Découvrez comment les plus grandes entreprises du monde entier utilisent Amazon SageMaker pour créer, tester et déployer des modèles de machine learning. 

Intuit

Intuit est une entreprise de logiciels métier et financiers qui développe et vend des logiciels et services de finance, de comptabilité et de préparation fiscale à destination des petites entreprises, des comptables et du grand public.

« Avec Amazon SageMaker, nous pouvons accélérer nos initiatives d'intelligence artificielle à grande échelle en concevant et en déployant nos algorithmes sur la plateforme. Nous allons créer de nouveaux algorithmes de machine learning et d'IA à grande échelle avant de les déployer sur cette plateforme pour résoudre des problèmes complexes et contribuer à la prospérité de nos clients. »

Ashok Srivastava, Directeur des données - Intuit

GE Healthcare

GE Healthcare

GE Healthcare tire parti de données et d'analyses au niveau matériel et logiciel et dans le domaine de la biotechnologie pour transformer les services de santé en offrant de meilleurs résultats aux professionnels de la santé et aux patients. 

« Grâce à Amazon SageMaker, GE Healthcare a accès à de puissants outils et services d'intelligence artificielle pour faire évoluer les soins de santé dont bénéficient les patients. L'évolutivité d'Amazon SageMaker et sa capacité d'intégration à des services AWS natifs constituent une énorme valeur ajoutée pour nous. » Nous sommes enthousiastes quant à la manière dont la collaboration continue entre GE Health Cloud et Amazon SageMaker permettra à nos professionnels de la santé partenaires d'obtenir de meilleurs résultats, tout en offrant de meilleurs soins de santé aux patients. »

Sharath Pasupunuti, Responsable de l'ingénierie IA - GE Healthcare

MLB Statcast

Major League Baseball

Major League Baseball (MLB) est la plus ancienne ligue sportive professionnelle des États-Unis et se compose de 30 clubs membres aux États-Unis et au Canada, qui représente le plus haut niveau du baseball professionnel. Statcast est une technologie de suivi de pointe présentée par MLB, qui permet de collecter et analyser un grand nombre de données de baseball, ce qui n'avait jamais été possible par le passé.

« L'inclusion du machine learning à nos systèmes et pratiques est un excellent moyen pour nos fans et les 30 clubs de mieux comprendre le jeu. » AWS a été choisie pour sa robustesse, sa richesse et de son expertise éprouvée en matière de prestation de services de machine learning. Nous avons hâte de travailler avec Amazon ML Solutions Lab sur un certain nombre de projets prometteurs, notamment pour la détection et l'automatisation d'événements clés, ainsi que pour la création de nouvelles occasions de partage des métriques inédites. »

Jason Gaedtke, Directeur technologique, Major League Baseball

Dow Jones

Dow Jones

Dow Jones & Co. est un fournisseur mondial d'actualités et d'informations sur les entreprises, délivrant du contenu au grand public et aux organisations via de nombreux supports : journaux, sites Web, applications mobiles, vidéos, bulletins d’information, magazines, bases de données propriétaires, conférences et stations de radio.

« Dow Jones continue à se concentrer sur l'intégration du machine learning à nos produits et services. AWS est un excellent partenaire dans ce domaine. Lors de notre récent hackathon consacré au machine learning, l'équipe d'AWS a formé les participants sur Amazon SageMaker et Amazon Rekognition et a fourni toute la journée une assistance à l'ensemble des équipes. Résultat : nos équipes ont eu des idées formidables concernant l'exploitation du machine learning. Nous continuerons d'ailleurs à développer nombre de ces idées sur AWS. L'événement a été un franc succès : l'exemple parfait d'un partenariat fructueux. »

Ramin Beheshti, Responsable produits et technologie - Dow Jones

ProQuest

ProQuest

ProQuest est le conservateur de la plus grande collection de revues, de livres électroniques, de sources primaires, de dissertations, de nouvelles et de vidéos au monde, et crée des solutions de flux de travail puissantes qui aident les bibliothèques à acquérir et à développer leurs collections. Les produits et services ProQuest sont utilisés dans les bibliothèques des universités, des écoles maternelles jusqu’au lycée, des entreprises, des gouvernements ainsi que dans bibliothèques publiques dans 150 pays.

