Servicios de machine learning en AWS

Curso AWS Cloud Practitioner Certification

Contenido del curso

Fundamentos de la Infraestructura Global de AWS

Redes en AWS

Servicios de cómputo en AWS

Balanceo de Carga y Auto escalamiento

Almacenamiento en AWS

Bases de datos en AWS

Seguridad en AWS

Costos en AWS

Servicios Complementarios

Migracion a la nube de AWS

Cómo aprobar la certificación AWS Cloud Practitioner

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0010:08

Servicios de machine learning en AWS

Curso AWS Cloud Practitioner Certification

Clase 66 de 80

Clase 66 / 80

Recursos

Los servicios de machine learning en AWS cubren desde el procesamiento de lenguaje natural hasta el reconocimiento de imágenes y la creación de modelos personalizados. Si trabajas con datos, automatización o experiencias conversacionales, conocer estas herramientas te ayuda a elegir la correcta para cada caso de uso.

¿Qué hace Amazon Comprehend con el lenguaje natural?

Amazon Comprehend analiza textos, documentos y correos electrónicos usando procesamiento del lenguaje natural. Identifica los temas que se repiten en un texto, detecta opiniones sobre productos y realiza análisis de sentimientos para saber si quien escribe expresa ira, tristeza o felicidad.

Esto te sirve cuando tienes volúmenes grandes de comentarios o reseñas y necesitas entender, sin leer uno por uno, qué piensan tus clientes.

¿Qué es el análisis de sentimientos en Comprehend? Es la capacidad de tomar un texto e identificar la emoción dominante de quien lo escribe (ira, tristeza, felicidad), basándose en el procesamiento del lenguaje natural.

¿Cómo funciona la búsqueda inteligente de Amazon Kendra?

Kendra es un servicio de búsqueda inteligente que indexa documentos y permite hacer preguntas en lenguaje natural. Imagina que tu empresa tiene cientos de archivos de clientes y le preguntas: Kendra, ¿cuál es el cliente al que más le hemos vendido este año? Él analiza los documentos y te responde.

Además, aprende de las búsquedas que haces para ir mejorando la experiencia con el tiempo. Eso lo hace útil tanto internamente como en motores de búsqueda de cara al cliente.

Un detalle que vale la pena tener en cuenta: Kendra es un servicio muy potente, pero hay que cuidar el costo. Revisa el billing antes de dejarlo corriendo sin control.

¿Para qué sirve Amazon Lex y cómo se usa en chatbots?

Lex te permite crear interfaces conversacionales, es decir, chatbots sofisticados basados en reglas que fluyen con lenguaje natural. Un caso real: un equipo necesitaba automatizar la creación y eliminación de notebooks para data scientists. Construyeron un bot en Slack que enviaba la información a Lex, Lex la interpretaba y, según las reglas, controlaba los servicios de AWS. Desde Slack escribían eliminar endpoint y Lex ejecutaba la acción.

¿Qué casos de uso tiene Lex?

Servicio al cliente conectado a tu base de datos para responder, por ejemplo, sobre stock de productos.
Enrutamiento inteligente que dirige cada caso al agente interno correcto.
Mejora de productividad reduciendo casos de soporte repetitivos.
Ventas y marketing como primer canal de conexión con usuarios.

La idea central que debes llevarte es simple: cuando piensas en Lex, piensas en chatbot.

¿Cómo convierte texto en voz Amazon Polly?

Polly es como un lorito digital: le pasas una cadena de texto y la convierte en voz. De hecho, su ícono es un loro. Puedes elegir entre voces masculinas o femeninas, distintos idiomas y acentos como español mexicano o español de España.

Un uso común es integrarlo con Amazon Connect, el servicio de contact center de AWS. Cuando llamas a un número, quien te responde es Polly leyendo el texto detrás.

¿Polly suena natural? Sí. Si entras a la consola, escribes un texto y le das play, vas a escuchar una voz muy natural, con ajustes de estilo, frecuencia, tono y volumen para darle identidad a tu proyecto.

¿Qué puede reconocer Amazon Rekognition en imágenes y video?

Rekognition hace reconocimiento de imágenes y video. Si le cargas una foto, te devuelve un JSON con detalles: probabilidad de que sea hombre o mujer, si tiene gafas, si está sonriendo, qué emoción muestra.

Entre sus capacidades destacan:

Análisis de video en tiempo real para describir qué hace una persona.
Detección de contenido inapropiado con blur automático sobre escenas explícitas.
Verificación de identidad comparando un rostro contra un documento o pasaporte.
Detección de objetos, ciudades y texto dentro de imágenes.
Identificación de celebridades con alto porcentaje de certeza.
Validación en obras de construcción de que las personas usan elementos de seguridad.

Es un servicio muy completo cuando necesitas extraer información visual de forma automatizada.

¿Por qué Amazon SageMaker es el servicio más importante?

