Procesamiento de Datos de Robots a Escala con R y Kubernetes

Rate this content
Bookmark

La mayoría de las personas estarían de acuerdo en que R es un lenguaje popular para el análisis de datos. Quizás menos conocido es que R tiene un buen soporte para la ejecución paralela en una sola CPU a través de paquetes como future. En esta presentación hablaremos sobre nuestra experiencia escalando los procesos de R aún más, ejecutando R en paralelo en contenedores docker utilizando Kubernetes. Los robots generan grandes cantidades de datos de sensores y otros; extraer la información y conocimientos adecuados de esto requiere un procesamiento significativamente mayor que el que se puede abordar en un entorno de ejecución único. Ante la tarea de preprocesar varios cientos de GB de datos de archivos json comprimidos, utilizamos Pachyderm para escribir canalizaciones de datos para ejecutar la preparación de datos en paralelo, utilizando contenedores multinúcleo en un clúster de Kubernetes.


Al final de la charla habremos desmentido el mito de que R no se puede utilizar en producción a gran escala. Incluso si no utiliza R, habrá visto un caso de uso para escalar el análisis independientemente de su lenguaje de elección.

FAQ

Expantia ayuda a las organizaciones a impulsar su capacidad de análisis de datos.

Flodian Pistoni es el cofundador y CEO de Inorbit, una plataforma de gestión de robots en la nube.

Inorbit ha acumulado más de 3.8 millones de horas de datos de robots en los últimos 12 meses.

Expantia enfrentó desafíos en la extracción de datos debido a la variedad de fuentes y marcas de tiempo no relacionadas, y en la ingeniería de características para unir diferentes señales de datos.

Expantia externalizó la extracción y procesamiento de datos a Kubernetes y utilizó Pachyderm para manejar y versionar los datos.

Pachyderm es un producto que permite la gestión versionada de pipelines de datos. Expantia lo utiliza para conectar datos en un repositorio y manejar la ejecución de scripts en R de manera más eficiente.

Expantia ha encontrado que los grandes clústeres son sorprendentemente asequibles y facilitan el manejo de grandes volúmenes de datos, mejorando la eficiencia en el análisis de datos.

El trabajo de Expantia ha ayudado a Inorbit a entender y manejar mejor la escalabilidad de su plataforma de gestión de flotas de robots, haciendo el proceso de recolección y análisis de datos más eficiente.

Frans van Dunné
Frans van Dunné
8 min
02 Jul, 2021

Comments

Sign in or register to post your comment.

Video Summary and Transcription

La charla aborda los desafíos de gestionar y analizar el volumen creciente de datos recopilados de los robots. Se destaca la importancia de la extracción de datos y la ingeniería de características en el análisis de lo que sucede antes de una falla. Se menciona el uso de Kubernetes y Packyderm para la gestión de datos y actualizaciones automáticas en la canalización. Se enfatiza la paralelización de scripts de R y la escalabilidad de grandes clústeres para la recopilación y procesamiento de datos. La charla también menciona el uso de IA a nivel de flota de robots para desbloquear nuevas oportunidades.

1. Introducción al Análisis de Datos de Robots

Short description:

Hola. Mi nombre es Frans van den Een, Director de Datos en Expantia. Junto con Flodian Pistoni, CEO de Inorbit, abordamos los desafíos de gestionar y analizar el creciente volumen de datos recopilados de robots. Inorbit ha acumulado más de 3.8 millones de horas de datos de robots en los últimos 12 meses solamente. Uno de los principales desafíos es el proceso de extracción de datos, donde necesitamos unir observaciones basadas en la marca de tiempo más cercana y realizar ingeniería de características. Analizamos lo que sucede antes de una falla al retroceder un cierto período de tiempo para cada observación.

Soy el Director de Datos en Expantia, y ayudamos a las organizaciones a impulsar su capacidad de análisis de datos. Esta charla fue preparada junto con Flodian Pistoni. Flodian es el cofundador y CEO de Inorbit, y Inorbit es una plataforma de gestión en la nube, una plataforma de gestión de robots en la nube y están desarrollando aún más para llevar las operaciones de robots a un nivel más alto. Porque los robots están en todas partes ahora, dondequiera que mires, aún más ahora con COVID, están trabajando junto con los humanos, están trabajando de manera autónoma. Y esto significa que el volumen de los data que estamos recopilando de los robots está aumentando exponencialmente. Por supuesto, esto ofrece oportunidades muy interesantes para nosotros, los científicos de datos, trabajar con este tipo de data que tiene características especiales. Y si miramos lo que Inorbit ha estado haciendo, han acumulado más de 3.8 millones de horas de datos de robots en los últimos 12 meses solamente. Y están creciendo rápidamente, ¿verdad? Así que ahora están agregando aproximadamente un año de data cada día. Y para nosotros, hacer análisis sobre eso, aunque esta es una charla breve, de manera muy resumida, pero quiero resaltar algunos de los problemas que encontramos y cómo los hemos resuelto. El principal problema que encontramos es que Inorbit ofrece sus servicios a cualquier flota. No tenemos control sobre cómo exactamente se recopilan esos data y cómo se envían al servicio central. Así que en una de las pruebas de concepto que hicimos, nos enfrentamos a muchos robots que estaban enviando millones de archivos, ¿verdad? Un archivo cada cinco segundos para cada agente. Pero cada archivo contenía data de múltiples fuentes. Y cada una de esas fuentes estaba en

