El aprendizaje automático en la nube está ayudando a las empresas a innovar

En asociación con AWS

En la última década, el aprendizaje automático se ha convertido en una tecnología familiar para mejorar la eficiencia y la precisión de procesos como recomendaciones, pronósticos de la cadena de suministro, desarrollo de chatbots, búsqueda de imágenes y texto y funciones automatizadas de servicio al cliente, por nombrar algunos. Hoy en día, el aprendizaje automático se está volviendo aún más generalizado e impacta en todos los segmentos del mercado y la industria, incluida la fabricación, las plataformas SaaS, la atención médica, las reservas y el enrutamiento de atención al cliente, las tareas de procesamiento de lenguaje natural (NLP) como el procesamiento inteligente de documentos e incluso los servicios de alimentos.

Tomemos el caso de Domino's Pizza, que ha estado utilizando herramientas de aprendizaje automático creadas para mejorar la eficiencia en la producción de pizza. Domino's tenía un proyecto llamado Proyecto 3/10, cuyo objetivo era tener una pizza lista para ser recogida dentro de los tres minutos posteriores a un pedido, o tenerla entregada dentro de los 10 minutos posteriores a un pedido, dice el Dr. Bratin Saha, vicepresidente y gerente general de máquinas. servicios de aprendizaje para Amazon AI. Si desea alcanzar esos objetivos, debe poder predecir cuándo llegará un pedido de pizza. Utilizan modelos predictivos de aprendizaje automático para lograrlo.

El reciente aumento del aprendizaje automático en diversas industrias ha sido impulsado por mejoras en otras áreas tecnológicas, dice Saha, entre las cuales se encuentra el poder de cómputo cada vez mayor en los centros de datos en la nube.

En los últimos años, explica Saha, la cantidad de cómputo total que se puede arrojar a los problemas de aprendizaje automático se ha duplicado casi cada cuatro meses. Eso es de 5 a 6 veces más que la Ley de Moore. Como resultado, muchas funciones que antes solo podían ser realizadas por humanos, como detectar un objeto o comprender el habla, están siendo realizadas por computadoras y modelos de aprendizaje automático.

En AWS, todo lo que hacemos funciona desde el cliente y descubriendo cómo reducimos sus puntos débiles y cómo les facilitamos el aprendizaje automático. En la parte inferior de la pila de servicios de aprendizaje automático, estamos innovando en la infraestructura de aprendizaje automático para que podamos hacer que sea más barato para los clientes realizar el aprendizaje automático y más rápido para los clientes. Ahí tenemos dos innovaciones de AWS. Uno es Inferentia y el otro es Trainium.

Los casos de uso actuales del aprendizaje automático que ayudan a las empresas a optimizar el valor de sus datos para realizar tareas y mejorar los productos son solo el comienzo, dice Saha.

El aprendizaje automático se volverá más generalizado. Las empresas verán que pueden transformar fundamentalmente la forma en que hacen negocios. Verán que están transformando fundamentalmente la experiencia del cliente y adoptarán el aprendizaje automático.

Mostrar notas y referencias

Infraestructura de aprendizaje automático de AWS

Transcripción completa

Laurel Ruma : De MIT Technology Review, soy Laurel Ruma. Este es Business Lab, el programa que ayuda a los líderes empresariales a dar sentido a las nuevas tecnologías que salen del laboratorio y se introducen en el mercado.

Nuestro tema de hoy es el aprendizaje automático en la nube. En todas las industrias, el aumento exponencial de la recopilación de datos exige formas más rápidas y novedosas de analizar los datos, pero también aprender de ellos para tomar mejores decisiones comerciales. Así es como el aprendizaje automático en la nube ayuda a impulsar la innovación para las empresas, desde nuevas empresas hasta jugadores heredados.

Dos palabras para usted: innovación de datos. Mi invitado es el Dr. Bratin Saha, vicepresidente y gerente general de servicios de aprendizaje automático de Amazon AI. Ha ocupado puestos ejecutivos en NVIDIA e Intel. Este episodio de Business Lab se produce en asociación con AWS. Bienvenido, Bratín.

bratin saha : Gracias por recibirme, Laurel. Es genial estar aquí.

Laurel: En primer lugar, ¿podría dar algunos ejemplos de cómo los clientes de AWS utilizan el aprendizaje automático para resolver sus problemas comerciales?

