Morris & Opazo y Universidad Centofec de Costa Rica establecen alianza para ejecutar proyectos de investigación bajo plataforma de Amazon Web Services (AWS)
Con miras a desarrollar un proceso de investigación de manera conjunta, Morris & Opazo y la Universidad Centofec de Costa Rica, han establecido durante el mes de mayo una alianza que permitirá poner en marcha nuevos proyectos en el área de tecnologías de la nube que propicien, entre otros, nuevas oportunidades de inclusión y formación continua, así como también la transferencia de conocimiento. Para Ulses Agüero, representante de la Ucentofec el trabajar con Morris Opazo, “busca producir programas de investigación en áreas de inteligencia artificial y de software, que permitan en alianza, en el menor tiempo posible, dar las respuestas que exige el mercado tecnológico”. “La especialización en informática y tecnologías digitales, así como el enfoque de cercanía permanente a la actividad empresarial por parte de esta casa de estudios, está casado con la filosofía de Morris & Opazo, a quien reconocemos como una compañía de alto nivel de calidad y digno representante de Chile en esta materia”. Gracias a los atributos que compartimos, los proyectos que construyamos serán de beneficio para ambos, sobre todo en el caso de la Ucentofec, por que impactará de manera significativa en sus programas universitarios de pregrado, posgrado, Machine Learning, Data Warehause y tecnologías en la nube e integración de Analytics. Marcelo Rybertt, Country Manager de Morris & Opazo al respecto está convencido de que este acuerdo “nos invita a una compleja tarea de formación, crecimiento y desarrollo personal y profesional continuo” y al mismo tiempo, “es una oportunidad única que llama a estrechar lazos con otros países de Latinoamérica con el fin de optimizar la formación y capacitación de todos los profesionales del área de tecnología”. En este encuentro que se realizó a nivel digital, se abordaron además “los nuevos desafíos generados por la pandemia del Covid19 en cuanto a necesidad en materia de datos, inteligencia artificial y desarrollo de software moderno, áreas vitales para el sector educativo”, que según Marianela Romero, representante comercial de ProChile en Costa Rica y anfitriona del evento “deben ser abordados con prontitud para optimizar las competencias y experiencias universitarias que permitan incorporar a nuevos profesionales”. Desde ProChile “esta promoción internacional del sector servicios, ha sido un eje vital, no solo por sus aportes a la diversificación y certificación de nuestra matriz exportadora, sino también porque suma a la reactivación económica de Chile. Contamos como país con una experiencia en capital humano, aportes de empresas, la red 5G recientemente instalada, infraestructura digital de primer nivel y numerosos tratados y acuerdos comerciales”, explicó Rodrigo Valenzuela, representante del Departamento del sector servicio e industria 4.0 de ProChile. Desde ProChile se han venido realizando esfuerzos en el diseño de estrategias de internacionalización, en colaboración estrecha y permanente con empresas, asociaciones y gremios, a fin de fortalecer nuestra imagen en el exterior, recordó. A la firma de la alianza también asistió Álvaro Guzmán, Primer Secretario de la Embajada de Chile en Costa Rica, quien aprovechó la oportunidad para recordar que entre “Chile y Costa Rica hay una gran afinidad, una química que ha favorecido las relaciones culturales, políticas, comerciales, democráticas y sociales”, lo cual permitirá que esta alianza reporte nuevos beneficios, en particular en materia de tecnología para ambos países. Participantes del encuentro: Representante del convenio por la Universidad UCentofec: Steven Guerrero Representante político: Álvaro Guzmán, Primer Secretario de la Embajada de Chile en Costa Rica. Representante del Departamento del sector servicio e industria 4.0 de ProChile: Rodrigo Valenzuela Marcelo Rybertt, Country Manager de Morris & Opazo. Representante comercial de ProChile en Costa Rica y anfitriona del evento: Marianela Romero. Representante de la rectoría de la UCentofec: Ulses Agüero. Otros representantes de la UCentofec: Daniel Samper, Gerente; Paula Brenes, Directora Comercial y de Innovación y Sergio Morales, profesor de la UCentofec.