2. Extracción de Datos e Ingeniería de Características

Short description:

El primer paso fue la extracción de datos, que implicó unir observaciones por la marca de tiempo más cercana. Luego realizamos la ingeniería de características y analizamos lo que sucedió antes de una falla. Debido al gran volumen de datos, decidimos utilizar Kubernetes y Packyderm, un producto de código abierto que ofrece un pipeline de datos versionado. Esto permite una gestión más fácil de los datos y actualizaciones automáticas en el pipeline.

robots o operaciones en el agente. Tenían sus propias marcas de tiempo. No estaban directamente relacionados. Entonces, el primer paso que necesitábamos hacer era la extracción de data. Y esto fue un poco más complejo de lo que esperábamos, especialmente porque necesitábamos unir observaciones por la marca de tiempo más cercana. Destacaré eso un poco más en una diapositiva posterior. Y luego realizar la ingeniería de características sobre eso. Entonces, lo que quiero decir con la unión de tiempo más cercana, tenemos diferentes señales sobre la localización de la misión y la velocidad. Y necesitamos encontrar un intervalo donde podamos unir cada una de esas señales para tener una sola observación. Trabajamos en cómo se podía hacer eso. Y luego necesitábamos comenzar la ingeniería de características. Entonces, una vez que tenemos una línea, una observación por unidad de tiempo, queríamos retroceder. Queríamos ver qué sucedió antes de una falla. Hay una falla aquí. Y si retrocedemos digamos 42 segundos, entonces necesitamos hacer eso para cada uno de ellos. Hacer eso y tener en cuenta todos los casos en los que no pudimos incluir el dato, por ejemplo, cuando hubo una falla dentro del marco de tiempo de 42 segundos, fue absolutamente posible. Pero luego nos enfrentamos a un volumen enorme donde nuestra computadora local simplemente dijo que no, esto no será posible. Así que inmediatamente pensamos en externalizar esto a Kubernetes. Configuramos un bucket con los data que se estaban ingresando. Los empaquetamos en archivos zip diarios. Empaquetamos gstuff, Json y gzzips para que sea un poco más manejable y poder transportar los data con mayor facilidad. Y luego externalizamos la extracción completa de data a Kubernetes, un segundo bucket con el resultado intermedio, externalizamos la ingeniería de data, y tenemos el resultado listo para el análisis. Lo que descubrimos es que es mucho más fácil obtener la ayuda de algo llamado Packyderm. Packyderm es un producto, es una empresa. Tienen una versión de código abierto de esto, que es lo que usamos. Y lo que tenemos allí no es un bucket. Lo que tenemos es un archivador. Tenemos un repositorio donde convertimos los data que ingresan y versionamos los data que salen. Hacer este tipo de pipeline de data con versiones significa que si hay un cambio en cualquier punto del pipeline, el resto del pipeline responderá y actualizará automáticamente los data. Esto nos prepara para hacer todo el trabajo pesado una vez que lo llevemos a producción. Solo un vistazo rápido a cómo se ve esto. Creamos pipelines que son muy similares a los archivos de configuración de ustedes y lo clave aquí es que podemos conectar los data en el repositorio, en el repositorio de Pachyderm, PFS es el sistema de archivos de Pachyderm, con lo que estamos ejecutando en nuestro R

Check out more articles and videos

We constantly think of articles and videos that might spark Git people interest / skill us up or help building a stellar career

Charlie Gerard's Career Advice: Be intentional about how you spend your time and effort
6 min
Charlie Gerard's Career Advice: Be intentional about how you spend your time and effort
Featured Article
Charlie Gerard
Jan Tomes
2 authors
When it comes to career, Charlie has one trick: to focus. But that doesn’t mean that you shouldn’t try different things — currently a senior front-end developer at Netlify, she is also a sought-after speaker, mentor, and a machine learning trailblazer of the JavaScript universe. "Experiment with things, but build expertise in a specific area," she advises.