Bratín : Comencemos con la definición de lo que entendemos por aprendizaje automático. El aprendizaje automático es un proceso en el que una computadora y un algoritmo pueden usar datos, generalmente datos históricos, para comprender patrones y luego usar esa información para hacer predicciones sobre el futuro. Las empresas han estado utilizando el aprendizaje automático para hacer una variedad de cosas, como personalizar recomendaciones, mejorar el pronóstico de la cadena de suministro, crear chatbots, usarlo en el cuidado de la salud, etc.

Por ejemplo, Autodesk pudo usar la infraestructura de aprendizaje automático que tenemos para sus chatbots para mejorar su capacidad de manejar solicitudes casi cinco veces. Pudieron usar los chatbots mejorados para responder a más de 100 000 preguntas de clientes por mes.

Luego está Nerd Wallet. Nerd Wallet es una startup de finanzas personales que no personalizó las recomendaciones que daban a los clientes según sus preferencias. Ahora usan los servicios de aprendizaje automático de AWS para adaptar las recomendaciones a lo que una persona realmente quiere ver, lo que ha mejorado significativamente su negocio.

Luego tenemos clientes como Thomson Reuters. Thomson Reuters es uno de los proveedores de respuestas más confiables del mundo, con equipos de expertos. Usan el aprendizaje automático para extraer datos para conectar y organizar la información para que les resulte más fácil proporcionar respuestas a las preguntas.

En el sector financiero, hemos visto una gran aceptación de las aplicaciones de aprendizaje automático. Una empresa, por ejemplo, es un proveedor de servicios de pago, pudo construir un modelo de detección de fraude en solo 30 minutos.

La razón por la que les doy tantos ejemplos es para mostrar cómo el aprendizaje automático se está generalizando. Va a través de geolocalizaciones, a través de segmentos de mercado y es utilizado por empresas de todo tipo. Tengo algunos otros ejemplos que quiero compartir para mostrar cómo el aprendizaje automático también está afectando industrias como la fabricación, la entrega de alimentos, etc.

Domino's Pizza, por ejemplo, tenía un proyecto llamado Proyecto 3/10, en el que querían tener una pizza lista para ser recogida dentro de los tres minutos posteriores a un pedido, o que se la entregaran dentro de los 10 minutos posteriores a un pedido. Si desea alcanzar esos objetivos, debe poder predecir cuándo llegará un pedido de pizza. Usan modelos de aprendizaje automático para ver el historial de pedidos. Luego usan el modelo de aprendizaje automático que se entrenó en ese historial de pedidos. Luego pudieron usar eso para predecir cuándo llegaría un pedido, y pudieron implementar esto en muchas tiendas, y pudieron alcanzar los objetivos.

El aprendizaje automático se ha generalizado en la forma en que nuestros clientes hacen negocios. Está empezando a ser adoptado en prácticamente todas las industrias. Tenemos más de varios cientos de miles de clientes que utilizan nuestros servicios de aprendizaje automático. Uno de nuestros servicios de aprendizaje automático, Amazon SageMaker, ha sido uno de los servicios de más rápido crecimiento en la historia de AWS.

Laurel : Solo para recapitular, los clientes pueden usar los servicios de aprendizaje automático para resolver una serie de problemas. Algunos de los problemas de alto nivel serían un motor de recomendación, búsqueda de imágenes, búsqueda de texto y atención al cliente, pero luego, también, mejorar la calidad del producto en sí.

Me gusta el ejemplo de Domino's Pizza. Todos entienden cómo puede funcionar un negocio de pizza. Pero si el objetivo es entregar las pizzas lo más rápido posible, para aumentar la satisfacción del cliente, Domino's tenía que estar en un lugar para recopilar datos, poder analizar esos datos históricos sobre cuándo llegaron los pedidos, qué tan rápido entregaron esos pedidos, con qué frecuencia la gente pidió lo que pidió, etcétera. En eso se basó el modelo de predicción, ¿correcto?

Bratín : Sí. Hizo una pregunta sobre cómo pensamos acerca de los servicios de aprendizaje automático. Si observa la pila de aprendizaje automático de AWS, lo consideramos un servicio de tres capas. La capa inferior es la infraestructura de aprendizaje automático.