Predicción de fallas con Machine Learning en la minería con AWS
Optimización de modelos de Machine learning en AWS
Técnicas de reducción de dimensionalidad
Table of Contents Entendiendo el contexto En la actualidad, en la mayoría de los problemas de ciencia de datos, el conjunto de datos está sobrecargado con numerosas características que dan como resultado un sobreajuste y además aumentan los enormes costes computacionales, lo que hace que el proceso sea considerablemente lento, y esta no es la excepción, una de las soluciones a este problema es reducir la dimensión del conjunto de datos. El principal objetivo de este trabajo es analizar qué tan factible es ocupar algunas técnicas de reducción en el conjunto de datos y la razón de por qué algunas funcionan mejor que otras en este conjunto, además de presentar los resultados obtenidos en los distintos experimentos comparando su eficiencia. Por ello, en este trabajo se lleva a cabo el estudio de algunas técnicas de reducción de dimensionalidad, las matemáticas tras estas, las ventajas y desventajas de cada una, que librerías utilizan y cómo se aplican al conjunto de datos, también se verán los inconvenientes que presentan los algoritmos de aprendizaje automático en problemas con estas características. Posteriormente, se lleva a cabo el estudio empírico del análisis discriminante lineal (LDA), como su nombre lo indica, el análisis discriminante identifica las características que diferencian a dos o más grupos y a crear una función capaz de distinguir con la mayor precisión posible a los miembros de un grupo u otro. Por otro lado, LDA también es un método de reducción de dimensión, dado que su objetivo es proyectar el espacio de una característica (conjunto de datos n-dimensional) en un subespacio pequeño k donde k n – 1, manteniendo la información discriminatoria de clases. Luego, se muestra una comparación de los resultados obtenidos con PCA, la técnica estadística más tradicional y conocida que existe. Esta técnica lleva a cabo la transformación de los datos generando nuevas componentes, conocidas como componentes principales, que se calculan teniendo en cuenta la varianza del conjunto de datos. El primer componente principal es definido por el método donde el conjunto de datos presenta una mayor varianza, el segundo componente principal es definido donde los datos presentan la segunda mayor varianza, y así sucesivamente. Hay que tener en cuenta que el número máximo de componentes principales que se obtienen mediante PCA siempre será igual al número de variables del conjunto de datos, aunque como el objetivo es reducir la dimensionalidad habrá que reducir el número de componentes seleccionando aquellos que expliquen la mayor cantidad de variabilidad de los datos. Sin embargo, PCA presenta el principal problema, que es una técnica no supervisada, es decir, no utiliza el valor que se espera obtener para cada dato. Por este motivo, PCA puede proporcionar resultados no satisfactorios. Para hacer una evaluación de la calidad de la reducción de la dimensionalidad producida, en ambos casos, se utilizan distintos algoritmos de clasificación, estos son: K-nearest neighbors (KNN), Regresión logística y Redes neuronales. Primero, se utilizarán estos algoritmos para clasificar los datos sin haber realizado ninguna reducción de dimensión, y así poder ver qué resultados se obtienen antes de la investigación. Estos resultados se muestran en la Tabla 1. MÉTODO TASA MEDIA DE ACIERTO Regresión logística 61.7% K vecinos más cercanos 53.9% Redes neuronales 44.3% Tabla 1. Exactitud de los distintos métodos de clasificación sin aplicar técnicas de reducción de dimensión. Comparación de distintas técnicas de reducción de dimensionalidad A continuación, para comparar distintas técnicas de reducción de dimensionalidad, se muestra una tabla con las ventajas y desventajas que pueden implicar las distintas técnicas. Método de reducción Ventajas Desventajas Análisis de componentes principales (PCA) Retiene las características del conjunto de datos que contribuyen más a su varianza. Se ejecuta bastante rápido a comparación de otras técnicas como