Conecta con nosotros

Noticias

Larry Ellison anuncia la disponibilidad de Oracle Autonomous Transaction Processing

Publicado el

El director ejecutivo y CTO de Oracle, Larry Ellison, marcó ayer el mayor hito de la estrategia de la compañía relacionada con la autonomía a través del lanzamiento de un nuevo servicio de Oracle Autonomous Database Service: Oracle Autonomous Transaction Processing. Este anuncio se enmarca dentro del giro estratégico de la compañía hacia los sistemas autónomos, como nos avanzó Elena Montoya en su momento. Elevando el aprendizaje profundo y las capacidades de automatización, Oracle Autonomous Transaction Processing proporciona ahorros de costes, seguridad, disponibilidad y productividad sin precedentes.

El nuevo servicio de base de datos autónoma ha sido creado para ser ejecutado en las aplicaciones de finanzas, retail, industria y administración más avanzadas, soportando un complejo mix de procesamiento de transacciones de alto rendimiento, reporting, batch y cargas de trabajo analíticas. El portfolio de Oracle Autonomous Database proporciona a las organizaciones el más completo y avanzado set de capacidades de bases de datos del mercado.

Oracle tiene de lejos la mejor base de datos del mundo y ahora está mejorada porque es autónoma”, dijo Ellison. “Esto ofrece que sea mucho más fiable, un sistema mucho más seguro – un sistema que se protege contra los ladrones de datos, un sistema que se supera el 99,995% del tiempo, y un sistema que hace a las organizaciones y a sus desarrollos significativamente más productivos”.

Tradicionalmente, la creación de un sistema de gestión de bases de datos requería expertos que lo construyeran de forma personalizada, manteniendo una compleja pila de hadware y software. Oracle Autonomous Database revoluciona la gestion de datos utilizando machine learning para proporcionar capacidades de auto-gestión, auto-securización y auto-reparación con economías de escala y elasticidad en la nube. El servicio permite a los usuarios crear instantáneamente nuevas bases de datos autónomas y fácilmente convertir las bases de datos existentes, reduciendo los costes y el tiempo de disponibilidad en el mercado de forma significativa.

Completando el servicio existente de Oracle Autonomous Data Warehouse, Oracle Autonomous Transaction Processing puede soportar un complejo mix de transacciones de alto rendimiento, reporting, batch, IoT y desarrollos, ofreciendo análisis en tiempo real, personalización y detención del fraude. Los usuarios pueden:

  • Reducir costes: la completa automatización de las operaciones de base de datos y las infraestructuras reduce los costes administrativos hasta en un 80%. La eficiencia de una base de datos auto-optimizada junto a la elasticidad del pago por uso reduce los costes en un 90%.
  • Reducir riesgos: La aplicación automática de las últimas actualizaciones de seguridad sin tiempo de inactividad elimina las vulnerabilidades ante ciberataques. Protección para todo tipo de fallos incluyendo fallos en el sistema, interrupciones regionales, y errores de usuarios, proporcionando un 99,995% de disponibilidad, o menos de 2,5 minutos de caídas al mes, incluyendo los matenimientos. Database Vault previene a los administradores de husmear en los datos de los usuarios.
  • Acelerar la innovación: Eliminar el mantenimiento de la base de datos permite a los administardores focalizarse en conseguir valor para los datos. Los desarrolladores serán más ágiles para crear de forma instantánea y sin esfuerzo utilizando bases de datos que no requieren un ajuste manual. Los algoritmos de machine learning integrados permiten a los desarrolladores de aplicaciones realizar predicciones en tiempo real tales como compars personalizadas y detección del fraude. La simplicidad de actualización de las bases de datos existentes a las autónomas en la nube permiten a los departamentos de TI transformarse a un modelo moderno, ágil y en la nube.

Autonomous Database se basa en los 40 años de experiencia de Oracle en el apoyo a la mayoría de las aplicaciones más exigentes del mundo. Es fácil de adoptar para los clientes porque usa la misma Base de datos Oracle on-premise, con la misma funcionalidad e interfaces. Autonomous Database admite la mayoría de las cargas de trabajo de misión crítica porque está basada en tecnologías de bases de datos Oracle altamente sofisticadas que no tienen rival en ningún otro producto, incluida la infraestructura de alto rendimiento Exadata, clústeres de aplicaciones reales para escalamiento vertical transparente y tolerancia a fallos, Active Data Guard para recuperación de desastres y Online Data Evolution.

El trabajo más duro que tiene un DBA es el de actualizar y mantener una base de datos transaccional de misión crítica”, explica Carl Olofson, research vice president for IDC’s Data Management Software research. “Además de examinar estadísticas y aplicar ajustes, la base de datos autónoma debe también aplicar parches, incluyendo parches de seguridad, de forma muy frecuente, lo que puede dar lugar a errores y es además una actividad que interrumpe la operativa. Con el servicio Autonomous Transaction Processing Oracle elimina estas tareas problemáticas, permitiendo a la base de datos centrarse en actividades de más valor, como habilitar más aplicaciones business-responsive y permitir a la compañía asegurar que los datos no se verán comprometidos a causa de vulnerabilidades conocidas.

