Kunden von Amazon SageMaker Ground Truth

Krikey ist ein Unternehmen für KI-Tools, das es Entwicklern ermöglicht, schnell 3D-Animationen zu generieren und eine Vielzahl interaktiver Erlebnisse zu erstellen.

„Für den Erfolg unserer generativen KI-Modelle ist es unerlässlich, qualitativ hochwertige beschriftete Datensätze zu erhalten. Dank Amazon SageMaker Ground Truth Plus waren wir in der Lage, schnell beschriftete Videos zu generieren und den Prozess der Feinabstimmung unserer generativen KI-Modelle zu beschleunigen. Bis heute waren unsere Versuche, eine interne Benutzeroberfläche für die Datenkennzeichnung zu erstellen, teuer und zeitaufwendig, und unsere Datenwissenschaftler benötigten über eine Stunde am Tag, um die Daten zu kennzeichnen. Mit Amazon SageMaker Ground Truth Plus konnten wir in einem Monat statt in einem Jahr von 100 auf 100 000 hochwertige, beschriftete Videos skalieren. Dies sparte unseren Datenwissenschaftlern geschätzte 1 000 Stunden, 200.000 USD an Kosten ein und verbesserte die Produktivität unseres Teams sowie die Qualität und Genauigkeit unserer generativen KI-Modelle erheblich.“

Jhanvi Shriram, Geschäftsführer – Krikey

Torc ist eine unabhängige Tochtergesellschaft der Daimler Truck AG, einem weltweit führenden Unternehmen und Pionier im Lkw-Bereich.

„Unsere auf Machine Learning basierenden multimodalen Wahrnehmungsalgorithmen müssen kontinuierlich trainiert und anhand großer Mengen beschrifteter Daten validiert werden, um ein zuverlässiges und sicheres Fahrsystem zu gewährleisten. Wir verwenden die Daten-Labeling-Services von Amazon SageMaker Ground Truth Plus, um Tausende von Kilometern an realen Daten zu kennzeichnen, sodass wir diese Modelle mit extrem hoher Zuverlässigkeit trainieren können. Dank Amazon SageMaker Ground Truth Plus waren wir in der Lage, unsere aggressiven Entwicklungszeitpläne aufrechtzuerhalten und Millionen von realen Objekten zu kennzeichnen, die mit einem Qualitätsziel von 99 % oder mehr geliefert wurden. Diese zeit- und qualitätssensitiven Lieferungen führten zu einer Verbesserung der Präzision um 8 % und einer Verbesserung des Erinnerungsvermögens um 2 % für unser erlerntes Wahrnehmungsmodell mit mehreren Sensoren.“

Derek Johnson, Vizepräsident für Daten und Infrastruktur – Torc

Die National Football League ist Amerikas beliebteste Sportliga und besteht aus 32 Franchises, die jedes Jahr darum kämpfen, den Super Bowl, das weltweit größte jährliche Sportereignis, zu gewinnen.

„In der NFL suchen wir weiterhin nach neuen Möglichkeiten, Machine Learning zu nutzen, um unseren Fans, Sendern, Trainern und Teams zu helfen, von tieferen Erkenntnissen zu profitieren. Football ist eine schnelllebige Sportart, bei der Spielzüge in Sekundenbruchteilen stattfinden können. Während Trainer und Schiedsrichter das Spiel aufmerksam verfolgen, kann es schwierig sein, alle Spieler auf einem Feld auf Sicherheitsvorfälle hin zu beobachten. Computer Vision ermöglicht es uns, Sicherheitsvorfälle bei Spielern genau zu erkennen, aber die Entwicklung dieser Algorithmen erfordert fachmännisch beschriftete Daten. Mit Amazon SageMaker Ground Truth Plus verfügen wir jetzt über benutzerdefinierte Workflows und Benutzeroberflächen für anspruchsvolle Kennzeichnungsaufgaben, was uns hilft, die Sicherheit der Spieler zu verbessern.“

Jennifer Langton, SVP, Spielergesundheit und Innovation – NFL

Airbnb ist einer der weltweit größten Marktplätze für einzigartige, authentische Unterkünfte und Freizeitangebote und bietet über 7 Millionen Unterkünfte und 40 000 handgefertigte Aktivitäten, die alle von lokalen Gastgebern betrieben werden.

