Esta publicación fue escrita con Bryan Woolgar-O'Neil, Jamie Cockrill y Adrian Cunliffe de Harmonic Security.
Las organizaciones enfrentan desafíos cada vez mayores para proteger datos confidenciales y al mismo tiempo admitir herramientas de inteligencia artificial generativa de terceros. Harmonic Security, una empresa de ciberseguridad, desarrolló una capa de control y gobernanza de IA que detecta datos confidenciales en línea a medida que los empleados usan la IA, brindando a los equipos de seguridad el poder de mantener segura la PII, el código fuente y la información de nómina mientras el negocio se acelera.
La siguiente captura de pantalla muestra la herramienta de software de Harmonic Security, destacando los diferentes tipos de detección de fugas de datos, incluida la PII del empleado, la información financiera del empleado y el código fuente.
La solución de Harmonic Security ahora también está disponible en AWS Marketplace, lo que permite a las organizaciones implementar protección contra fugas de datos de nivel empresarial con una perfecta integración de AWS. La plataforma proporciona visibilidad inmediata sobre el uso de GenAI, asesoramiento en tiempo real en el punto de riesgo y detección de aplicaciones de IA de alto riesgo, todo ello impulsado por los modelos optimizados que se describen en esta publicación.
La versión inicial de su sistema era efectiva, pero con una latencia de detección de 1 a 2 segundos, existía la oportunidad de mejorar aún más sus capacidades y mejorar la experiencia general del usuario. Para lograr esto, Harmonic Security se asoció con el Centro de innovación de IA generativa de AWS para optimizar su sistema con cuatro objetivos clave:
Reducir la latencia de detección a menos de 500 milisegundos en el percentil 95. Mantener la precisión de la detección en todos los tipos de datos monitoreados. Continuar respaldando el cumplimiento de la residencia de datos de la UE. Habilitar una arquitectura escalable para cargas de producción.
Esta publicación explica cómo Harmonic Security utilizó Amazon SageMaker AI, Amazon Bedrock y Amazon Nova Pro para ajustar un modelo ModernBERT, logrando una detección de fuga de datos escalable, precisa y de baja latencia.
Descripción general de la solución
El sistema inicial de detección de fugas de datos de Harmonic Security se basó en un modelo de 8 mil millones (8B) de parámetros, que identificó efectivamente datos confidenciales pero incurrió en una latencia de 1 a 2 segundos, que se acercó al umbral de impacto en la experiencia del usuario. Para lograr una latencia inferior a 500 milisegundos y al mismo tiempo mantener la precisión, desarrollamos dos enfoques de clasificación utilizando un modelo ModernBERT ajustado.
En primer lugar, se dio prioridad a un modelo de clasificación binaria para detectar contenido de Fusiones y Adquisiciones (M&A), una categoría crítica para ayudar a prevenir fugas de datos confidenciales. Inicialmente nos centramos en la clasificación binaria porque era el enfoque más simple que se integraría perfectamente dentro de su sistema actual que invoca múltiples modelos de clasificación binaria en paralelo. En segundo lugar, como extensión, exploramos un modelo de clasificación de etiquetas múltiples para detectar múltiples tipos de datos confidenciales (como información de facturación, proyecciones financieras y registros de empleo) en una sola pasada, con el objetivo de reducir la sobrecarga computacional de ejecutar múltiples clasificadores binarios paralelos para una mayor eficiencia. Aunque el enfoque de etiquetas múltiples parecía prometedor para la escalabilidad futura, Harmonic Security decidió seguir con el modelo de clasificación binaria para la versión inicial. La solución utiliza los siguientes servicios clave:
El siguiente diagrama ilustra la arquitectura de la solución para escalabilidad e inferencia de baja latencia.
La arquitectura consta de los siguientes componentes:
Los artefactos del modelo se almacenan en Amazon Simple Storage Service (Amazon S3). Un contenedor personalizado con código de inferencia está alojado en Amazon Elastic Container Registry (Amazon ECR). Un punto final de SageMaker utiliza instancias ml.g5.4xlarge para la inferencia acelerada por GPU. Amazon CloudWatch monitorea las invocaciones y activa el escalado automático para ajustar las instancias (1 a 5) en función de un umbral de 830 solicitudes por minuto (RPM).
