HUMAN Security acelera el entrenamiento de machine learning y el tiempo de acceso al mercado con Amazon SageMaker

HUMAN Security utiliza una estrategia de defensa moderna, que incluye interrupciones, el efecto de red y la visibilidad en Internet, para desbaratar la economía de la ciberdelincuencia. Ayuda a las empresas de todos los sectores a aumentar la seguridad de su presencia digital al ofrecer una amplia gama de soluciones de ciberseguridad que ayudan a las empresas a proteger sus activos digitales contra el fraude y los bots en línea que imitan a las personas. Para los anunciantes digitales, la empresa creó MediaGuard, una solución de tecnología publicitaria que utiliza el machine learning en la plataforma de defensa de las personas para predecir la validez de las impresiones publicitarias en línea casi en tiempo real en todos los canales y formatos digitales.

Dado que los bots en línea son cada vez más sofisticados, HUMAN Security mantiene estrictos requisitos de latencia y precisión para MediaGuard, y su equipo de ingenieros itera continuamente nuevos modelos de ML para mejorar su rendimiento. Sin embargo, cuando HUMAN Security adoptó esta solución, el proceso de entrenamiento de sus modelos de ML era completamente manual e implicaba ejecutar una serie de scripts y copiar y pegar diferentes configuraciones. En muchos casos, HUMAN Security tardó semanas en implementar nuevos modelos de ML. “Queríamos ahorrar tiempo a las personas”, afirma Austin Leirvik, científico de datos en plantilla de HUMAN Security. “Queríamos configurar una canalización de datos completa que se encargara de preparar los datos, extraerlos, entrenar los modelos y evaluarlos fuera de línea con solo pulsar un botón”.

Desde su fundación en 2012, HUMAN Security ha confiado en AWS para sus soluciones en la nube y, en 2020, contrató al equipo de AWS para desarrollar sus capacidades de machine learning. “Colaborábamos cada 2 semanas”, dice Leirvik. “Recibimos muchos comentarios sobre cómo podíamos automatizar el entrenamiento de nuestros modelos y vimos que SageMaker era una herramienta que podíamos utilizar para resolver los problemas a los que nos enfrentábamos”.

Si bien HUMAN Security contrató al equipo de AWS, también participó en varias oportunidades de entrenamiento a través de AWS, incluidos los días de inmersión en la red para socios de AWS, que son talleres para clientes impartidos por los socios de AWS. Estas oportunidades de entrenamiento ayudaron a HUMAN Security a mejorar las habilidades de su plantilla y a comprender mejor el ciclo de vida de los modelos de ML. HUMAN Security también utilizó Snowflake Data Cloud, una solución de almacenamiento de datos, lagos de datos, ingeniería de datos, ciencia de datos, desarrollo de aplicaciones de datos y uso compartido de datos de Snowflake, un socio de AWS. La empresa utiliza esta solución para procesar y almacenar sus tablas de datos a escala. “Para un entrenamiento de modelos típico, trabajamos con unos 50 millones de puntos de datos”, afirma Leirvik. “Como podemos realizar nuestra evaluación sin conexión con un conjunto de datos más grande, tenemos una perspectiva mucho más amplia de la larga cola, lo cual está bastante bien”.

La empresa también comenzó a utilizar AWS Glue, un servicio de integración de datos sencillo, escalable y sin servidor. HUMAN Security utiliza AWS Glue para los trabajos de extracción y para preparar los datos para su consulta. Una vez preparados los datos, HUMAN Security utiliza SageMaker para crear, entrenar e implementar nuevos modelos de ML. “Con Amazon SageMaker, hemos reducido considerablemente el tiempo necesario para entrenar los modelos de ML”, afirma Leirvik. “Tenemos una trazabilidad y reproducibilidad completas en todos nuestros modelos”. Antes, HUMAN Security podía tardar varias semanas en entrenar un nuevo modelo de ML. Ahora, la empresa puede crear, entrenar e implementar un nuevo modelo de ML en cuestión de horas.

Además, HUMAN Security ejecuta sus cargas de trabajo mediante instancias M5 de Amazon Elastic Compute Cloud (Amazon EC2), que ofrecen recursos de computación, memoria y red equilibrados para cargas de trabajo de uso general. Desde que cambió a este tipo de instancia de Amazon EC2, la empresa ha reducido sus costos en un 15 por ciento y que puede escalar la demanda rápidamente. Esta escalabilidad ayuda a HUMAN Security a potenciar sus modelos de ML para validar la autenticidad de 15 billones de interacciones en línea cada semana. “Estamos muy satisfechos con la escalabilidad y la fiabilidad de las instancias M5 de Amazon EC2”, afirma Leirvik. “Hemos podido multiplicar por cinco la cantidad de datos con los que trabajamos”.

Para lograr una automatización total, HUMAN Security configuró funciones escalonadas en todas sus soluciones de AWS. Para ello, definió un conjunto de archivos de configuración con Amazon States Language y agregó esos archivos a su repositorio con el resto de código base de ML. Cada vez que se realiza un cambio en su código base, la empresa reimplementa automáticamente esas funciones escalonadas, lo que reduce la complejidad de sus flujos de trabajo. Esta automatización ha ayudado a la empresa a acelerar su tiempo de acceso al mercado y a mejorar su agilidad empresarial. Con un ahorro de tiempo adicional, HUMAN Security ha reorientado sus esfuerzos en lanzar nuevas características predictivas para MediaGuard. “Con AWS, hemos triplicado el número de implementaciones en comparación con nuestro proceso anterior”, afirma Leirvik. “Ahora podemos reaccionar más rápidamente cuando vemos que surge un problema de rendimiento”.

HUMAN Security tiene previsto aplicar lo aprendido de este proyecto a otros modelos de ML que tiene en producción. También seguirá utilizando los servicios de AWS para una amplia variedad de casos de uso en toda la empresa. “Trabajar junto al equipo de AWS ha sido una experiencia muy positiva”, afirma Leirvik. “El equipo de AWS nos ayudó a ver el problema al que nos enfrentábamos desde otra perspectiva y nos orientó para que tuviéramos éxito”.