„Bei Airbnb integrieren wir ML zunehmend in alle Aspekte unseres Geschäfts. Daher müssen unsere Teams ständig qualitativ hochwertige Daten generieren und verwalten, um ML-Modelle zu trainieren und zu testen. Wir suchten nach einer Möglichkeit, qualitativ hochwertige Textklassifizierungs-Datenergebnisse für 100 000 Absätze von Kundenservice-Protokollen in Mandarin zu generieren, damit wir unsere Kunden besser bedienen und die Abhängigkeiten von unserem Kundenservice-Team verringern können. Mit Amazon SageMaker Ground Truth Plus entwickelte das AWS-Team einen maßgeschneiderten Workflow zur Datenkennzeichnung, der ein maßgeschneidertes ML-Modell beinhaltete, das eine Klassifizierungsgenauigkeit von 99 % erreichen konnte. “

Wei Luo, Datenwissenschaftler – Airbnb China

Litterati ist ein Data-Science-Unternehmen, das es Menschen ermöglicht, den Planeten per Crowdsourcing zu reinigen. Die Plattform von Litterati ermöglicht es Menschen, bessere Lösungen für die Müll- und Abfallprobleme zu entwickeln, mit denen unsere Welt konfrontiert ist, indem sie Verhaltensinformationen entwickeln, Problembereiche kartieren und zukünftige Risiken mindern. Von Schulen bis hin zu Wissenschaftlern, Umweltschutzorganisationen, Marken und Stadtverwaltungen – Menschen kommen zusammen und nutzen Litterati zum Wohle der Allgemeinheit, um eine müllfreie Welt zu schaffen.

„Für uns bringt Machine Learning Licht in unsichtbare Herausforderungen. Allein in den USA werden jedes Jahr Milliarden von Dollar für die Beseitigung von Müll ausgegeben. Mithilfe von Computer-Vision-Modellen wandeln wir Bilder von Müll auf der ganzen Welt in Daten um, damit Städte ihre Ressourcen für das Abfallmanagement besser einsetzen können. Modelle zur Gebäudeobjekterkennung erfordern jedoch Zugriff auf Objekt-, Material- und Markeninformationen sowie lokalisiertes Wissen, da Datensätze auf der ganzen Welt verbreitet sind. Amazon SageMaker Ground Truth Plus ermöglicht es uns, eine hierarchische Annotationsschnittstelle zu erstellen, die genau diese Merkmale in diesem lokalisierten Kontext erfasst. Darüber hinaus erstellte das Expertenteam von SageMaker Ground Truth Plus lokalisierte Bildannotationen. Dies ist eine standardisierte Lösung, die unsere Effizienz bei der Datenbeschriftung um bis zu 20 % erhöht, unsere Fähigkeit, annotierte Ergebnisse in unsere Datenbank aufzunehmen, um 200 % beschleunigt und die Nachbearbeitungszeit um 90 % reduziert.“

Sean Doherty, CTO – Litterati

Amazon Robotics AI entwickelt komplexe Maschinen und Software, um die Effizienz in den Logistikzentren von Amazon zu optimieren. Das Team setzt autonome mobile Roboter (AMRs) von Canvas ein, um Pakete sicherer und effizienter zu transportieren.