La solución admite las siguientes características:
Latencia de inferencia inferior a 500 milisegundos Compatibilidad con la implementación en la región de AWS de la UE Escalado automático entre 1 y 5 instancias según la demanda Optimización de costos durante períodos de bajo uso
Generación de datos sintéticos.
Los datos de capacitación de alta calidad para información sensible (como documentos de fusiones y adquisiciones y datos financieros) son escasos. Utilizamos Meta Llama 3.3 70B Instruct y Amazon Nova Pro para generar datos sintéticos, ampliando el conjunto de datos existente de Harmonic que incluía ejemplos de datos en las siguientes categorías: fusiones y adquisiciones, información de facturación, proyección financiera, registros de empleo, cartera de ventas y cartera de inversiones. El siguiente diagrama proporciona una descripción general de alto nivel del proceso de generación de datos sintéticos.
Marco de generación de datos
El marco de generación de datos sintéticos se compone de una serie de pasos, que incluyen:
Selección inteligente de ejemplos: la agrupación de K-medias en incrustaciones de oraciones admite una selección diversa de ejemplos Indicaciones adaptativas: las indicaciones incorporan conocimiento del dominio, con temperatura (0,7–0,85) y muestreo de p superior ajustado por categoría Aumento de cuasi accidentes: ejemplos negativos que se asemejan a casos positivos para mejorar la precisión Validación: un enfoque de LLM como juez que utiliza Amazon Nova Pro y Meta Llama 3 valida los ejemplos en cuanto a relevancia y calidad
Clasificación binaria
Para la tarea de clasificación binaria de fusiones y adquisiciones, generamos tres tipos distintos de ejemplos:
Ejemplos positivos: contenían información explícita sobre fusiones y adquisiciones y al mismo tiempo mantenían estructuras de documentos realistas y patrones de lenguaje específicos de las finanzas. Incluían indicadores clave como "fusión", "adquisición", "términos del acuerdo" y "estimaciones de sinergia". Ejemplos negativos: creamos contenido relevante para el dominio que deliberadamente evitaba las características de fusiones y adquisiciones sin dejar de ser contextualmente apropiado para las comunicaciones comerciales. Ejemplos de casi accidentes: se parecían a ejemplos positivos, pero quedaban justo fuera del límite de clasificación. Por ejemplo, documentos que analizan asociaciones estratégicas o empresas conjuntas que no constituyeron una actividad real de fusiones y adquisiciones.
El proceso de generación mantuvo cuidadosas proporciones entre estos tipos de ejemplos, con especial énfasis en los ejemplos de casi accidentes para abordar los requisitos de precisión.
Clasificación de etiquetas múltiples
Para la tarea más compleja de clasificación de etiquetas múltiples en cuatro categorías de información confidencial, desarrollamos una estrategia de generación sofisticada:
Ejemplos de etiqueta única: generamos ejemplos que contienen información relevante exactamente para una categoría para establecer características claras específicas de la categoría Ejemplos de etiquetas múltiples: creamos ejemplos que abarcan múltiples categorías con distribuciones controladas, cubriendo varias combinaciones (2 a 4 etiquetas) Requisitos específicos de categoría: para cada categoría, definimos elementos obligatorios para mantener asociaciones explícitas en lugar de implícitas: Proyecciones financieras: datos de ingresos y crecimiento prospectivos Cartera de inversiones: detalles sobre tenencias y métricas de desempeño Información de facturación y pagos: facturas y cuentas de proveedores Canal de ventas: Oportunidades e ingresos proyectados
Nuestra generación de etiquetas múltiples priorizó patrones de coocurrencia realistas entre categorías manteniendo al mismo tiempo una representación suficiente de las categorías individuales y sus combinaciones. Como resultado, los datos sintéticos aumentaron los ejemplos de entrenamiento 10 veces (binario) y 15 veces (múltiples etiquetas). También mejoró el equilibrio de clases porque nos aseguramos de generar los datos con una distribución de etiquetas más equilibrada.
Ajuste del modelo
Ajustamos los modelos ModernBERT en SageMaker para lograr baja latencia y alta precisión. En comparación con los modelos que solo cuentan con decodificador, como Meta Llama 3.2 3B y Google Gemma 2 2B, el tamaño compacto de ModernBERT (parámetros 149M y 395M) se tradujo en una latencia más rápida y, al mismo tiempo, ofrece una mayor precisión. Por lo tanto, seleccionamos ModernBERT en lugar de ajustar esas alternativas. Además, ModernBERT es uno de los pocos modelos basados en BERT que admite longitudes de contexto de hasta 8192 tokens, lo cual era un requisito clave para nuestro proyecto.
