Compartir:
A medida que las organizaciones gestionan volúmenes y complejidades de datos cada vez mayores, los enfoques tradicionales basados en reglas para analizarlos ya no son viables. En su lugar, están optando por aprovechar tecnologías transformadoras como el aprendizaje automático (ML) y la inteligencia artificial (AI) para ofrecer productos innovadores, mejorar resultados y obtener eficiencias operativas a gran escala. La democratización de la AI y el ML a través de AWS y sus soluciones de socios está acelerando su adopción en todas las industrias.
Por ejemplo, una empresa de tecnología de la salud puede buscar mejorar la atención al paciente prediciendo la probabilidad de que un paciente anciano sea hospitalizado, analizando datos clínicos y no clínicos. Esto permitiría intervenir de forma temprana, personalizar la atención y hacer un uso más eficiente de los recursos existentes, como la capacidad de camas en el hospital y el personal de enfermería.
AWS ofrece el conjunto más amplio y profundo de servicios de AI y ML e infraestructura de soporte, como Amazon SageMaker y Amazon Bedrock, para ayudar en cada etapa del viaje de adopción de AI/ML, incluyendo la adopción de AI generativa. Splunk, un socio de AWS, ofrece una plataforma unificada de seguridad y observabilidad diseñada para la velocidad y la escala.
Con el aumento de la diversidad y el volumen de datos, es vital entender cómo se pueden aprovechar a gran escala usando las capacidades complementarias de estas dos plataformas. Para las organizaciones que buscan ir más allá de las características predefinidas de AI/ML de Splunk, esta nota explora cómo Amazon SageMaker Canvas, un servicio de desarrollo de ML sin código, puede ser usado junto con los datos recolectados en Splunk para generar conocimientos accionables. También se demuestra cómo usar las capacidades de AI generativa de SageMaker Canvas para acelerar la exploración de datos y ayudar a construir mejores modelos de ML.
En este ejemplo, una empresa de tecnología de la salud que ofrece monitoreo remoto de pacientes está recopilando datos operativos de dispositivos wearables usando Splunk. Estas métricas y logs del dispositivo se ingresan y almacenan en un índice Splunk. Dentro de Splunk, estos datos se usan para cumplir con casos de uso específicos de seguridad y observabilidad, como monitorear la postura de seguridad, el tiempo de actividad de los dispositivos y realizar mantenimiento proactivo de la flota.
Separadamente, la empresa utiliza servicios de datos de AWS, como Amazon S3, para almacenar datos relacionados con los pacientes, incluyendo información del paciente, detalles de propiedad de los dispositivos y datos de telemetría clínica. Esta combinación de datos clínicos y no clínicos permite desarrollar y entrenar modelos de ML que pueden predecir hospitalizaciones con mayor precisión.
El enfoque adaptable comienza con un pipeline automatizado de ingeniería de datos para hacer disponibles los datos almacenados en Splunk a una amplia gama de personas, incluidos analistas de inteligencia de negocios, científicos de datos y practicantes de ML, a través de una interfaz SQL. Una vez que los datos están en un bucket S3, se cataloga con AWS Glue para que las herramientas de análisis como Amazon Athena puedan consultar los datos usando SQL.
Con estos datos accesibles, SageMaker Canvas proporciona una interfaz visual sin código que permite a profesionales sin experiencia en ML preparar datos, construir y desplegar modelos precisos de ML. SageMaker Canvas también facilita el uso de AI generativa para manipular y analizar datos usando lenguaje natural, lo que simplifica el entendimiento y la transformación de los datos.
Finalmente, con el modelo de ML desarrollado y suficientemente preciso, se puede hacer predicciones usando datos nuevos y desconocidos. Esto permite a las aplicaciones acceder a estos modelos desplegados para realizar análisis predictivos en tiempo real. Por ejemplo, una empresa de tecnología de la salud puede construir aplicaciones que utilizan estos modelos para proactivamente mejorar la atención al paciente y optimizar el uso de recursos hospitalarios.
En resumen, este enfoque sin código que combina el poder de Splunk y AWS para la AI y ML permite a las organizaciones, incluso sin un profundo conocimiento técnico, aprovechar las tecnologías avanzadas para manejar y procesar grandes volúmenes de datos de manera eficiente y efectiva.