Actualidad Cloud – Junio 8 2018

Compendio de temas Cloud de diversas fuentes de información

Por: Isabel Yepes

Noticias

Webinar

Cómo Trimono LDA, compañía de suministro de sistemas eléctricos y de vigilancia, implementó su solución de Backup usando AWS y Veritas
Fecha: Junio 12, 2018 10:00 am
Idioma: Inglés

Recurso Técnico

Advertisements

Beneficios de la Computación en la nube en las variables del negocio

Por: Isabel Yepes

Uno de los elementos más importantes que las empresa consideran al momento de tomar decisiones sobre la adopción de nuevas tecnologías, es la relación costo/beneficio entre la inversión de implementación, el valor de la operación y las retribuciones económicas que produzcan, ya sea en términos de ahorros en la operación o en mejoras en la eficiencia.

Un estudio realizado por IDC en empresas a nivel mundial que hacen uso de los servicios en la nube de Amazon (AWS  por sus siglas en inglés), determinó que los beneficios percibidos por las empresas se centraron en cuatro factores:

  1. Crear entornos de TI más efectivos en costos
  2. Cambiar el foco del personal de TI
  3. Ofrecer aplicaciones confiables y de alto desempeño
  4. Brindarle agilidad a la operación de TI y del negocio en general
Factores Beneficio Cloud Computing
Source: IDC White Paper, sponsored by Amazon, Fostering Business and Organizational Transformation to Generate Business Value with Amazon Web Services, Doc #US43535718, February 2018

En resumen, la utilización de infraestructura en la nube le permite a las empresas enfocarse mejor en el eje central de su negocio, dejando que el departamento de TI se alinee con las estrategias de la compañía y facilitando la experimentación y escalabilidad de nuevos productos a costos menores y del tamaño adecuado para la oportunidad comercial detectada.

Estos beneficios que experimentan las empresas que adoptan la tecnología de computación en la Nube se expresan en términos económicos, pues en todo caso es la tecnología quien debe servir a la operación y optimización del negocio.  Según el estudio de IDC dichos beneficios se ven representados en los aspectos mostrados a continuación.

business-value-AWS
Source: IDC White Paper, sponsored by Amazon, Fostering Business and Organizational Transformation to Generate Business Value with Amazon Web Services, Doc #US43535718, February 2018

Las empresas estudiadas por IDC utilizaban la tecnología en la nube para operaciones muy diversas dependiendo del sector económico de la compañía.  La muestra correspondió a grandes corporaciones con 39.177 empleados en promedio. Listamos a continuación las necesidades que eran resueltas con computación en la nube en dichas empresas.

  • Minería de datos y Analítica de datos
  • Aseguramiento de la calidad y pruebas
  • Cargas de secuenciación de genoma
  • Aplicaciones de cara al cliente (SaaS, CRM, y ERP)
  • Comercio Electrónico
  • Espacios de trabajo virtual
  • Ventas en internet
  • Administración de bases de datos
  • Archivos compartidos
  • Modelamiento y simulación
  • Aplicaciones para los empleados
  • Archivo de código de desarrollo

De otro lado Intuit realizó un estudio donde identifica de las pequeñas y medianas empresas que usan infraestructura en la nube, en qué invierten sus propietarios la mayoría de su tiempo en línea.

uso-tiempo
Fuente: Intuit eBook The Appification of small business

Esto nos muestra que aunque la demanda de las empresas de menor tamaño corresponde a operaciones más simples, estas están íntimamente relacionadas con la existencia y crecimiento de la compañía. Podemos agrupar estas interacciones en  trabajo administrativo, legal y de ventas, gestión de los canales de comunicación con proveedores, clientes y empleados, y procesos de mercadeo digital. Todo esto en últimas conlleva a la realización de transacciones comerciales para fortalecer los ingresos de la compañía.

En conclusión, sin importar el tamaño de la empresa el beneficio de la computación en la nube reside en facilitarles las herramientas para apalancar el desarrollo del negocio, alineando la infraestructura de TI con las estrategias y tamaño de la organización.

Icons made by Freepik from www.flaticon.com is licensed by CC 3.0 BY
Powered by Piktochart

Women Who Code Medellín – Python, generación de datos aleatorios – Mayo 2018

Continuamos con la temática de Ciencia de Datos para los Meetups de Women Who Code Medellín, este mes tratamos generación de datos aleatorios usando la librería Numpy de Python.

Reglas del juego que se presenta como ejemplo para ser resuelto simulando datos aleatorios para resolver la pregunta ¿Cuál es la probabilidad de Ganar este juego?

