Aws re:Invent 2020, il machine learning tecnologia dirompente

Alex Casalboni, Senior Developer Advocate di Aws, ha dialogato con noi sulle novità presentate dalla società durante l’edizione digitale di re:Invent 2020, e in particolare sull’importanza dei dati e del machine learning

Il keynote sulle infrastrutture tenuto da Peter DeSantis, Vice President, Global Infrastructure di Aws è stato ricco di contenuti, ha sottolineato Casalboni.
Infatti, anche in assenza di particolari novità in termini di servizi, il manager di Aws si è concentrato sul “dietro le quinte” delle infrastructure Aws e sulla grande affidabilità su cui sono fondati i data center di Amazon Web Services.
La resilienza è altissima, con una percentuale di uptime del 99,99997. Ad oggi è davvero difficile immaginare sistemi in grado di offrire performance significativamente migliori.
Per raggiungere questo risultati, Aws fa ampio uso di tecniche di ridondanza. Stiamo parlando di soluzioni sempre ai vertici delle singole categorie, come gli alimentatori costruiti su misura. La società, in sintesi, fa davvero il massimo sforzo oggi possibile per abilitare la sicurezza dei dati e delle applicazioni dei propri clienti.

Le region già attive sono 24, che diverranno almeno 30 entro il 2022. Ogni singola regione è ridondata a livello di availability, a riprova dei livelli di sicurezza intrinsica offerti a clienti e partner.

Anche la sostenibilità è in cima alle priorità di Aws, con l’ambizioso obbiettivo di arrivare almeno 10 anni prima di quanto previsto dagli accordi di Parigi al 100% di impatto carbon neutral; già a fine 2019 Aws produceva oltre 2400 megawatt tramite energia rinnovabile.
Amazon ha annunciato di aver investito in 26 nuovi progetti di energia eolica e solare su larga scala per un totale di 3,4 gigawatt di capacità di produzione di energia elettrica, portando il suo investimento totale in energie rinnovabili nel 2020 a 35 progetti con più di 4 gigawatt di capacità.

Si tratta del più grande investimento aziendale in energie rinnovabili in un solo anno. Il totale degli investimenti in energie rinnovabili di Amazon fornirà 6,5 gigawatt di capacità di produzione di energia elettrica – l’equivalente necessario per alimentare 1,7 milioni di abitazioni negli Stati Uniti per un anno.

Per quanto riguarda il machine learning, Aws ha una architettura su 3 livelli.
Il livello core, quello più vicino ai data scientist e ai professionisti che creano nuovi algoritmi; a questi stadio troviamo ad esempio TensorFlow

Il livello intermedio presidiato da Amazon Sagemaker, e il livello più astratto su cui vengono erogati servizi molto importanti e altrettanto popolari come Rekognition, Lex, Translate, Kendra, CodeGuru e molti altri.

Amazon Sagemaker offre un’interfaccia virtuale per preparare i dati per il machine learning, e grazie a SageMaker Pipelines Aws offre funzionalità DevOps per i modelli ML.

Sul fronte Bias, Aws consente di gestire al meglio il training dei modelli di machine learning fornendo chiari report sul perché e come una determinata decisione è stata presa dagli algoritmi. Un fattore essenziale sia per gli sviluppatori, che potranno intervenire al meglio sul fine tuning degli algoritmi stessi.
Ma anche per chi ottiene il risultato del calcolo: grazie a informazioni chiare e trasparenti potrà a sua volta comprendere i motivi che hanno portato il machine learning a determinare una scelta, e spiegarla (ad esempio) ad un cliente.

Interessante anche SageMaker JumpStart, che permette di implementare il ML in situazioni e organizzazioni che non hanno mai utilizzato questa tecnologia, grazia (ad esempio) ad oltre 15 casi d’uso già pronti e basati sull’enorme know-how di Aws.

Per le analytics, esistono diverse angolature da cui osservare questa tecnologia. In Aws si spazia dai database relazionali al machine learning stesso, ma anche data warehousing, log analytics e ovviamente l’elaborazione di big data.
Ottenere valore dall’enorme volume di dati è vitale per qualsiasi business, e Aws ne è perfettamente consapevole. In questa solco si inserisce Amazon Athena che semplifica di molto l’analisi dei dati, sottolinea Casalboni; segnaliamo anche  Amazon Redshift ML che permette di utilizzare i dati presenti su Redshift per il training degli algoritmi di machine learning

Appare evidente un doppio filo conduttore nella strategia di Aws: rendere lo sfruttamento di ML e elaborazione dei dati sempre più ampio, raggiungendo la platea più grande possibile. Al tempo stesso la società si impegna moltissimo a semplificare l’applicazione pratica dei propri servizi. Uno sforzo notevole ma molto importante, e che contribuisce a mitigare il fenomeno dello skill shortage.
Infine, è doveroso ricordare che Aws mette a disposizione un’enorme quantità di materiale di formazione, grazie al quale gli sviluppatori possono migliorare le proprie competenze e acquisire maggior consapevolezza sulle enormi possibilità offerte dall’universo Amazon Web Services