Descubrir el valor de los datos no estructurados: cómo Coactive creó una plataforma de análisis visual en AWS

Se dice que una imagen vale más que mil palabras y, según Forrester Research, un minuto de video puede valer 1,8 millones de palabras. Para empresas que van desde el comercio electrónico hasta las redes sociales, el contenido visual vale más que la cantidad de palabras que contiene: es una oportunidad para fomentar la participación de los clientes, aumentar la confianza y la seguridad, mejorar la personalización y obtener información práctica basada en la interacción con el contenido.

Coactive AI, una startup de análisis de datos visuales fundada por el CEO Cody Coleman y Will Gaviria Rojas en 2021, está democratizando la oportunidad de que las empresas analicen imágenes y videos. 

Las imágenes y los videos son datos no estructurados (información que aún no se ha ordenado de forma predefinida) que tradicionalmente requieren experiencia en machine learning, una infraestructura técnica sólida y una cantidad significativa de tiempo para analizarlos con precisión.

Coactive, la plataforma creada por Coactive AI en Amazon Web Services (AWS) y disponible en AWS Marketplace, ayuda a los profesionales de datos a obtener información rápida a partir de datos no estructurados a escala y con una supervisión mínima. Accesible mediante la interfaz de usuario o las API, las capacidades de la plataforma van desde la búsqueda inteligente hasta el análisis de producción que utilizan toda la potencia de SQL. 

Demostrar lo que es posible con la IA 

La innovadora solución de Coactive es el resultado de una cantidad intensiva de tiempo, investigación y determinación. Durante 2018, mientras obtenía su doctorado en Ciencias de la Computación en Stanford, Cody reconoció que “la inteligencia artificial y las aplicaciones inteligentes iban a ser el futuro. El obstáculo era que se necesitaban equipos por valor de cientos de miles de dólares y enormes cantidades de datos para lograr algo significativo”. 

Preocupado por estas limitaciones, Cody se comprometió a reducir las barreras de acceso al machine learning para que todos pudieran beneficiarse de dicha tecnología: “mi objetivo durante mis estudios de posgrado era utilizar mi pasión por la computación para beneficiar a la sociedad en general y, al mismo tiempo, marcar el camino a las generaciones futuras”.  

Cody se unió al proyecto de investigación DAWN de Stanford, un grupo centrado en facilitar considerablemente la creación de aplicaciones basadas en inteligencia artificial. Uno de los muchos avances impresionantes del trabajo de Cody fue DAWNBench, el primer punto de referencia de sistemas de machine learning (ML) de extremo a extremo utilizado por las empresas de tecnología mundiales como estándar del sector. En su primer año, DAWNBench redujo 500 veces el tiempo de entrenamiento de los modelos y 20 veces el costo de entrenamiento. Impulsado por el progreso que había logrado en la creación de una IA accesible, Cody abordó la siguiente gran pregunta: ¿qué hacer a continuación? 

En ese momento, por casualidad o por coincidencia, Will, un amigo de Cody, se mudó al área de la Bahía de San Francisco para comenzar una carrera en una gran empresa de tecnología. Amigos desde hacía 10 años, desde que estudiaban en el Instituto de Tecnología de Massachusetts (MIT), Cody ayudó a Will a mudarse. “Will me hizo las dos preguntas que nunca deberías hacerle a un estudiante de doctorado porque provocan una crisis existencial inmediata”, ríe Cody. “¿Cuándo te vas a graduar?” y “¿Qué vas a hacer después?”.

Cody había considerado opciones que iban desde unirse a una prestigiosa empresa de tecnología, convertirse en miembro del cuerpo docente universitario, unirse a una startup o crear una empresa. “Sin dudarlo, Will me dijo que creara mi propia empresa”, dice Cody. “Me dijo que era el momento adecuado y que tenía los conocimientos adecuados. Y que le encantaría acompañarme en este viaje”.

Tras meses de conversaciones, investigación y estudiar de manera directa el problema, Cody y Will llegaron a la misma conclusión: las personas necesitan una plataforma de análisis visual para aprovechar el valor de su contenido, y era hora de crearla. Con esa decisión, se fundó Coactive.