SageMaker es el servicio más importante de machine learning en AWS y es completamente administrado, así que no pierdes tiempo configurando infraestructura. Te permite implementar modelos de machine learning, entrenarlos, personalizarlos, desplegarlos en producción y monitorearlos.

¿Qué es un modelo de machine learning en SageMaker?

Un modelo aprende de datos pasados para predecir comportamientos futuros. Un ejemplo concreto: detección de fraude en seguros. Cargando información de clientes anteriores, el modelo aprende patrones y estima si un nuevo cliente podría intentar un fraude.

El flujo típico que sigues con SageMaker es:

Crear entornos de prueba para tus algoritmos.
Entrenar el modelo con tus datos.
Customizarlo según el caso de uso.
Desplegarlo en producción y monitorearlo.

¿SageMaker reemplaza al resto de servicios de ML? No. Comprehend, Lex o Rekognition resuelven casos específicos sin que entrenes nada. SageMaker entra cuando necesitas construir y entrenar tu propio modelo a medida.

Estos son los servicios principales, pero la consola de AWS tiene más opciones que vale la pena explorar. Date una vuelta por la sección de machine learning, identifica casos de uso nuevos y déjame en los comentarios qué servicios encontraste que no vimos acá.

Mario Alexander Vargas Celis

Hace 2 años

🚀 Servicios de Machine Learning en AWS

AWS ofrece una amplia gama de servicios para desarrollar, entrenar, desplegar y escalar modelos de Machine Learning (ML) e Inteligencia Artificial (IA). Se pueden clasificar en tres categorías principales:

1️⃣ Plataformas para desarrolladores y científicos de datos 2️⃣ Servicios preentrenados de IA 3️⃣ Infraestructura para ML a gran escala

📌 1. Plataformas para Desarrolladores y Científicos de Datos

Servicios que permiten a los expertos en Machine Learning desarrollar y entrenar modelos personalizados.

ServicioDescripciónCasos de usoAmazon SageMakerPlataforma completa para construir, entrenar y desplegar modelos de ML con soporte para Jupyter Notebooks, AutoML, entrenamiento distribuido y más.Entrenamiento y despliegue de modelos personalizados.Amazon SageMaker StudioEntorno integrado para el desarrollo de ML con herramientas de colaboración y experimentación.Desarrollo de modelos de ML con flujo de trabajo unificado.Amazon SageMaker JumpStartModelos preentrenados de ML listos para usar y personalizar.Despliegue rápido de modelos de ML sin necesidad de entrenamiento desde cero.Amazon SageMaker AutopilotAutoML que entrena y optimiza modelos automáticamente.Empresas sin experiencia en ML que desean obtener modelos eficientes sin programar.

📌 2. Servicios de IA Preentrenados

APIs y servicios con modelos de IA preentrenados para casos de uso específicos.

ServicioDescripciónCasos de usoAmazon RekognitionDetección de rostros, objetos y texto en imágenes y videos.Seguridad, análisis de contenido y reconocimiento facial.Amazon ComprehendProcesamiento de lenguaje natural (NLP) para analizar texto, sentimientos y temas.Análisis de comentarios, clasificación de documentos y extracción de información.Amazon PollyConvierte texto en voz con IA.Asistentes virtuales, audiolibros y accesibilidad.Amazon TextractExtracción de texto y datos estructurados de documentos escaneados.Digitalización de facturas, contratos y formularios.Amazon TranslateTraducción automática de idiomas en tiempo real.Aplicaciones multilingües y servicio al cliente global.Amazon ForecastGeneración de predicciones basadas en ML.Predicción de demanda, ventas y métricas de negocio.Amazon PersonalizeGeneración de recomendaciones personalizadas con IA.Recomendaciones de productos, música y contenido.Amazon KendraMotor de búsqueda con IA para responder preguntas en bases de datos.Soporte técnico y búsqueda empresarial inteligente.AWS HealthScribeTranscripción y análisis de notas médicas con IA.Automatización de registros médicos.

📌 3. Infraestructura para ML a Gran Escala

Servicios diseñados para cargas de trabajo de IA intensivas en cómputo.

ServicioDescripciónCasos de usoAWS InferentiaChips optimizados para inferencia en ML.Despliegue de modelos de IA a bajo costo.AWS TrainiumChips especializados para entrenamiento de ML.Entrenamiento eficiente de modelos de ML avanzados.Amazon EC2 P4/P5 InstancesInstancias con GPUs NVIDIA para entrenamiento de modelos complejos.Deep Learning y procesamiento de imágenes/videos.AWS BatchProcesamiento por lotes de grandes volúmenes de datos para ML.Entrenamiento distribuido de modelos.AWS Lambda para MLEjecución de inferencia en modelos con arquitectura serverless.Predicciones rápidas en tiempo real sin gestionar servidores.

🔥 Resumen: ¿Cuál elegir según tu caso?