« Nous collaborons avec AWS pour créer une expérience utilisateur vidéo plus attrayante pour les utilisateurs de bibliothèques, leur permettant d'obtenir des résultats plus pertinents. En travaillant de concert avec AWS ML Solutions Lab, nous avons testé différents algorithmes avec Amazon SageMaker, ajusté les modèles à l'aide de l'optimisation hyperparamètre et automatisé le déploiement de modèles de machine learning. Nous sommes satisfaits des résultats obtenus jusqu'à présent et cherchons actuellement à utiliser les technologies de machine learning pour d'autres produits. »

Allan Lu, Vice-président responsable des outils de recherche, des services et des plate-formes - ProQuest

Celgene

Celgene

Celgene est une société mondiale biopharmaceutique qui s’engage à améliorer la vie des patients dans le monde entier. Elle s'emploie à découvrir, développer et commercialiser de thérapies innovantes pour les patients atteints de cancer, de troubles immunitaires et inflammatoires et d'autres besoins médicaux non satisfaits.

« Chez Celgene, notre objectif est de proposer des traitements vraiment innovants, capables de changer et d'améliorer la vie de patients du monde entier. Avec Amazon SageMaker et Apache MXNet, la construction et la formation de modèles de deep learning pour développer des solutions et des processus est plus rapide et plus facile qu'auparavant. En outre, nous sommes capables d'adapter facilement nos efforts pour découvrir des traitements et produire des médicaments. Grâce aux instances SageMaker et Amazon EC2 P3, nous avons accéléré nos modèles de formation et notre productivité, ce qui a permis à nos équipes de se concentrer sur la recherche et la découverte. »

Lance Smith, Directeur - Celgene

Thomson Reuters

Thomson Reuters

Thomson Reuters est la plus grande source d'actualités et d'informations au niveau mondial pour les marchés professionnels. 

« Depuis plus de 25 ans, nous développons des capacités avancées de machine learning afin d'extraire, de connecter, d'améliorer, d'organiser et de diffuser des informations à nos clients, dans le but de leur permettre de simplifier leur travail et d'en tirer plus de valeur. Avec Amazon SageMaker, nous avons pu concevoir une fonction de traitement du langage naturel dans le cadre d'une application de question-réponse. Notre solution a nécessité plusieurs itérations de configurations de deep learning à grande échelle en utilisant les capacités d'Amazon SageMaker. »

Khalid Al-Kofahi, Intelligence artificielle et informatique cognitive - Thomson Reuters Center

Atlas Van Lines

Atlas Van Lines

Fondée en 1948 par un groupe d'entrepreneurs du secteur du déménagement et du stockage, Atlas Van Lines est la deuxième plus grande société de transport d'Amérique du Nord. L'organisation a été créée avec un seul objectif à l'esprit : aider les gens à déménager d'un bout à l'autre des États-Unis, tout en respectant la règle d'or du secteur. En plus d'être solidement implantée, Atlas se targue de posséder des exigences strictes allant vont au-delà de celles du secteur vis-à-vis de ses agents.

Lors des périodes de pointe pour les déménagements, les agents du réseau Atlas collaborent d'un marché à l'autre pour répondre à la demande des clients. Traditionnellement, leur aptitude à prévoir la capacité nécessaire était manuelle et demandait une main-d'œuvre nombreuse. Les agents s'en remettaient à la sagesse et à l'intuition de collègues ayant de nombreuses années d'expérience. Atlas possédait des données historiques à compter de 2011 et souhaitait trouver un moyen d'ajuster sa force de travail et ses prix de façon dynamique pour les adapter aux futures demandes du marché.