„Unser Ziel ist es, Canvas AMRs in die Lage zu versetzen, in einer dynamischen Lagerumgebung zu navigieren, Hindernisse und sich bewegende Objekte in der Umgebung im Auge zu behalten und eine sichere und effiziente Route zu ihrem Ziel zu planen. Um dies zu erreichen, ist es wichtig, 3D-Tracking-Annotationen von sich bewegenden Objekten rund um den Roboter in großem Maßstab effizient zu erfassen. Wir haben mit Amazon ML Solutions Lab zusammengearbeitet, um mithilfe von Amazon SageMaker Ground Truth in nur wenigen Wochen eine skalierbare 3D-Punkt-Cloud-Objektverfolgungspipeline aufzubauen. Es war beeindruckend zu sehen, wie diese Pipeline die Zeit für das Labeling um das 6- bis 10-fache reduzieren und unseren Fortschritt bei der Annotation beschleunigen kann.“

Ben Kadlec, Manager of Perception bei Canvas – Amazon Robotics AI

PrecisionHawk ist ein Komplettanbieter von kommerzieller Drohnentechnologie. Von Flügen bis hin zu Analysen bietet PrecisionHawk die Unterstützung bei der Integration von Luftdaten und Analysen in das Unternehmen.

„PrecisionHawk ist ein führender Anbieter von Drohnentechnologie für Unternehmen. Unsere umfassende Plattform nutzt KI und Machine Learning, um Luftdaten in verwertbare Business Intelligence umzuwandeln. Im Rahmen dieser Lösung trainieren wir benutzerdefinierte Modelle zur Identifizierung kritischer Objekte und Anomalien, um die Präzision und Geschwindigkeit kritischer Anlageninspektionen zu verbessern. Um die Trainingsdatensätze für diese Modelle zu generieren, müssen wir einen umfangreichen Datenbestand beschriften und sicherstellen, dass die Beschriftungen korrekt sind. Amazon SageMaker Ground Truth hilft uns dabei, unsere Ziele hier zu erreichen. Erstens bietet es eine intuitive Benutzeroberfläche, mit der Sie Beschriftungsaufträge starten und schnell loslegen können. Darüber hinaus bietet der Service die Erweiterbarkeit, um kundenspezifische Beschriftungs-Workflows zu entwerfen und bereitzustellen. Amazon SageMaker Ground Truth wird auch in Zukunft ein wichtiger Teil unserer KI-Initiativen sein.“

Krishnan Hariharan, Vice President of Product – PrecisionHawk

AstraZeneca ist ein globales, wissenschaftlich geführtes biopharmazeutisches Unternehmen, dessen innovative Medikamente von Millionen von Patienten weltweit verwendet werden. AstraZeneca konzentriert sich auf verstärkte Innovationen und die Bereitstellung lebensverändernder Medikamente, die einen Mehrwert für Patienten und die Gesellschaft darstellen.

„AstraZeneca hat in allen Phasen der Forschung und Entwicklung mit Machine Learning experimentiert, zuletzt auch in der Pathologie, um die Untersuchung von Gewebeproben zu beschleunigen. Die Modelle für Machine Learning lernen zunächst aus einem großen, repräsentativen Datensatz. Die Kennzeichnung der Daten ist ein weiterer zeitaufwändiger Schritt, insbesondere in diesem Fall, in dem viele tausend Gewebeprobenbilder erforderlich sein können, um ein genaues Modell zu trainieren. AstraZeneca nutzt Amazon SageMaker Ground Truth, einen auf Machine Learning beruhenden Service zur Kennzeichnung und Annotation von Daten, der auf Machine Learning basiert, um einige der aufwendigsten Teile dieser Arbeit zu automatisieren, was zu einer Reduzierung des Zeitaufwands für die Katalogisierung von Stichproben um mindestens 50 % führt.“

Magnus Soderberg, Director – Pathology Research

T-Mobile US Inc. ist einer der größten Dienstanbieter in den Vereinigten Staaten, der über eine Reihe von Diensten drahtlose Kommunikationsdienste wie Sprach-, Nachrichten- und Datendienste für Millionen von Kunden anbietet.  

