Redes neuronales gráficas, la nueva forma de trabajar con el aprendizaje profundo

La mayoría de los datos del mundo real no son euclidianos, es decir, no están en forma de tabla. Al compactar los datos en una tabla, se pierde información muy valiosa, particularmente en cuanto a similitudes estructurales y relaciones causales. Las redes neuronales gráficas son aptas para los datos que no son tabulares. En los últimos años, tanto la ciencia como la tecnología han avanzado para finalmente permitir cálculos paralelos masivos en gráficos y así abrir una nueva frontera en el aprendizaje profundo. Al asistir a esta charla, aprenderá sobre las redes neuronales gráficas y conocerá un ejemplo de cómo entrenar fácilmente una red neuronal gráfica mediante Neptune ML.

Ponente: Will Badr, arquitecto de soluciones líder de AWS

Machine learning sin necesidad de programar código con Amazon Sagemaker Canvas

Con frecuencia, quienes modelan los datos, los ingenieros de datos y los analistas de datos de las empresas disponen de un tesoro de datos internos. Los expertos en datos de esas empresas con frecuencia no son científicos de datos y únicamente pueden utilizar los datos para la elaboración de informes analíticos reactivos. En esta sesión, aprenderá cómo Amazon Canvas proporciona una herramienta visual sin necesidad de programar código para el análisis predictivo.

Ponente: Sofian Hamiti, arquitecto sénior de soluciones de ML de AWS

ML de forma sencilla: entorno aislado de ML gratuito con Amazon SageMaker Studio Lab

En un ámbito que evoluciona rápidamente, como es el del machine learning (ML), el aprendizaje continuo tiene un valor esencial. Tanto científicos de datos e investigadores que intentan adquirir nuevos conocimientos como los principiantes que desean incursionar en la materia por primera vez, necesitan un entorno gratuito, libre de la complejidad que supone el consumo de servicios, así como sin el estrés y la incomodidad que implica tener que usar tarjetas de crédito para ingresar y cometer errores que resulten en facturas por pagar. Amazon SageMaker Labs proporciona un entorno abierto de este tipo en el que es posible experimentar y entrenar modelos en instancias de GPU sin tener que pagar o utilizar una tarjeta de crédito como garantía. Además, Amazon SageMaker Labs ofrece conectividad con otros servicios fundamentales de AWS para que los experimentadores puedan probar su trabajo respecto a entornos similares a los que utilizan en sus labores. El objetivo de esta charla es ofrecer una guía de introducción práctica al uso de Amazon Sagemaker Labs.

Ponente: Boaz Ziniman, promotor y desarrollador de AWS

Entrene los modelos de forma más rápida con Amazon SageMaker Training Compiler

A medida que los modelos de aprendizaje profundo se vuelven más complejos, aumenta también el tiempo que puede llevar optimizarlos y entrenarlos. En la práctica, optimizar el código de machine learning (ML) es difícil, tarda mucho tiempo y es una habilidad poco común de adquirir. Los científicos de datos generalmente escriben el código de entrenamiento en un marco de ML basado en Python y confían en esos marcos para compilar los modelos en kernels eficientes. Estas traducciones resultan a menudo muy ineficaces. En esta sesión aprenderá a utilizar SageMaker Training Compiler para compilar automáticamente el código de entrenamiento de Python y generar kernels de GPU específicamente para el modelo.

Ponente: Gili Nachum, arquitecto de soluciones especialista en IA y ML de AWS

Cree conjuntos de datos de alta calidad con Amazon SageMaker GroundTruth Plus

La mayoría de los modelos de machine learning en producción hoy en día se basan en el aprendizaje supervisado. Los datos etiquetados de alta calidad son la base del aprendizaje supervisado. El reto es que, a pesar del enorme crecimiento del volumen de datos disponibles, los datos etiquetados de alta calidad son todavía un bien escaso. Amazon SageMaker Ground Truth Plus permite crear fácilmente conjuntos de datos de entrenamiento de alta calidad sin necesidad de crear aplicaciones de etiquetado y administrar el personal de etiquetado por su cuenta. En esta charla, recibirá una introducción práctica al etiquetado automático de datos con Amazon Ground Truth Plus.