Atlas a fait appel à Pariveda Solutions, partenaire consultant APN Premier, pour l'aider à bénéficier d'une force de travail et d'une gestion des prix proactives dans le secteur du déménagement longue distance. Pariveda Solutions a préparé les données, développé et évalué le modèle Machine learning, et a affiné ses performances. Cette société a utilisé Amazon SageMaker pour tester et optimiser le modèle, puis l'a exporté en tirant parti de la nature modulaire d'Amazon SageMaker afin de l'exécuter dans Amazon EC2.

Tinder

Tinder

Avec 20 milliards de correspondances à ce jour, Tinder est l'application la plus populaire pour rencontrer de nouvelles personnes.

« Derrière chaque swipe sur Tinder se cache un système qui gère des millions de requêtes à la minute et des milliards de swipes par jour, dans plus de 190 pays. « Amazon SageMaker simplifie le machine learning en aidant nos équipes de développeurs à concevoir des modèles de prédiction qui créent de nouvelles connexions qui autrement n'auraient jamais été possibles. »

Elie Seidman, Président-directeur général - Tinder

Edmunds

Edmunds

Edmunds.com est un site Web de commerce automobile qui propose à 20 millions de visiteurs mensuels des informations détaillées et en temps réel concernant des véhicules.

« Notre approche stratégique consiste à placer le machine learning entre les mains de tous nos ingénieurs. Le rôle d'Amazon SageMaker est essentiel pour nous aider à atteindre cet objectif, car il permet aux ingénieurs de développer, de former et de déployer des algorithmes et des modèles de machine learning à grande échelle. Nous sommes impatients de voir comment Edmunds va utiliser SageMaker pour innover en créant de nouvelles solutions pour nos clients dans l'organisation tout entière. »

Stephen Felisan, Directeur informatique - Edmunds.com

Hotels.com

Hotels.com

Hotels.com est l'une des plus grandes marques de réservation d'hôtel au monde et gère 90 sites web localisés dans 41 langues.

« Chez Hotels.com, nous cherchons toujours à être plus rapides, à tirer profit des dernières technologies et à rester innovants. Avec Amazon SageMaker, la formation distribuée, les algorithmes optimisés et les fonctions d'hyperparamètre intégrées devraient permettre à mon équipe de concevoir rapidement des modèles plus précis sur nos plus grands volumes de données, réduisant ainsi le temps considérable dont nous avions besoin pour faire passer un modèle à la production. Il s'agit simplement d'un appel d'API. Amazon SageMaker réduit de manière significative la complexité du machine learning, et nous sommes ainsi en mesure de créer rapidement une meilleure expérience pour nos clients. »

Matt Frye, VP et directeur de la science des données - Hotels.com et Expedia Affiliate Network

formosa-plastics-600x400

Formosa Plastics

Formosa Plastics Corporation est un fournisseur de résines plastiques et de produits pétrochimiques verticalement intégré et en plein essor. Formosa Plastics propose une gamme complète de résines de chlorure de polyvinyle, de polyéthylène et de polypropylène, de soudes caustiques et d'autres produits pétrochimiques répondant aux exigences du client en matière de consistance, de performance et de qualité.

« Formosa Plastics est l'une des principales entreprises pétrochimiques de Taïwan. Elle se classe parmi les principaux fabricants de plastique du monde. Nous avons décidé de faire appel à Machine Learning afin de parvenir à détecter les défauts avec plus de précision et de réduire les coûts liés au travail manuel. Pour ce faire, nous avons donné à AWS le rôle de fournisseur cloud de prédilection. Le laboratoire de solutions AWS ML a travaillé avec nous lors de chaque étape du processus, en commençant par un atelier de découverte visant à définir les cas d'utilisation commerciale et en passant par la création et la sélection de modèles de ML adéquats, jusqu'au déploiement proprement dit. Grâce à Amazon SageMaker, la solution de machine learning a divisé par deux le temps nécessaire à un employé pour réaliser une inspection manuelle. Avec l'aide de ML Solutions Lab, nous sommes désormais en mesure d'optimiser par nous-mêmes le modèle SageMaker pour ainsi aller de l'avant au gré du changement de conditions. »