„Das Team von AI @ T-Mobile integriert KI und Machine Learning in die Systeme in unseren Kundenbetreuungszentren, sodass unser Expertenteam Kunden mithilfe von Modellen zur natürlichen Spracherkennung, die ihnen relevante, kontextbezogene Kundeninformationen in Echtzeit anzeigen, schneller und genauer bedienen kann. Die Kennzeichnung von Daten war für die Erstellung leistungsfähiger Modelle von grundlegender Bedeutung, ist aber auch eine eintönige Aufgabe für unsere Datenwissenschaftler und Softwareingenieure. SageMaker Ground Truth macht den Prozess der Datenbeschriftung einfach, effizient und zugänglich, sodass sie Zeit haben, sich auf das zu konzentrieren, was sie lieben – Produkte zu entwickeln, die unseren Kunden und Pflegepersonal das beste Erlebnis bieten.“

Matthew Davis, VP of IT Development – T-Mobile

Pinterest ist ein Unternehmen für Web- und mobile Anwendungen, das ein Softwaresystem betreibt, mit dem Informationen im World Wide Web abgerufen werden können.

„Pinterest entwickelt kontinuierlich Systeme für Machine Learning, um Objekte für visuelle Such- und Moderationsanwendungen zu erkennen. Um dies zu erreichen, müssen wir Millionen von Bildern beschriften, um die erforderlichen Trainingsdatensätze zu generieren. Pinterest verfügt über eine bestehende Beschriftungsplattform, die Amazon-Services wie Amazon Mechanical Turk integriert hat. Wir waren begeistert, die Nutzung von SageMaker Ground Truth zu testen, um diese Plattform so zu erweitern, dass sie Begrenzungsrahmen-Beschriftungsaufgaben unterstützt. Wir haben festgestellt, dass SageMaker Ground Truth eine einfache, optimierte Oberfläche bietet, um mit Beschriftungsaufgaben zu beginnen. Wir haben eng mit dem AWS-Team zusammengearbeitet, um SageMaker Ground Truth auf unseren einzigartigen Datensatz zuzuschneiden, und freuen uns darauf, SageMaker Ground Truth in unsere Datenbeschriftungsplattform zu integrieren.“

Veronica Mapes, Technical Program Manager – Pinterest

Change Healthcare ist ein Unternehmen für Gesundheitstechnologie, das Software, Analysen, Netzwerklösungen und technologiegestützte Services anbietet, um ein stärkeres, kollaborativeres Gesundheitssystem aufzubauen.

„Change Healthcare, ein führendes Unternehmen für Gesundheitstechnologie, spielt eine wichtige Rolle dabei, dass das Gesundheitsökosystem nicht nur funktioniert, sondern auch intelligenter arbeitet. Unser KI-Team sucht nach einer Lösung, die Textabsätze effizient beschriften kann, sodass wir stark unstrukturierte Gesundheitsdaten annotieren können, die zuvor nicht modelliert werden konnten. Mit SageMaker Ground Truth und seiner Integration mit SageMaker ist es einfach zu bedienen und ermöglicht es uns, Beschriftungsaufgaben mit sehr geringem Aufwand zu starten, was uns letztendlich dabei hilft, das Gesundheitssystem effizienter zu gestalten.“

Nick Giannasi, Chief AI Office – Change Healthcare

GumGum ist ein Unternehmen für künstliche Intelligenz mit Schwerpunkt Computer Vision. Seine Mission ist es, den Wert visueller Inhalte, die täglich aus verschiedenen Datensätzen produziert werden, zugänglich zu machen.

„AWS zeigt weiterhin ein enormes Engagement, Machine Learning für alle Entwickler zu ermöglichen. SageMaker Ground Truth konsolidiert die fragmentierte Landschaft der Daten-Labeling-Services mit einer einfachen und gut ausgeführten Beschriftungslösung. Wir konnten das Tool schnell in unsere Trainingpipeline integrieren und sind gespannt, wie sich seine Entwicklung weiter auf unser Geschäft auswirken wird.“

Cambron Carter, Director of Engineering, Computer Vision – GumGum

Automagi ist auf den Bereich der Produkt- und Serviceplanung sowie auf die Entwicklung von künstlicher Intelligenz, Machine Learning und Bot-SaaS spezialisiert.

