[vc_row][vc_column][vc_column_text]Big data es un término que se utiliza para describir el gran volumen de datos que las empresas reciben en su vida diaria. Como tal, los datos se pueden analizar para generar insigths que impulsen las decisiones comerciales y las estrategias de las organizaciones.
En cuanto al volumen total de datos, no necesariamente importa cuánto sea, sino qué hacen las empresas con él.
En resumen, big data es un conjunto de datos complejos, extensos y variados que llega en volúmenes y velocidades cada vez mayores. Pero pueden y deben usarse para resolver problemas corporativos que no podríamos hacerlo solos. También conocido como las 3V´s:
Volumen: la cantidad de datos importa. Con big data, tendrás que procesar grandes volúmenes de datos no estructurados de baja densidad. Pueden ser datos de valor desconocido, como feeds de datos de Twitter, transmisiones de clics en una página web, aplicación móvil o equipos con sensores. Para algunas empresas, esto puede utilizar decenas de terabytes de datos. Para otros, podrían ser cientos de petabytes.
Velocidad: la velocidad es la velocidad más rápida en la que se reciben y tal vez se gestionan los datos. Normalmente, la velocidad de datos más alta se transmite directamente a la memoria en lugar de ser grabada en el disco. Algunos productos inteligentes habilitados para Internet funcionan en tiempo real o casi en tiempo real y requieren evaluación y acción en tiempo real.
Variedad: Se refiere a los diversos tipos de datos disponibles. Los tipos de datos tradicionales se han estructurado y encajan perfectamente en una base de datos relacional. Con el auge del big data, los datos vienen en nuevos tipos de datos no estructurados. Los tipos de datos no estructurados y semiestructurados, como texto, audio y video, requieren un procesamiento previo adicional para obtener significado y dar soporte a metadatos.
Historia
Big data no se considera un concepto antiguo, sin embargo, su origen de big data almacenado se remonta a unas pocas décadas atrás (1960 y 1970), donde comenzó el mundo de los datos.
Alrededor de 2005, el número de usuarios de Facebook, YouTube y otros servicios en línea fue creciendo y con eso los datos que generaban. Con esto en el mismo año, se creó Hadoop, una estructura para almacenar y analizar grandes datos. Durante este período, NoSQL comenzó a ganar popularidad.
A pesar de su evolución, Big Data se encuentra todavía en el inicio de su utilidad, con la nube ofreciendo escalabilidad elástica y ampliando aún más sus posibilidades. Las bases de datos de gráficos son cada vez más importantes por su capacidad para mostrar grandes cantidades de datos de una manera que hace que el análisis sea aún más rápido y completo.
Big Data engloba demasiada información, de manera que a partir de ella podemos obtener respuestas más completas, lo que se traduce en más confianza en los datos para las empresas.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Mayara Pimentel | Adaptación: Karina Ríos[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Pathways es una nueva forma de pensar sobre la IA que aborda muchas de las debilidades de los sistemas existentes y sintetiza sus fortalezas. Para mostrarte lo que quiero decir, veamos algunas de las deficiencias actuales de la IA y cómo Pathways puede mejorarlas.
Los modelos de IA actuales suelen estar entrenados para hacer sólo una cosa. Pathways nos permitirá entrenar un solo modelo para hacer miles o millones de cosas.
Los sistemas de IA actuales a menudo se entrenan desde cero para cada nuevo problema: los parámetros del modelo matemático se inician literalmente con números aleatorios. Imagínate que, cada vez que aprendieras una nueva habilidad (saltar la cuerda, por ejemplo), olvidaras todo lo que habías aprendido (cómo mantener el equilibrio, cómo saltar, cómo coordinar el movimiento de tus manos) y comenzaras a aprender cada nueva habilidad desde cero.
Así es más o menos cómo entrenamos la mayoría de los modelos de aprendizaje automático en la actualidad. En lugar de extender los modelos existentes para aprender nuevas tareas, entrenamos cada nuevo modelo desde cero para hacer una cosa y sólo una cosa (o, a veces, especializamos un modelo general para una tarea específica). El resultado es que terminamos desarrollando miles de modelos para miles de tareas individuales. No sólo el aprendizaje de cada nueva tarea toma más tiempo de esta manera, sino que también requiere de muchos más datos para aprender cada nueva tarea, ya que estamos tratando de aprender todo sobre el mundo y los detalles de esa tarea desde cero (completamente diferente a cómo las personas abordan nuevas tareas).
Los modelos actuales se centran principalmente en un sentido. Pathways permitirá múltiples sentidos.
Las personas dependen de múltiples sentidos para percibir el mundo. Eso es muy diferente de cómo los sistemas de IA actuales digieren la información. La mayoría de los modelos actuales procesan sólo una modalidad de información a la vez. Pueden captar texto, imágenes o voz, pero normalmente no los tres a la vez.