Bill Lee, Vice-président adjoint - Formosa Plastics Corporation

Zendesk

Zendesk

Zendesk développe des logiciels destinés à améliorer les relations client. Ces logiciels donnent aux organisations les clés leur permettant de mieux comprendre les clients et d'améliorer l'engagement de ces derniers. Les produits Zendesk sont utilisés par plus de 94 000 comptes client payants dans plus de 150 pays et territoires.

« Amazon SageMaker va baisser nos coûts et augmenter notre rapidité en ce qui concerne notre utilisation du machine learning. Avec Amazon SageMaker, nous pouvons réaliser la transition depuis notre déploiement TensorFlow existant et autogéré vers un service entièrement géré. Amazon SageMaker facilite également l'accès à d'autres cadres de deep learning populaires, tout en gérant l'infrastructure qui permet de créer, de tester et de diffuser nos modèles. »

David Bernstein, Responsable des technologies stratégiques - Zendesk

Regit

Regit

Anciennement Motoring.co.uk, Regit est une société de technologie automobile et le premier service en ligne pour les automobilistes au Royaume-Uni. Elle offre des services numériques de gestion des véhicules en fonction de leur plaque d'immatriculation, et envoie des rappels et des informations en matière de taxe, d'assurance et de rappels de véhicules aux conducteurs.

Regit a travaillé avec Peak Business Insight, un partenaire consultant APN avancé, afin de mettre en application des « modèles d'apprentissage machine basés sur des catégories » capables de gérer simultanément des données de catégorie et des données variables afin de prévoir la probabilité que des utilisateurs changent de véhicules, entraînant une vente pour Regit.

Peak a tiré parti de services AWS comme Amazon SageMaker pour l'assimilation, la modélisation et la sortie de données en temps réel. Amazon SageMaker gère 5 000 requêtes d'API par jour pour Regit, en se dimensionnant et en s'ajustant en toute transparence en fonction d'exigences pertinentes en matière de données, et en gérant la fourniture de résultats en matière de notation de leads. Parallèlement, les instances Amazon Redshift et Amazon Elastic Compute Cloud (Amazon EC2) optimisent les performances et les résultats du modèle de façon efficace et continue. Grâce à Peak, Regit a été en mesure de prédire lesquels de ses 2,5 millions d'utilisateurs allaient changer de véhicule, ainsi que le moment où ces derniers le feraient. Regit peut donc s'occuper de ses clients de façon plus personnalisée et plus ciblée, et a augmenté les revenus issus de son centre d'appel de plus d'un quart.

Zocdoc

Zocdoc

Zocdoc permet la recherche de soins médicaux pour les utilisateurs finaux avec une solution intégrée sur les informations médicales et les agendas de chaque médecin. Il se concentre sur les besoins du patient, afin d'offrir la meilleure expérience dans le domaine des soins de santé.

« Chez Zocdoc, notre objectif a toujours été de permettre aux patients de trouver facilement le bon médecin et de prendre rendez-vous au bon moment et au bon endroit. La vitesse de création, de formation et de déploiement de modèles avec Amazon SageMaker suscite beaucoup d'enthousiasme chez les ingénieurs de Zocdoc. Un de nos ingénieurs sur mobile a pu former et déployer un modèle de recommandation aux spécialiste à partir de rien en mins d'une journée, et nous avons fini par le mettre en œuvre en production. Autrefois, notre équipe de science des données a dû contribuer au développement d'un modèle de travail, ce qui a ralenti nos équipes produits. Avec Amazon SageMaker, nous pouvons maîtriser plus rapidement l'ensemble du processus de la conception à la production grâce à la simplification des fonctionnalités de bout en bout de SageMaker. »
Realtor.com

Realtor.com

Composé de realtor.com®, Doorsteps® et Moving.com™, le réseau Move, Inc. fournit, grâce à tout un panel de sites Web et d'expériences mobiles, des informations, des outils et une expertise professionnelle dans le domaine de l'immobilier à destination du grand public et des professionnels de l'immobilier.