„Wir sind darauf spezialisiert, KI-Lösungen zu entwickeln und sie unseren Kunden zur Lösung ihrer Geschäftsprobleme zur Verfügung zu stellen. Wir glauben, dass SageMaker Ground Truth zu einem wichtigen Bestandteil unserer Bemühungen werden wird, unseren Kunden innovative KI-Lösungen anzubieten. Es bietet eine Reihe leistungsstarker Funktionen, mit denen wir präzise Trainingsdatensätze generieren können. Das „Bringen Sie Ihr eigenes Beschriftungspersonal mit“ und die Auswahl an Beschriftungsvorlagen ermöglicht es uns, unser Team einfach und in großem Umfang sicher einzuarbeiten. Wir freuen uns darauf, SageMaker Ground Truth in unserem gesamten KI-Lösungsportfolio einzusetzen.“

Masahiko Sakurai, Chief Executive Officer – Automagi

ZipRecruiter ist ein Stellenmarkt für Arbeitssuchende und Arbeitgeber. Es ist ein Stellenausschreibungsservice, der Jobs mit einem Klick an mehrere Jobbörsen sendet und kostenlose Jobbenachrichtigungen für Arbeitssuchende anbietet.

„Der Aufstieg der KI hat die Art und Weise verändert, wie Arbeitgeber Talente finden und Arbeitssuchende Arbeit finden. Der KI-gestützte Algorithmus von ZipRecruiter lernt, wonach jeder Arbeitgeber sucht, und bietet eine personalisierte, kuratierte Auswahl hochrelevanter Kandidaten. Auf der anderen Seite des Marktes bringt die Technologie des Unternehmens Arbeitssuchenden die relevantesten Jobs. Und um all das effizient zu erledigen, benötigten wir ein Machine-Learning-Modell, um relevante Daten automatisch aus hochgeladenen Lebensläufen zu extrahieren. Um ein Modell für Machine Learning so zu trainieren, dass es in der Lage ist, die wichtigsten Informationen zu identifizieren, ist zunächst ein umfangreicher Datensatz erforderlich. Der Prozess zur Erstellung dieser Daten ist oft teuer, manuell und zeitaufwändig. Amazon SageMaker Ground Truth wird uns erheblich dabei helfen, den Zeit- und Arbeitsaufwand für die Erstellung von Datensätzen für die Schulung zu reduzieren. Aufgrund des vertraulichen Charakters der Daten überlegten wir zunächst, eines unserer Teams einzusetzen, aber das würde einige Zeit außerhalb der regulären Aufgaben in Anspruch nehmen und es würde Monate dauern, die benötigten Daten zu sammeln. Mithilfe von Amazon SageMaker Ground Truth haben wir iMerit, ein professionelles Beschriftungsunternehmen, das von Amazon vorab geprüft wurde, mit der Unterstützung des Projekts für benutzerdefinierte Anmerkungen beauftragt. Mit dieser Unterstützung waren wir in der Lage, Tausende von Anmerkungen in einem Bruchteil der Zeit zu sammeln, die unser eigenes Team benötigt hätte.“