Modelo de clasificación binaria
Nuestro primer modelo perfeccionado utilizó la base ModernBERT y nos centramos en la clasificación binaria del contenido de fusiones y adquisiciones. Abordamos esta tarea metódicamente:
Preparación de datos: enriquecimos nuestro conjunto de datos de fusiones y adquisiciones con los datos generados sintéticamente. Selección del marco: utilizamos la biblioteca de transformadores Hugging Face con la API Trainer en un entorno PyTorch, ejecutándose en SageMaker. Proceso de capacitación: nuestro proceso incluyó: Muestreo estratificado para mantener la distribución de etiquetas en los conjuntos de capacitación y evaluación. Tokenización especializada con longitudes de secuencia de hasta 3000 tokens para coincidir con lo que el cliente tenía en producción. Optimización de pérdida de entropía cruzada binaria. Detención anticipada basada en la puntuación F1 para evitar sobreajuste.
El resultado fue un modelo ajustado que podía distinguir el contenido de fusiones y adquisiciones de la información no confidencial con una puntuación F1 más alta que el modelo de parámetros 8B.
Modelo de clasificación de etiquetas múltiples
Para nuestro segundo modelo, abordamos el desafío más complejo de la clasificación de etiquetas múltiples (detectar múltiples tipos de datos confidenciales simultáneamente dentro de pasajes de texto únicos). Ajustamos un modelo grande ModernBERT para identificar varios tipos de datos confidenciales, como información de facturación, registros de empleo y proyecciones financieras en una sola pasada. Esto requirió:
Codificación de etiquetas múltiples: convertimos nuestras categorías a formato vectorial para predicción simultánea. Implementación de pérdida focal: en lugar de la pérdida de entropía cruzada estándar, implementamos una clase FocalLossTrainer personalizada. A diferencia de las funciones de pérdida ponderada estática, Focal Loss reduce de forma adaptativa los ejemplos sencillos durante el entrenamiento. Esto ayuda al modelo a concentrarse en casos desafiantes, mejorando significativamente el rendimiento para clases menos frecuentes o más difíciles de detectar. Configuración especializada: agregamos umbrales de clase configurables (por ejemplo, de 0,1 a 0,8) para cada probabilidad de clase para determinar la asignación de etiquetas a medida que observamos un rendimiento variable en diferentes límites de decisión.
Este enfoque permitió a nuestro sistema identificar múltiples tipos de datos confidenciales en un solo paso de inferencia.
Optimización de hiperparámetros
Para encontrar la configuración óptima para nuestros modelos, utilizamos Optuna para optimizar los parámetros clave. Optuna es un marco de optimización de hiperparámetros (HPO) de código abierto que ayuda a encontrar los mejores hiperparámetros para un modelo de aprendizaje automático (ML) determinado mediante la ejecución de muchos experimentos (llamados pruebas). Utiliza un algoritmo bayesiano llamado Estimador Parzen estructurado en árbol (TPE) para elegir combinaciones de hiperparámetros prometedoras en función de resultados anteriores.
El espacio de búsqueda exploró numerosas combinaciones de hiperparámetros clave, como se enumeran en la siguiente tabla.
Rango de hiperparámetros Tasa de aprendizaje 5e-6–5e-5 Caída de peso 0,01–0,5 Relación de calentamiento 0,0–0,2 Tasas de abandono 0,1–0,5 Tamaño del lote 16, 24, 32 Pasos de acumulación de gradiente 1, 4 Gamma de pérdida focal (solo etiquetas múltiples) 1,0–3,0 Umbral de clase (solo etiquetas múltiples) 0,1–0,8
Para optimizar los recursos computacionales, implementamos una lógica de poda para detener temprano las pruebas de bajo rendimiento, de modo que pudiéramos descartar configuraciones que eran menos óptimas. Como se ve en el siguiente gráfico histórico de Optuna HPO, el ensayo 42 tuvo los parámetros más óptimos con la puntuación F1 más alta para la clasificación binaria, mientras que el ensayo 32 fue el más óptimo para la etiqueta múltiple.