Lo que quiero decir con esto es que cuando tienes un modelo, estás entrenando al modelo para predecir algo. Luego, las predicciones son donde haces esta cosa llamada inferencia. En la capa inferior, proporcionamos la infraestructura más optimizada para que los clientes puedan crear sus propios sistemas de aprendizaje automático.

Luego hay una capa encima de eso, donde los clientes vienen y nos dicen: '¿Sabes qué? Solo quiero centrarme en el aprendizaje automático. No quiero construir una infraestructura de aprendizaje automático.' Aquí es donde entra en juego Amazon SageMaker.

Luego hay una capa encima de eso, que es lo que llamamos servicios de IA, donde tenemos modelos preentrenados que se pueden usar para muchos casos de uso.

Entonces, vemos el aprendizaje automático como tres capas. Diferentes clientes usan servicios en diferentes capas, según lo que quieren, según el tipo de experiencia en ciencia de datos que tienen y según el tipo de inversiones que desean realizar.

La otra parte de nuestra visión se remonta a lo que mencionaste al principio, que son los datos y la innovación. El aprendizaje automático se trata fundamentalmente de obtener información de los datos y usar esa información para hacer predicciones sobre el futuro. Luego, usa esas predicciones para obtener valor comercial.

En el caso de Domino's Pizza, hay datos sobre patrones de pedidos históricos que se pueden usar para predecir patrones de pedidos futuros. El valor comercial allí es mejorar el servicio al cliente al preparar los pedidos a tiempo. Otro ejemplo es Freddy's Frozen Custard, que utilizó el aprendizaje automático para personalizar los menús. Como resultado de eso, pudieron obtener un aumento de dos dígitos en las ventas. Entonces, realmente se trata de tener datos y luego usar el aprendizaje automático para obtener información de esos datos. Una vez que haya obtenido información de esos datos, podrá utilizar esa información para generar mejores resultados comerciales. Esto se remonta a lo que mencionaste al principio: comienzas con datos y luego usas el aprendizaje automático para innovar sobre ellos.

Laurel : ¿Cuáles son algunos de los desafíos que enfrentan las organizaciones cuando comienzan sus viajes de aprendizaje automático?

Bratín : Lo primero es recopilar datos y asegurarse de que estén bien estructurados, datos limpios, que no tengan muchas anomalías. Luego, debido a que los modelos de aprendizaje automático generalmente mejoran si puede entrenarlos con más y más datos, debe continuar recopilando grandes cantidades de datos. A menudo vemos a los clientes crear lagos de datos en la nube, como en Amazon S3, por ejemplo. Entonces, el primer paso es ordenar sus datos y luego crear potencialmente lagos de datos en la nube que puede usar para alimentar su innovación basada en datos.

El siguiente paso es establecer la infraestructura adecuada. Ahí es donde algunos clientes dicen: 'Mire, solo quiero construir toda la infraestructura yo mismo', pero la gran mayoría de los clientes dicen: 'Mire, solo quiero poder usar un servicio administrado porque no quiero tienen que invertir en la construcción de la infraestructura y el mantenimiento de la infraestructura, y así sucesivamente.

El siguiente es elegir un caso de negocio. Si no ha hecho aprendizaje automático antes, entonces quiere comenzar con un caso de negocios que conduzca a un buen resultado comercial. A menudo, lo que puede suceder con el aprendizaje automático es ver que es genial, hacer algunas demostraciones realmente geniales, pero eso no se traduce en resultados comerciales, por lo que comienza experimentos y realmente no obtiene el soporte que necesita.

Finalmente, necesita compromiso porque el aprendizaje automático es un proceso muy iterativo. Estás entrenando a un modelo. Es posible que el primer modelo que entrene no le proporcione los resultados que desea. Hay un proceso de experimentación e iteración por el que debe pasar, y puede llevarle algunos meses obtener resultados. Entonces, armar un equipo y brindarles el apoyo que necesitan es la parte final.

Si tuviera que poner esto en términos de una secuencia de pasos, es importante tener datos y una cultura de datos. En la mayoría de los casos, es importante que los clientes elijan usar un servicio administrado para crear y entrenar sus modelos en la nube, simplemente porque obtienen el almacenamiento y la computación mucho más fácilmente. El tercero es elegir un caso de uso que tendrá valor comercial, para que su empresa sepa que esto es algo que desea implementar a escala. Y luego, finalmente, sea paciente y esté dispuesto a experimentar e iterar, porque a menudo toma un poco de tiempo obtener los datos que necesita para entrenar bien los modelos y realmente obtener el valor comercial.