REGLAS

  • Se usa un dado para jugar, por lo cual los valores son de 1 a 6
  • Si tiramos 3 o menos devolvemos 1 peso al juego
  • Si tiramos más de 3 y hasta 5 nos dan 1 peso
  • Si tiramos 6, entonces tiramos de nuevo el dado y nos dan tantos pesos como el dado lo indique.
  • Jugamos con monedas, de modo que no hay valores de pesos negativos
  • El turno del jugador consiste en tirar el dado 100 veces
  • Se gana el juego si se obtiene más de 50 pesos al final del turno

Aquí el código que usamos en la presentación.

import numpy as np
import matplotlib.pyplot as plt
#Iniciar la semilla para garantizar que los datos serán iguales cada que se corra el algoritmo
np.random.seed(204)
todos_turnos = []
#Definir cuántas veces se corre la simulación
muestras = 600
for x in range(muestras) :
     #Comenzar el turno sin monedas
     monedas = 0
     turno_aleatorio = [0]
     for x in range(100) :
         dado = np.random.randint(1,7)
         if dado <= 3 :
              monedas = max(0,monedas - 1)
         elif dado < 6 :
               monedas = monedas + 1
         else :
               monedas = monedas + np.random.randint(1,7)
         #Registrar cuantas monedas tengo al final de cada tirada
         turno_aleatorio.append(monedas)
      #Guardar los resultados del turno
      todos_turnos.append(turno_aleatorio)

#Formatear el arreglo como numpy array 
np_todos_turnos = np.array(todos_turnos) 

#Trasponer filas por columnas para adaptar a la gráfica 
np_todos_turnos_t = np.transpose(np_todos_turnos) 

#Sacar la última fila - resultado final de todos los turnos 
ultimos = np_todos_turnos_t[-1,:] 

#Calcular probabilidad de ganar contando los valores del vector
#mayores o iguales a 50 y dividiendo por el número de turnos 
print('La probabilidad de ganar el juego es de ' + str(round(100*(ultimos >= 50).sum()/muestras,2)) + '%')

#Preparar la Gráfica del desarrollo de todos los turnos
plt.figure(200)
plt.xlabel('Cantidad lanzamientos del dado')
plt.ylabel('Monedas')
plt.title('Desarrollo de '+ str(muestras)+ ' turnos')
plt.plot(np_todos_turnos_t)

#Preparar la Gráfica de distribución de los turnos
plt.figure(300)
plt.xlabel('Total de monedas al final del turno')
plt.ylabel('Cantidad de turnos en el rango del total')
plt.title('Histograma para '+ str(muestras)+ ' turnos')
plt.hist(ultimos)

#Mostrar las gráficas
plt.show()

Exención de IVA para Cloud Computing en Colombia

Por: Isabel Yepes

La reforma tributaria de 2016 creó una serie de estímulos para la transformación digital de las empresas, permitiéndoles ahorros económicos al momento de hacer uso de ciertos servicios tecnológicos, uno de ellos consiste en la exención del IVA para los servicios de computación en la nube (cloud computing). La DIAN expidió un Concepto Unificado donde aclara cuando un proveedor de servicios tecnológicos puede aplicar la exención de IVA a sus clientes (empresas de cualquier tamaño o personas), beneficiándose tanto el proveedor como el cliente.

En el concepto se define que para ser  considerado como Cloud computing y por tanto ser exento de IVA, el servicio debe cumplir cinco características obligatorias, uno de tres modelos de servicio definidos y uno de cuatro modelos de implementación establecidos.

Para hacerlo más sencillo de entender en la siguiente gráfica detallamos los cinco requisitos definidos para que un servicio sea considerado Cloud Computing.

  1. Autoservicio bajo demanda
  2. Acceso amplio a la red
  3. Asignación común de recursos
  4. Rápida elasticidad
  5. Servicio medible

Condiciones Cloud Exención IVA

En la siguiente gráfica detallamos los tres modelos de servicio, de los cuales se debe cumplir con uno de ellos.

  1. Software como Servicio (SaaS)
  2. Plataforma como Servicio (PaaS)
  3. Infraestructura como Servicio (IaaS)

Modelos de Servicio Cloud

Y para terminar en la siguiente gráfica detallamos los cuatro modelos de implementación de los cuales se requiere cumplir con uno de ellos.

  1. Nube privada (Private Cloud)
  2. Nube comunitaria (Community Cloud)
  3. Nube Pública (Public Cloud)
  4. Nube Híbrida (Hybrid Cloud)

Modelos de Implementación Cloud

Para referencia consultar el artículo 187 de la Ley 1819 de 2016 que modifica el Estatuto tributario en su ARTICULO 476. SERVICIOS EXCLUIDOS DEL IMPUESTO SOBRE LAS VENTAS. 24. Suministro de páginas web, servidores (hosting), computación en la nube (cloud computing) y mantenimiento a distancia de programas y equipos.