What led you to software engineering?My background is in digital marketing, so I started my career as a project manager in advertising agencies. After a couple of years of doing that, I realized that I wasn't learning and growing as much as I wanted to. I was interested in learning more about building websites, so I quit my job and signed up for an intensive coding boot camp called General Assembly. I absolutely loved it and started my career in tech from there.
 What is the most impactful thing you ever did to boost your career?I think it might be public speaking. Going on stage to share knowledge about things I learned while building my side projects gave me the opportunity to meet a lot of people in the industry, learn a ton from watching other people's talks and, for lack of better words, build a personal brand.
 What would be your three tips for engineers to level up their career?Practice your communication skills. I can't stress enough how important it is to be able to explain things in a way anyone can understand, but also communicate in a way that's inclusive and creates an environment where team members feel safe and welcome to contribute ideas, ask questions, and give feedback. In addition, build some expertise in a specific area. I'm a huge fan of learning and experimenting with lots of technologies but as you grow in your career, there comes a time where you need to pick an area to focus on to build more profound knowledge. This could be in a specific language like JavaScript or Python or in a practice like accessibility or web performance. It doesn't mean you shouldn't keep in touch with anything else that's going on in the industry, but it means that you focus on an area you want to have more expertise in. If you could be the "go-to" person for something, what would you want it to be? 
 And lastly, be intentional about how you spend your time and effort. Saying yes to everything isn't always helpful if it doesn't serve your goals. No matter the job, there are always projects and tasks that will help you reach your goals and some that won't. If you can, try to focus on the tasks that will grow the skills you want to grow or help you get the next job you'd like to have.
 What are you working on right now?Recently I've taken a pretty big break from side projects, but the next one I'd like to work on is a prototype of a tool that would allow hands-free coding using gaze detection. 
 Do you have some rituals that keep you focused and goal-oriented?Usually, when I come up with a side project idea I'm really excited about, that excitement is enough to keep me motivated. That's why I tend to avoid spending time on things I'm not genuinely interested in. Otherwise, breaking down projects into smaller chunks allows me to fit them better in my schedule. I make sure to take enough breaks, so I maintain a certain level of energy and motivation to finish what I have in mind.
 You wrote a book called Practical Machine Learning in JavaScript. What got you so excited about the connection between JavaScript and ML?The release of TensorFlow.js opened up the world of ML to frontend devs, and this is what really got me excited. I had machine learning on my list of things I wanted to learn for a few years, but I didn't start looking into it before because I knew I'd have to learn another language as well, like Python, for example. As soon as I realized it was now available in JS, that removed a big barrier and made it a lot more approachable. Considering that you can use JavaScript to build lots of different applications, including augmented reality, virtual reality, and IoT, and combine them with machine learning as well as some fun web APIs felt super exciting to me.