Además, nuestro análisis mostró que la tasa de abandono y aprendizaje fueron los hiperparámetros más importantes, representando el 48% y el 21% de la varianza de la puntuación F1 para el modelo de clasificación binaria. Esto explica por qué notamos que el modelo se sobreajustaba rápidamente durante ejecuciones anteriores y enfatiza la importancia de la regularización.
Después de los experimentos de optimización, descubrimos lo siguiente:
Pudimos identificar los hiperparámetros óptimos para cada tarea. Los modelos convergieron más rápido durante el entrenamiento. Las métricas de rendimiento finales mostraron mejoras mensurables con respecto a las configuraciones que probamos manualmente.
Esto permitió a nuestros modelos lograr una puntuación F1 alta de manera eficiente al ejecutar el ajuste de hiperparámetros de forma automatizada, lo cual es crucial para la implementación de producción.
Política de pruebas de carga y escalado automático
Después de ajustar e implementar el modelo optimizado en un punto final en tiempo real de SageMaker, realizamos pruebas de carga para validar el rendimiento y el escalado automático bajo presión para satisfacer las necesidades de latencia, rendimiento y elasticidad de Harmonic Security. Los objetivos de las pruebas de carga fueron:
Validar el SLA de latencia con un promedio de menos de 500 milisegundos y P95 de aproximadamente 1 segundo con cargas variables Determinar la capacidad de rendimiento con RPM máximas utilizando instancias ml.g5.4xlarge dentro del SLA de latencia Informar el diseño de la política de escalado automático
La metodología implicó lo siguiente:
Simulación de tráfico: Locust simuló el tráfico de usuarios simultáneos con diferentes longitudes de texto (de 50 a 9999 caracteres). Patrón de carga: realizamos pruebas de aceleración (de 60 a 2000 RPM, 60 segundos cada una) e identificamos cuellos de botella y límites sometidos a pruebas de estrés.
Como se muestra en el siguiente gráfico, descubrimos que el rendimiento máximo con una latencia de 1 segundo era de 1185 RPM, por lo que decidimos establecer el umbral de escalado automático al 70 % de eso a 830 RPM.
Según el rendimiento observado durante las pruebas de carga, configuramos una política de escalado automático de seguimiento de objetivos para el punto final de SageMaker mediante Application Auto Scaling. La siguiente figura ilustra este flujo de trabajo de políticas.
Los parámetros clave definidos fueron:
Métrica: SageMakerVariantInvocationsPerInstance (830 invocaciones/instancia/minuto) Instancias mínimas y máximas: 1 a 5 Enfriamiento: ampliación horizontal 300 segundos, ampliación vertical 600 segundos
Esta política de seguimiento de objetivos ajusta las instancias en función del tráfico, manteniendo el rendimiento y la rentabilidad. La siguiente tabla resume nuestros hallazgos.
Solicitudes de modelo por minuto Modelo 8B 800 ModernBERT con escalado automático (5 instancias) 1185-5925 Capacidad adicional (ModernBERT frente al modelo 8B) 48%-640%
Resultados
Esta sección muestra el impacto significativo de los esfuerzos de ajuste y optimización en el sistema de detección de fugas de datos de Harmonic Security, con un enfoque principal en lograr reducciones sustanciales de la latencia. Primero se detallan las mejoras de latencia absoluta, lo que subraya el éxito en alcanzar el objetivo de menos de 500 milisegundos, seguido de una descripción general de las mejoras de rendimiento. Las siguientes subsecciones proporcionan resultados detallados para la clasificación binaria de fusiones y adquisiciones y la clasificación de etiquetas múltiples en múltiples tipos de datos confidenciales.
Clasificación binaria
Evaluamos el modelo base ModernBERT ajustado para la clasificación binaria de fusiones y adquisiciones frente al modelo básico 8B, presentado en la descripción general de la solución. El logro más sorprendente fue una reducción transformadora de la latencia, que abordó el retraso inicial de 1 a 2 segundos que corría el riesgo de interrumpir la experiencia del usuario. Este salto a una latencia inferior a 500 milisegundos se detalla en la siguiente tabla, lo que marca una mejora fundamental en la capacidad de respuesta del sistema.
