Machine Learning e IA en AWS: guía completa

Descubre los servicios de AWS para el desarrollo y el despliegue de soluciones de Inteligencia Artificial.

1. Amazon SageMaker

Configuración del entorno

# Ejemplo de configuración de SageMaker
import boto3
import sagemaker

def setup_sagemaker():
    sagemaker_session = sagemaker.Session()
    
    # Creación de la instancia de notebook
    notebook_instance = sagemaker_session.create_notebook_instance(
        NotebookInstanceName='MonNotebook',
        InstanceType='ml.t3.medium',
        RoleArn='arn:aws:iam::account:role/AmazonSageMaker-ExecutionRole',
        SubnetId='subnet-xxxxx',
        SecurityGroupIds=['sg-xxxxx']
    )
    
    return notebook_instance['NotebookInstanceArn']

Entrenamiento de un modelo

# Ejemplo de entrenamiento de un modelo con SageMaker
def train_model():
    sagemaker_session = sagemaker.Session()
    
    # Configuración del entrenamiento
    estimator = sagemaker.estimator.Estimator(
        image_uri='763104351884.dkr.ecr.region.amazonaws.com/pytorch-training:1.8.1-cpu-py3',
        role='arn:aws:iam::account:role/AmazonSageMaker-ExecutionRole',
        instance_count=1,
        instance_type='ml.c5.xlarge',
        volume_size=30,
        output_path='s3://mon-bucket/output/',
        sagemaker_session=sagemaker_session
    )
    
    # Inicio del entrenamiento
    estimator.fit({
        'train': 's3://mon-bucket/data/train/',
        'validation': 's3://mon-bucket/data/validation/'
    })
    
    return estimator.latest_training_job.name

2. Amazon Rekognition

Análisis de imágenes

# Ejemplo de análisis de imágenes con Rekognition
def analyze_image():
    rekognition = boto3.client('rekognition')
    
    # Análisis de una imagen
    response = rekognition.detect_labels(
        Image={
            'S3Object': {
                'Bucket': 'mon-bucket',
                'Name': 'mon-image.jpg'
            }
        }
    )
    
    # Detección de rostros
    faces = rekognition.detect_faces(
        Image={
            'S3Object': {
                'Bucket': 'mon-bucket',
                'Name': 'mon-image.jpg'
            }
        },
        Attributes=['ALL']
    )
    
    return {
        'labels': response['Labels'],
        'faces': faces['FaceDetails']
    }

Detección de texto

# Ejemplo de detección de texto con Rekognition
def detect_text():
    rekognition = boto3.client('rekognition')
    
    # Detección de texto en una imagen
    response = rekognition.detect_text(
        Image={
            'S3Object': {
                'Bucket': 'mon-bucket',
                'Name': 'mon-document.jpg'
            }
        }
    )
    
    return response['TextDetections']

3. Amazon Comprehend

Análisis de texto

# Ejemplo de análisis de texto con Comprehend
def analyze_text():
    comprehend = boto3.client('comprehend')
    
    # Análisis de sentimiento
    sentiment = comprehend.detect_sentiment(
        Text='Ce produit est excellent !',
        LanguageCode='fr'
    )
    
    # Detección de entidades
    entities = comprehend.detect_entities(
        Text='Amazon Web Services est une filiale d\'Amazon.',
        LanguageCode='fr'
    )
    
    return {
        'sentiment': sentiment['Sentiment'],
        'entities': entities['Entities']
    }

Clasificación de documentos

# Ejemplo de clasificación con Comprehend
def classify_document():
    comprehend = boto3.client('comprehend')
    
    # Clasificación de un documento
    response = comprehend.classify_document(
        Text='Ceci est un document technique concernant l\'intelligence artificielle.',
        EndpointArn='arn:aws:comprehend:region:account:document-classifier/mon-classifier'
    )
    
    return response['Classes']

4. Amazon Polly

Síntesis de voz

# Ejemplo de síntesis de voz con Polly
def synthesize_speech():
    polly = boto3.client('polly')
    
    # Síntesis de texto a voz
    response = polly.synthesize_speech(
        Text='Bonjour, je suis un assistant virtuel.',
        OutputFormat='mp3',
        VoiceId='Lea',
        LanguageCode='fr-FR'
    )
    
    # Guardado del archivo de audio
    with open('output.mp3', 'wb') as file:
        file.write(response['AudioStream'].read())
    
    return 'output.mp3'

Gestión de léxicos

# Ejemplo de gestión de léxicos con Polly
def manage_lexicon():
    polly = boto3.client('polly')
    
    # Creación de un léxico personalizado
    lexicon = {
        'lexiconName': 'MonLexique',
        'content': json.dumps({
            'lexicon': [
                {
                    'grapheme': 'AWS',
                    'phoneme': 'A W S'
                }
            ]
        })
    }
    
    response = polly.put_lexicon(**lexicon)
    return response['Lexicon']['Name']

5. Amazon Personalize

Configuración del servicio

# Ejemplo de configuración de Personalize
def setup_personalize():
    personalize = boto3.client('personalize')
    
    # Creación de un dataset group
    dataset_group = personalize.create_dataset_group(
        name='MonDatasetGroup',
        roleArn='arn:aws:iam::account:role/service-role/AmazonPersonalize-ExecutionRole'
    )
    
    # Creación de un esquema
    schema = personalize.create_schema(
        name='MonSchema',
        schema='{"type": "record", "name": "Interactions", "namespace": "com.amazonaws.personalize.schema", "fields": [{"name": "USER_ID", "type": "string"}, {"name": "ITEM_ID", "type": "string"}, {"name": "EVENT_TYPE", "type": "string"}, {"name": "TIMESTAMP", "type": "long"}]}'
    )
    
    return {
        'dataset_group_arn': dataset_group['datasetGroupArn'],
        'schema_arn': schema['schemaArn']
    }

Creación de recomendaciones

# Ejemplo de creación de recomendaciones
def create_recommendations():
    personalize = boto3.client('personalize')
    
    # Creación de una solución
    solution = personalize.create_solution(
        name='MonSolution',
        datasetGroupArn='arn:aws:personalize:region:account:dataset-group/MonDatasetGroup',
        recipeArn='arn:aws:personalize:::recipe/aws-user-personalization'
    )
    
    # Creación de una campaña
    campaign = personalize.create_campaign(
        name='MonCampaign',
        solutionVersionArn=solution['solutionArn'],
        minProvisionedTPS=1
    )
    
    return {
        'solution_arn': solution['solutionArn'],
        'campaign_arn': campaign['campaignArn']
    }

Conclusión

Puntos clave que debes recordar:

• Desarrollar modelos de ML con SageMaker
• Analizar imágenes con Rekognition
• Procesar texto con Comprehend
• Generar voz con Polly
• Crear recomendaciones con Personalize

Recomendaciones:

• Elegir los servicios adecuados según las necesidades
• Optimizar los costes de procesamiento
• Implantar una monitorización eficaz
• Proteger los datos
• Seguir las buenas prácticas de AWS