Pathways podría permitir modelos multimodales que abarquen la vista, el oído y la comprensión del lenguaje simultáneamente. Entonces, ya sea que el modelo esté procesando la palabra “leopardo”, el sonido de alguien que dice “leopardo” o un video de un leopardo corriendo, la misma respuesta se activa internamente: el concepto de leopardo. El resultado es un modelo más perspicaz y menos propenso a errores y sesgos.
Y, por supuesto, un modelo de IA no tiene por qué limitarse a estos sentidos tan familiares; Pathways podría manejar formas de datos más abstractas, ayudando a encontrar patrones útiles que han eludido a los científicos humanos en sistemas complejos como la dinámica climática.
Los modelos actuales son densos e ineficientes. Pathways los hará mínimos y eficientes.
Un tercer problema es que la mayoría de los modelos actuales son “densos”, lo que significa que toda la red neuronal se activa para realizar una tarea, sin importar si es muy simple o realmente complicada.
La IA puede funcionar de la misma manera. Lo que significa que sólo se activan pequeñas rutas a través de la red según sea necesario. De hecho, el modelo aprende dinámicamente qué partes de la red son buenas en qué tareas; aprende cómo enrutar las tareas a través de las partes más relevantes del modelo. Un gran beneficio de este tipo de arquitectura es que no sólo tiene una mayor capacidad para aprender una variedad de tareas, también es más rápido y mucho más eficiente energéticamente, porque no activamos toda la red para cada tarea.
Para recapitular: los modelos de aprendizaje automático de hoy tienden a especializarse demasiado en tareas individuales cuando podrían sobresalir en muchas. Dependen de una forma de entrada cuando pueden sintetizar varias. Y con demasiada frecuencia recurren a la fuerza bruta cuando bastan la destreza y la especialización de conocimientos.
Pathways, que permitirá que un único sistema de IA se generalice en miles o millones de tareas, comprenda diferentes tipos de datos y lo haga con una eficiencia notable; esto nos permitirá pasar de la era de los modelos de propósito único que simplemente reconocen patrones, a una en la que más sistemas inteligentes reflejan una comprensión más profunda de nuestro mundo y pueden adaptarse a nuevas necesidades.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Por: Jeff Dean, Senior Fellow y SVP, Google Research[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Preferencia, lealtad, satisfacción son adjetivos que todas las empresas del mundo sin importar el producto, servicio o solución persiguen en sus clientes, todas las empresas desean a toda costa ser las favoritas a la hora de calificación de un cliente.
Solo que para lograr ser las elegidas no basta con tener un excelente producto o servicio, es necesario tener un ingrediente que pocas logran implementar y ejecutar casi a la perfección: La Experiencia. Este adjetivo es el más codiciado porque la experiencia que un cliente tiene con una marca es la que realmente consigue enlazar a los otros tres: una buena experiencia en el cliente logra preferencia, satisfacción y lealtad.
Ahora, La Experiencia del Cliente o Customer Experience (CX: sus siglas en inglés) ¿es una moda o una necesidad?.
Parece ser una moda pues en los últimos tiempos estas dos palabras y su concepto está siendo abordado en todo el mundo y haciendo que muchas compañías hablen de ella enfocando esfuerzos importantes para conseguir que sus clientes tengan una mejor experiencia con su marca más allá de un call center, de encuestas, de eventos, de obsequios, descuentos, o tratamientos especiales, esfuerzos que han llevado a crear áreas especializadas en la Experiencia soportadas por tecnología, procesos, gente que solo piensa en una solo sentimiento: Felicidad, que el cliente esté feliz.
Y es por ello que no puede ser una moda pasajera, CX es una necesidad, porque la felicidad es un sentimiento que debe ser permanente y casi un mandato en una compañía: tener a los clientes felices.
La Experiencia del Cliente es ahora más que antes muy importante tanto como las ganancias y la excelencia de los productos o servicios, porque ahora existe mucha más competencia y estamos en un mundo donde el modelo de consumo cambió y estar a la altura de un cliente cada vez más exigente, requiere modelos especializados y automatizados.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Verónica Vives – CX Marketing Manager Cisco LATAM[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]La nube pública se define como servicios informáticos que ofrecen proveedores externos a través de la Internet pública y que están disponibles para todo aquel que desee utilizarlos o comprarlos. Pueden ser gratuitos o venderse a petición, lo que permite a los clientes pagar solo por el uso que hacen de ciclos de CPU, el almacenamiento o el ancho de banda que consumen.
