A medida que las organizaciones enfrentan un aumento exponencial en la cantidad y complejidad de los datos, los métodos tradicionales de análisis basados en reglas se vuelven obsoletos. Para abordar estos desafíos, muchas compañías están adoptando tecnologías transformadoras como el aprendizaje automático (ML) y la inteligencia artificial (AI), en busca de productos innovadores, resultados mejorados y una mayor eficiencia operativa. La adopción de AI y ML está siendo acelerada por la democratización de estas tecnologías a través de AWS y sus soluciones asociadas.
Un ejemplo claro proviene del sector de la salud, donde las empresas tecnológicas pueden utilizar estos avances para predecir la hospitalización de pacientes ancianos analizando tanto datos clínicos como no clínicos. Intervenciones tempranas basadas en estas predicciones pueden personalizar la atención y maximizar el uso de recursos hospitalarios como camas y personal de enfermería.
AWS proporciona un extenso conjunto de servicios de AI y ML, junto con la infraestructura de soporte, destacándose plataformas como Amazon SageMaker y Amazon Bedrock. Estas herramientas cubren todas las etapas de adopción de AI/ML, incluyendo AI generativa. Por su parte, Splunk, un socio de AWS, ofrece una plataforma unificada de seguridad y observabilidad diseñada para operaciones de alta velocidad y escala masiva.
La sinergia entre las capacidades de AWS y Splunk es esencial frente a la creciente diversidad y volumen de datos. Por ejemplo, Amazon SageMaker Canvas, un servicio de desarrollo de ML sin código, puede trabajar con datos recolectados en Splunk para generar conocimientos útiles. Esta integración también permite a las organizaciones acelerar la exploración de datos y construir modelos de ML más efectivos utilizando capacidades de AI generativa.
Una empresa de tecnología de la salud que ofrece monitoreo remoto de pacientes podría reunir datos operativos de wearables usando Splunk. Estas métricas y logs se almacenarían en Splunk y se utilizarían para tareas específicas de seguridad y observabilidad, como el monitoreo de la postura de seguridad y el mantenimiento proactivo de dispositivos.
Simultáneamente, servicios de datos de AWS como Amazon S3 podrían almacenar información relacionada con los pacientes, que incluye detalles del propietario del dispositivo y datos de telemetría clínica. Esta combinación de datos permite el desarrollo de modelos de ML con mayor precisión en la predicción de hospitalizaciones.
El proceso comienza con un pipeline automatizado de ingeniería de datos para hacer accesibles los datos almacenados en Splunk a analistas de negocios, científicos de datos y expertos en ML, a través de una interfaz SQL. Una vez que los datos están en un bucket S3, se catalogan con AWS Glue, permitiendo que herramientas como Amazon Athena los consulten.
Con la accesibilidad de estos datos, SageMaker Canvas ofrece una interfaz visual sin código para que profesionales sin experiencia en ML puedan preparar, construir y desplegar modelos de ML precisos. Esta plataforma también facilita el uso de AI generativa para manipular datos con lenguaje natural, simplificando su comprensión y transformación.
Al desarrollar un modelo de ML preciso, es posible hacer predicciones con datos nuevos. Esto permite que las aplicaciones utilicen estos modelos desplegados para análisis predictivos en tiempo real, optimizando la atención al paciente y la utilización de recursos hospitalarios.
En resumen, esta estrategia sin código que combina las capacidades de Splunk y AWS permite a las organizaciones, incluso sin un profundo conocimiento técnico, aprovechar tecnologías avanzadas para gestionar y procesar grandes volúmenes de datos de manera eficiente y efectiva.