Ponente: Sohan Maheshwar, promotor y desarrollador sénior de AWS

Procesamiento de datos a gran escala con EMR y Spark mediante Amazon Sagemaker Studio

El entrenamiento a gran escala requiere un streaming de datos y un procesamiento de datos a escala masiva. Con frecuencia, Apache Spark es la base de este tipo de canalización de datos. Apache Spark, Apache Hive y Presto se ejecutan en clústeres de Amazon EMR directamente a partir de blocs de notas de Amazon SageMaker Studio para ejecutar análisis de datos a escala de petabytes y machine learning. Esta charla ofrece una introducción práctica al uso de Apache Spark dentro de los blocs de notas de SageMaker.

Ponente: Jon Reade, arquitecto sénior de soluciones especialista en IA y ML de AWS

Prepare los datos y compréndalos rápidamente con Amazon SageMaker Data Wrangler

El proceso de preparación de los datos y la ingeniería de características es quizás la parte más tediosa y la que más tiempo consume en el machine learning. El desafío que comienza con el tiempo y los recursos necesarios para la fase de preparación se extiende a un largo plazo de comercialización y a la incertidumbre sobre si el procesamiento de datos y el proceso de ingeniería de características han generado o no una entrada óptima para los modelos. Amazon Sagemaker Data Wrangler permite optimizar y automatizar el procesamiento de datos y la ingeniería de características mediante herramientas visuales. Amazon SageMaker Data Wrangler reduce el tiempo necesario para agregar y preparar los datos para el machine learning (ML) de semanas a minutos. Esta charla ofrece a los ingenieros de datos una guía práctica sobre Amazon SageMaker Data Wrangler.

Ponente: Javier Ramirez, promotor y desarrollador de AWS

Una solución con poco código para preparar, analizar y visualizar sus datos

La preparación de los datos es un paso fundamental para que los datos estén listos para el análisis o el machine learning. A medida que los datos crecen y se tornan más complejos, es necesario ampliar el número de personas que los preparan y obtienen valor a partir de estos. En esta sesión, profundice en AWS Glue DataBrew, una nueva herramienta de preparación de datos visual que permite a los analistas y científicos de datos limpiar y normalizar los datos sin escribir código. Al asistir a esta sesión, obtendrá una explicación sobre cómo funciona AWS Glue DataBrew, conocerá los casos de uso más comunes y aprenderá las prácticas recomendadas para la preparación de datos en todos los almacenes de datos.

Ponente: Yonatan Dolan, especialista en análisis de AWS

Automatice las revisiones de código mediante Amazon CodeGuru Reviewer

Trabajar bajo presión y en contra de los plazos puede provocar que la calidad del código se reduzca. En el caso más extremo, los secretos y las contraseñas codificadas de forma rígida que se utilizaban con fines de depuración podrían dejarse fuera del código. Amazon CodeGuru ofrece recomendaciones inteligentes para mejorar la calidad del código e identificar las líneas de código más caras de una aplicación. Los detectores de seguridad de Amazon CodeGuru utilizan el machine learning y el razonamiento automatizado para analizar el flujo de datos con el fin de realizar un análisis entre procedimientos de todo el programa, en las clases, los métodos y los archivos para detectar vulnerabilidades de seguridad difíciles de encontrar. Esta charla ofrecerá a los desarrolladores de machine learning una mirada práctica sobre el uso de CodeGuru en términos generales y el uso de CodeGuru Reviewer en particular.

