Uber amplía su infraestructura y las capacidades de IA con AWS
Uber está reforzando su infraestructura y ampliando sus capacidades de inteligencia artificial en Amazon Web Services (AWS). La compañía ya utiliza instancias AWS Graviton para dar soporte a sus Trip Serving Zones, la infraestructura en tiempo real que sustenta cada viaje y entrega, y ha comenzado a ejecutar pilotos de entrenamiento de modelos de IA en Trainium. Esta evolución de su infraestructura tecnológica permite conectar más rápidamente a conductores y repartidores con la demanda, optimizar la gestión global y ofrecer experiencias más inteligentes y personalizadas a millones de usuarios diarios.
Cada vez que un usuario abre Uber y solicita un servicio, se desencadena una compleja cadena de decisiones en milisegundos. Determinar qué conductor está más cerca, cuál es la mejor ruta o cuánto tardará realmente un trayecto exige una infraestructura robusta, flexible y altamente escalable. Esta infraestructura es clave para garantizar un rendimiento óptimo incluso durante las horas punta o en grandes eventos, donde la demanda se dispara.
Graviton impulsa la infraestructura de viajes en tiempo real
Las Trip Serving Zones forman parte esencial de la infraestructura operativa de Uber, asegurando que cada viaje o entrega se desarrolle sin fricciones. Este sistema requiere procesar millones de predicciones y datos de localización en tiempo real, apoyándose en una infraestructura capaz de operar en milisegundos.
Para ello, Uber está ampliando el uso de la infraestructura de computación, almacenamiento y red de AWS. La migración de más cargas de trabajo a AWS Graviton fortalece su infraestructura, permitiendo reducir el consumo energético y escalar rápidamente ante picos de demanda. Esta optimización de la infraestructura no solo disminuye la latencia, sino que también mejora la eficiencia de costes. Gracias al alto rendimiento de Graviton, Uber puede realizar cálculos en tiempo real dentro de su infraestructura, acelerando el emparejamiento entre pasajeros y conductores sin comprometer la fiabilidad, disponibilidad o seguridad.
“Uber opera a una escala en la que los milisegundos cuentan”, afirma Kamran Zargahi, vicepresidente de ingeniería de Uber. “Evolucionar nuestra infraestructura de Trip Serving en AWS nos proporciona la flexibilidad necesaria para mejorar la velocidad de emparejamiento y gestionar sin interrupciones los picos de demanda”.
Evolución de la infraestructura de IA con Trainium
Uber también ha comenzado a probar AWS Trainium como parte de la evolución de su infraestructura de inteligencia artificial. Estos modelos analizan datos procedentes de miles de millones de viajes y entregas, lo que exige una infraestructura de alto rendimiento capaz de soportar cargas masivas de entrenamiento.
Graviton4 y Trainium3 son chips diseñados a medida por Amazon para la computación y el entrenamiento de IA
Entrenar IA a esta escala requiere una infraestructura de computación avanzada, y Trainium ofrece una alternativa eficiente y rentable para fortalecer dicha infraestructura. A medida que los modelos aprenden y evolucionan, esta infraestructura permite ofrecer conexiones más rápidas, estimaciones de llegada más precisas y recomendaciones cada vez más personalizadas a usuarios de todo el mundo.
“Al comenzar a probar nuestros modelos de IA en Trainium, estamos sentando las bases de la infraestructura tecnológica que hará que cada experiencia con Uber sea más inteligente, permitiéndonos centrarnos en lo más importante: las personas que utilizan Uber cada día”, añadió Zargahi.
Por su parte, Rich Geraffo, vicepresidente y director general de AWS para Norteamérica, destacó: “Uber es una de las aplicaciones en tiempo real más exigentes del mundo, y estamos orgullosos de formar parte de la infraestructura que sostiene sus operaciones globales. Nuestra infraestructura ayuda a garantizar la fiabilidad en la que confían cientos de millones de usuarios, así como a impulsar las experiencias basadas en IA que definirán el futuro del transporte y las entregas bajo demanda”.
Powered by WPeMatico
