NerdWallet utiliza Machine Learning en AWS para potenciar su plataforma de recomendaciones

NerdWallet es una startup de finanzas personales que ofrece herramientas y consejos que facilitan al cliente pagar una deuda, seleccionar los mejores servicios y productos financieros y enfrentar metas importantes, como la compra de una casa o los ahorros para la jubilación. La empresa se basa en gran medida en la ciencia de datos y el aprendizaje automático (ML) a fin de conectar a los clientes con productos financieros personalizados. “Nos dimos cuenta pronto de que la ciencia de datos iba a ser fundamental para crear una experiencia de usuario y producto más personal”, afirma Ryan Kirkman, gerente de ingeniería sénior de NerdWallet.

A medida que el equipo de ingeniería implementaba sus primeros modelos de ML en producción, Kirkman y su equipo descubrieron que el proceso requería mucho más tiempo de lo esperado. “Se tardaba meses en ir desde el prototipo a la producción, y se producían fallos de funcionamiento por el camino”, expone Kirkman.

Por entonces, los científicos de datos de NerdWallet utilizaban una estrategia principalmente manual para administrar bibliotecas de ML, lo cual no era lo más apropiado desde el punto de vista del flujo de trabajo o de los costos. “Nuestros científicos de datos tenían que instalar cosas a mano y hacer lo que pudieran con el entorno que hubiera dejado el último científico de datos en la máquina”, afirma Sharadh Krishnamurthy, ingeniero de software de personal de NerdWallet.

La compañía necesitaba solucionar estos problemas, de modo que los científicos de datos pudieran entrenar los modelos de ML con más eficacia, acelerar el tránsito de concepto a entrega y dedicar más tiempo a proyectos de alto valor. “Cuanto más rápido pudiéramos enviar modelos a producción, más rápido nuestro equipo de datos podría iterar dichos modelos y mejor sería nuestra experiencia de producto”, explica Kirkman. “Reducir el bucle de retroalimentación mejoraría de forma notable nuestra capacidad para ejecutar proyectos de ciencia de datos”.

Como startup, NerdWallet no contaba con los recursos necesarios para abordar grandes objetivos. “La pregunta clave para una startup es ‘¿cómo podemos agregar valor comercial más rápido?’. Queríamos contar con una plataforma de aprendizaje automático como la de las grandes empresas, pero no estábamos en condiciones de invertir mucho en ello”, afirma Krishnamurthy.

NerdWallet ya había utilizado varias soluciones de Amazon Web Services (AWS), incluidos Amazon Elastic Compute Cloud (Amazon EC2) y Amazon Elastic Container Service (Amazon ECS). El equipo decidió incorporar también Amazon SageMaker. Gracias a este servicio completamente administrado, la compañía podía beneficiarse de instancias de Amazon EC2 subyacentes, incluidas las instancias P3 de Amazon EC2 con GPU NVIDIA V100 Tensor Core, y su canalización de creación de imágenes de Amazon ECS2 existente para reducir el tiempo necesario para entrenar modelos de ML. “En esencia, Amazon SageMaker nos ofrece aprendizaje automático como servicio”, explica Kirkman.

Adoptar Amazon SageMaker permitió a NerdWallet modernizar con rapidez sus prácticas de ingeniería de ciencia de datos. “Básicamente, logramos valor comercial en dos meses”, afirma Kirkman. “Eso no habría sido posible de otra forma”.

La nueva solución también ayudó a la compañía a eliminar obstáculos y acelerar el tiempo hasta la entrega. “Amazon SageMaker hizo que fuera fácil para nuestros científicos de datos tener el control de su trabajo, en lugar de tener que lidiar con un gran número de pasos y tener que reimplementarlo todo”, explica Kirkman. “Ofrecemos una ruta guiada para solucionar esos problemas de infraestructura adyacentes con más facilidad desde una perspectiva de ingeniería y plataforma, además de acelerar el trabajo de nuestros científicos de datos. Es una situación ventajosa para todos”.

El primer proyecto de NerdWallet que se beneficiaba de este nuevo enfoque fue una plataforma de recomendaciones con tecnología de TensorFlow. Anteriormente, NerdWallet ofertaba a los clientes una lista de tarjetas de crédito potenciales, pero no tenía forma de predecir la posibilidad de aceptación. Ahora, gracias a Amazon SageMaker y el aprendizaje automático, la compañía puede ofrecer de manera eficaz a los clientes los productos financieros más adecuados para ellos.

El uso de las instancias P3 de Amazon EC2 y Amazon SageMaker con las GPU NVIDIA V100 Tensor Core también mejoró el rendimiento y la flexibilidad de NerdWallet y redujo el tiempo requerido para que los científicos de datos entrenen los modelos de aprendizaje automático. “Solía llevarnos meses lanzar e iterar modelos, ahora solo nos lleva días”, afirma Kirkman.

Amazon SageMaker ha permitido a los científicos de datos de NerdWallet dedicar más tiempo a objetivos estratégicos. Según Kirkman, “ahora podemos dedicar más energía allí donde reside nuestra ventaja competitiva, en nuestra información sobre los problemas que hemos resuelto para nuestros usuarios”.

Por ejemplo, ahora NerdWallet está creando un sistema de almacenamiento de inferencias que permite a los equipos acceder fácilmente y utilizar las predicciones que los científicos de datos están produciendo en otras áreas de la compañía. “No creo que hubiéramos logrado el modelo comercial necesario para ese sistema sin disponer del flujo de trabajo optimizado para el entrenamiento con el que ahora cuentan nuestros científicos de datos”, afirma Kirkman. “Hubiera tenido un costo demasiado elevado y habría sido muy arriesgado. Optimizar el flujo de trabajo y conseguir la estandarización nos ha aportado un valor enorme”.

Amazon SageMaker también ayuda a NerdWallet a tener los costos bajo control. Dado que la compañía paga por uso en lugar de por una infraestructura que se ejecuta continuamente, solo se incurre en gastos cuando los recursos informáticos son necesarios. “Hemos sido capaces de reducir nuestros costos de entrenamiento cerca de un 75 por ciento, incluso con un aumento del número de modelos entrenados”, explica Kirkman. “Podemos hacerlo gracias a haber cambiado de un modelo que ejecuta una única instancia de Amazon EC2 de gran tamaño continuamente a otro que ejecuta cualquier tipo de instancia necesaria a través de Amazon SageMaker solo cuando lo necesitamos”.

Crear su plataforma de ML en Amazon SageMaker también significa que el pequeño equipo de TI de NerdWallet puede beneficiarse de inmediato de los avances de la industria. “Desde una perspectiva tecnológica y de infraestructura, utilizar Amazon SageMaker nos ayuda a mejorar notablemente las funcionalidades, características y acciones de nuestra plataforma de aprendizaje automático”, expone Kirkman. “Y, gracias a nuestro trabajo con AWS, hemos sido capaces de dar un paso de gigante”.

El uso de aprendizaje automático y Amazon SageMaker representa un cambio en la manera en la que NerdWallet saca partido de la tecnología para diferenciarse en un mercado de servicios financieros repleto de competidores. Con la vista puesta en el futuro, Kirkman y su equipo planean seguir utilizando tecnología para ofrecer servicios con valor añadido. “Ayudar a los clientes con cualquier tipo de decisión financiera que tomen y estar de parte del consumidor es lo que nos diferencia realmente”, explica Kirkman. “Utilizar ciencia de datos y aprendizaje automático nos ayuda a redoblar la apuesta en esa labor”.

Para obtener más información, visite aws.amazon.com/sagemaker.