Ahorre tiempo con vídeos personalizados utilizando el aprendizaje automático de AWS.
28 de enero de 2021
CLIPr aspira a ayudar a ahorrar mil millones de horas de tiempo a las personas. Organizamos los vídeos en una fuente de datos de primera clase y con capacidad de búsqueda que desbloquea el contenido más relevante para sus intereses utilizando los servicios de aprendizaje automático (ML) de AWS. CLIPr simplifica la extracción de información de los vídeos, lo que le ahorra horas al eliminar la necesidad de revisarlos manualmente para encontrar la información más relevante. CLIPr proporciona herramientas sencillas basadas en inteligencia artificial para buscar, interactuar y compartir contenido en vídeos, descubriendo su tesoro escondido al convertir la información no estructurada en datos e información útiles.
Cómo utiliza CLIPr los servicios de aprendizaje automático de AWS
En CLIPr, aprovechamos lo mejor que ofrecen AWS y la pila de ML para satisfacer a nuestros clientes. En esencia, CLIPr utiliza los últimos principios de diseño de ML, sin servidor e infraestructura como código (IaC). AWS nos permite consumir recursos en la nube justo cuando los necesitamos, y podemos implementar un entorno de cliente completamente nuevo en un par de minutos con un solo script. La segunda ventaja es la escala. El procesamiento de vídeo requiere una arquitectura que pueda escalarse vertical y horizontalmente ejecutando muchos trabajos en paralelo.
Como startup en fase inicial, el tiempo de comercialización es fundamental. Crear modelos desde cero para funciones clave de CLIPr, como la extracción de entidades, la extracción de temas y la clasificación, nos habría llevado mucho tiempo desarrollar y entrenar. Entregamos rápidamente capacidades avanzadas utilizando los servicios de IA de AWS para nuestras aplicaciones y flujos de trabajo. Utilizamos Amazon Transcribe para convertir el audio en transcripciones con capacidad de búsqueda, Amazon Comprehend para la clasificación de texto y la organización por temas relevantes, Amazon Comprehend Medical para extraer ontologías médicas para un cliente del sector sanitario y Amazon Rekognition para detectar nombres, rostros y tipos de reuniones de personas para nuestro primer MVP. Pudimos iterar con bastante rapidez y ofrecer resultados inmediatos que nos ayudaron a cerrar nuestra ronda de financiación inicial con nuestros inversores.
Desde entonces, hemos comenzado a actualizar nuestros flujos de trabajo y canales de datos para crear modelos de aprendizaje automático propios, utilizando los datos que recopilamos en nuestro proceso de formación. Amazon SageMaker se ha convertido en una parte esencial de nuestra solución. Es una estructura que nos permite proporcionar aprendizaje automático en un modelo sin servidor con escalabilidad ilimitada. La facilidad de uso y la flexibilidad para utilizar cualquier marco de aprendizaje automático y aprendizaje profundo de nuestra elección fue un factor determinante. Utilizamos TensorFlow, Apache MXNet y los cuadernos de SageMaker.
Gracias al uso de marcos de código abierto, pudimos atraer e incorporar a nuestro equipo a científicos de datos familiarizados con estas plataformas y ampliarlo rápidamente de forma rentable. En solo unos meses, integramos nuestros algoritmos y flujos de trabajo de aprendizaje automático internos con SageMaker para mejorar la interacción con los clientes.
Para ver nuestra arquitectura de servicios AWS, las funciones avanzadas de CLIPr y mucho más, continúe leyendo este artículo en AWS.