Laurel : Cierto, porque no es algo que pase de la noche a la mañana.

Bratín : No sucede de la noche a la mañana.

Laurel : ¿Cómo se preparan las empresas para aprovechar los datos? Porque, como dijiste, este es un proceso de cuatro pasos, pero aún debes tener paciencia al final para ser iterativo y experimental. Por ejemplo, ¿tiene ideas sobre cómo las empresas pueden pensar en sus datos de manera que estén mejor preparadas para ver el éxito, tal vez con su primer experimento, y luego tal vez ser un poco más aventureros a medida que prueban otros conjuntos de datos u otras formas? de acercarse a los datos?

Bratín : Sí. Las empresas suelen comenzar con un caso de uso en el que tienen un historial de buenos datos. Lo que quiero decir con un historial de tener buenos datos es que tienen un registro de las transacciones que se han realizado, y la mayoría de los registros son precisos. Por ejemplo, no tiene muchas transacciones de registro vacías.

Por lo general, hemos visto que el nivel de madurez de los datos varía entre las diferentes partes de una empresa. Comienzas con la parte de una empresa donde la cultura de datos es mucho más frecuente. Comienza desde allí para que tenga un registro de las transacciones históricas que almacenó. Realmente desea tener datos bastante densos para usar para entrenar sus modelos.

Laurel : ¿Por qué ahora es el momento adecuado para que las empresas empiecen a pensar en implementar el aprendizaje automático en la nube?

Bratín : Creo que ahora hay una confluencia de factores. Una es que el aprendizaje automático realmente ha despegado en los últimos cinco años. Esto se debe a que la cantidad de cómputo disponible ha aumentado a un ritmo muy rápido. Si regresa a la revolución de TI, la revolución de TI fue impulsada por la Ley de Moore. Bajo la Ley de Moore, el cómputo se duplicó cada 18 meses.

En los últimos años, la cantidad de cómputo total se ha duplicado casi cada cuatro meses. Eso es cinco veces más que la Ley de Moore. La cantidad de progreso que hemos visto en los últimos cuatro o cinco años ha sido realmente asombrosa. Como resultado, muchas funciones que alguna vez solo podían realizar los humanos, como detectar un objeto o comprender el habla, están siendo realizadas por computadoras y modelos de aprendizaje automático. Como resultado de eso, se están liberando muchas capacidades. Eso es lo que ha llevado a este enorme aumento en la aplicabilidad del aprendizaje automático: puede usarlo para la personalización, puede usarlo en el cuidado de la salud y las finanzas, puede usarlo para tareas como predicción de abandono, detección de fraude, etc.

Una de las razones por las que ahora es un buen momento para comenzar con el aprendizaje automático en la nube es la enorme cantidad de progreso en los últimos años que está liberando estas nuevas capacidades que antes no eran posibles.

La segunda razón es que muchos de los servicios de aprendizaje automático que se crean en la nube hacen que el aprendizaje automático sea accesible para muchas más personas. Incluso si observa hace cuatro o cinco años, el aprendizaje automático era algo que solo los profesionales muy expertos podían hacer y solo unas pocas empresas podían hacerlo porque tenían profesionales expertos. Hoy, tenemos más de cien mil clientes que utilizan nuestros servicios de aprendizaje automático. Eso te dice que el aprendizaje automático se ha democratizado en gran medida, por lo que muchas más empresas pueden comenzar a utilizar el aprendizaje automático y transformar su negocio.

Luego viene la tercera razón, que es que tiene capacidades increíbles que ahora son posibles, y tiene herramientas basadas en la nube que están democratizando estas capacidades. La forma más fácil de acceder a estas herramientas y estas capacidades es a través de la nube porque, en primer lugar, proporciona la base de cómputo y datos. El aprendizaje automático se trata, en esencia, de arrojar una gran cantidad de cómputo sobre los datos. En la nube, obtiene acceso a la informática más reciente. Paga sobre la marcha y no tiene que hacer grandes inversiones por adelantado para configurar granjas de cómputo. También obtiene todo el almacenamiento, la seguridad, la privacidad y el cifrado, etc., toda esa infraestructura central que se necesita para poner en marcha el aprendizaje automático.