Where do you see the fields going together in the future, near or far? I'd love to see more AI-powered web applications in the future, especially as machine learning models get smaller and more performant. However, it seems like the adoption of ML in JS is still rather low. Considering the amount of content we post online, there could be great opportunities to build tools that assist you in writing blog posts or that can automatically edit podcasts and videos. There are lots of tasks we do that feel cumbersome that could be made a bit easier with the help of machine learning.
 You are a frequent conference speaker. You have your own blog and even a newsletter. What made you start with content creation?I realized that I love learning new things because I love teaching. I think that if I kept what I know to myself, it would be pretty boring. If I'm excited about something, I want to share the knowledge I gained, and I'd like other people to feel the same excitement I feel. That's definitely what motivated me to start creating content.
 How has content affected your career?I don't track any metrics on my blog or likes and follows on Twitter, so I don't know what created different opportunities. Creating content to share something you built improves the chances of people stumbling upon it and learning more about you and what you like to do, but this is not something that's guaranteed. I think over time, I accumulated enough projects, blog posts, and conference talks that some conferences now invite me, so I don't always apply anymore. I sometimes get invited on podcasts and asked if I want to create video content and things like that. Having a backlog of content helps people better understand who you are and quickly decide if you're the right person for an opportunity.What pieces of your work are you most proud of?It is probably that I've managed to develop a mindset where I set myself hard challenges on my side project, and I'm not scared to fail and push the boundaries of what I think is possible. I don't prefer a particular project, it's more around the creative thinking I've developed over the years that I believe has become a big strength of mine.***Follow Charlie on Twitter
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
ML conf EU 2020ML conf EU 2020
41 min
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
Descubre cómo aprovechar el aprendizaje automático en JavaScript utilizando TensorFlow.js en el navegador y más allá en esta charla rápida. Inspírate a través de un montón de prototipos creativos que empujan los límites de lo que es posible en el navegador web moderno (las cosas han avanzado mucho) y luego da tus primeros pasos con el aprendizaje automático en minutos. Al final de la charla, todos entenderán cómo reconocer un objeto de su elección que luego se puede utilizar de cualquier manera creativa que puedas imaginar. Se asume familiaridad con JavaScript, pero no se requiere experiencia en aprendizaje automático. ¡Ven y da tus primeros pasos con TensorFlow.js!
Uso de MediaPipe para Crear Aplicaciones de Aprendizaje Automático Multiplataforma con React
React Advanced Conference 2021React Advanced Conference 2021
21 min
Uso de MediaPipe para Crear Aplicaciones de Aprendizaje Automático Multiplataforma con React
Top Content
Esta charla ofrece una introducción sobre MediaPipe, que es una solución de Aprendizaje Automático de código abierto que permite ejecutar modelos de aprendizaje automático en dispositivos de baja potencia y ayuda a integrar los modelos con aplicaciones móviles. Ofrece a estos profesionales creativos una gran cantidad de herramientas dinámicas y utiliza el Aprendizaje Automático de una manera realmente fácil para crear aplicaciones poderosas e intuitivas sin tener mucho / ningún conocimiento de aprendizaje automático de antemano. Así que podemos ver cómo MediaPipe puede ser integrado con React. Proporcionando un fácil acceso para incluir casos de uso de aprendizaje automático para construir aplicaciones web con React.
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
JSNation Live 2021JSNation Live 2021
39 min
TensorFlow.js 101: Aprendizaje automático en el navegador y más allá
Descubre cómo aprovechar el aprendizaje automático en JavaScript utilizando TensorFlow.js en el navegador y más allá en esta charla rápida. Inspírate a través de un montón de prototipos creativos que empujan los límites de lo que es posible en el navegador web moderno (las cosas han avanzado mucho) y luego da tus primeros pasos con el aprendizaje automático en minutos. Al final de la charla, todos entenderán cómo reconocer un objeto de su elección que luego se puede utilizar de cualquier manera creativa que puedas imaginar. Se asume familiaridad con JavaScript, pero no se requiere experiencia en aprendizaje automático. ¡Ven y da tus primeros pasos con TensorFlow.js!
Una introducción al aprendizaje por transferencia en NLP y HuggingFace
ML conf EU 2020ML conf EU 2020
32 min
Una introducción al aprendizaje por transferencia en NLP y HuggingFace
En esta charla comenzaré presentando los avances recientes en NLP que resultaron de la combinación de esquemas de aprendizaje por transferencia y arquitecturas de Transformer. La segunda parte de la charla estará dedicada a una introducción de las herramientas de código abierto lanzadas por HuggingFace, en particular nuestras bibliotecas Transformers, Tokenizers y Datasets y nuestros modelos.
Observabilidad con diagnostics_channel y AsyncLocalStorage
Node Congress 2023Node Congress 2023
21 min
Observabilidad con diagnostics_channel y AsyncLocalStorage
Los productos de trazado modernos funcionan combinando diagnostics_channel con AsyncLocalStorage. Construyamos juntos un trazador para ver cómo funciona y qué puedes hacer para hacer que tus aplicaciones sean más observables.