Ponente: Ana Cunha, promotora y desarrolladora de AWS

Analice los datos de los sensores existentes para detectar comportamientos anómalos de los equipos

Para implementar correctamente el mantenimiento predictivo, es necesario utilizar los datos específicos recopilados de todos los sensores de las máquinas, bajo las condiciones únicas de funcionamiento, y posteriormente aplicar el machine learning (ML) para habilitar predicciones altamente precisas. Sin embargo, implementar una solución de ML para los equipos puede ser difícil y requerir mucho tiempo. En esta sesión, aprenderá sobre Amazon Lookout for Equipment, que permite analizar los datos de los sensores de los equipos para entrenar automáticamente un modelo de ML basado en los datos de los equipos, sin necesidad de tener experiencia en ML.

Ponente: Sean Tracey, promotor y desarrollador sénior para el Reino Unido de AWS

Extraiga datos e información a partir de los documentos

Organizaciones de todos los sectores todavía procesan manualmente los documentos, lo que lleva mucho tiempo, es propenso a errores y resulta costoso. Aprenda cómo el machine learning puede automatizar el procesamiento de documentos al extraer datos e información a partir de reclamaciones de seguros, solicitudes de hipotecas, reclamaciones médicas o contratos legales, entre otros.

Ponente: Mia Chang, arquitecta de soluciones especialista en ML de AWS

Cree experiencias de usuario personalizadas en tiempo real más rápido y a escala

Está dispuesto a ofrecer la mejor experiencia posible a los clientes. Las empresas solicitan a los desarrolladores que creen aplicaciones capaces de ofrecer una amplia gama de experiencias de personalización, como recomendaciones de productos específicos, clasificación personalizada de productos, recomendaciones de artículos similares y marketing directo personalizado. En esta sesión, aprenda a utilizar Amazon Personalization para importar los datos, elegir el caso de uso y, en unos sencillos pasos, poner en marcha un recomendador de machine learning listo para integrar en las aplicaciones.

Ponente: Anna Gruebler, arquitecta de soluciones sénior especialista en IA de AWS

Reduzca el tiempo necesario para implementar los modelos mediante Amazon SageMaker Inference Recommender

Elegir qué tipo de instancia de inferencia se debe emplear para un modelo es difícil y requiere realizar extensas pruebas y ejercicios de ajuste de tamaño, todo lo cual consume tiempo y es caro. Amazon SageMaker Inference Recommender automatiza este proceso, lo que acelera la implementación y reduce los costos de inferencia. El objetivo de esta charla es proporcionar una guía práctica para la configuración y el uso de Amazon SageMaker Inference Recomender.

Ponente: Mohammed Fazalullah Qudrath, promotor y desarrollador sénior para la región de Medio Oriente y Norte de África de AWS

Pruebe la carga de los puntos de conexión de inferencia

Los puntos de conexión sin servidor son una opción habitual para la mayoría de los casos de uso. Resultan particularmente eficaces para el tráfico imprevisible y con picos. Planificar adecuadamente el escalado automático es el fundamento de la excelencia operativa de los sistemas con picos. Las pruebas de carga son uno de los principales métodos de los equipos de operaciones para planificar el escalado automático. Esta charla proporciona una guía práctica para realizar pruebas de carga de los puntos de conexión de Amazon SageMaker mediante el uso de artillería y el marco sin servidor.

Ponente: Cyrus Vahid, promotor y desarrollador líder especialista en ML de AWS

Implementación de prácticas de operaciones de ML con Amazon SageMaker

Esta sesión se centra en proporcionar una guía práctica para preparar, crear, entrenar, implementar y administrar modelos a escala. La sesión ofrece una guía para aprovisionar entornos de desarrollo de modelos coherentes, automatizar los flujos de trabajo de machine learning (ML), implementar canalizaciones de CI/CD para el ML, monitorear modelos en la fase de producción y estandarizar las capacidades de gobernanza de los modelos.