Laurel : Entonces, Bratin, ¿cómo innova AWS para ayudar a las organizaciones con el aprendizaje automático, el entrenamiento de modelos y la inferencia?

Bratín : En AWS, todo lo que hacemos funciona desde el cliente y descubriendo cómo reducimos sus puntos débiles y cómo les facilitamos el aprendizaje automático. En la parte inferior de la pila de servicios de aprendizaje automático, estamos innovando en la infraestructura de aprendizaje automático para que podamos hacer que sea más barato para los clientes realizar el aprendizaje automático y más rápido para los clientes. Ahí tenemos dos innovaciones de AWS. Uno es Inferentia y el otro es Trainium. Estos son chips personalizados que diseñamos en AWS que están diseñados específicamente para la inferencia, que es el proceso de hacer predicciones de aprendizaje automático, y para el entrenamiento. Inferentia hoy proporciona las instancias de inferencia de menor costo en la nube. Y Trainium, cuando esté disponible a finales de este año, proporcionará las instancias de capacitación más potentes y rentables en la nube.

Tenemos varios clientes que usan Inferentia hoy. Autodesk usa Inferentia para alojar sus modelos de bots conversacionales y pudieron mejorar el costo y las latencias casi cinco veces. Airbnb tiene más de cuatro millones de anfitriones que dan la bienvenida a más de 900 millones de huéspedes en casi todos los países. Airbnb vio una mejora del doble en el rendimiento al usar las instancias de Inferentia, lo que significa que pudieron atender casi el doble de solicitudes de atención al cliente de lo que hubieran podido hacer de otra manera. Otra empresa llamada Sprinklr desarrolla una plataforma de experiencia del cliente SaaS y tiene una plataforma de gestión de experiencia del cliente unificada impulsada por IA. Pudieron implementar los modelos de procesamiento de lenguaje natural en Inferentia y también observaron mejoras significativas en el rendimiento.

Incluso internamente, nuestro equipo de Alexa pudo trasladar sus inferencias de las GPU a los sistemas basados ​​en Inferentia, y vieron una mejora de más del 50 % en el costo gracias a estos sistemas basados ​​en Inferentia. Entonces, tenemos eso en la capa más baja de la infraestructura. Además de eso, tenemos los servicios administrados, donde estamos innovando para que los clientes sean mucho más productivos. Ahí es donde tenemos SageMaker Studio, que es el primer IDE del mundo, que ofrece herramientas como depuradores y generadores de perfiles y explicabilidad, y una gran cantidad de otras herramientas, como una herramienta de preparación de datos visuales, que hacen que los clientes sean mucho más productivos. Además, tenemos servicios de IA en los que proporcionamos modelos preentrenados para casos de uso como búsqueda y procesamiento de documentos (Kendra para búsqueda, Textract para procesamiento de documentos, reconocimiento de imágenes y videos) donde estamos innovando para que sea más fácil para los clientes. para abordar estos casos de uso desde el primer momento.

Laurel : Por lo tanto, hay algunos beneficios, sin duda, para los servicios de aprendizaje automático en la nube, como un mejor servicio al cliente, una mejor calidad y, con suerte, mayores ganancias, pero ¿qué indicadores clave de rendimiento son importantes para el éxito de los proyectos de aprendizaje automático? ¿Por qué estos indicadores en particular son tan importantes?

Bratín : Estamos trabajando desde el cliente, trabajando desde los puntos débiles en función de lo que los clientes nos dicen e inventando en nombre de los clientes para ver cómo podemos innovar para facilitarles el aprendizaje automático. Una parte del aprendizaje automático, como mencioné, son las predicciones. A menudo, el gran costo del aprendizaje automático en términos de infraestructura está en la inferencia. Es por eso que presentamos Inferentia, que hoy en día son las instancias de aprendizaje automático más rentables en la nube. Entonces, estamos innovando a nivel de hardware.

También anunciamos Tranium. Esas serán las instancias de capacitación más poderosas y rentables en la nube. Por lo tanto, primero estamos innovando en la capa de infraestructura para poder brindarles a los clientes la computación más rentable.