Craig Ogg, CTO – ZipRecruiter

„Bei Tyson Foods beschäftigen wir uns mit der Herstellung von Lebensmitteln, streben nach Wahrheit und Integrität und setzen uns dafür ein, Mehrwert für unsere Aktionäre, unsere Kunden, unsere Teammitglieder und unsere Gemeinden zu schaffen. Um dieses Versprechen zu erfüllen und unseren Kunden Produkte von höchster Qualität zu bieten, führen wir manuelle Inspektionen durch, um Probleme mit der Produktqualität wie Panierlücken, Verbrennungen oder Verformungen zu erkennen, sowie Geräteinspektionen wie undichte Förderbänder, um Probleme frühzeitig zu erkennen. Da diese Probleme jedoch unregelmäßig sind, ist es sehr schwierig oder unmöglich, Bilder für das Modelltraining mit Machine Learning zu sammeln. Darüber hinaus stoßen wir häufig auf einen Engpass bei der Kennzeichnung von Trainingsdaten, die für unsere Prozesse und unsere Umgebung spezifisch sind. In einigen Fällen ist die Beschriftung sehr mühsam und fehleranfällig, was zu einer schlechten Leistung des Modells für Machine Learning führt. Amazon SageMaker Ground Truth ist für uns sehr vielversprechend, da es uns ermöglicht, jede dieser Herausforderungen zu bewältigen. Die Generierung synthetischer Daten ermöglicht es uns, hochgenaue Modelle zu trainieren, um die Inspektionspunkte von Produkten und Geräten zu automatisieren. Es kann auch die Bearbeitungszeit für beschriftete Daten reduzieren, sodass wir Modelle schneller trainieren und gleichzeitig die Genauigkeit verbessern können. SageMaker Ground Truth eröffnet Wege, um Anwendungsfälle anzugehen, die in der Vergangenheit aufgrund fehlender Beispieldaten mit Computer Vision so gut wie unmöglich zu lösen waren.“

Barret Miller, Sr. Manager Emerging Technology – Tyson Foods

„Unsere Kunden müssen mehr Picks pro Tag erzielen. Angesichts des Arbeitskräftemangels und des Volumenanstiegs möchten sie häufig Induktions- und andere Lösungen schnell integrieren, um den Anforderungen gerecht zu werden. Die Technologien von Plus One Robotics wurden entwickelt, um der Variabilität der im Lager gehandhabten Artikel gerecht zu werden. Neue SKUs tauchen möglicherweise zunächst nur selten und unter bestimmten Umständen auf. Die Verwendung synthetischer Daten ermöglicht es uns, unsere Systeme vorab zu trainieren, um mit der Vielzahl der erwarteten Szenarien umzugehen, in denen wir ihnen irgendwann begegnen werden. Wir verwenden Amazon SageMaker Ground Truth, um Zehntausende von beschrifteten, fotorealistischen Bildern von Paketen verschiedener Transporteure zu erstellen. Dabei werden Position, Platzierung und sogar Oberflächenvariationen wie Aufkleber oder Etiketten modelliert. Diese Bilder haben Verbesserungen für unsere KI-Vision deutlich gemacht. Synthetische Bilder ermöglichen es uns, leistungsfähigere Systeme aufgrund ihrer Vollständigkeit und Genauigkeit schneller zu trainieren, sodass wir die mühsamen Schritte zur Datenannotation und -bereinigung überspringen können. Diese Daten werden in realen Induktionsanwendungen verwendet, um unseren Kunden über 1 Million Picks pro Tag zu ermöglichen.“

Shaun Edwards, CTO and Co-founder – Plus One Robotics

„Die University of Washington und Amazon haben eine als Science Hub bekannte Zusammenarbeit ins Leben gerufen, um künstliche Intelligenz und Robotik in der offenen Forschung voranzutreiben. In einem unserer Projekte verwenden wir Machine Learning (ML), um 3D-Modelle der Erde auf der Grundlage eines einzigen Kamerastandpunkts zu erstellen, sodass Robotersysteme ihre Umgebung verstehen könnten. Für ML-Projekte ist es jedoch immer eine Herausforderung, auf große Mengen an realen Trainingsdaten zuzugreifen. Wir freuen uns auf die Aussichten, die Amazon SageMaker Ground Truth bietet, sodass wir schnell und einfach Tausende von beschrifteten, fotorealistischen Bildern erstellen können, und zwar ohne den zeitaufwändigen und fehleranfälligen Prozess der manuellen Beschriftung von Bildern. In den frühen Phasen unserer Forschung wird SageMaker Ground Truth es unseren Forschungsmitarbeitern ermöglichen, sich auf die Kernkompetenz und das Hauptforschungsziel, die Entwicklung neuer Technologien, zu konzentrieren, anstatt auf die Kuratierung von Datensätzen.“

Linda G. Shapiro, Professor – University of Washington