Hoy, Amazon anunció un nuevo enfoque que dice que pondrá la tecnología de aprendizaje automático al alcance de más desarrolladores y usuarios de línea de negocios. Amazon ha estado haciendo una serie de anuncios antes de su conferencia de clientes re:Invent la próxima semana en Las Vegas.
Si bien la empresa ofrece muchas herramientas para que los científicos de datos construyan modelos de aprendizaje automático y procesen, almacenen y visualicen datos, quiere poner esa capacidad directamente en manos de los desarrolladores con la ayuda del popular lenguaje de consulta de bases de datos, SQL.
Al aprovechar herramientas como Amazon QuickSight, Aurora y Athena en combinación con consultas SQL, los desarrolladores pueden tener un acceso mucho más directo a los modelos de aprendizaje automático y los datos subyacentes sin necesidad de codificación adicional, dice el vicepresidente de inteligencia artificial de AWS, Matt Wood.
“Este anuncio tiene que ver con facilitar a los desarrolladores agregar predicciones de aprendizaje automático a sus productos y procesos al integrar esas predicciones directamente con sus bases de datos”, dijo Wood a TechCrunch.
Para empezar, Wood dice que los desarrolladores pueden aprovechar Aurora, la base de datos compatible con MySQL (y Postgres) de la empresa para crear una consulta SQL simple en una aplicación, que extraerá automáticamente los datos a la aplicación y ejecutará cualquier modelo de aprendizaje automático que el desarrollador asocie. con eso.
La segunda pieza involucra a Athena, el servicio de consulta sin servidor de la compañía. Al igual que con Aurora, los desarrolladores pueden escribir una consulta SQL (en este caso, en cualquier almacén de datos) y, en función del modelo de aprendizaje automático que elijan, devolver un conjunto de datos para usar en una aplicación.
La pieza final es QuickSight, que es la herramienta de visualización de datos de Amazon. Usando una de las otras herramientas para devolver algún conjunto de datos, los desarrolladores pueden usar esos datos para crear visualizaciones basadas en ellos dentro de cualquier aplicación que estén creando.
“Al hacer que las predicciones de ML sofisticadas estén más fácilmente disponibles a través de consultas SQL y tableros, los cambios que anunciamos hoy ayudan a que el ML sea más útil y accesible para los desarrolladores de bases de datos y los analistas de negocios. Ahora cualquiera que pueda escribir SQL puede hacer, y lo que es más importante, usar, predicciones en sus aplicaciones sin ningún código personalizado”, escribió Matt Asay de Amazon. en una entrada de blog anunciando estas nuevas capacidades.
Asay agregó que este enfoque es mucho más fácil que lo que los desarrolladores tenían que hacer en el pasado para lograrlo. “A menudo se requiere una gran cantidad de trabajo manual complicado para tomar estas predicciones y hacerlas parte de una aplicación, un proceso o un panel de análisis más amplio”, escribió.
Como ejemplo, Wood ofrece un modelo de puntuación de clientes potenciales que puede usar para elegir los objetivos de ventas más probables para convertir. “Hoy en día, para realizar la puntuación de clientes potenciales, debe conectar todas estas piezas para poder introducir las predicciones en la aplicación”, dijo. Con esta nueva capacidad, puede llegar mucho más rápido.
“Ahora, como desarrollador, solo puedo decir que tengo este modelo de calificación de clientes potenciales que se implementa en SageMaker, y todo lo que tengo que hacer es escribir literalmente una declaración SQL que hago todo el día en Aurora, y puedo comenzar a volver que conducen a la información de puntuación. Y luego simplemente lo muestro en mi aplicación y listo”, explicó Wood.
En cuanto a los modelos de aprendizaje automático, estos pueden venir prediseñados de Amazon, ser desarrollados por un equipo de ciencia de datos interno o comprarse en un mercado de modelos de aprendizaje automático en Amazon, dice Wood.
Los anuncios de hoy de Amazon están diseñados para simplificar el aprendizaje automático y el acceso a datos, y reducir la cantidad de codificación para pasar de la consulta a la respuesta más rápido.
Source link