Build 2020: AI y Aprendizaje Automático protagonistas

BUILD 2020: AI SUPERCOMPUTER

BUILD 2020: AI SUPERCOMPUTER

En el cierre de Build 2020 para desarrolladores más importante de la industria, se revelaron herramientas de aprendizaje automático que ayuden a evitar fraudes y aseguren la privacidad de los datos y la confidencialidad.

Además, en Build 2020 se anunció una supercomputadora de IA construida en Azure.

Desarrollada en colaboración con y en exclusiva para OpenAI con el propósito de entrenar modelos de inteligencia artificial masivos.

Hoy fue el segundo y último día de Build 2020, la conferencia para desarrolladores y amantes de la tecnología más importante de la compañía.

Esta vez los protagonistas fueron Azure, la nube de Microsoft, y las novedades que ponen a disposición herramientas basadas en inteligencia artificial y machine learning.

Un paso más en la alianza con OpenAI: llega la supercomputadora basada en Azure

Construida en colaboración con y en exclusiva para OpenAI, a un año de su alianza, la supercomputadora alojada en Azure fue diseñada para entrenar a los modelos de inteligencia artificial de la compañía. También es un primer paso para hacer que la próxima generación de modelos muy grandes de inteligencia artificial, y la infraestructura necesaria para entrenarlos, estén disponibles como plataforma para que otras organizaciones y desarrolladores puedan utilizarlos.

La supercomputadora desarrollada por OpenAI es un sistema sencillo con más de 285 mil núcleos de CPU, 10 mil GPUs y 400 gigabits por segundo de conectividad de red para cada servidor GPU. Comparada con otras máquinas aparecidas en las TOP500 super computadoras en el mundo, se encuentra entre las cinco primeras.

Alojada en Azure, la supercomputadora también se beneficia de todas las capacidades de una robusta infraestructura de nube moderna, incluido un despliegue rápido, centros de datos sustentables y acceso a servicios de Azure.

Mayor ética y confianza en los sistemas de aprendizaje automático

Microsoft creó Azure Machine Learning para permitir que los desarrolladores con diferentes niveles de experiencia en ciencia de los datos puedan desarrollar e implementar sistemas de inteligencia artificial.

Hoy, a los desarrolladores se les pide cada vez más que desarrollen sistemas de inteligencia artificial que sean fáciles de explicar y que cumplan con las regulaciones de privacidad y de no discriminación.

Para superar estos obstáculos, Microsoft anunció innovaciones en aprendizaje automático responsable que pueden ayudar a los desarrolladores a entender, proteger y controlar sus modelos a lo largo del ciclo de vida del aprendizaje automático.

Estas capacidades se pueden obtener a través de Azure Machine Learning y también están disponibles en código abierto en GitHub.

  • Un conjunto de herramientas Fairlearn, que incluye capacidades para evaluar y mejorar la imparcialidad de los sistemas de inteligencia artificial, se integrará en Azure Machine Learning en junio de 2020.
  • WhiteNoise, un paquete de herramientas para privacidad diferencial que ya está disponible en código abierto en GitHub para que los desarrolladores experimenten con él, así como a través de Azure Machine Learning. Las capacidades de privacidad diferencial se desarrollaron en colaboración con investigadores del Instituto de Ciencias Sociales Cuantitativas y la Escuela de Ingeniería de Harvard. Las técnicas de privacidad diferencial permiten obtener información de valor de los datos privados, además de ofrecer certezas estadísticas que aseguran que la información privada como nombres o fechas de nacimiento se pueda proteger. Por ejemplo, la privacidad diferencial podría permitir que un grupo de hospitales colabore para desarrollar un mejor modelo predictivo sobre la eficacia de los tratamientos de cáncer y, al mismo tiempo, ayudar a cumplir los requisitos legales para proteger la privacidad de la información del hospital y asegurar que no haya fugas de datos del paciente.
  • Azure Machine Learning también cuenta con controles integrados que permiten a los desarrolladores monitorear y automatizar todo el proceso de desarrollo, entrenamiento e implementación de un modelo. Esta capacidad, conocida por muchos como aprendizaje automático y operaciones (MLOps, por sus siglas en inglés) proporciona un registro de auditoría que ayuda a las organizaciones a adherirse a los requisititos regulativos y de cumplimiento.

Azure Analytics para rescatar datos de valor útiles para el negocio

Por último, se presentó una versión previa de Azure Synapse Link, una implementación de HTAP nativa en la nube.

Un desarrollo que remueve las barreras entre los servicios de base de datos operacional de Azure y Azure Synapse Analytics, Azure Synapse Link permite a las organizaciones y empresas obtener información de valor a partir de datos transaccionales en tiempo real almacenados en sus bases de datos operativos con un solo clic, sin manejar movimiento de datos o agregar una carga a sus sistemas de operación.

Azure Synapse Link ahora está disponible en Azure Cosmos DB y estará disponible en el futuro en nuestros otros servicios de base de datos operacionales como Azure SQL, Azure Database para PostgreSQL, Azure Database para MySQL, y otros.

¿Cómo funciona?

Algo fundamental para Azure Synapse Link es nuestra arquitectura nativa en la nube.

Para habilitarlo, los clientes sólo tienen que dar clic en un botón en su servicio favorito de base de datos de Azure, y una liga directa a los datos es establecida con Azure Synapse Analytics.

Los datos operacionales son puestos a disposición de Azure Synapse Analytics de manera automática y continua, en una estructura optimizada de columnas, similar a un índice de cobertura.

No se requieren complejos canales ETL o recursos adicionales de cómputo de base de datos y los clientes pueden correr sus cargas de trabajo de analítica sobre datos en tiempo real a través de Azure Synapse Analytics, de manera inmediata y rentable.

Más información, acá.

 

Por Marcelo Lozano – General Publisher IT Connect Latam