Modelo mediana_ms p95_ms p99_ms p100_ms Modernbert-base-v2 46,03 81,19 102,37 183,11 Modelo 8B 189,15 259,99 286,63 346,36 Diferencia -75,66% -68,77% -64,28% -47,13%
Sobre la base de este avance en latencia, las siguientes métricas de rendimiento reflejan mejoras porcentuales en la precisión y la puntuación F1.
Mejora de la precisión del modelo Mejora F1 ModernBERT-base-v2 +1,56 % +2,26 % Modelo 8B – –
Estos resultados resaltan que ModernBERT-base-v2 ofrece una reducción de latencia innovadora, complementada con una precisión modesta y mejoras F1 de 1,56% y 2,26%, respectivamente, alineándose con los objetivos de Harmonic Security de mejorar la detección de fugas de datos sin afectar la experiencia del usuario.
Clasificación de etiquetas múltiples
Evaluamos el modelo ModernBERT-large ajustado para la clasificación de etiquetas múltiples frente al modelo 8B de referencia, con la reducción de la latencia como piedra angular de este enfoque. El avance más significativo fue una disminución sustancial en la latencia en todas las categorías evaluadas, logrando una capacidad de respuesta inferior a 500 milisegundos y abordando el cuello de botella anterior de 1 a 2 segundos. Los resultados de latencia que se muestran en la siguiente tabla subrayan esta mejora crítica.
Modelo de conjunto de datos median_ms p95_ms p99_ms Facturación y pago Modelo 8B 198 238 321 ModernBERT-grande 158 199 246 Diferencia -20,13 % -16,62 % -23,60 % Canal de ventas Modelo 8B 194 265 341 ModernBERT-grande 162 243 293 Diferencia -16,63% -8,31% -13,97% Proyecciones financieras modelo 8B 384 510 556 ModernBERT-grande 160 275 310 Diferencia -58,24% -46,04% -44,19% Cartera de inversiones modelo 8B 397 498 703 ModernBERT-grande 160 259 292 Diferencia -59,69% -47,86% -58,46%
Este enfoque también aportó un segundo beneficio clave: una reducción del paralelismo computacional al consolidar múltiples clasificaciones en una sola pasada. Sin embargo, el modelo de etiquetas múltiples encontró desafíos para mantener una precisión constante en todas las clases. Aunque categorías como Proyecciones financieras y Cartera de inversiones mostraron mejoras prometedoras en la precisión, otras como Facturación y pago y Canal de ventas experimentaron disminuciones significativas en la precisión. Esto indica que, a pesar de sus ventajas de latencia y paralelismo, el enfoque requiere un mayor desarrollo para mantener una precisión confiable en todos los tipos de datos.
Conclusión
En esta publicación, exploramos cómo Harmonic Security colaboró con el Centro de innovación de IA generativa de AWS para optimizar su sistema de detección de fugas de datos y lograr resultados transformadores:
Mejoras clave de rendimiento:
Reducción de latencia: de 1 a 2 segundos a menos de 500 milisegundos (reducción del 76 % en la mediana) Aumento del rendimiento: entre 48 % y 640 % de capacidad adicional con escalado automático Aumentos de precisión: +1,56 % para clasificación binaria, con precisión mantenida en todas las categorías
Al utilizar SageMaker, Amazon Bedrock y Amazon Nova Pro, Harmonic Security ajustó los modelos ModernBERT que ofrecen inferencias de menos de 500 milisegundos en producción, cumpliendo estrictos objetivos de rendimiento al mismo tiempo que respaldan el cumplimiento de la UE y establecen una arquitectura escalable.
Esta asociación muestra cómo las soluciones de IA personalizadas pueden abordar desafíos críticos de ciberseguridad sin obstaculizar la productividad. La solución de Harmonic Security ahora está disponible en AWS Marketplace, lo que permite a las organizaciones adoptar herramientas de inteligencia artificial de manera segura mientras protegen los datos confidenciales en tiempo real. De cara al futuro, estos modelos de alta velocidad tienen el potencial de agregar más controles para flujos de trabajo de IA adicionales.
