Amazon SageMaker Canvas 客户

  • Deloitte

    Deloitte 是审计与鉴证、咨询、财务咨询、风险咨询、税务及相关服务领域全球领先的提供商。

    通过 AWS 的无代码 ML 服务（例如 SageMaker Canvas 和 SageMaker Data Wrangler），Deloitte Consulting 提高了效率，将面向客户和内部项目的开发速度和部署效率提高了 30-40%。

    Vishveshwara Vasa，Deloitte 云首席技术官

  • SuccessKPI

    SageMaker Canvas 使 SuccessKPI 能够使用历史问答对来微调基础模型，无需进行大量（耗时、费力、昂贵）的人工审查，就能更准确地评测座席与客户的对话。利用 AutoML 的微调功能使 SuccessKPI 能够优化模型并提供对关键性能指标的访问。通过利用 Canvas，SuccessKPI 显著提高了运营效率、实现了对话评分自动化并改善了联络中心互动的整体质量。

    Piyush Patel，SuccessKPI 首席技术官

  • Thomson Reuters

    Thomson Reuters 是全球领先信息来源之一，也是全球备受信任的新闻组织之一。

    我们的工程师面临的挑战之一是在旺季管理客户呼叫资源，以确保雇用最佳数量的客户服务人员来处理大量的咨询，对包含呼叫量、等待时间、日期等相关指标的呼叫中心数据进行历史分析是非常耗时的。我们的团队正在利用 SageMaker Canvas 中的新数据准备和自定义功能，根据公司数据训练模型，以识别影响高峰时段呼叫量的模式和趋势。我们可以非常轻松地使用自己的数据构建机器学习模型，并且我们期待通过 Canvas，在不编写任何代码的情况下更多地使用基础模型。

    Maria Apazoglou，Thomson Reuters 人工智能、商业智能和数据平台副总裁。

  • Bain & Company

    Bain & Company 的创始人工作室是 Engine 2 Ventures 的一部分，专注于构思和构建颠覆性的 B2B SaaS 企业。Aura 是其合资企业之一，利用 9.5 亿份专业档案和 4 亿份招聘信息重新定义了劳动力分析。

    Aura 面临的最大挑战之一是从大量非结构化专业数据中提取有意义的见解，通过使用 Amazon SageMaker Canvas 的大型语言模型，我们实现了数据提取流程自动化，改变了公司评测员工能力和组织结构的方式。这种方法不仅帮助我们扩大了数据分析的规模，还克服了关键字匹配等传统数据分析方法的局限性。利用 SageMaker Canvas 全新的数据准备和 LLM 功能，Aura 能够根据组织结构的有效性、员工技能以及财务业绩对公司进行定量评分和基准测试。

    Purna Doddapaneni，Bain & Co 创始人工作室首席技术官兼合伙人

  • Samsung Electronics

    三星电子总部位于韩国，是一家全球性公司，为世界各地的人们提供手机、计算机和智能设备等技术。该公司的三星设备解决方案部门专注于电子设备的内部运作，以最大程度地提高性能、可靠性和使用寿命。

    Amazon SageMaker Canvas 简单易用，而且界面对用户十分友好。即使是像我这样的业务分析师也可以使用机器学习来分析数据并获得见解。

    Dooyong Lee，三星电子营销情报经理

  • Clarium

    Clarium 是一个医疗保健供应链平台，它使用机器学习和数据工具，通过优化库存水平、降低成本和提高运营效率来增强医疗保健提供商的能力。

    我们的客户经常由于自身数据质量不佳和难以整合而受阻，这是美国各地的医院中普遍面临的挑战之一。此外，由于数十年来一直缺乏一致性的质量保证实践，以及碎片化的数据处理方式，导致现在需要花费大量的时间和精力进行数据清洗、验证和整合工作。为帮助他们应对这一挑战，我们的分析团队使用 Amazon SageMaker Canvas 对来自美国医疗保健提供商的海量来源的数据进行推导、清理和标准化，使他们能够轻松构建自定义文本分类模型，所有这些都无需编写任何代码。借助 SageMaker Canvas，我们为客户提供经过验证和标准化的 ERP 数据产品描述和分类、经过验证的程序利用数据临床分类，以及旨在优化患者护理质量的数据驱动建议，同时降低成本并节省时间。通过为客户提供值得信赖的数据和尖端的分析，我们使他们能够展望未来，为医疗保健行业建设更光明的未来，而不是不断追赶当前的趋势。

    Justin Jacobson，Clarium Health 分析主管

  • Siemens Energy

    西门子能源正在为社会注入活力。他们正在环境、社会和治理（ESG）等关键重点领域进行转型，他们的创新正在为他们的合作伙伴和员工创造不同于今天的未来。

    西门子能源的数据科学战略的核心是让所有商业用户无需数据科学专家就可以试验不同的数据来源和机器学习框架，从而将机器学习的力量带给他们。这使我们能够提高能源解决方案（例如调度优化器和诊断服务）的创新和数字化速度。我们发现 Amazon SageMaker Canvas 是 Siemens Energy 机器学习工具包的绝佳补充，因为它允许商业用户执行实验，同时与数据科学团队共享和协作。协作十分重要，因为它可以帮助我们将更多的机器学习模型生产化，并确保所有模型都符合我们的质量标准和政策。

    Davood Naderi，西门子能源工业应用数据科学团队负责人

  • INVISTA

    INVISTA 自 2004 年起成为 Koch Industries 的附属公司，该公司在市场上推出了可用于尼龙 6,6 的专利成分和一些知名品牌（包括 CORDURA 和 ANTRON）。

    我们的业务分析师精通数据，我们需要能够让他们创建预测模型。然而，确保我们的数据科学团队了解所构建的模型也同样重要，这使他们能够根据需要提供支持和进行生产。我们预计 Amazon SageMaker Canvas 将使我们的商业用户和流程工程师能够开始处理以前由数据科学团队负责的数据科学问题。Amazon SageMaker Canvas 直观的用户界面和易于导航的选项让商业用户可以导入各种数据，从而最大限度地减少手动清理数据的需要，并且还可以应用各种算法，只需点击几下就能找到最适合数据的模型。可以通过 Amazon SageMaker Studio 轻松将代码和数据发送给数据科学团队，使他们能够将模型集成到他们的模型管理系统中，并了解整个企业范围内的模型情况。

    Caleb Wilkinson，INVISTA 首席数据科学家

  • BMW Group

    宝马集团总部位于德国慕尼黑，是一家全球高端汽车和摩托车制造商，旗下品牌包括 BMW、BMW Motorrad、MINI 和劳斯莱斯。该公司也提供优质的金融和移动服务。

    使用人工智能作为关键技术是宝马集团数字化转型过程中不可或缺的一部分。该公司已经在整个价值链中采用 AI，使其能够为客户、产品、员工和流程创造附加价值。在过去的几年里，我们已经将许多业务价值影响力靠前的宝马集团用例工业化。我们相信 Amazon SageMaker Canvas 可以推动我们的 AI/ML 扩展到整个宝马集团。借助 SageMaker Canvas，我们的商业用户无需编写任何代码即可轻松探索和构建 ML 模型以做出准确的预测。SageMaker 还允许我们的中央数据科学团队进行协作，并在将商业用户创建的模型发布到生产之前对其进行评估。