Workshops on related topic

Aprovechando LLMs para Construir Experiencias de IA Intuitivas con JavaScript
JSNation 2024JSNation 2024
108 min
Aprovechando LLMs para Construir Experiencias de IA Intuitivas con JavaScript
Workshop
Roy Derks
Shivay Lamba
2 authors
Hoy en día, todos los desarrolladores están utilizando LLMs en diferentes formas y variantes, desde ChatGPT hasta asistentes de código como GitHub CoPilot. Siguiendo esto, muchos productos han introducido capacidades de IA integradas, y en este masterclass haremos que los LLMs sean comprensibles para los desarrolladores web. Y nos adentraremos en la codificación de tu propia aplicación impulsada por IA. No se necesita experiencia previa en trabajar con LLMs o aprendizaje automático. En su lugar, utilizaremos tecnologías web como JavaScript, React que ya conoces y amas, al mismo tiempo que aprendemos sobre algunas nuevas bibliotecas como OpenAI, Transformers.js
¿Pueden los LLM aprender? Personalicemos un LLM para chatear con tus propios datos
C3 Dev Festival 2024C3 Dev Festival 2024
48 min
¿Pueden los LLM aprender? Personalicemos un LLM para chatear con tus propios datos
WorkshopFree
Andreia Ocanoaia
Andreia Ocanoaia
Sientes las limitaciones de los LLMs? Pueden ser creativos, pero a veces carecen de precisión o se basan en información desactualizada. En esta masterclass, desglosaremos el proceso de construir y desplegar fácilmente un sistema de Generación con Recuperación Mejorada. Este enfoque te permite aprovechar el poder de los LLMs con el beneficio adicional de precisión factual e información actualizada.
Deja que la IA sea tu Documentación
JSNation 2024JSNation 2024
69 min
Deja que la IA sea tu Documentación
Workshop
Jesse Hall
Jesse Hall
Únete a nuestro masterclass dinámico para crear un portal de documentación impulsado por IA. Aprende a integrar ChatGPT de OpenAI con Next.js 14, Tailwind CSS y tecnología de vanguardia para ofrecer soluciones de código e resúmenes instantáneos. Esta sesión práctica te equipará con el conocimiento para revolucionar la forma en que los usuarios interactúan con la documentación, convirtiendo las búsquedas tediosas en descubrimientos eficientes e inteligentes.
Aspectos destacados:
- Experiencia práctica en la creación de un sitio de documentación impulsado por IA.- Comprensión de la integración de la IA en las experiencias de usuario.- Habilidades prácticas con las últimas tecnologías de desarrollo web.- Estrategias para implementar y mantener recursos de documentación inteligente.
Tabla de contenidos:- Introducción a la IA en la documentación- Configuración del entorno- Construcción de la estructura de documentación- Integración de ChatGPT para documentación interactiva
Prácticas con TensorFlow.js
ML conf EU 2020ML conf EU 2020
160 min
Prácticas con TensorFlow.js
Workshop
Jason Mayes
Jason Mayes
Ven y descubre nuestro masterclass que te guiará a través de 3 recorridos comunes al usar TensorFlow.js. Comenzaremos demostrando cómo usar uno de nuestros modelos predefinidos, clases de JS muy fáciles de usar para trabajar rápidamente con ML. Luego veremos cómo volver a entrenar uno de estos modelos en minutos utilizando el aprendizaje por transferencia en el navegador a través de Teachable Machine y cómo se puede usar en tu propio sitio web personalizado. Finalmente, terminaremos con un hola mundo escribiendo tu propio código de modelo desde cero para hacer una regresión lineal simple y predecir los precios ficticios de las casas en función de sus metros cuadrados.
La Guía del Autoestopista de la Galaxia de Ingeniería de Aprendizaje Automático
ML conf EU 2020ML conf EU 2020
112 min
La Guía del Autoestopista de la Galaxia de Ingeniería de Aprendizaje Automático
Workshop
Alyona Galyeva
Alyona Galyeva
¿Eres un Ingeniero de Software al que se le asignó la tarea de implementar un modelo de aprendizaje automático o aprendizaje profundo por primera vez en tu vida? ¿Te preguntas qué pasos seguir y cómo se diferencia el software impulsado por IA del software tradicional? Entonces este es el masterclass adecuado al que asistir.
Internet ofrece miles de artículos y cursos gratuitos que muestran lo fácil que es entrenar e implementar un modelo de IA simple. Al mismo tiempo, en la realidad es difícil integrar un modelo real en la infraestructura actual, depurarlo, probarlo, implementarlo y monitorearlo correctamente. En este masterclass, te guiaré a través de este proceso compartiendo consejos, trucos y herramientas de código abierto favoritas que te facilitarán mucho la vida. Así que al final del masterclass, sabrás por dónde empezar tu viaje de implementación, qué herramientas utilizar y qué preguntas hacer.
Introducción al Aprendizaje Automático en la Nube
ML conf EU 2020ML conf EU 2020
146 min
Introducción al Aprendizaje Automático en la Nube
Workshop
Dmitry Soshnikov
Dmitry Soshnikov
Este masterclass será tanto una introducción suave al Aprendizaje Automático, como un ejercicio práctico de uso de la nube para entrenar modelos de aprendizaje automático simples y no tan simples. Comenzaremos utilizando ML Automático para entrenar el modelo para predecir la supervivencia en el Titanic, y luego pasaremos a tareas de aprendizaje automático más complejas como la optimización de hiperparámetros y la programación de series de experimentos en el clúster de cómputo. Finalmente, mostraré cómo Azure Machine Learning se puede utilizar para generar pinturas artificiales utilizando Redes Generativas Adversarias, y cómo entrenar un modelo de preguntas y respuestas de lenguaje en documentos de COVID para responder preguntas relacionadas con COVID.