A continuación, hemos estado analizando los puntos débiles de lo que se necesita para crear un servicio de ML. Necesita servicios de recopilación de datos, necesita una forma de configurar una infraestructura distribuida, necesita una forma de configurar un sistema de inferencia y poder escalarlo automáticamente, y así sucesivamente. Hemos estado pensando mucho en cómo construir esta infraestructura e innovación en torno a los clientes.

Luego, hemos estado analizando algunos de los casos de uso. Entonces, para muchos de estos casos de uso, ya sea búsqueda, reconocimiento y detección de objetos o procesamiento inteligente de documentos, tenemos servicios que los clientes pueden usar directamente. Y seguimos innovando en nombre de ellos. Estoy seguro de que presentaremos muchas más características este año y el próximo para ver cómo podemos facilitar a nuestros clientes el uso del aprendizaje automático.

Laurel : ¿Qué indicadores clave de rendimiento son importantes para el éxito de los proyectos de aprendizaje automático? Hablamos un poco sobre cómo le gusta mejorar el servicio al cliente y la calidad y, por supuesto, aumentar las ganancias, pero asignar un KPI a un modelo de aprendizaje automático es algo un poco diferente. ¿Y por qué son tan importantes?

Bratín : Para asignar los KPI, debe trabajar desde su caso de uso. Entonces, supongamos que desea utilizar el aprendizaje automático para reducir el fraude. Su KPI general es, ¿cuál fue la reducción en la detección de fraude? O digamos que quiere usarlo para reducir la rotación. Tienes un negocio, tus clientes vienen, pero un cierto número de ellos se están acabando. Entonces, desea comenzar con, ¿cómo reduzco la rotación de mis clientes en un porcentaje? Entonces, comienza con el KPI de nivel superior, que es un resultado comercial que desea lograr y cómo obtener una mejora en ese resultado comercial.

Tomemos el ejemplo de predicción de abandono. Al final del día, lo que sucede es que tiene un modelo de aprendizaje automático que usa datos y la cantidad de capacitación que tuvo para hacer ciertas predicciones sobre qué cliente abandonará. Eso se reduce, entonces, a la precisión del modelo. Si el modelo dice que 100 personas se van a retirar, ¿cuántas de ellas se retirarán realmente? Entonces, eso se convierte en una cuestión de precisión. Y luego también desea ver qué tan bien el modelo de aprendizaje automático detectó todos los casos.

Entonces, hay dos aspectos de la calidad que estás buscando. Una es, de las cosas que predijo el modelo, ¿cuántas de ellas sucedieron realmente? Digamos que este modelo predijo que estos 100 clientes van a abandonar. ¿Cuántos de ellos realmente se baten? Y digamos que 95 de ellos realmente abandonan. Entonces, tienes una precisión del 95% allí. El otro aspecto es, supongamos que está ejecutando este negocio y tiene 1000 clientes. Y digamos que en un año en particular, 200 de ellos se batieron. ¿Cuántos de esos 200 predijo el modelo que realmente abandonarían? Eso se llama recuerdo, que es, dado el conjunto total, ¿cuánto puede predecir el modelo de aprendizaje automático? Entonces, fundamentalmente, comienzas con esta métrica comercial, que es el resultado que quiero obtener, y luego puedes convertir esto en métricas de precisión del modelo en términos de precisión, que es qué tan preciso fue el modelo al predecir ciertas cosas. y luego recordar, qué tan exhaustivo o completo fue el modelo al detectar todas las situaciones.

Entonces, en un nivel alto, estas son las cosas que estás buscando. Y luego bajará a las métricas de nivel inferior. Los modelos se ejecutan en ciertas instancias en ciertas piezas de cómputo: ¿cuál fue el costo de la infraestructura y cómo reduzco esos costos? Estos servicios, por ejemplo, se utilizan para manejar picos durante Prime Day o Black Friday, y así sucesivamente. Entonces, llegas a esas métricas de nivel inferior, que es, ¿puedo manejar aumentos repentinos en el tráfico? Es realmente un conjunto jerárquico de KPI. Comience con la métrica comercial, continúe con las métricas del modelo y luego continúe con las métricas de la infraestructura.

Laurel : Cuando piensa en el aprendizaje automático en la nube en los próximos tres a cinco años, ¿qué está viendo? Qué estás pensando? ¿Qué pueden hacer las empresas ahora para prepararse para lo que vendrá?

