Caso de Éxito – Uso de Amazon SageMaker para combatir la deserción y fallo escolar de la educación brasileña.

Bruno Silveira, Arquitecto de Soluciones para Socios ISV, Sector Público de Brasil
Claick Oliveira, Arquitecto de Soluciones, Educación, Sector Público de Brasil
Bruno Bitencourt, Científico de Datos, Betha Systems
Luan Figueredo, Arquitecto de Sistemas, Betha Systems
Daniel Camilo, Gerente de Producto, Betha Systems

Con más de 30 años de actividad en el mercado, Betha Sistemas es una empresa especializada en el desarrollo y comercialización de software de gestión para administraciones públicas municipales, estatales y federales, incluyendo soporte técnico. Con sede en Criciúma (SC), la compañía tiene sus soluciones en operación en más de 800 municipios, sirviendo a casi 1,2 millones de usuarios

Resumen

El 2016, Brasil gastó casi 16 mil millones R$ en alrededor de 3 millones de estudiantes de educación primaria que reprobaron, equivalente al 10,26% de los estudiantes de escuelas públicas, según el análisis de IDados de los últimos datos del Censo Escolar. La cantidad se refiere al costo total de los estudiantes que necesitaban rehacer un curso, e incluye gastos que van desde suministros escolares hasta salarios de maestros. También en 2016, un total del 7,5% de los estudiantes de las escuelas públicas abandonaron la escuela en la escuela secundaria, y otro 3,5% en los últimos años de la escuela primaria.

Costo social

Según el estudio de Insper, cada joven que no termina la escuela secundaria cuesta al país alrededor de 95 mil R$. Esta suma consta de las siguientes estimaciones de gastos:

• Pérdida de salario y productividad — 49 mil R$;
• Gastos en policía, justicia y sistema penitenciario: 18.000 reales;
• Gastos médicos, hospital y ausencias en el trabajo — R$ 28 mil.

Se estima que 1,3 millones de jóvenes no asisten a la escuela en Brasil, lo que representa un total de 124B R$ de gasto, lo que conlleva a que las personas y la sociedad pierdan ingresos y calidad de vida.

El reto

Realizar análisis de deserción y reprobación escolar de forma manual tiene enormes costos financieros y operativos, además del tiempo que se tardaría en tener resultados para basar la toma de decisiones para prevenir o incluso remediar situaciones actuales. Ahí es donde Betha creó una solución utilizando los servicios de AWS para crear un modelo de aprendizaje automático para que pudiera establecer predicciones y anticipar posibles situaciones de evasión o fracaso escolar en sus clientes de educación del sector público.

La Solución

La solución creada por Betha utiliza servicios como Amazon S3, AWS Glue, AWS Step Functions y Amazon Sagemaker para el entrenamiento de modelos predictivos y análisis .
En este proyecto vamos a separar la solución en dos partes, la primera será la arquitectura de entrenamiento del modelo de Machine Learning y la segunda será la arquitectura de predicción que utiliza el modelo entrenado en la primera arquitectura.

Entrenamiento del Modelo

Para el entrenamiento del modelo se creó la siguiente arquitectura:

La primera parte de la solución utiliza Amazon RDS como base de datos transaccional de origen para el entrenamiento del modelo. Como buena práctica, se copia de las tablas requeridas en el bucket raw de Amazon S3, para que en caso de cambios en el origen de datos, no interfiera con el pipeline creado para el entrenamiento.
Para orquestar el proceso de entrenamiento, se utiliza AWS Step Functions, que es responsable de automatizar los siguientes pasos de la solución. Se utiliza un evento de Amazon CloudWatch para que se inicie el workflow . Para obtener más información, consulte los detalles sobre las reglas de eventos.
En el principio del workflow, AWS Glue se activa para preparar los datos de origen y los guarda en el bucket de los datos preparados para que Amazon Sagemaker inicie el trabajo de entrenamiento.
Amazon SageMaker es un servicio de aprendizaje automático (ML) totalmente gestionado que permite a los desarrolladores y científicos de datos crear, entrenar e implementar modelos de aprendizaje automático de forma rápida y sencilla a cualquier escala. Sagemaker proporciona notebooks Jupyter totalmente gestionados para trabajar casos de uso común. El servicio incluye varios algoritmos de alto rendimiento listos para usar , y AWS Marketplace for Machine Learning contiene más de 100 modelos y algoritmos ML previamente entrenados. También puede traer sus propios algoritmos y frameworks ya construidos utilizando un contenedor docker.
Amazon Sagemaker incluye algoritmos integrados y totalmente gestionados de Reinforcement Learning (RL). RL es ideal para situaciones en las que no hay datos históricos etiquetados, pero hay un resultado ideal. RL entrena usando recompensas y penalizaciones, que dirigen el modelo al comportamiento deseado. SageMaker admite RL en varios frameworks, incluidos TensorFlow y MxNet, así como frameworks personalizados. Los despliegues de SageMaker ejecutan modelos en las distintas zonas de disponibilidad en la región para obtener un alto rendimiento y una alta disponibilidad.

