AWS nombra 6 tendencias clave que impulsan la innovación y la adopción del aprendizaje automático
Eche un vistazo a las sesiones bajo demanda de Low-Code/No-Code Summit para aprender cómo innovar con éxito y obtener eficiencias al mejorar y escalar a los desarrolladores ciudadanos. Ver ahora.
El aprendizaje automático (ML) ha experimentado una rápida transformación y adopción en los últimos años, debido a una serie de factores.
No faltan opiniones sobre por qué la inteligencia artificial (IA) y el ML están creciendo. Un informe reciente de McKinsey identificó la industrialización de ML y la IA aplicada como una de sus principales tendencias para el año. Durante una sesión en la conferencia AWS re:Invent esta semana, Bratin Saha, vicepresidente y gerente general de IA y aprendizaje automático en Amazon, describió seis tendencias clave que el gigante de la nube está viendo y que ayudan a impulsar la innovación y la adopción en 2022 y más allá.
AWS afirma tener más de 100 000 clientes para sus servicios de inteligencia artificial y aprendizaje automático. Estos servicios se dividen en tres niveles: servicios de infraestructura de ML, que permiten a las organizaciones crear sus propios modelos; SageMaker, que proporciona herramientas para crear aplicaciones; y servicios diseñados específicamente para casos de uso específicos, como la transcripción.
"El aprendizaje automático ha evolucionado de una actividad de nicho a una parte integral de cómo las empresas hacen negocios", dijo Saha durante la sesión.
EventoCumbre de Seguridad Inteligente
Obtenga más información sobre el papel esencial de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria el 8 de diciembre. Regístrese para obtener su pase gratis hoy.
Regístrate ahora Tendencia 1: la sofisticación de los modelos está aumentandoSaha dijo que en los últimos años ha habido un aumento exponencial en la sofisticación de los modelos ML. Tampoco es su uso del término hipérbole "exponencial".
Una forma de medir la sofisticación de los modelos de aprendizaje automático es contar la cantidad de parámetros que contienen. Saha explicó que los parámetros se pueden considerar como variables de valor integradas en los modelos de ML. En 2019, dijo Saha, los modelos ML de última generación tenían alrededor de 300 millones de parámetros. Avance rápido hasta 2022 y los mejores modelos ahora tienen más de 500 mil millones.
"En otras palabras, en solo tres años, la sofisticación de los modelos de aprendizaje automático ha aumentado 1600 veces", dijo Saha.
Estos modelos masivos ahora se conocen comúnmente como modelos base. Con el enfoque del modelo base, un modelo de ML puede entrenarse una vez, con un conjunto de datos masivo, y luego reutilizarse y ajustarse para una variedad de tareas diferentes. Para que las empresas puedan beneficiarse de una mayor sofisticación, con un enfoque más fácil de adoptar.
“[Los modelos básicos] reducen el costo y el esfuerzo del aprendizaje automático en un orden de magnitud”, dijo Saha.
Tendencia 2: crecimiento de datosSe utilizan volúmenes de datos cada vez mayores y diferentes tipos de datos para entrenar modelos de ML. Esta es la segunda tendencia clave identificada por Saha.
Las empresas ahora están creando modelos que se han entrenado en fuentes de datos estructurados, como texto, así como tipos de datos no estructurados, como audio y video. La capacidad de incorporar diferentes tipos de datos en modelos de ML ha llevado al desarrollo de varios servicios en AWS para ayudar en el entrenamiento de modelos.
Una de esas herramientas destacada por Saha es SageMaker Data Wrangler, que ayuda a los usuarios a manejar datos no estructurados mediante un enfoque práctico para la capacitación de ML. AWS también agregó nueva compatibilidad con datos geoespaciales en SageMaker esta semana en la conferencia re:Invent.
Tendencia 3: industrialización del aprendizaje automáticoAWS también está viendo una tendencia de creciente industrialización de ML. Esto significa una mayor estandarización de las herramientas y la infraestructura de ML, lo que permite a las organizaciones crear aplicaciones más fácilmente.
Saha dijo que industrializar el aprendizaje automático es importante porque ayuda a las organizaciones a automatizar el desarrollo y hacer...