Para obtener más información, considere los siguientes pasos siguientes:
Pruebe Harmonic Security: implemente la solución directamente desde AWS Marketplace para proteger el uso de GenAI de su organización. Explore los servicios de AWS: sumérjase en SageMaker, Amazon Bedrock y Amazon Nova Pro para crear soluciones de seguridad avanzadas basadas en IA. Visite la página de AWS Generative AI para obtener recursos y tutoriales. Profundice en el ajuste: explore el blog de aprendizaje automático de AWS para obtener guías detalladas sobre cómo ajustar los LLM para casos de uso especializados. Manténgase actualizado: suscríbase al podcast de AWS para obtener información semanal sobre innovaciones y aplicaciones prácticas de IA. Conéctese con expertos: únase a la red de socios de AWS para colaborar con expertos y escalar sus iniciativas de IA. Asista a eventos de AWS: regístrese en AWS re: Invent. para explorar avances de vanguardia en IA y establecer contactos con líderes de la industria.
Al adoptar estos pasos, las organizaciones pueden aprovechar la ciberseguridad impulsada por la IA para mantener una protección de datos sólida y experiencias de usuario fluidas en diversos flujos de trabajo.
Sobre los autores
Babs Khalidson es arquitecto de aprendizaje profundo en el Centro de innovación de IA generativa de AWS en Londres, donde se especializa en ajustar grandes modelos de lenguaje, crear agentes de IA y soluciones de implementación de modelos. Tiene más de 6 años de experiencia en inteligencia artificial y aprendizaje automático en finanzas y computación en la nube, con experiencia que abarca desde la investigación hasta la implementación de producción.
Vushesh Babu Adhikari es un científico de datos en el centro de innovación de IA generativa de AWS en Londres con amplia experiencia en el desarrollo de soluciones de IA generativa en diversas industrias. Tiene más de 7 años de experiencia que abarca un conjunto diverso de industrias que incluyen finanzas, telecomunicaciones y tecnología de la información con experiencia especializada en aprendizaje automático e inteligencia artificial.
Zainab Afolabi es científica de datos senior en el Centro de innovación de IA generativa de AWS en Londres, donde aprovecha su amplia experiencia para desarrollar soluciones de IA transformadoras en diversas industrias. Tiene más de nueve años de experiencia especializada en inteligencia artificial y aprendizaje automático, así como una pasión por traducir conceptos técnicos complejos en aplicaciones comerciales prácticas.
Nuno Castro es gerente sénior de ciencias aplicadas en el Centro de innovación de IA generativa de AWS. Dirige las interacciones con los clientes de IA generativa, ayudando a los clientes de AWS a encontrar el caso de uso más impactante desde la ideación, el prototipo hasta la producción. Tiene 19 años de experiencia en el campo en industrias como finanzas, manufactura y viajes, y lideró equipos de aprendizaje automático durante 11 años.
Christelle Xu es estratega senior de IA generativa que lidera la estrategia de optimización y personalización de modelos en EMEA dentro del Centro de innovación de IA generativa de AWS, y trabaja con los clientes para ofrecer soluciones escalables de IA generativa, centrándose en la capacitación previa continua, el ajuste, el aprendizaje de refuerzo y la optimización de la capacitación y la inferencia. Tiene una maestría en Estadística de la Universidad de Ginebra y una licenciatura de la Universidad Brigham Young.
Manuel Gómez es arquitecto de soluciones en AWS y apoya a nuevas empresas de IA generativa en el Reino Unido e Irlanda. Trabaja con productores de modelos, plataformas de ajuste y aplicaciones de IA agentes para diseñar arquitecturas seguras y escalables. Antes de AWS, trabajó en startups y consultoría, y tiene experiencia en tecnologías industriales e IoT. Está particularmente interesado en cómo se puede aplicar la IA multimodal a problemas reales de la industria.
Bryan Woolgar-O'Neil es cofundador y director de tecnología de Harmonic Security. Con más de 20 años de experiencia en desarrollo de software, los últimos 10 los dedicó a construir la empresa de Threat Intelligence Digital Shadows, que fue adquirida por Reliaquest en 2022. Su experiencia radica en el desarrollo de productos basados en software de vanguardia, centrándose en dar sentido a grandes volúmenes de datos.
Jamie Cockrill es el director de aprendizaje automático en Harmonic Security, donde dirige un equipo centrado en crear, entrenar y perfeccionar los modelos de lenguaje pequeño de Harmonic.
Adrian Cunliffe es ingeniero senior de aprendizaje automático en Harmonic Security, donde se enfoca en escalar el motor de aprendizaje automático de Harmonic que impulsa los modelos patentados de Harmonic.