« Notre volonté est d'aider les clients dans leur accession à la propriété, et nous pensons qu'Amazon SageMaker est un ajout décisif à notre gamme d'outils realtor.com®. » Les flux de travail du machine learning, traditionnellement chronophages, notamment la formation et l'optimisation des modèles, peuvent aujourd'hui être réalisés de manière plus efficace et par un ensemble plus large de développeurs, permettant à nos spécialistes et analystes des données de se concentrer sur le développement de l'expérience utilisateur la plus riche. »

Vineet Singh, Responsable des données et premier vice-président - Move, Inc.

Grammarly

Grammarly

Chaque jour, les algorithmes de Grammarly aident des millions de personnes à communiquer plus efficacement en leur offrant une aide à la rédaction sur diverses plates-formes et différents appareils. Pour cela, elle combine un traitement du langage naturel et des technologies avancées de machine learning.

« Grâce à Amazon SageMaker, nous pouvons développer nos modèles TensorFlow dans un environnement de formation distribué. Par ailleurs, nos flux de travail s'intègrent à Amazon EMR pour le pré-traitement. Nous pouvons donc filtrer nos données Amazon S3 à l'aide d'EMR et de Spart depuis un carnet Jupyter, puis lancer une formation dans Amazon SageMaker avec ce même carnet. SageMaker s'adapte également à nos différentes exigences de production. Nous pouvons exécuter des inférences sur SageMaker lui-même ou, si nous avons seulement besoin du modèle, nous le téléchargeons depuis S3 et exécutons des inférences de nos implémentations sur appareils mobiles pour les clients iOS et Android. »

Stanislav Levental, Responsable technique - Grammarly

Slice Labs

Slice Labs est le premier fournisseur de plateformes d'assurance à la demande sur le cloud. Cette entreprise new-yorkaise est présente dans le monde entier. Au marché B2C, Slice propose des offres d'assurance individuelles à la demande. Sur le segment B2B, elle permet aux entreprises de créer des produits d'assurance numériques intuitifs.

« Chez Slice, nous sommes parfaitement conscients de l'évolution constante des besoins d'assurance de nos clients. Notre choix d'AWS comme plateforme de cloud computing a été motivé par sa large gamme de services, sa flexibilité et la solide réputation dont elle jouit auprès des assureurs. Nous utilisons une gamme variée de services AWS pour mener nos activités. Nous utilisons notamment AWS Machine Learning pour aider les clients à trouver les meilleures options d'assurance en fonction de leurs besoins. Nous travaillons avec des assureurs et des sociétés de technologie qui cherchent à créer et à lancer des produits d'assurance intelligents. Avec AWS, nous avons réalisé d'énormes économies et amélioré notre productivité. Par exemple, nous avons réduit le temps d'approvisionnement de 47 jours à 1 jour, soit une amélioration de 98 %. Nous travaillons à conquérir de nouveaux territoires et sommes très enthousiastes à l'idée de continuer à utiliser davantage le cloud avec AWS. »

Philippe Lafreniere, Directeur de la croissance – Slice Labs

DigitalGlobe

DigitalGlobe

En tant que premier fournisseur au monde d'analyses, de données et d'imagerie terrestre de haute qualité, DigitalGlobe travaille avec d'énormes volumes de données chaque jour.