t-SNE. Después de la transformación conserva la varianza en los datos, usando valores propios. No ofrece resultados satisfactorios en muchos problemas supervisados de clasificación o regresión al tratarse de una técnica no supervisada. Las nuevas coordenadas ya no son variables reales producidas por el sistema, por lo que la aplicación del PCA al conjunto de datos hace que se pierda capacidad de interpretación. Muy influenciado por los outliers en los datos, por lo que es recomendable estudiar si los hay. Análisis de discriminante lineal (LDA) Al igual que PCA se ejecuta bastante fácil y rápido. La clasificación de nuevas observaciones no es muy eficiente a medida que se incrementa el número de variables en el modelo. Se acostumbra a hacer selección de variables antes de aplicar el método. Requiere que se especifiquen los grupos del conjunto de entrenamiento del modelo con clases prefijadas. Análisis factorial Ayuda a simplificar la información que nos da una matriz de correlaciones para hacerla más fácilmente interpretable. Incrustación de vecinos estocásticos distribuidos en t (t-SNE) Se suele utilizar para la reducción de dimensionalidad no lineal y la visualización de datos. Mantiene los puntos de datos muy similares juntos en el espacio de menor dimensionalidad. Los valores atípicos no afectan a t-SNE. Realiza una cantidad enorme de cálculos, lo que se traduce en un proceso muy lento cuando se trabaja con varios miles de observaciones. Está diseñado para reducir los datos a 2 o 3 dimensiones. No debe aplicarse si la reducción de dimensionalidad se hace a espacios d > 3. No es un proceso totalmente determinista, por lo que, a pesar de emplear los mismos datos, los resultados pueden variar. Su algoritmo no es incremental, en otras palabras, no puede aplicarse sobre un set de datos y después actualizarlo con unas pocas observaciones nuevas. Se tiene que ejecutar de nuevo todo el algoritmo incluyendo todas las observaciones (las viejas y las nuevas). Tabla 2. Ventajas y desventajas de las técnicas de reducción de variables. Construcción del conjunto de datos final Para construir el conjunto de datos final se realiza una reducción de variables al conjunto de datos inicial, como ya vimos existen distintas técnicas para realizar esta reducción, en este trabajo se prueban 3, estas son PCA, t-SNE y LDA. Donde, con la ayuda de la tabla 2, se decide que de
Morris & Opazo ayuda a Aguas Nuevas a innovar su infraestructura en AWS para modernizar los servicios de agua para 400.000 clientes en chile
AWS validates Morris & Opazo as a Migration Specialist within the Service Delivery Program
AWS has accepted Morris & Opazo into its Amazon EC2 Service Delivery Program for Microsoft Windows Server (AWS Service Delivery Program), which means that our engineers and specialists are qualified to plan, implement and manage migrations to the cloud as well as to modernize Windows-based solutions. Amazon EC2 for Microsoft Windows Server Partners provides services for Amazon EC2, managing secure, reliable, and high-performance environments for deploying Windows-based applications and workloads. AWS, through its Program, emphasizes that it seeks to validate the partners who follow the recommended practices in the use of its services as well as a deep knowledge of these, a high technical competence of its platform and having achieved great experience and success when delivering them to your customers. There are several projects of varying complexity executed to date by Morris & Opazo, which allows us to affirm that the experience gained in the implementation and migration of Microsoft workloads will allow current and future clients to maximize agility and security of your projects. You can learn more about the program below: https://aws.amazon.com/windows/products/ec2/partners/ About Morris & Opazo For more than 12 years we have delivered high-end solutions perfectly adapted to the needs of our customers. Our success is the result of a strict talent selection process, a continuous drive for innovation using the latest technologies, and the flexibility of our project management methodologies.