Ponente: Giuseppe Angelo Porcelli, arquitecto de soluciones líder especialista en IA y ML, AWS

Ejecute y administre los modelos de ML en el borde con SageMaker Edge

Con frecuencia, los dispositivos de borde ejecutan aplicaciones que necesitan tomar decisiones autónomas con baja latencia a partir de la entrada de datos de cámaras, robots y otros sensores físicos. Es posible que los dispositivos se encuentren en lugares remotos con una conectividad limitada a la nube o que tengan estrictos requisitos de privacidad de datos y regulatorios. Amazon SageMaker Edge habilita el machine learning (ML) en los dispositivos de borde al optimizar, proteger e implementar modelos en el borde. Esta charla ofrece a la audiencia una introducción práctica a la inferencia de ML en el borde y al ciclo de vida de la nube al borde.

Ponente: Hasan Poonawala, arquitecto sénior de soluciones especialista en IA y ML de AWS

¿Qué pueden aportar las soluciones de IA y ML y los análisis a las empresas del sector industrial? (automotriz, fabricación, energía)

Las empresas industriales aprovechan el machine learning (ML) y los análisis para aumentar la eficiencia, el rendimiento y la sostenibilidad en todos los aspectos del ciclo de vida, desde el diseño del producto hasta los servicios posteriores a la venta, al conectar la planta de producción a través de los servicios de IoT, utilizar terabytes de datos de telemetría procedentes de millones de sensores, mejorar el rendimiento operativo y predecir los fallos. Aprenda de empresas pertenecientes a los sectores automotriz, energético y manufacturero, como BMW, Volswagen, MobilEye, Engie, Octopus Energy, Enel, Shell, BP, Siemens y SKF.

Ponente: Lionel Billon, jefe de análisis y ML para la región sur de Europa, Medio Oriente y África y mercados emergentes de AWS

¿Qué pueden aportar las soluciones de IA y ML y los análisis a las empresas del sector financiero?

Las instituciones financieras utilizan ampliamente el machine learning (ML) y los análisis para identificar las transacciones fraudulentas, ofrecer nuevos servicios a los clientes (por ejemplo, préstamos), cumplir con las estrictas normas que regulan los servicios financieros, hacer frente a los ataques de ciberseguridad o mejorar el servicio al cliente. Aprenda a crear un entorno FSI ML de la mano de empresas financieras líderes, como AXA, Zopa, Barclays, Euler Hermes, Siemens Finance, Nat West y Ergo/Munich Re.

Ponente: Dimitri French, líder de Machine Learning de AWS

¿Qué pueden aportar las soluciones de IA y ML y los análisis a las empresas farmacéuticas y de ciencias biológicas?

El uso del machine learning (ML) y los análisis en el sector farmacéutico revoluciona el proceso de descubrimiento de fármacos, acelera los ciclos de experimentación, lleva los fármacos al mercado más rápidamente y optimiza la logística, por ejemplo, para el desarrollo de la nueva vacuna COVID-19 de ARNm. Aprenda de las principales empresas farmacéuticas, como AstraZenecca, BioNTech, Moderna, Novartis, Roche o Merk, la forma en que utilizan el ML para innovar y llegar más rápidamente al mercado.

Ponente: Luis Campos, jefe de modernización de datos, análisis e IA y ML para la región de Europa, Medio Oriente y África de AWS

¿Qué puede aportar el machine learning a las empresas de software e Internet?

Crear productos basados en el machine learning (ML) es el motor de las principales empresas de software e Internet. Aprenda cómo los emprendedores y los responsables de productos aprovechan la tecnología del ML para crear productos líderes en el mercado. Desde la calificación de los casos de uso, pasando por la comprobación de la calidad de los datos, hasta el monitoreo de las derivaciones del concepto. Examinaremos a fondo aquello que hace que los productos basados en ML tengan éxito en empresas de software e Internet, como Wix, Amdocs, Gong, d.velop, EXASOL o Bolt.

Ponente: Oren Steinberg, responsable de IA y ML en el norte y sur de la región de Europa, Medio Oriente y África de AWS

Replantéese lo que es posible: historias de innovación

Descubra las historias de innovación tecnológica que han ayudado a aprovechar nuevas oportunidades, aumentar los ingresos y resolver con éxito grandes problemas actuales y futuros. Participe en esta sesión y descubra cómo el machine learning, la supercomputación, la IA y la robótica impulsan la fabricación en el espacio, permiten el crecimiento del “superarroz en polvo” para alimentar a la creciente población mundial, contribuyen a la construcción del primer campamento base humano en la luna, crean una nueva era de carreras de FÓRMULA 1 y luchan contra el cambio climático.