Eche un vistazo a las sesiones bajo demanda de Low-Code/No-Code Summit para aprender cómo innovar con éxito y obtener eficiencias al mejorar y escalar a los desarrolladores ciudadanos. Ver ahora.
El aprendizaje automático (ML) ha experimentado una rápida transformación y adopción en los últimos años, debido a una serie de factores.
No faltan opiniones sobre por qué la inteligencia artificial (IA) y el ML están creciendo. Un informe reciente de McKinsey identificó la industrialización de ML y la IA aplicada como una de sus principales tendencias para el año. Durante una sesión en la conferencia AWS re:Invent esta semana, Bratin Saha, vicepresidente y gerente general de IA y aprendizaje automático en Amazon, describió seis tendencias clave que el gigante de la nube está viendo y que ayudan a impulsar la innovación y la adopción en 2022 y más allá.
AWS afirma tener más de 100 000 clientes para sus servicios de inteligencia artificial y aprendizaje automático. Estos servicios se dividen en tres niveles: servicios de infraestructura de ML, que permiten a las organizaciones crear sus propios modelos; SageMaker, que proporciona herramientas para crear aplicaciones; y servicios diseñados específicamente para casos de uso específicos, como la transcripción.
"El aprendizaje automático ha evolucionado de una actividad de nicho a una parte integral de cómo las empresas hacen negocios", dijo Saha durante la sesión.
EventoCumbre de Seguridad Inteligente
Obtenga más información sobre el papel esencial de la IA y el ML en la ciberseguridad y los estudios de casos específicos de la industria el 8 de diciembre. Regístrese para obtener su pase gratis hoy.
Regístrate ahora Tendencia 1: la sofisticación de los modelos está aumentandoSaha dijo que en los últimos años ha habido un aumento exponencial en la sofisticación de los modelos ML. Tampoco es su uso del término hipérbole "exponencial".
Una forma de medir la sofisticación de los modelos de aprendizaje automático es contar la cantidad de parámetros que contienen. Saha explicó que los parámetros se pueden considerar como variables de valor integradas en los modelos de ML. En 2019, dijo Saha, los modelos ML de última generación tenían alrededor de 300 millones de parámetros. Avance rápido hasta 2022 y los mejores modelos ahora tienen más de 500 mil millones.
"En otras palabras, en solo tres años, la sofisticación de los modelos de aprendizaje automático ha aumentado 1600 veces", dijo Saha.
Estos modelos masivos ahora se conocen comúnmente como modelos base. Con el enfoque del modelo base, un modelo de ML puede entrenarse una vez, con un conjunto de datos masivo, y luego reutilizarse y ajustarse para una variedad de tareas diferentes. Para que las empresas puedan beneficiarse de una mayor sofisticación, con un enfoque más fácil de adoptar.
“[Los modelos básicos] reducen el costo y el esfuerzo del aprendizaje automático en un orden de magnitud”, dijo Saha.
Tendencia 2: crecimiento de datosSe utilizan volúmenes de datos cada vez mayores y diferentes tipos de datos para entrenar modelos de ML. Esta es la segunda tendencia clave identificada por Saha.
Las empresas ahora están creando modelos que se han entrenado en fuentes de datos estructurados, como texto, así como tipos de datos no estructurados, como audio y video. La capacidad de incorporar diferentes tipos de datos en modelos de ML ha llevado al desarrollo de varios servicios en AWS para ayudar en el entrenamiento de modelos.
Una de esas herramientas destacada por Saha es SageMaker Data Wrangler, que ayuda a los usuarios a manejar datos no estructurados mediante un enfoque práctico para la capacitación de ML. AWS también agregó nueva compatibilidad con datos geoespaciales en SageMaker esta semana en la conferencia re:Invent.
Tendencia 3: industrialización del aprendizaje automáticoAWS también está viendo una tendencia de creciente industrialización de ML. Esto significa una mayor estandarización de las herramientas y la infraestructura de ML, lo que permite a las organizaciones crear aplicaciones más fácilmente.
Saha dijo que industrializar el aprendizaje automático es importante porque ayuda a las organizaciones a automatizar el desarrollo y hacer...
What's Your Reaction?