Predicción utilizando el Modelo entrenado

Para la predicciones se creó la siguiente arquitectura:

La segunda parte de la solución utiliza nuevos datos de la base de datos transaccional de Amazon RDS para realizar las predicciones con el modelo entrenado.
AWS Step Functions es nuevamente responsable de organizar el workflow. Tras el proceso de preparación de datos realizado por AWS Glue, Amazon Sagemaker inicia el batch job que consiste en crear toda la infraestructura necesaria para utilizar el modelo entrenado para realizar predicciones sobre los nuevos datos del bucket S3. Tan pronto como la predicción se realiza en los datos y el resultado se almacena en el bucket S3 (prediction output), el Batch Job termina toda la infraestructura de modo que sólo se cobre por el uso de la infraestructura durante el tiempo en que está realizando el predicción.
Después de enviar los datos de predicción al bucket de salida, puede analizar los resultados de otros sistemas o soluciones de análisis como Amazon Athena o Amazon Quicksight.

Caso de Bombinhas

El primer proyecto piloto se encuentra en ejecución desde 2019 en Bombinhas, en la costa de Santa Catarina. Para conocer el perfil de los estudiantes, el algoritmo fue alimentado con datos de más de 19.000 matrículas de años anteriores, de las cuales 1.5 mil estudiantes habían reprobado y casi 700 interrumpieron sus estudios. Desde que comenzaron a usar la solución, 2019 fue el primer año en el que hubo un aumento en la matrícula y una disminución del 20% en las deserciones escolares en el municipio.
En total, la plataforma verifica y clasifica 17 variables del perfil del estudiante, tales como grados, frecuencias, historia escolar e historia socioeconómica, permitiendo la identificación temprana del problema y la creación de un seguimiento específico para cada estudiante. Con el procesamiento en la nube, el análisis de proyección se puede realizar en menos de una hora, lo que agiliza la toma de decisiones y permite una mejor gestión de los recursos públicos.
«Ser capaz de predecir de forma rápida y asertiva el desempeño de los estudiantes también ayuda a dirigir y organizar los recursos públicos. La disminución de la evasión escolar puede traer más fondos de la FUNDEB (Fundación de Mantenimiento y Desarrollo de la Educación Básica) para que los gobiernos apliquen a mejoras en la educación», dice Aldo García, presidente de Betha Sistemas.
Actualmente, más de 20 municipios ya han habilitado la solución desarrollada por Betha Sistemas y el resultado de precisión promedio ha mostrado índices superiores al 95% en las predicciones de fracaso y evasión.

Conclusión y próximos pasos

En esta entrada de blog mostramos cómo un socio de AWS utilizó los servicios en la nube para crear una solución que repercute en millones de personas en la economía del estado brasileño y también en la calidad de vida de las generaciones actuales y futuras del país.

Sobre os autores

Bruno Bitencourt, Data Scientist en el sector Tecnología e Innovación de Betha Sistemas. Ha estado trabajando en el área de tecnología por +6 años.

Luan Figueredo, Arquitecto de Sistemas en la línea de productos de Educación y Gestión Escolar de Betha Sistemas, trabaja desde hace más de 5 años en el desarrollo de aplicaciones web e innovación.

Daniel Camilo, lleva más de 5 años liderando el equipo de desarrollo de la línea de productos de Educación y Gestión Escolar de Betha Sistemas. Haestado activo en el mercado de la tecnología y la innovación desde hace más de 15 años.

Bruno Silveira, arquitecto de soluciones de AWS en el equipo del sector público centrado en los socios ISV. Con una trayectoria previa en instituciones como Hepta Tecnologia, Caixa, Itaipú Binacional, Parque Tecnológico Itaipú, Ministerio de Minas y Energía y Ministerio de Cultura, Bruno está entusiasmado con prácticas ágiles como Lean y Scrum y disfruta de un buen rock’n roll con una buena cerveza.

Claick Oliveira, arquitecto de soluciones de AWS en el equipo del sector público de educación. Con experiencia previa en una variedad de proyectos relacionados con contenedores, DevOps y desarrollo han estado ayudando a las empresas educativas en su viaje a la nube.

Revisor

Enrique Rodriguez es Arquitecto de Soluciones en Chile.