AWS: Machine Learning

En el evento organizado recientemente por Telefónica y AWS Pedro Romera – Responsable de AWS para Machine Learning, AI & Big data en Europa – presentó las novedades en este campo.

El crecimiento del uso de IA y Machine Learning

Soluciones de IA y Machine Learning existen desde hace muchos años, si bien es cierto que estaban muy focalizadas en unas industrias y casos de uso muy concretos. El cloud ha permitido que ahora se pueda extender fácilmente a cualquier industria y se están utilizando para:

  1. Automatizar y optimizar procesos y servicios existentes
  2. Enriquecer productos o servicios para diferenciarlos de la competencia. Por ejemplo usar el reconocimiento facial para facilitar el alta de un cliente en un servicio.
  3. Hacer cosas nuevas porque antes no existía tecnología o no era viable. Por ejemplo el supermercado Amazon Go, la tienda sin dependientes.

Los retos que se encuentra el Machine Learning y los data scientists actualmente son:

  1. El acceso a los datos para poder explotarlos y la calidad de los mismos
  2. Aunque se tenga un volumen importante de datos es importante saber qué hacer con ellos para que aporten un valor real al negocio
  3. Los modelos que generan los data scientists muchas veces no son fácilmente implantables por los sistemas de TI

La problemática de los datos

Romera recordó el círculo de retroalimentación de los datos: Cuántos más usuarios/clientes tengamos, más datos generamos y podremos tomar mejores decisiones que nos llevarán a mejores productos o servicios con lo que incrementaremos el número de usuarios.

También presentó la problemática de crecimiento exponencial de los datos y el incremento de su complejidad al tener datos en varios formatos con en audio o video y los que generan los sensores del IoT (Internet de las cosas), por lo que se requiere una estrategia de datos adecuada en cada empresa. Esta estrategia debe facilitar que los distintos roles en una empresa tengan acceso a los datos relevantes con las herramientas adecuadas y personalizadas para cada caso.

Cómo AWS puede ayudar

Amazon lleva más de 20 años de experiencia en Machine Learning – comenzando con el motor de recomendaciones de libros de Amazon.com, pasando por sus soluciones de gestión de inventario y logística para sus almacenes, la robótica de logística y drones hasta servicios como Alexa.

Las soluciones cloud aportan agilidad y bajo-coste para implantar soluciones de Machine Learning y permiten que empresas de cualquier tamaño puedan empezar realizando pruebas muy rápidamente – algo que antes sólo estaba a disposición de empresas capaces de realizar una inversión importante y no de una forma ágil. Además hay que tener en cuenta que el Machine Learning de basa mucho en el prueba-y-error, hay que ser capaces de hacer pruebas sin una gran inversión por si no obtenemos los resultados que esperábamos.

Los servicios de cómputo cloud de AWS proporcionan la infraestructura necesaria para el Machine Learning en modo de pago por uso.

Pero además de servicios de infraestructura AWS también ofrece servicios y plataformas.

Servicios de Machine Learning de AWS

Para ciertos casos de uso más generales AWS ya proporciona servicios pre-entrenados por AWS como pueden ser:

  • Amazon Rekognition – Análisis de vidoeo e imágenes, reconocimiento facial, tracking de personas, reconocimiento de objetos y escenas
  • Amazon Transcribe – Transformación de audio a texto, muy útil para los call centre
  • Amazon Translate – Traducción de idiomas
  • Amazon Polly – Genera voz a partir de texto
  • Amazon Comprehend – Procesamiento de lenguaje natural para descubrir información en un texto
  • Amazon Lex – El equivalente software a los dispositivos Alexa

Plataformas de Machine Learning de AWS

Para casos de uso más específicos tenemos las plataformas de ML de AWS.

Para ML tenemos que seguir estos pasos:

  1. Recoger datos
  2. Visualizar y generar un modelo para el caso de uso
  3. Si el modelo no es lo suficientemente buen, hay que refinarlo con mejores datos
  4. Pasar el modelo a producción, monitorizarlo y depurarlo
  5. Re-entrenar el modelo con nuevos datos

Amazon Sagemaker facilita el trabajo a los data scientist para seguir los pasos anteriores.

Amazon Deeplens – Cámaras en HD donde se puede desplegar en local el modelo generado con Sagemaker por ejemplo para identificar caras.

Amazon Greengrass permite correr modelos de ML en dispositivos de IoT

Ejemplos de ML en el sector turismo y viajes

Expedia – Aplicaron a 10 millones de fotos ML para saber cuáles llaman la atención al cliente en función de sus gustos personales. Han conseguido un 25% de incremento en ventas.

Hotels.com utiliza ML para analizar los reviews de los hoteles.

Un comentario

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

This site uses Akismet to reduce spam. Learn how your comment data is processed.