« En tant que premier fournisseur au monde d'analyses, de données et d'imagerie terrestre de haute qualité, DigitalGlobe travaille avec d'énormes volumes de données chaque jour. » DigitalGlobe permet aux utilisateurs de trouver et d'accéder à une bibliothèque d'images de 100 Po, et d'y réaliser plus facilement des calculs. Cette bibliothèque se trouve sur Cloud AWS afin d'appliquer le deep learning à l'imagerie satellite. Nous prévoyons d'utiliser Amazon SageMaker pour entraîner des modèles avec plusieurs pétaoctets d'ensembles de données d'imagerie d'observation de la Terre, en utilisant des carnets Jupyter. Ainsi, les utilisateurs de la plate-forme Geospatial Big Data (GBDX) de DigitalGlobe ont juste à appuyer sur un bouton, créer un modèle et déployer celui-ci dans un environnement distribué scalable à grande échelle. »

Dr. Walter Scott, Directeur technologique de Maxar Technologies et fondateur de DigitalGlobe

Intercom

Intercom

Les premiers produits de messagerie d'Intercom s'intègrent de manière transparente aux sites Web et aux applications mobiles d'autres entreprises pour les aider à acquérir, engager et assister les clients. Fondée en 2011, la société a des bureaux à San Francisco, à Londres, à Chicago et à Dublin.

« Chez Intercom, nous avons une équipe en pleine croissance de spécialistes des données et d'ingénieurs de données. Nous souhaitons souvent itérer rapidement et explorer de nouvelles solutions pour les produits basés sur les données. Avant Amazon SageMaker, nous avons essayé différentes options pour créer ces produits, mais chacune posait des problèmes : le partage de code était difficile, les tests sur les grands ensembles de données étaient lents et les opérations de provisionnement et de gestion du matériel que nous exécutions nous-mêmes étaient problématiques. SageMaker est arrivé et a résolu tous ces problèmes. Nous l'utilisons en particulier pour développer des algorithmes pour nos plateformes de recherche et des fonctionnalités de machine learning. Nous constatons que Jupyter Notebooks hébergé par SageMaker nous permet de créer et d'itérer rapidement. Mais le plus important c'est que SageMaker étant un service géré, notre équipe peut se concentrer sur la tâche à accomplir. Amazon SageMaker est un service extrêmement précieux pour nous chez Intercom, et nous sommes ravis de l'utiliser de plus en plus à mesure que notre société se développe. »

Kevin McNally, Spécialiste des données sénior et responsable du machine learning - Intercom

Kinect Energy Group

Kinect Energy Group

Kinect Energy Group est une filiale de World Fuel Services, une entreprise figurant dans le classement Fortune 100 qui fournit des services de conseils en approvisionnement énergétique et qui propose des solutions d'exécution, de transaction et de gestion des paiements à des clients commerciaux et industriels, principalement dans les secteurs de l'aviation, de la marine et du transport terrestre. Kinect Energy est un fournisseur d'énergie nordique clé qui dépend des ressources énergétiques naturelles que produit le climat venteux de la région.

L'entreprise a récemment été propulsée au-devant de la scène grâce à l'introduction de plusieurs services d'IA/ML d'AWS. Ainsi, Amazon SageMaker permet à l'entreprise de prévoir les tendances météorologiques à venir, et donc les prix de l'électricité pour les prochains mois, pour ainsi aboutir à un échange énergétique à grande portée qui constitue une approche avant-gardiste de premier ordre.

« Nous avons commencé à utiliser Amazon SageMaker et, avec l'aide de l'Équipe de solutions ML d'AWS et de l'Équipe d'architecture de solution, nous avons pu créer une dynamique grâce à la Journée de l'innovation, dont l'impact a été considérable depuis lors. Nous avons élargi notre propre équipe d'IA à plusieurs reprises afin d'exploiter pleinement le nouvel avantage que nous procurent les technologies d'AWS. Nous profitons de nouvelles méthodes en fixant des prix basés sur des événements météorologiques qui ne se sont pas encore manifestés. Nous avons tout misé sur AWS, notamment en ce qui concerne le stockage de nos données dans S3, en utilisant Lambda pour l'exécution, ainsi que Step Functions en plus de SageMaker. En outre, grâce au partenariat solide avec AWS ML Solutions Lab, nous sommes désormais autosuffisants et capables d'itérer les modèles que nous avons créés pour ainsi poursuivre l'amélioration de notre activité. »

Andrew Stypa, Analyste principal en informatique de gestion - Kinect Energy Group

Frame.io

Frame.io

Frame.io est votre espace pour tout ce qui concerne la vidéo. Leader en matière de révision de vidéos et de collaboration avec plus de 700 000 clients dans le monde, Frame.io est l'espace où les professionnels de la vidéo de tous horizons, du freelance à l'entreprise, viennent réviser, approuver et diffuser des vidéos.

