AWS presenta herramientas de aprendizaje automático (ML) para la ciencia de los datos en la nube

0
34
Foto AWS

Las cargas de trabajo de la inteligencia artificial (IA) y el aprendizaje automático (ML) pueden ejecutarse en cualquier lugar, incluyendo en las instalaciones on-premises, en el borde, integradas en dispositivos y en la nube.

Amazon Web Services (AWS) espera que la mayoría de las organizaciones elijan la nube, donde ofrece una creciente gama de servicios. En el evento AWS re:invent 2022 celebrado en Las Vegas, la compañía ha detallado partes de su estrategia de AI/ML (Artificial Intelligence / Aachine Learning) y ha anunciado una vertiginosa línea de actualizaciones de funciones y nuevos servicios para ayudar a las organizaciones a utilizar mejor la nube para la ciencia de los datos.

La piedra angular de la cartera de AWS AI/ML es el conjunto de servicios SageMaker. En un discurso de apertura en AWS re:invent, Swami Sivasubramanian, vicepresidente de bases de datos, análisis y ML en AWS, dijo que SageMaker permite a las organizaciones construir, entrenar e implementar modelos de ML para prácticamente cualquier caso de uso y tiene herramientas para cada paso del desarrollo de ML.

«Decenas de miles de clientes están utilizando los modelos ML de SageMaker para hacer más de un billón de predicciones al mes», dijo Sivasubramanian. «Nuestros clientes están resolviendo problemas complejos con SageMaker utilizando esos datos para construir modelos ML que van desde la optimización de las rutas de conducción para las aplicaciones de viajes compartidos hasta la aceleración del descubrimiento de fármacos.»

El ML geoespacial llega a SageMaker
Un área en la que se está mejorando el conjunto de características de SageMaker es con capacidades mejoradas de ML geoespacial.

Sivasubramanian dijo que los datos geoespaciales pueden utilizarse para una amplia variedad de casos de uso. Por ejemplo, pueden utilizarse para ayudar a optimizar el rendimiento de una cosecha agrícola, ayudar a planificar un desarrollo urbano sostenible y pueden utilizarse para identificar una nueva ubicación o región para la apertura de un negocio.

«Acceder a datos geoespaciales de alta calidad para entrenar modelos de ML requiere trabajar con múltiples fuentes de datos y múltiples proveedores», dijo. «Estos conjuntos de datos suelen ser masivos y no estructurados, lo que requiere una preparación de los datos que requiere mucho tiempo antes de poder empezar a escribir una sola línea de código para construir los modelos de ML».

Con el nuevo soporte geoespacial en SageMaker, AWS pretende facilitar a las organizaciones la construcción e implementación de modelos. Sivasubramanian dijo que el nuevo soporte permitirá a los usuarios acceder a los datos geoespaciales en SageMaker desde diferentes fuentes de datos con sólo unos pocos clics.

Las herramientas de preparación de datos geoespaciales están ahora integradas en SageMaker para ayudar a los usuarios a procesar y enriquecer grandes conjuntos de datos. SageMaker también se beneficia ahora de herramientas de visualización integradas, que permiten a los usuarios analizar los datos y explorar las predicciones de los modelos en un mapa interactivo mediante gráficos acelerados en 3D.

Sivasubramanian añadió que SageMaker ahora también proporciona redes neuronales preentrenadas incorporadas para acelerar la construcción de modelos para muchos casos de uso común geoespacial.

La gobernanza de ML recibe un impulso
A medida que las organizaciones incorporan cada vez más el ML a diferentes procesos, aumenta la necesidad de colaboración entre grupos.

La creación de permisos y reglas de gobernanza que permitan compartir modelos es otra área en la que AWS quiere ayudar a sus usuarios con nuevas capacidades en el servicio de gobernanza de ML de Amazon SageMaker. Los nuevos servicios incluyen SageMaker Role Manager, Model Cards y Model Dashboard.

Sivasubramanian dijo que SageMaker Role Manager ayuda a las organizaciones a definir permisos críticos para los usuarios, con herramientas de creación de políticas automatizadas. El servicio Model Cards consiste en crear una ubicación central autorizada para la documentación de los modelos de ML. El nuevo Model Dashboard proporciona a las organizaciones visibilidad y supervisión unificada del rendimiento de los modelos de ML.

«Se trata de capacidades de gobernanza realmente potentes que le ayudarán a construir la gobernanza de ML de forma responsable», dijo Sivasubramanian.

Fuente WEB | Editado por CambioDigital OnLine

Custom Text
Artículo anteriorEl metaverso de Apple se llamará ‘xrOs’
Artículo siguienteTesla entrega el primer camión eléctrico Semi a Pepsi