Anfitriones:
Olivier Klein, jefe de tecnología para la región de Asia-Pacífico de AWS
Dra. Michelle Dickinson, nanotecnóloga e ingeniera de materiales

Primera ponencia a cargo de un cliente: Rob Smedley, director de sistemas de datos, F1
Aprenda cómo la F1 utilizó la dinámica de fluidos computacional para crear un nuevo diseño de automóvil de F1 que permite carreras rueda a rueda más cercanas y emocionantes, un proceso que habría llevado más de 470 años en un portátil estándar.

Segunda ponencia a cargo de un cliente: Tatiana Calderón, piloto de pruebas de Alfa Romeo Racing ORLEN y embajadora del equipo, F1
Escuche la perspectiva que la piloto tiene sobre el nuevo estilo de carreras que propiciará el coche de F1 de 2022 y lo que estos cambios significan para los pilotos de F1 y los aficionados en el futuro.

Tercera ponencia a cargo de un cliente: Dr. Jordan Nguyen, ingeniero biomédico y futurista tecnológico
La prevención de las enfermedades relacionadas con la edad, el aumento de la producción de alimentos y la conservación de la vida silvestre aún constituyen algunos de los mayores retos a los que nos enfrentamos en la actualidad. Aprenda cómo los avances en la investigación genómica, basados en la nube, la IA y la supercomputación, nos ayudan a producir “superarroz en polvo” en condiciones desérticas, a proteger al tigre de Amur de la extinción y a erradicar las enfermedades relacionadas con la edad.

Cuarta ponencia a cargo de un cliente: Dr. James Kuffner, director representante y director general de Woven Planet Holdings
El proyecto Woven City de Toyota consiste en construir una ciudad del futuro a los pies del monte Fuji. Diseñada con la tecnología de los gemelos digitales, la ciudad combinará las tecnologías más avanzadas de movilidad y comunicaciones con espacios verdes e infraestructuras sostenibles.

Quinta ponencia a cargo de un cliente: Andrew Rush, presidente y director de operaciones de Redwire
Redwire utiliza la impresión 3D, la robótica, la inteligencia artificial y el machine learning para fabricar satélites, estructuras y productos en el entorno único de gravedad cero del espacio. Esta visión impulsa la exploración espacial y crea mejores productos para la vida en la Tierra.

Sexta ponencia a cargo de un cliente: Sally Fouts, directora de The Climate Pledge de Amazon
Climate Pledge es un compromiso para lograr una emisión neta de carbono cero en 2040, lo que supone un adelanto de diez años respecto al Acuerdo de París. Conozca cómo el pacto anima a las empresas a unirse a Amazon para tomar medidas relacionadas con el clima y acelerar los objetivos, planes y programas para hacer frente a la urgencia que supone el cambio climático.

Séptima ponencia a cargo de un cliente: Nujoud Merancy, Directora de la Oficina de Planificación de Misiones de Exploración de la NASA
Descubra la innovación tecnológica que ayuda a la NASA a construir el primer campamento base de larga duración en la Luna y a enviar astronautas a Marte.

Octava ponencia a cargo de un cliente: Glenn Gore, director general de Affinidi
Affinidi utiliza la Web 3.0 para impulsar soluciones de identidad autosuficiente, con datos personales propiedad del individuo, lo que crea nuevos modelos de negocio en todo el mundo.

Ponente: Tom Soderstrom, tecnólogo jefe, sector público mundial de AWS
Los avances tecnológicos, combinados con la reducción de costos, impulsan el crecimiento de la economía espacial mediante proyectos innovadores para proteger la Tierra desde el espacio, mejorar la sostenibilidad en el espacio y abrir una nueva era en la exploración espacial.