« En tant que plate-forme de collaboration et de révision de vidéos natives cloud accessible aux utilisateurs du monde entier, il est impératif que nous fournissions la meilleure sécurité possible à nos clients. Grâce au modèle de détection des anomalies intégré à Amazon SageMaker, nous sommes en mesure de tirer parti du machine learning pour identifier, détecter et bloquer rapidement les demandes d'adresses IP indésirables afin de nous assurer que les supports de nos clients restent sécurisés et protégés à tout moment. La mise en route d'Amazon SageMaker, sa maintenance au fil du temps, sa mise à l'échelle sur notre plate-forme et son adaptation à nos flux de travail spécifiques ont été simples et directes. De plus, avec l'aide des carnets Jupyter dans SageMaker, nous avons pu expérimenter différents modèles afin d'améliorer notre précision et notre rappel de manière à renforcer encore plus la sécurité de Frame.io. »

Abhinav Srivastava, Vice-président et responsable de la sécurité de l'information - Frame.io

Sportograf

Sportograf

Tout comme les athlètes de compétition dans plusieurs disciplines, Sportograf a une affinité naturelle avec le sport. Sa mission est de respecter et d'honorer les performances de chaque athlète à l'aide de photos de qualité professionnelle.

« Le nombre de photos générées lors d'événements sportifs se comptant par millions, notre défi consistait à les organiser par numéro de dossard de manière rapide et précise. En étudiant les différentes solutions qui s'offraient à elle, Sportograf a décidé de ne pas travailler avec des codes QR spéciaux ni d'autres balises, car cela supposait une charge de travail complexe qui ne permettait pas de répondre aux demandes spontanées des clients. Pour relever ce défi, nous nous sommes appuyés sur Amazon SageMaker et sur Amazon Rekognition pour la reconnaissance du texte et avons développé notre propre solution de machine learning permettant d'identifier plus efficacement les numéros de dossards des coureurs, presque en temps réel. »

Tom Janas, Directeur général de Sportograf

Cookpad

Cookpad

Cookpad est le plus grand service de partage de recettes au Japon et compte environ 60 millions d'utilisateurs mensuels au Japon et environ 90 millions dans le monde.

« On nous demande de plus en plus de simplifier le service de recettes Cookpad. Nos spécialistes des données vont donc développer davantage de modèles de machine learning afin d'optimiser l'expérience utilisateur. En essayant de réduire le nombre d'itérations de tâches de formation pour améliorer les performances, nous avons mis en évidence un défi de taille : le déploiement de nos points de terminaison d'inférence de machine learning, qui ralentissait nos processus de développement. Pour automatiser le déploiement des modèles de machine learning de sorte que les spécialistes des données puissent déployer les modèles eux-mêmes, nous avons utilisé les API d'inférence d'Amazon SageMaker. Grâce à cette solution, nous avons prouvé qu'il était possible de déployer des modèles de machine learning sans faire appel à des ingénieurs d'application. Nous prévoyons d'automatiser ce processus avec Amazon SageMaker en production. » 

Yoichiro Someya, Ingénieur de recherche - Cookpad

Cookpad

Fabulyst

Fabulyst est une jeune entreprise indienne spécialisée dans le commerce des produits de la mode. Elle permet aux consommateurs de vivre des expériences plus positives et personnalisées et aux détaillants d'obtenir de meilleurs taux de conversion grâce à l'IA.