En el mundo de la tecnología por casualidad pero enormemente agradecida. Social Media Manager, Redacción, Organización y cualquier reto que se me proponga.

Noticias

TransmogrifAI el Machine Learning de Salesforce llega a GitHub

Publicado el

Los modelos de Machine Learning, la Inteligencia Artificial que identifica relaciones entre millones de datos, rara vez son fáciles de diseñar. Los científicos de datos pasan semanas y meses no solamente procesando los datos en los que se basa cada uno de los modelos, si no que también tienen que extraer características útiles de los datos, estrechando algoritmos y al final construyen, o lo intentan, un sistema que no solo funcione bien en el laboratorio, que también lo haga en el mundo real.

Las nuevas herramientas de Salesforce tienen como objetivo intentar aliviar esta carga de trabajo. Salesforce ha publicado en GitHub TransmogrifAI, una biblioteca de Machine Learning para datos estructurados. Este tipo de datos, que se encuentra en tablas y bases de datos, permitirá seleccionar características útiles y modelos de entrenamiento con tan solo tres líneas de código.

Mayukh Bhaowal, director de Salesforce Einstein, comentó en una entrevista telefónica con VentureBeat que TransmogrifAI transforma conjuntos de datos sin procesar en modelos personalizados. Es la evolución de la biblioteca de Machine Learning de Salesforce, que permitió al equipo de Einstein desarrollar en cuestión de horas un modelo personalizado para sus clientes.

Bhaowal explicó que se creó con la experiencia y el aprendizaje que los científicos de datos de Salesforce consiguieron al crear Einstein. Ellos aprendieron que los modelos personalizados superan a los modelos generados a nivel global. “Si se usa el mismo modelo para hacer predicciones para una empresa de Fortune 500 en una tienda familiar, será difícil encontrar un patrón correcto“.

Lo primero es la inferencia de características y la selección automática de características. Es una parte crucial de la capacitación del modelo, ya que la selección de unas características incorrectas podría resultar en un modelo excesivamente optimista, inexacto o sesgado.

Con TransmogrifAI, los usuarios especifican un esquema para sus datos, la biblioteca extrae funciones automáticamente, como números de teléfono o códigos postales. También realizan pruebas estadísticas, catalogando texto con baja cardinalidad, es decir, una pequeña cantidad de elementos, y elimina características con poco poder predictivo, o aquellas que pueden dar lugar a un sesgo no predictivo, otras señales no deseadas.

En una demo, Bhaowal demostró como TransmogrifAI podía aislar rápidamente características como puestos de trabajo, correos electrónicos, direcciones… y de esta forma averiguaba si son predictivas. Los que no lo son fueron descartados automáticamente. “Es perfecto para la reducción de la dimensionalidad“, dijo refiriéndose al proceso de reducción del número de funciones con respecto a la que el modelo se creó.

El siguiente paso es automatizar el flujo de TransmorgrifAI. Basándose en los tipos de características extraídos en el primer paso, la biblioteca transforma los datos estructurados en vectores, tomando automáticamente, por ejemplo, números de teléfono y separando el código del país para saber si es válido o no.

Una vez que TransmogrifAI ha extraído las características del conjunto de datos, estará listo para comenzar la capacitación de modelos automatizados. En esta etapa se ejecutan un cuadro de algoritmos de aprendizaje automático. En paralelo, sobre los datos, se selecciona automáticamente el modelo de mejor rendimiento, se toman muestras y se recalibran las predicciones para evitar datos desequilibrados.

Shubha Nabar, Director Senior de Data Science para Salesforce Einstein, define el entrenamiento de TransmogrifAI como la “explicación del modelo”, la transparencia sobre los factores que influyen en los modelos. “Desde una perspectiva de confianza y privacidad de los datos, es importante que el modelo generado no sea una caja negra. TransmogrifAI muestra los efectos globales de cada característica”.

Y esta es solo la punta de un iceberg muy grande

TransmogrifAI cuenta con herramientas que facilitan ajustar los hiperparámetros, variables como la frecuencia de muestreo y filtros, que influyen y optimizan los modelos de Machine Learning. Dentro de los entornos de desarrollo integrados que lo soportan, TransmogrifAI resalta los errores de sintaxis y tipográficos, sugiere como completar el código y las característica de cada “tipo” con una jerarquía extensible, lo que permite a los usuarios diferenciar entre funciones primitivas y matizadas.