A diferencia de las nubes privadas, las nubes públicas pueden ahorrar a las compañías los enormes gastos que supone tener que comprar, administrar y mantener hardware e infraestructura de aplicaciones locales: el proveedor del servicio en la nube es el responsable de todo el trabajo de administración y mantenimiento del sistema. Las nubes públicas también se pueden implementar con más rapidez que las infraestructuras locales y con una plataforma que permite una escalabilidad casi ilimitada. Todos los empleados de una compañía pueden usar la misma aplicación desde cualquier oficina o sucursal con el dispositivo que prefieran, siempre y cuando tenga acceso a Internet. Aunque ha surgido cierta preocupación en cuanto a la seguridad de los entornos de nube pública, cuando se implementa correctamente, la nube pública puede ser tan segura como la implementación de nube privada con la administración más eficaz, si el proveedor utiliza métodos de seguridad adecuados, como sistemas de detección de intrusiones y prevención (IDPS).[/vc_column_text][/vc_column][/vc_row][vc_row][vc_column][us_separator size=”small” show_line=”1″][vc_column_text]Fuente: Microsoft[/vc_column_text][/vc_column][/vc_row]
MaaS360 Mobile Device Management (SaaS) es una plataforma EMM (Enterprise Mobility Management) que proporciona visibilidad y control de los smartphones y las tabletas de la empresa. El software MaaS360 es compatible con dispositivos como as iPhone, iPad y Android. MaaS360 se integra con IBM® Security Verify, una solución de gestión de identidad y acceso basada en la nube, para proporcionar las capacidades de inicio de sesión único (SSO) que aseguran que solo los dispositivos y aplicaciones de confianza pueden acceder a los recursos corporativos o empresariales.
Características
Inicio de sesión único en aplicaciones móviles nativas, SaaS, o aplicaciones basadas en web para aumentar la productividad.
Acceso condicional para asegurar que únicamente los dispositivos y aplicaciones fiables pueden acceder a recursos de empresa.
Plantilla de aplicaciones SAML genérica para incorporar cualquier aplicación que admita el estándar SAML para inicio de sesión único.
Requisitos previos y limitaciones
El inicio de sesión único en una aplicación móvil nativa es admitida por cualquier aplicación que da soporte a SAML.
El dispositivo móvil debe tener como mínimo iOS 7 o Android “Lollipop” versión 5.0.
El dispositivo móvil debe tener como mínimo un agente de Android MaaS versión 5.95.
Los puertos TCP 88 y 89 deben ser accesibles desde la red de su organización.
[/vc_column_text][us_btn label=”Entérate más clicando aquí” link=”url:https%3A%2F%2Fwww.ibm.com%2Fdocs%2Fes%2Fsecurity-verify%3Ftopic%3Dintegrations-maas360|target:_blank”][us_separator size=”small” show_line=”1″][vc_column_text]Fuente: IBM[/vc_column_text][/vc_column][/vc_row]
Hay miles de millones de dispositivos en casas, fábricas, pozos petroleros, hospitales, automóviles y miles de otros lugares. Con la proliferación de dispositivos, usted necesita cada vez más soluciones para conectarlos y recopilar, almacenar y analizar datos de dispositivos.
Amplios y sólidos
AWS posee servicios de IoT amplios y sólidos, desde las ubicaciones de borde hasta la nube. AWS IoT es el único proveedor en la nube que combina administración de datos y análisis ricos en servicios fáciles de usar diseñados para datos IoT ruidosos.
Seguridad de múltiples capas
AWS IoT ofrece servicios para todas las capas de seguridad, incluidos mecanismos de seguridad preventivos, como control de acceso y cifrado para datos de dispositivos y un servicio para monitorear y auditar configuraciones de manera continua.
Integración de IA superior
AWS está combinando la IA e IoT para hacer que los dispositivos sean más inteligentes. Puede crear modelos en la nube e implementarlos en dispositivos en los que funcionan el doble de rápido respecto a otros servicios en el mercado.
Comprobado a gran escala
AWS IoT está diseñado sobre una infraestructura de nube, segura y probada, y puede escalar a miles de millones de dispositivos y a billones de mensajes. AWS IoT se integra con otros servicios de AWS, por lo que usted puede crear soluciones completas.
[/vc_column_text][us_separator][us_btn label=”Enteráte más cliclando aquí” link=”url:https%3A%2F%2Faws.amazon.com%2Fes%2Fiot%2F%3Fnc2%3Dh_ql_prod_it|target:_blank”][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por: Amazon Web Services[/vc_column_text][/vc_column][/vc_row]
[vc_row][vc_column][vc_column_text]Hallamos diferente tipo de material sobre implementación de datos y con la constante evolución del mercado, es importante hablar siempre de ello. Hoy decidimos compartir algunas preguntas relacionadas con Data Engineer o Ingeniería de Datos. Hablaremos un poco sobre en qué consiste y por qué es tan importante.
