son exclusivos para suscriptores. Suscríbase aquí.