Icons made by Freepik from www.flaticon.com is licensed by CC 3.0 BY Icons made by Smashicons from www.flaticon.com is licensed by CC 3.0 BY Icons made by Vectors Market from www.flaticon.com is licensed by CC 3.0 BY Icons made by Gregor Cresnar from www.flaticon.com is licensed by CC 3.0 BY

Operaciones básicas con Python y Numpy

Una vez hemos instalado Python y un IDE básico, comencemos a operar.

Operaciones sencillas como suma, división, entre otros.  El tipo de una variable se define al momento de asignarle valor:

entero = 3 + 5
flotante = 5 / 13
#mostrar el resultado
print(entero)
#mostrar una operación
print(flotante + entero)
#imprimir tipo de variable
print(type(flotante))
#Asignar un string
texto = "Esto es el resultado de dos variables "
resultado = entero + flotante
#Imprimir textos y números
print(texto + str(resultado))

También podemos crear listas, los elementos pueden ser de diferente tipo.

sublista1 = [3, "pedro"]
#Hacer listas de listas
sublista2 = [5, "juan"]
lista = [sublista1, sublista2]
#O concatenar las listas
listaconcatenada = sublista1 + sublista2
#Las listas también pueden imprimirse
print(lista)
print(listaconcatenada)

Las listas no permiten hacer operaciones numéricas entre ellas, para ello necesitamos arreglos, que están dispuestos en la librería numpy.

#Importamos la librería y si lo deseamos le asignamos un nombre corto con "as"
import numpy as np
#Podemos crear listas comunes y llevarlas a arreglos
estatura = [1.55, 1.70, 1.80, 1.75, 1.60]
peso = [60.2, 67.5, 95.3, 50.3, 68.2]
np_estatura = np.array(estatura)
np_peso = np.array(peso)
#una vez son arreglos podemos hacer cálculos elemento a elemento
#**2 es elevar a la segunda potencia
bmi = np_peso / np_estatura**2
#Y mostrar el resultado, para este caso el índice de masa corporal
print(bmi)

Los arreglos solo permiten un único tipo de datos.  Para extraer un dato recurrimos al índice del arreglo, recordar que inicia en cero.

print(estatura[1])

O usar una condición para extraerlo

#Buscar los BMI menores a 18.5, que es considerado bajo peso
condicion = bmi < 18.5
#Se obtiene un arreglo que indica cuáles posiciones cumplen o no la condición
print(condicion)
#Se usa este arreglo para extraer los resultados deseados.
print(bmi[condicion])

Podemos crear arreglos de N dimensiones, pero teniendo en cuenta que solo tendrán un único tipo de datos.

np_2dimensiones = np.array([peso, estatura])
#El tipo es numpy.ndarray
print(type(np_2dimensiones))
#Contiene 2 filas y 5 columnas
print(np_2dimensiones)

Para especificar elementos individuales usamos los índices: [fila][columna]

#Una sola fila
np_2dimensiones[0]
#Un solo elemento
np_2dimensiones[1][2]

Para especificar un subrango: [rango_fila, rango_columna] y produciremos la intersección de los rangos.

  • El signo “:” significa incluir todo el rango de fila o columna
  • Al especificar un rango el fin especificado estará una posición más allá del fin deseado, así inicio:fin + 1
  • Si queremos desde un inicio hasta el fin, así inicio: 
#Una sola columna
np_2dimensiones[:,1:2]

numpy permite calcular algunas variables estadísticas, puedes explorar más en la documentación de Numpy.

#Media o promedio
np.mean(np_array)
#Mediana
np.median(np_array)
#Coeficiente de correlación
np.corrcoef(np_array1,np_array2)
#Desviación estándar
np.std(np_array)
#Suma
suma = np.sum(np_peso)
#Ordenar
arrayordenado = np.sort(np_peso)

También permite generar datos aleatorios, en este ejemplo generaremos datos redondeados a 2 cifras decimales, en una distribución normal, especificando la media, la desviación estándar y el número de muestras:

nro_cifras = 2
media_altura = 1.60
desv_std_altura = 0.20
muestras = 5000
media_peso = 60
desv_std_peso = 20
np_altura_aleatoria = np.round(np.random.normal(media_altura,desv_std_altura,muestras),nro_cifras)
np_peso_aleatorio = np.round(np.random.normal(media_peso,desv_std_peso,muestras),nro_cifras)
arreglo_altura_peso = np.column_stack((np_altura_aleatoria,np_peso_aleatorio))

np.column_stack crea un arreglo ubicando los datos generados en columnas.

Un poco sobre lo que comentamos antes en