Bratín : Creo que lo que sucederá es que el aprendizaje automático será más generalizado. Porque lo que sucederá es que los clientes verán que pueden transformar fundamentalmente la forma de hacer negocios. Las empresas verán que fundamentalmente están transformando la experiencia del cliente y adoptarán el aprendizaje automático. También hemos visto eso en Amazon: tenemos una larga historia de inversión en aprendizaje automático. Hemos estado haciendo esto durante más de 20 años y hemos cambiado la forma en que atendemos a los clientes con amazon.com o Alexa o Amazon Go, Prime. Y ahora con AWS, donde hemos tomado este conocimiento que hemos adquirido durante las últimas dos décadas de implementar el aprendizaje automático a escala y lo estamos poniendo a disposición de nuestros clientes ahora. Entonces, creo que veremos una aceptación mucho más rápida del aprendizaje automático.

Luego veremos muchos casos de uso amplio como el procesamiento inteligente de documentos, una gran cantidad de procesamiento basado en papel, se automatizará porque un modelo de aprendizaje automático ahora puede escanear esos documentos e inferir información de ellos, inferir información semántica, no solo la sintaxis. Si piensa en procesos basados ​​en papel, ya sea procesamiento de préstamos e hipotecas, mucho de eso se automatizará. Luego, también estamos viendo que las empresas se vuelven mucho más eficientes en términos de personalización, como pronósticos, pronósticos de la cadena de suministro, pronósticos de demanda, etc.

Estamos viendo una gran aceptación del aprendizaje automático en la salud. Tenemos clientes, GE por ejemplo, utiliza un servicio de aprendizaje automático para radiología. Utilizan el aprendizaje automático para escanear imágenes de radiología para determinar cuáles son más graves y, por lo tanto, desea que los pacientes lleguen temprano. También estamos viendo el potencial y la oportunidad de utilizar el aprendizaje automático en genómica para la medicina de precisión. Entonces, creo que va a haber mucha innovación con el aprendizaje automático en el cuidado de la salud.

Veremos mucho aprendizaje automático en la fabricación. Muchos procesos de fabricación serán más eficientes, se automatizarán y serán más seguros gracias al aprendizaje automático.

Entonces, veo que en los próximos cinco a 10 años, elija cualquier dominio, como deportes, NFL, NASCAR, Bundesliga, todos usan nuestros servicios de aprendizaje automático. NFL usa Amazon SageMaker para brindarles a sus fanáticos una experiencia más inmersiva a través de Next Gen Stats. Bundesliga utiliza nuestros servicios de aprendizaje automático para hacer una variedad de predicciones y brindar una experiencia mucho más inmersiva. Lo mismo con NASCAR. NASCAR tiene una gran cantidad de historial de datos de sus carreras, y lo están usando para entrenar modelos para brindar una experiencia mucho más inmersiva a sus espectadores porque pueden predecir mucho más fácilmente lo que sucederá. Entonces, deportes, entretenimiento, servicios financieros, cuidado de la salud, manufactura, creo que veremos mucha más aceptación del aprendizaje automático y haremos del mundo un lugar más inteligente, más saludable y más seguro.

Laurel : Qué gran conversación. Muchas gracias Bratin por acompañarnos en Business Lab.

Bratín : Gracias. Gracias por tenerme. Fue muy agradable hablar contigo.

Laurel : Ese fue el Dr. Bratin Saha, vicepresidente y gerente general de Servicios de aprendizaje automático de Amazon AI, con quien hablé desde Cambridge, Massachusetts, la sede del MIT y MIT Technology Review con vista al río Charles. Eso es todo por este episodio de Business Law. Soy su anfitrión, Laurel Ruma. Soy el director de Insights, la división de publicaciones personalizadas de MIT Technology Review. Fuimos fundados en 1899 en el Instituto Tecnológico de Massachusetts. Y también nos puede encontrar impresos en la web y en eventos cada año en todo el mundo. Para obtener más información sobre nosotros y la feria, visite nuestro sitio web en technologyreview.com. Este programa está disponible dondequiera que obtenga sus podcasts. Si disfrutaste este episodio, esperamos que te tomes un momento para calificarnos y comentarnos. Business Lab es una producción de MIT Technology Review. Este episodio fue producido por Collective Next. Gracias por su atención.

esconder