TransmogrifAI nos ha transformado, reduciendo el tiempo medio de respuesta en el que se entrena un modelo de rendimiento en un par de horas y permitiendo a nuestros científicos de datos desplegar miles de modelos de producción con un mínimo ajuste manual” dijo Bhaowal. “El objetivo de democratizar el machine learning solo se puede lograr en una plataforma abierta de intercambio de ideas y códigos, y las diversas perspectivas de la comunidad harán que la tecnología sea mejor para todos“.

Casualmente, el lanzamiento público de TransmogrifAI  se produce un día después de la plataforma abierta de Oracle, GraphPipe, una herramienta que facilita el desplieuge de modelo de machine learning hechos para frameworks como Google TensorFlow, MXNet, Facebook Caffe2 y PyTorch.

Photo por Curtis MacNewton en Unsplash

Continuar leyendo

Noticias

Un niño de 11 años hackea una réplica de la web electoral de Florida

Publicado el

Emmett Brewer

Emmett Brewer, un niño americano de 11 años, ha logrado piratear una réplica de la web de resultados electorales de Florida en tan solo 10 minuto, logrando cambiar nombres y cifras. Esta hazaña tuvo lugar durante una convención de seguridad en la que los organizadores pretendían concienciar sobre el tema antes de las próximas elecciones nacionales.

Al acto acudieron un total de 35 niños, de entre 6 y 17 años, a quienes retaron para piratear las copias de las webs de seis estados norteamericanos indecisos con su voto. Brewer fue el más rápido de todos. El evento estaba pensado para evaluar la fortaleza de la infraestructura electoral del país y las vulnerabilidades encontradas se transmitieron a los estados.

La Asociación Nacional de Secretarios de Estado, responsables del recuento de votos, indicaron que recibieron con “satisfacción” los esfuerzos de los organizadores de la convención pero que los sistemas reales utilizados por los estados tenían protección adicional. “Sería extremadamente difícil replicar estos sistemas, ya que muchos estados utilizan redes únicas y bases de datos personalizados con nuevos y actualizados protocolos de seguridad”, afirmaron.

Lo cierto es que existe preocupación sobre las vulnerabilidades que pudieran atacar al sistema electoral antes de las elecciones estatales y federales, de ahí que pidieran comprobar la seguridad del mismo. De hecho, el equipo de seguridad nacional del presidente, Donald Trump, advirtió hace dos semanas que Rusia había estado intentando interferir en las elecciones de noviembre.

Los responsables del evento dijeron que los pequeños hackers  habían logrado cambiar los nombres de los partidos y dado hasta 12.000 millones de votos a los candidatos.

Continuar leyendo

Noticias

El mercado de memoria NAND sigue con exceso de oferta

Publicado el

El mercado de memoria NAND sigue con exceso de oferta

Según datos de DRAMeXchange de los que se han hecho eco en Digitimes, durante el segundo trimestre del año el mercado mundial de memoria NAND flash sigue caracterizándose por un exceso de oferta. A pesar de todo, el sector ha registrado un aumento del 3,5% de los ingresos por venta de estos componentes. En total, alcanzaron los 16.290 millones de dólares en los tres meses analizados.

Eso sí, el precio medio de la NAND flash cayó entre un 15% y un 20% entre abril y junio. Todo a pesar de que los envíos de estos componentes volvieron de nuevo a subir gracias a la demanda de componentes de alta densidad de los fabricantes de smartphone de China.

Durante el trimestre en curso se espera que los precios de la memoria NAND flash caigan de nuevo otro 10% debido al exceso de suministros. Según el analista de DRAMeXchange Ben Yeh, “hay señales palpables de que el crecimiento de la demanda será limitado, a pesar de las contribuciones de la que tradicionalmente es la época de más actividad. Por otro lado no se espera un aumento significativo de los envíos de los productos de electrónica de consumo más populares, como smartphones y portátiles, durante el tercero trimestre de 2018. Y los fabricantes de módulos de memoria seguirán teniendo unos niveles elevados de inventario“.

A pesar de todo, el descenso continuo de los precios de la NAND flash dará alas a los fabricantes de dispositivos móviles para subir las especificaciones de sus productos en cuanto a almacenamiento. Además, la bajada de los precios de la NAND Flash también estimularán los envíos de los discos SSD de alta capacidad para servidores. Así lo ve Yeh, que también ha destacado que la adopción de discos SSD en los portátiles de consumo crecerá también de manera notable.

En cuanto a fabricantes, el que más NAND flash vende es Samsung, con una cuota de mercado del 36,4% durante el segundo trimestre de 2018. Le siguen Toshiba, con un 19,3%, y Western Digital, con un 14,5%. Entre los seis primeros vendedores de este tipo de memoria entre abril y junio también están Micron Technology, SK Hynix e Intel.

Foto: Raymond Spekking

Continuar leyendo




Lo más leído

Suscríbete gratis a MCPRO

La mejor información sobre tecnología para profesionales IT en su correo electrónico cada semana. Recibe gratis nuestra newsletter con actualidad, especiales, la opinión de los mejores expertos y mucho más.

¡Suscripción completada con éxito!