 Crear una solución de análisis visual para todo el mundo

La tecnología de machine learning avanzó significativamente durante la época de Cody en Stanford, pero aún quedaba mucho trabajo por hacer para que las aplicaciones de IA fueran accesibles para todo el mundo: desde las empresas más grandes del mundo hasta una startup que diseñara su producto mínimo viable. 

Esto era particularmente cierto en el caso del machine learning, que analizaba imágenes y videos para obtener información procesable. En el caso de estos formatos de datos no estructurados, el flujo de trabajo integral podría requerir computación de alta gama a gran escala en forma de GPU, una capacidad de almacenamiento significativa y grandes cantidades de tiempo y experiencia, debido a la complejidad del proceso. Un flujo de trabajo común puede incluir lo siguiente:

1. Los científicos de datos completan la exploración de los datos y crean modelos de visión artificial para analizar y comprender los datos visuales.
2. Los ingenieros de ML ponen en funcionamiento estos modelos.
3. Los ingenieros de software integran las predicciones del modelo en aplicaciones del mundo real para los consumidores.

Para hacer que el análisis de contenido visual sea más accesible, preciso y eficiente, Coactive combina la amplitud de los modelos de lenguaje de gran tamaño (LLM) existentes con la precisión y la automatización que se obtienen al aplicar un sistema de aprendizaje a los datos específicos de un dominio. Una vez que los clientes proporcionan acceso a sus grandes volúmenes de archivos de video e imágenes sin procesar, Coactive utiliza modelos básicos previamente entrenados junto con su sistema patentado de aprendizaje activo y clasificación para integrar e indexar los datos. Durante este proceso, los clientes tienen la opción de cargar las etiquetas existentes o proporcionar algunos ejemplos para que la plataforma Coactive pueda obtener más información sobre cualquier matiz específico de un dominio de sus datos.

“Una de las ventajas más importantes de los modelos de gran tamaño es que, en realidad, no necesitamos arrojar una cantidad enorme de datos para realizar tareas específicas”, explica Cody. “Por algo llaman a estos modelos lingüísticos extensos few-shot learners (aprendices con pocos datos). En lugar de pensar en la cantidad de datos que ingresamos en estos sistemas, lo que más importa es la calidad”.

¿El resultado? Los clientes pueden usar Coactive para consultar, buscar, filtrar y analizar contenido visual de forma rápida y a gran escala. 

Asociación con AWS para acelerar el éxito

Como startup innovadora y de rápido crecimiento, Coactive decidió migrar de su proveedor de nube original y apostarlo todo a AWS. Las soluciones que ofrece AWS coinciden con las cuatro necesidades principales de proveedores de servicios en la nube de Coactive: profundidad y amplitud de los servicios, opciones en cuanto a herramientas, disponibilidad para impulsar el escalamiento de sus productos y ofertas que prioricen la seguridad. 

“Necesitábamos crear nuestra solución en un proveedor de nube que pudiera gestionar la escala empresarial y, al mismo tiempo, ser lo suficientemente flexible como para permitirnos crear algo completamente nuevo. Con AWS, pudimos hacerlo y, al mismo tiempo, garantizar a nuestros clientes el mayor nivel de seguridad disponible”, afirma Cody. 

Crear con soluciones de AWS

Tras la migración, Coactive se puso manos a la obra para crear una aplicación web de vanguardia con soluciones de AWS como Amazon Simple Storage Service (Amazon S3), Amazon Aurora y Amazon Elastic Container Service (Amazon ECS). Esta aplicación web ayudó a Coactive a establecer su producto mínimo viable inicial y a realizar pruebas de concepto para clientes potenciales. 

Para los trabajos de machine learning centrados en datos, Coactive se beneficia del uso de Amazon Aurora PostgreSQL sin servidor para atender solicitudes de bases de datos de baja latencia sin tener que dedicar tiempo a administrar su infraestructura de bases de datos. Los numerosos petabytes de datos de imagen y video de Coactive se almacenan mediante Amazon S3. 

Para administrar su aplicación web, Coactive utiliza una combinación de Amazon CloudFront como su red de entrega de contenido (CDN). La aplicación web de fondo se ejecuta en Amazon ECS y se comunica con su base de datos y sus servicios periféricos descendentes, como Databricks en AWS. Amazon ECS proporciona a Coactive una administración más sencilla de la infraestructura de contenedores que se ejecuta en Amazon Elastic Compute Cloud (Amazon EC2). 

