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.
Con él AWS Step Functions, puede crear flujos de trabajo que gestionen el estado a lo largo del tiempo, tomen decisiones en función de los datos entrantes y gestionen los errores y las excepciones.
Categorías de casos de uso
Procesamiento de datos
A medida que aumenta el volumen de datos provenientes de diversas fuentes, las organizaciones necesitan procesar su información con mayor rapidez para tomar decisiones empresariales bien fundamentadas de manera ágil. Para procesar los datos a escala, las organizaciones deben aprovisionar recursos de manera elástica para gestionar la información que reciben de los dispositivos móviles, las aplicaciones, los satélites, el marketing y las ventas, los almacenes de datos operativos y la infraestructura, entre otros.
Con escalado horizontal y flujos de trabajo tolerantes a errores, Step Functions puede gestionar millones de ejecuciones concurrentes. Puede procesar sus datos más rápido mediante ejecuciones paralelas con Estado Parallel de un flujo de trabajo estado. O bien, puede utilizar el paralelismo dinámico del estado Estado del flujo de trabajo Map para iterar sobre conjuntos de datos de gran tamaño en un almacén de datos, como los buckets de Amazon S3. Step Functions también ofrece la capacidad de reintentar ejecuciones fallidas o elegir un camino específico para gestionar errores, sin necesidad de manejar procesos complejos de tratamiento de errores.
Step Functions se integra directamente con otros servicios de procesamiento de datos proporcionados por, por AWS ejemplo, AWS Batchpara el procesamiento por lotes, Amazon EMR para el procesamiento de macrodatos, AWS Gluepara la preparación de datos, Athena para el análisis de datos y para la computación. AWS Lambda
Entre los ejemplos de los tipos de flujos de trabajo de procesamiento de datos para los que los clientes utilizan Step Functions se incluyen:
Procesamiento de archivos, vídeos e imágenes
-
Tome una conjunto de archivos de vídeo y conviértalos a otros tamaños o resoluciones que sean ideales para el dispositivo en el que se van a mostrar, como teléfonos móviles, ordenadores portátiles o televisiones.
-
Tome una gran colección de fotos subidas por los usuarios y conviértalas en miniaturas o imágenes de varias resoluciones que luego puedan mostrarse en los sitios web de los usuarios.
-
Tome datos semiestructurados, como un archivo CSV, y combínelos con datos no estructurados, como una factura, para elaborar un informe comercial que se envíe mensualmente a las partes interesadas de la empresa.
-
Tome los datos de observación de la Tierra recopilados por los satélites, conviértalos en formatos que se alineen entre sí y, a continuación, agregue otros orígenes de datos recopilados en la Tierra para obtener información adicional.
-
Tome los registros de transporte de los distintos modos de transporte para los productos y busque optimizaciones mediante simulaciones Monte Carlo. Posteriormente, envíe los informes a las organizaciones y personas que confían en usted para enviar sus mercancías.
Coordine trabajos de extracción, transformación y carga (ETL):
-
Combine los registros de oportunidades de venta con conjuntos de datos de métricas de marketing mediante una serie de pasos de preparación de datos AWS Glue, utilizando y elabore informes de inteligencia empresarial que se puedan utilizar en toda la organización.
-
Cree, inicie y finalice un clúster de Amazon EMR para el procesamiento de macrodatos.
Procesamiento por lotes y cargas de trabajo de computación de alto rendimiento (HPC):
-
Cree canalizaciones de análisis secundarios de genómica que procesen secuencias genómicas completas sin procesar y las conviertan en llamadas variantes. Alinee archivos sin procesar con una secuencia de referencia y llame a variantes en una lista especificada de cromosomas mediante el paralelismo dinámico.
-
Encuentre eficiencias en la producción de su próximo dispositivo móvil u otros equipos electrónicos mediante la simulación de varios diseños con diferentes compuestos eléctricos y químicos. Proceso sus cargas de trabajo en grandes lotes mediante diversas simulaciones para obtener el diseño óptimo.
