Virufy, una iniciativa global sin fines de lucro, buscaba crear una solución accesible, rápida y confiable para ayudar a detectar las infecciones por COVID-19 mediante el sonido de la tos de una persona. En asociación con AWS y aplicando las mejores prácticas de DevOps, Virufy lanzó una aplicación web nativa de la nube capaz de analizar los registros de tos mediante modelos de aprendizaje automático (ML). La plataforma permitía realizar una detección rápida y temprana a través de cualquier teléfono inteligente, con la escalabilidad necesaria para responder a una crisis de salud mundial en evolución.

El desarrollo de una solución tecnológica sanitaria eficaz durante una pandemia mundial requirió abordar varios desafíos críticos:

• Necesidad de una adaptación rápida: La COVID-19 estaba evolucionando rápidamente, lo que requería un enfoque de implementación y gestión de infraestructuras modelo que pudiera adaptarse en tiempo real a los nuevos conocimientos y datos.

• Alta demanda de cómputos: La capacitación de los modelos de aprendizaje automático requería recursos informáticos intensivos, pero solo durante períodos breves y de gran carga, lo que hacía que la compra de infraestructura tradicional fuera ineficiente.

• Datos de salud confidenciales: Garantizar una estricta privacidad y cumplimiento de los datos era crucial, dada la naturaleza de los datos de salud personales que se procesaban.

• Requisitos de despliegue ágil: El modelo de detección necesitaba un ajuste e implementación continuos sin tiempos de inactividad ni cuellos de botella manuales.

• Arquitectura escalable: Con usuarios en varios países y una demanda fluctuante, la plataforma tuvo que escalar sin problemas y, al mismo tiempo, mantener un alto rendimiento.

La infraestructura optimizada generó varios resultados estratégicos:

• Accesibilidad global: La solución respaldó las solicitudes de tos de más de diez países, lo que amplió el alcance de las pruebas de salud respiratoria

• Escalabilidad asequible: Los costos de infraestructura disminuyeron a la vez que aumentó el rendimiento, lo que garantizó la asequibilidad del servicio incluso cuando la demanda aumentó.

• Actualizaciones más rápidas: Los canales de CI/CD permitieron un ajuste más frecuente y confiable de los modelos, lo que aumentó la capacidad de respuesta general del sistema a los nuevos datos y hallazgos médicos.

• Despliegue sin tiempo de inactividad: Las nuevas versiones del modelo de detección se pusieron en producción en cuestión de minutos mediante procesos totalmente automatizados, lo que mejoró la capacidad de respuesta sin comprometer la disponibilidad.