La seguridad y la privacidad de los datos son aspectos fundamentales de las cargas de trabajo de machine learning. Para ofrecer a sus clientes una experiencia de análisis segura, Coactive utiliza Amazon GuardDuty, Amazon Inspector y AWS Key Management Service , entre otros. Con estas soluciones, Coactive logró cumplir con las normas de ciberseguridad de SOC2 en el transcurso de un solo trimestre.  

Llevar su producto al mercado

Es importante garantizar el éxito de la propuesta de comercialización. Para compartir su producto con una audiencia global de clientes de AWS, Coactive se unió a la Red de socios de AWS (APN) y publica sus productos en AWS Marketplace. 

Coactive también es miembro del Programa AWS Global Startup (GSP), que se ofrece a través de la APN. Este programa empareja a Coactive con un gerente de desarrollo de socios de AWS que brinda apoyo en tres áreas clave: el desarrollo de productos, la comercialización y la venta conjunta.

Acelerar el éxito con las Startups de AWS

Además de crear con la ayuda de las soluciones técnicas y el soporte empresarial de AWS, Coactive saca partido del programa AWS Activate. AWS Activate proporciona a las startups recursos que van desde créditos y ofertas exclusivas hasta asistencia técnica y eventos de creación de redes. 

En colaboración con el equipo de startups de AWS, Cody y otros miembros de AWS Activate compartieron recientemente su experiencia en el AWS GenAI Day, un evento virtual de un día en el que se muestra cómo las startups están creando con la IA generativa en AWS. Como parte del panel principal, titulado “Trazado de la trayectoria de la IA generativa: del aprendizaje al impacto”, Cody explicó por qué los datos son un elemento fundamental de la IA generativa y cómo los avances recientes en el machine learning tienen el potencial de mejorar vidas de manera significativa. 

Crear para el futuro

Coactive continúa creando un producto que reduce la barrera de entrada para el machine learning, y Cody señala que demostrar lo que es posible (y ayudar a otras personas a demostrarlo también) es una parte importante de su objetivo. Su increíble historia incluye nacer mientras su madre estaba en prisión, ser asignado a un hogar de acogida y adoptado por abuelos que lo criaron en un entorno de desigualdad económica. Como el primer estudiante de doctorado negro en graduarse en Stanford en casi 20 años, Cody está familiarizado con los desafíos que conlleva ser una persona subrepresentada en el mundo tecnológico, y tiene el compromiso de hacer de la diversidad, la equidad y la inclusión los principios fundamentales de Coactive. “La forma en que tengamos éxito es tan importante como el hecho de que tengamos éxito”, afirma Cody. 

“Will tiene un gran refrán que dice que su objetivo en la vida es hacer escaleras para que la gente pueda seguir sus pasos con más facilidad”, explica Cody. “Mi misión en la vida en general es demostrar que, sin importar de dónde vengas, puedes tener éxito. Si yo pude hacerlo, cualquiera puede”.

Para las personas que están considerando fundar una startup, Cody explica que tener miedo es algo normal: piensas que no estás hecho para el puesto de CEO, que crear una empresa es un gran riesgo, que las cosas van a ser difíciles durante mucho tiempo. Cody empezó a tener confianza cuando se dio cuenta de que “no necesito tenerlo todo planeado para empezar, solo tengo que ponerme manos a la obra”.

Dos años después, el éxito de este consejo es evidente. El equipo de Coactive continúa igualando las condiciones de la IA al ofrecer análisis visuales impactantes a sus clientes. El compromiso de Cody de hacer que los datos sean útiles sigue siendo firme. “Uno de los casos de uso más sorprendentes que he visto es ajustar un modelo de reconocimiento de voz para reconocer los signos de una afección respiratoria peligrosa en el llanto de un bebé”, explica. La detección temprana mediante la IA redujo la tasa de mortalidad infantil y el tiempo, el costo y la habilidad necesarios para hacer un diagnóstico preciso.

“La IA ética y sostenible tiene un potencial increíble para mejorar vidas de manera significativa”, afirma Cody. “Una de mis principales motivaciones hasta el día de hoy ha sido que, al democratizar la IA con empresas como Coactive y AWS, habrá muchas historias que las personas podrán contar y preguntas a las que van a poder responder. Tengo muchas ganas de comprobarlo”.