AWS valida a Morris & Opazo como Especialista en Migraciones dentro del Programa de Entrega de Servicios
AWS ha aceptado a Morris & Opazo dentro de su Programa de Entrega de Servicios Amazon EC2 para Microsoft Windows Server (AWS Service Delivery Program), lo que se traduce en que nuestros ingenieros y especialistas están calificados para planificar, implementar y administrar migraciones a la nube así como para modernizar soluciones basadas en Windows. Amazon EC2 para Microsoft Windows Server Partners ofrece servicios para Amazon EC2, administrando entornos seguros, confiables y de alto rendimiento para implementar aplicaciones y cargas de trabajo basadas en Windows. AWS a través de su Programa, enfatiza que busca validar a los socios que siguen las prácticas recomendadas en el uso de sus servicios así como un conocimiento profundo de estos, una alta competencia técnica de su plataforma y el haber logrado una gran experiencia y éxito a la hora de entregarlos a sus clientes. Son varios los proyectos y de diversa complejidad ejecutados hasta la fecha por Morris & Opazo, lo que nos permite afirmar que la experiencia lograda en la implementación y migración de cargas de trabajo de Microsoft, le permitirá a los actuales y futuros clientes maximizar la agilidad y seguridad de sus proyectos. Puede conocer más acerca del programa a continuación: https://aws.amazon.com/es/windows/products/ec2/partners/ Acerca de Morris & Opazo Durante más de 12 años hemos entregado soluciones de alta gama perfectamente adaptadas a las necesidades de nuestros clientes. Nuestro éxito es el resultado de un estricto proceso de selección de talento, un impulso continuo para la innovación utilizando las últimas tecnologías y la flexibilidad de nuestras metodologías de gestión de proyectos.
Webinar: Despliegue de Modelos en Ambiente Productivo con AWS – Amazon Sagemaker
AWS ofrece el conjunto de servicios de aprendizaje automático más amplio y completo e infraestructura de soporte en la nube, ya que pone los recursos del aprendizaje automático al alcance de cualquier desarrollador, científico de datos y profesional experto. AWS, nombrado líder en el cuadrante mágico de Gartner sobre servicios de IA para desarrolladores en la nube, está ayudando a decenas de miles de clientes a acelerar sus proyectos de aprendizaje automático. Amazon Sagemaker para Construcción de Modelos ML Regístrese
Morris & Opazo y Couchbase establecen alianza regional para modernizar aplicaciones estratégicas en organizaciones líderes de Latinoamérica.
Morris & Opazo inicia el 2021 dando un paso acertado al establecer una alianza estratégica con una de las plataformas de Base de Datos NoSQL líder en el mercado. Couchbase es la plataforma #NoEqual que combina lo mejor de la tecnología NoSQL, con el poder y familiaridad del SQL en una plataforma unificada y elegante. Características nativas como distribuida real, escalable, alta disponibilidad, primero en memoria, búsqueda de texto completo, replicación eficiente, alto desempeño, integración con dispositivos móviles que funcionan fuera de línea, soporte contenedores e implementación en nubes líderes como AWS, Azure y Google la definen como la mejor opción para construir aplicaciones modernas altamente interactivas. El destacado rendimiento de esta tecnología responde a la alta demanda simultánea de usuarios y grandes volúmenes de información en operaciones como creación, almacenamiento y manipulación de datos, y ha sido implementada en procesos estratégicos por diferentes organizaciones de clase mundial líderes de todos los sectores de la industria. Morris & Opazo responde a las necesidades de sus clientes en Latinoamérica integrando soluciones con plataformas de vanguardia que se traducen en ventaja competitiva. Estas son sólo algunas características que han sido tomadas en cuenta al momento de elegir la tecnología de Couchbase en empresas líderes como Nike, Tripadvisor, LinkedIn, PayPal, General Electric, Walmart y Verizon, entre otras. Mejorar la productividad, reducir costos, lograr mayor satisfacción de sus clientes y generar nuevas oportunidades de negocio son algunos de los beneficios que su empresa puede obtener con Morris & Opazo al permitirnos guiarles en el próximo paso hacia la transformación digital de su organización.
Paso a paso de cómo configurar e implementar las tareas de Oracle en DMS
