Las traducciones son generadas a través de traducción automática. En caso de conflicto entre la traducción y la version original de inglés, prevalecerá la version en inglés.
# Patrón 1: canalización de inferencias de aprendizaje automático sin servidor
En muchos entornos empresariales, los equipos necesitan incorporar la IA a los flujos de trabajo operativos, por ejemplo, para clasificar los comentarios de los usuarios, detectar anomalías en la telemetría entrante o evaluar los riesgos en tiempo real. Estas funciones basadas en el aprendizaje automático (ML) suelen estar integradas en las aplicaciones orientadas al cliente, las aplicaciones móviles o los sistemas de automatización internos.
Sin embargo, las cargas de trabajo de inferencia de aprendizaje automático tradicionales suelen requerir lo siguiente:
+ Computación aprovisionada previamente, como instancias y contenedores de Amazon Elastic Compute Cloud (Amazon EC2)
+ Políticas de escalado manual
+ Infraestructura persistente incluso cuando está inactiva
+ Procesos complejos de implementación y monitoreo
Estos requisitos dan como resultado lo siguiente:
+ Recursos infrautilizados para inferencias esporádicas
+ Complejidad operativa para el control de versiones de modelos, la conmutación por error y el autoscalamiento
+ Aumento del costo, especialmente en el caso de cargas de trabajo de baja frecuencia o en ráfagas
Además, los equipos de ingeniería suelen carecer de las habilidades especializadas en infraestructura de aprendizaje automático necesarias para mantener esta complejidad, y la adopción de la IA se estanca en la fase de prototipo.
## El patrón de inferencia del aprendizaje automático sin servidor: ligero, basado en eventos y escalable
El patrón de canalización de inferencias de aprendizaje automático sin servidor se basa en eventos Servicios de AWS y está totalmente gestionado para eliminar la carga de infraestructura. Este enfoque permite flujos de trabajo de inferencia que se activan y ejecutan solo cuando es necesario y que se escalan automáticamente en función de la demanda.
Este patrón es ideal para realizar las siguientes tareas:
+ Ejecute modelos de aprendizaje automático livianos entrenados en Amazon SageMaker o localmente.
+ Realice clasificaciones, puntajes o transformaciones prácticamente en tiempo real.
+ Incorpore la lógica del aprendizaje automático en los microservicios o en las canalizaciones de ingesta de datos. APIs
La arquitectura de referencia implementa cada capa de la siguiente manera:
+ **Activador de eventos**: utiliza [Amazon API Gateway](https://docs.aws.amazon.com/apigateway/latest/developerguide/welcome.html) para las solicitudes de los usuarios, [Amazon EventBridge](https://docs.aws.amazon.com/eventbridge/latest/userguide/eb-what-is.html) para los eventos empresariales y [Amazon S3](https://docs.aws.amazon.com/AmazonS3/latest/userguide/Welcome.html) para la carga de datos.
+ **Capa de procesamiento**: se implementa [AWS Lambda](https://docs.aws.amazon.com/lambda/latest/dg/welcome.html)para normalizar la entrada, validar el esquema y enriquecer los metadatos.
+ **Capa de inferencia**: implementa un punto final de [inferencia SageMaker sin servidor](https://docs.aws.amazon.com/sagemaker/latest/dg/serverless-endpoints.html) para realizar la clasificación, la regresión o la puntuación.
+ **Posprocesamiento**: usa Lambda para formatear la respuesta, almacenar registros y emitir nuevos eventos.
+ **Resultado**: implementa API Gateway para devolver los resultados a los usuarios o publica eventos EventBridge para su procesamiento posterior.
**nota**
Toda esta canalización se puede implementar como infraestructura como código (IaC) utilizando AWS Cloud Development Kit (AWS CDK) o AWS Serverless Application Model (AWS SAM), versionada y observable.
## Caso de uso: clasificación de opiniones a partir de los comentarios de los clientes
Una empresa de comercio electrónico global quiere clasificar los comentarios de los clientes que aparecen en las reseñas de productos o en las solicitudes de asistencia para identificar a los detractores con antelación y priorizar el seguimiento. El sistema de clasificación debe cumplir los siguientes requisitos:
+ El tráfico es muy variable, con picos durante los períodos de campaña.
+ La inferencia debe realizarse en tiempo real para integrarse con el sistema de clasificación de soporte.
+ El modelo es ligero (latencia de inferencia de 100 ms) y está diseñado para ello. SageMaker
Para este caso de uso, la solución de canalización de inferencias sin servidor consta de los siguientes pasos:
1. Los comentarios de los usuarios se envían a API Gateway, que luego los envía a EventBridge.
1. Lambda preprocesa y formatea la carga útil de texto.
1. El punto final de inferencia SageMaker sin servidor ejecuta un modelo de clasificación de opiniones.
1. Lambda envía los resultados «negativos» a la cola de escalamiento de soporte.
1. Los resultados se registran en Amazon DynamoDB para su análisis y reentrenamiento.
## Valor empresarial del proceso de inferencia de aprendizaje automático sin servidor
La canalización de inferencia de aprendizaje automático sin servidor ofrece valor en las siguientes áreas:
+ **Escalabilidad**: se escala automáticamente hasta miles de inferencias por minuto sin necesidad de ajustes manuales
+ **Rentabilidad:** solo paga por el tiempo de ejecución sin coste alguno durante los períodos de inactividad
+ **Velocidad de desarrollo**: permite a los equipos implementar flujos de trabajo de inferencia de end-to-end IA sin administrar la infraestructura
+ **Resiliencia**: proporciona reintentos, registros y ejecución sin estado integrados para garantizar la solidez
+ **Observabilidad**: monitorea el uso del modelo, los volúmenes de entrada y salida y la latencia mediante Amazon CloudWatch y AWS X-Ray
El proceso de inferencia del aprendizaje automático sin servidor es el punto de partida para muchas organizaciones que desean adoptar la IA de forma gradual y pragmática. Es el patrón ideal para lograr los siguientes objetivos:
+ IA en tiempo real y de baja latencia
+ Despliegue rentable de los modelos de aprendizaje automático tradicionales
+ Integración perfecta con sistemas modernos sin servidor y basados en eventos
Al separar la infraestructura, los equipos pueden centrarse en la lógica empresarial, en la precisión del modelo y en ofrecer un valor real, sin sacrificar el control operativo ni la escalabilidad.