Si eres científico de datos o desarrollador → 🔹 Amazon SageMaker
Si necesitas IA lista para usar → 🔹 Amazon Rekognition, Comprehend, Polly, Textract
Si entrenas modelos a gran escala → 🔹 AWS Inferentia, EC2 P5, AWS Batch

Fundamentos de la Infraestructura Global de AWS

Qué es AWS y por qué aprenderlo

Cómo crear tu cuenta en AWS sin sorpresas

Seguridad en AWS: Prácticas Esenciales y Gestión de Accesos

Modelo de Responsabilidad Compartida en AWS: Seguridad y Cumplimiento

Creación y gestión de usuarios en AWS IAM

Regiones y Zonas de Disponibilidad en AWS

Local Zones, Outposts y Edge Locations en AWS

Gestión de DNS y dominios con AWS Route 53

Redes en AWS

Componentes y configuración de una VPC en AWS

Seguridad en VPC: Grupos de Seguridad y Network ACLs

Creación de una VPC en AWS: Paso a Paso Práctico

Cómo conectar subredes con NAT e IGW en AWS

Opciones de Conectividad en AWS: VPN y DirectConnect

CloudFront vs Global Accelerator en AWS

Servicios de cómputo en AWS

Qué es EC2 y cómo funciona

Creación de un Servidor Web en AWS Paso a Paso

Conexión a Servidor AWS EC2 usando SSH en Mac y Linux

Conexión a Servidor con PuTTY en Windows

Instalación de un Servidor Web Apache en AWS EC2

Tipos de Instancias EC2 y Casos de Uso en AWS

Comparación de precios y tipos de instancias EC2 en AWS

Servicios de Contenedores en AWS: Docker, ECS, EKS y Fargate

Conceptos Básicos de Serverless y AWS Lambda

Balanceo de Carga y Auto escalamiento

Tipos de balanceadores de carga en AWS

Autoescalamiento en AWS: Gestión Dinámica de Recursos en la Nube

Implementación de Aplicación Web en AWS con Alta Disponibilidad

Conexión SSH a servidores privados en AWS

Configuración de Balanceador de Carga en AWS EC2

Cómo borrar recursos de AWS sin cargos

Almacenamiento en AWS

Opciones de Almacenamiento en la Nube con AWS

Tipos de almacenamiento en AWS: bloques, archivos y objetos

Almacenamiento y Seguridad en Amazon S3: Uso y Configuración

Clases de Almacenamiento en Amazon S3: Usos y Características

Migración de Datos a AWS con Snow Family y Amazon S3

Creación y Configuración de Buckets en Amazon S3

Funciones clave de un bucket en AWS S3

Qué es Amazon EBS y cómo funciona

Tipos de volúmenes EBS y sus casos de uso en AWS

Almacenamiento de Archivos en AWS: EFS y FSx

Almacenamiento Híbrido con AWS Storage Gateway

Bases de datos en AWS

Creación y Gestión de Bases de Datos Relacionales en AWS

Bases de Datos en AWS: Relacionales vs No Relacionales

Creación de una Base de Datos MySQL en AWS Paso a Paso

Conectar MySQL en AWS RDS con DBeaver

Introducción a DynamoDB: Características y Ventajas en AWS

Crea tu primera tabla en DynamoDB

Seguridad en AWS

Seguridad en AWS: Protección de Recursos y Aplicaciones en la Nube

Gestión de Roles, Grupos y Políticas en AWS IAM

AWS Shield vs WAF contra ataques DDoS

Administración de Llaves de Seguridad en AWS KMS y CloudHSM

Cómo crear y usar tu primera llave KMS

Gestión de Secretos en AWS con Amazon Secrets Manager

Seguridad en AWS: Artifact, GuardDuty, Inspector y Config

Monitoreo y Auditoría de Recursos AWS: CloudTrail y AWS Config

Servicios de Seguridad en AWS: Amazon Macie, Security Hub y más

Costos en AWS

Modelos de Precios y Costos en AWS: Comprensión y Estrategias

Cómo analizar costos diarios con Cost Explorer

Gestión de Presupuestos con AWS Budgets

Costos de Infraestructura: On-Premises vs Nube y Herramientas AWS

Creación de alertas de presupuesto en AWS

Saving Plans de AWS: hasta 72% de descuento

Planes de Soporte AWS: Diferencias y Selección Adecuada

Frameworks AWS: Well-Architected y Cloud Adoption

Servicios Complementarios

Gestión Multicuenta en AWS con Control Tower y Organizations

Servicios de datos en AWS para analistas

Servicios de machine learning en AWS

Principales Servicios de Desarrollo en AWS

Servicios Avanzados de AWS para Aplicaciones Modernas y Seguras

Migracion a la nube de AWS

Estrategias de Migración a la Nube: Las 7 R's de AWS

Rehost, Refactor y las 7 estrategias AWS