Machine learning
El machine learning ofrece a las organizaciones una forma de analizar rápidamente los datos recopilados para identificar patrones y tomar decisiones con una mínima intervención humana. El machine learning comienza con un conjunto inicial de datos, conocido como datos de entrenamiento. Los datos de entrenamiento aumentan la precisión de las predicciones de un modelo de machine learning y actúan como la base sobre la cual el modelo aprende. El modelo entrenado se considera lo bastante preciso como para satisfacer las necesidades de negocio, puede implementarlo en producción. El proyecto de ciencia de datos de AWS Step Functions en Github
El preprocesamiento de los conjuntos de datos existentes es la forma en que una organización suele crear los datos de entrenamiento. Este método de preprocesamiento agrega información, por ejemplo, al etiquetar objetos en una imagen, al anotar texto o al procesar audio. Para preprocesar los datos AWS Glue, puede utilizar o crear una instancia de cuaderno de SageMaker IA que se ejecute en un cuaderno de Jupyter. Una vez que los datos estén listos, podrá cargarlos en Amazon S3 para acceder a ellos. A medida que se entrenan los modelos de machine learning, puede realizar ajustes en los parámetros de cada modelo para mejorar la precisión.
Step Functions proporciona una forma de organizar los flujos de trabajo end-to-end de aprendizaje automático en SageMaker IA. Estos flujos de trabajo pueden incluir el preprocesamiento y el posprocesamiento de datos, la ingeniería de características, la validación de datos y la evaluación de modelos. Una vez que el modelo se haya implementado en producción, podrá perfeccionar y probar nuevos enfoques para mejorar continuamente los resultados empresariales. Puede crear flujos de trabajo listos para la producción directamente en Python, o bien puede usar el SDK de Step Functions Data Science para copiar ese flujo de trabajo, experimentar con nuevas opciones y poner el flujo de trabajo perfeccionado en producción.
Algunos tipos de flujos de trabajo de machine learning para los que los clientes utilizan Step Functions incluyen:
Detección del fraude
-
Identifique y evite que se produzcan transacciones fraudulentas, como el fraude crediticio.
-
Detecte y evite la apropiación de cuentas mediante modelos de machine learning entrenados.
-
Identifique el abuso promocional, incluida la creación de cuentas falsas, para que pueda tomar medidas con rapidez.
Personalización y recomendaciones
-
Recomiende productos a clientes objetivo en función de lo que se prevé que atraiga su interés.
-
Prediga si un cliente actualizará su cuenta de un nivel gratuito a una suscripción de pago.
Enriquecimiento de datos
-
Utilice el enriquecimiento de datos como parte del preprocesamiento para proporcionar mejores datos de entrenamiento para modelos de machine learning más precisos.
-
Anote fragmentos de texto y audio para agregar información sintáctica, como sarcasmo y jerga.
-
Etiquete objetos adicionales en las imágenes para proporcionar información crítica de la que pueda aprender el modelo, por ejemplo, si se trata de una manzana, un balón de baloncesto, una roca o un animal.
Orquestación de microservicios
Step Functions le ofrece opciones para administrar sus flujos de trabajo de microservicios.
La arquitectura de microservicios divide las aplicaciones en servicios con acoplamiento flexible. Entre las ventajas se incluyen una escalabilidad mejorada, una mayor resiliencia y un tiempo de comercialización más rápido. Cada microservicio es independiente, de modo que resulta sencillo escalar verticalmente un único servicio o función sin necesidad de escalar toda la aplicación. Los servicios individuales presentan un acoplamiento débil, lo que permite a los equipos independientes centrarse en un único proceso de negocio, sin necesidad de comprender toda la aplicación.
Los microservicios también ofrecen componentes individuales adaptados a las necesidades de su negocio, brindándole flexibilidad sin necesidad de reescribir todo su flujo de trabajo. Los distintos equipos pueden usar los marcos y lenguajes de programación que prefieran para trabajar con su microservicio.