Tranquilo, que en este artículo trataremos de abordar solo información relevante. Al final le garantizo que conocerá cómo trabaja este perfil profesional, sus responsabilidades y herramientas. ¿Empezamos?
Para comenzar ¿Qué es un Data Engineer?
Es la persona que encuentra tendencias en el conjunto de datos y desarrolla algoritmos para convertir los datos sin procesar en información útil. El Ingeniero de Datos es el responsable de la plataforma de datos, organiza la fuente de datos estructurando, arquitecturando y modelando para que estén siempre disponibles para la Output Layer. Vamos por partes…
Un ejemplo. Imagine un tipo de negocio, ya sea un e-commerce, marketplace, software as a service o media company. Podemos decir que cada modelo de negocio tiene sus fuentes de datos (usaremos el primero como ejemplo).
En el e-commerce existen varios tipos de puntos de contacto (llamémoslo así al principio), estos puntos de contacto pueden ser tiendas virtuales, aplicaciones, campañas de marketing y la propia plataforma de e-commerce, que son básicamente el medio por el cual el cliente contacta a tu empresa. En una tienda virtual, usted puede navegar por las páginas del sitio web, colocar productos en el carrito, explorar promociones, así como en la aplicación que sería como una extensión de la tienda virtual. ¿Y qué tienen en común todos estos puntos de contacto? Datos, todos son fuentes de datos.
Las fuentes de datos serían entonces cada interacción que el cliente tiene con la empresa. ¿Qué campañas funcionan, dónde hacen clic los clientes y a qué páginas acceden más?, por ejemplo. La forma más fácil para nosotros de analizar todos estos datos y hacerlos útiles sería organizarlos y es ahí donde surge Data Lake, viniendo a ser entonces un lugar donde organizamos los datos para que sus usuarios finales conocidos como Output Layer, puedan usar esa información de forma rápida, fiable y sencilla.
Ahí es cuando encontramos la Arquitectura de Datos y el Modelado de Datos, porque después de todo, usted, futuro Ingeniero de Datos necesita saber cómo transportar todos los datos a la Data Lake. Además de simplemente transferir los datos, deberá organizarlos y modelarlos para posteriormente enviarlo a sus usuarios finales u Output Layer.
En esta gráfica puede observar mejor cómo funciona todo este proceso, mire que no vinculamos la Data Lake con la Output Layer precisamente porque entre ellos hay arquitectura y modelado de datos.
Para que podamos entender que las responsabilidades de un Data Engineer van más allá del simple almacenamiento de datos con fines analíticos (Data Lake), vea algunas otras responsabilidades de sus responsabilidades:
Diseñar estrategias de procesamiento
Establecer una política de Data Governance
Poner los datos a disposición de los Data Scientist y otros analistas
Crear la implementación de modelo de Machine Learning
¿Qué conocimientos necesito para convertirme en un Data Engineer?
Como puede ver en el tema anterior, algunos conocimientos en el área de Ciencias de la Computación, Ingeniería, Matemática Aplicada o alguna otra área relacionada con las TI son necesarios para un buen desempeño, después de todo este rol, requiere un gran conocimiento técnico.
Para convertirse en un profesional, necesitará experiencia en varios lenguajes de programación, incluidos Python y Java, además de conocimientos de diseño de bases de datos, SQL. Consulte algunas áreas más que necesitará conocer:
Transferencia y Aplicación De datos
Seguridad de Datos
Estadística y Data Science
¿Qué herramientas de Cloud usar?
Para poder almacenar y procesar grandes niveles de datos, se necesita una herramienta que lo ayude en este proceso, así tendrá más seguridad y confianza para procesar sus datos. Existen varias soluciones que pueden apoyarlo en este proceso, entre los cuales destacan:
Cada una de estas plataformas puede ayudarlo de maneras extraordinarias, todas poseen características excepcionales, que vale la pena investigar y conocer para profundizar.
¿Conocía las certificaciones de Data Engineer?
Apenas existen algunas certificaciones específicas de Ingeniería de datos, pero hay muchas otras en Data Science y Big Data que pueden acompañarlo en su aprendizaje. Aquí le compatimos un enlace para que conozca más sobre las certificaciones. En Fast Lane estaremos encantados y halagados de seguir de cerca su trayectoria.
¡Ey! ¿Aún tiene alguna pregunta sobre cómo ser un Data Engineer? Creo que no, pero fuera que sí, déjenos saberlo en los comentarios y gustosos ampliaremos la información. Si desea un contenido completo sobre Arquitectura de Datos y Modelado de Datos, también déjanoslo en los comentarios y le explicaremos todo.[/vc_column_text][us_separator size=”small” show_line=”1″][vc_column_text]Escrito por Mayara Pimentel – adaptado por Karina Ríos y con revisión final de Raphael Silva.[/vc_column_text][/vc_column][/vc_row]