Para flujos de trabajo de larga duración, puede utilizar los flujos de trabajo estándar con la integración de AWS Fargate para orquestar las aplicaciones que se ejecutan en contenedores. En el caso de flujos de trabajo de corta duración y gran volumen que requieren una respuesta inmediata, los flujos de trabajo rápidos sincrónicos son ideales. Un ejemplo son las aplicaciones móviles o basadas en la web, que requieren que se completen una serie de pasos antes de obtener una respuesta. Puede activar directamente un flujo de trabajo rápido sincrónico desde Amazon API Gateway y la conexión se mantendrá abierta hasta que el flujo de trabajo se complete o se agote el tiempo de espera. Para flujos de trabajo de corta duración que no requieren una respuesta inmediata, Step Functions ofrece flujos de trabajo rápidos asincrónicos.
Entre los ejemplos de algunas orquestaciones de API que utilizan Step Functions se incluyen:
Flujos de trabajo sincrónicos o en tiempo real
-
Cambie un valor en un registro, como actualizar el apellido de una persona empleada, y haga que el cambio sea visible de inmediato.
-
Actualice un pedido durante el proceso de pago, por ejemplo, añadiendo, eliminando o cambiando la cantidad de un artículo, y muestre inmediatamente el carrito actualizado a su cliente.
-
Ejecute un trabajo de procesamiento rápido y devuelva inmediatamente el resultado al solicitante.
Orquestación de contenedores
-
Ejecute trabajos en Kubernetes con Amazon Elastic Kubernetes Service o en Amazon Elastic Container Service (ECS) con Fargate e AWS intégrelos con otros servicios, como el envío de notificaciones con Amazon SNS, como parte del mismo flujo de trabajo.
Automatización de TI y seguridad
Con Step Functions, puede crear flujos de trabajo que se escalan automáticamente y reaccionan ante los errores de su flujo de trabajo. Sus flujos de trabajo pueden reintentar automáticamente las tareas fallidas y utilizar un retroceso exponencial para gestionar los errores.
El manejo de errores es fundamental en escenarios de automatización de TI para administrar operaciones complejas y que consumen mucho tiempo, como la actualización y parcheo de software, la implementación de actualizaciones de seguridad para abordar vulnerabilidades, la selección de infraestructura, la sincronización de datos y el enrutamiento de tickets de soporte. Automatizando tareas repetitivas y que consumen mucho tiempo, su organización puede llevar a cabo operaciones rutinarias de manera rápida y consistente a gran escala. Su enfoque puede centrarse en los esfuerzos estratégicos, como el desarrollo de características, las solicitudes de soporte complejas y la innovación, al tiempo que satisface sus demandas operativas.
Cuando se requiere la intervención humana para que el flujo de trabajo continúe, por ejemplo, para aprobar un aumento sustancial de crédito, puede definir una lógica de ramificación en Step Functions, de modo que las solicitudes por debajo de un límite se aprueben automáticamente y las solicitudes con ese límite requieran la aprobación humana. Cuando se requiere la aprobación humana, Step Functions puede pausar el flujo de trabajo, esperar una respuesta y luego continuar el flujo de trabajo una vez que se reciba la respuesta.
Algunos ejemplos de flujos de trabajo de automatización incluyen los siguientes:
Automatización de TI
-
Solucione automáticamente incidentes como puertos SSH abiertos, poco espacio en disco o cuando se concede acceso público a un bucket de Amazon S3.
-
AWS CloudFormation StackSetsAutomatice la implementación de.
Automatización de seguridad
-
Automatice la respuesta a un escenario en el que un usuario y su clave de acceso estén expuestos.
-
Remedie automáticamente las respuestas a los incidentes de seguridad de acuerdo con las acciones políticas, como restringir las acciones a áreas específicas. ARNs
-
Advierta a las personas empleadas sobre correos electrónicos de phishing en cuestión de segundos tras recibirlos.
Aprobación humana
-
Automatice el entrenamiento del modelo de machine learning y, a continuación, obtenga la aprobación del modelo por parte de un científico de datos antes de implementar el modelo actualizado.
-
Automatice el enrutamiento de los comentarios de los clientes en función del análisis de las opiniones, de modo que los comentarios negativos se envíen rápidamente para su revisión.