« Fabulyst permet aux consommateurs de trouver plus facilement les produits qui leur conviennent parfaitement en faisant correspondre les articles en stock aux demandes spécifiques et personnalisées des utilisateurs (en fonction de leur type de corps ou de leur teint, par exemple). Nous aidons aussi les détaillants à améliorer l'efficacité de leurs conversions en utilisant la vision artificielle pour prévoir les tendances mensuelles à partir des données des réseaux sociaux, des recherches, des blogs, etc. et en les marquant automatiquement dans les catalogues de nos clients-détaillants. Chez Fabulyst, nous tirons parti d'AWS pour fournir nos meilleures solutions. Par exemple, Amazon SageMaker nous permet de gérer les nombreuses prédictions qui sous-tendent nos offres. Grâce à SageMaker et à d'autres services AWS, nous sommes en mesure de garantir une valeur ajoutée à nos utilisateurs (augmentation de 10 % des recettes pour les détaillants, par exemple) et avons confiance en notre capacité à fournir des résultats exceptionnels à chaque fois. »

Komal Prajapati, Fondateur et PDG de Fabulyst

Terragon Group

Terragon Group

Terragon Group est une entreprise de technologie de données et de marketing qui tire pleinement profit des entreprises qui utilisent des informations pour attirer l'audience mobile en Afrique. Au fil des ans, Terragon Group est devenu leader dans le domaine de la téléphonie mobile desservant des marques locales et multinationales, couvrant plusieurs régions géographiques. La transmission d'un message publicitaire adéquat au bon utilisateur et au bon moment nécessite une certaine personnalisation. Terragon utilise des données, des informations et l'intelligence artificielle pour aider les entreprises à cibler la bonne audience en Afrique.

« Amazon SageMaker nous fournit un flux de travail de machine learning de bout en bout, et ce sans aucune plomberie d'infrastructure sous-jacente. Nos équipes de science des données et de machine learning sont capables de passer rapidement de l'exploration de données à la formation et la production de modèles en l'espace de quelques heures. Pour une entreprise basée en Afrique et disposant de très peu d'ingénieurs talentueux, il n'existe aucun autre moyen permettant de créer et de déployer des modes de machine learning pour résoudre des problèmes concrets en moins de 90 jours. »

Deji Balogun, Directeur technique - Terragon Group

SmartNews

SmartNews

SmartNews est la plus grande application d'actualités du Japon, fournissant des informations de qualité à plus de 11 millions d'utilisateurs actifs par mois dans le monde. Grâce aux technologies de Machine Learning, SmartNews met à la disposition des utilisateurs les articles les plus pertinents et les plus intéressants qui soient. Les algorithmes de machine learning chez SmartNews évaluent des millions d'articles, de signaux sociaux et d'interactions humaines pour fournir les 0,01 % des articles les plus importants et les plus pertinents du moment.

« Notre mission, qui consiste à découvrir et diffuser des contenus de qualité au monde entier, repose sur AWS et notamment sur Amazon SageMaker, ce qui nous a permis d'accélérer le cycle de développement pour servir au mieux nos clients. L'utilisation d'Amazon SageMaker nous a énormément aidés dans nos méthodes de conservation des informations, y compris dans la classification d'articles via le deep learning, la prédiction de la valeur de durée de vie et la modélisation composite pour le texte et l'image. Il nous tarde d'atteindre de nouveaux sommets avec Amazon SageMaker et les autres solutions d'IA d'AWS. »

Kaisei Hamamoto, Cofondateur et codirecteur général - SmartNews, Inc.

SIGNATE

Signate

Signate propose des solutions d'externalisation, de recrutement et de conseils basées sur l'intelligence artificielle. Signate est également connue comme une communauté de spécialistes de données de plus de 16 000 membres qui se rivalisent dans des compétitions pour produire des modèles optimisés. L'entreprise propose également un service basé sur Amazon SageMaker qui permet à ses clients de déployer les modèles issus des compétitions dans des applications de production.

« Amazon SageMaker est le principal outil que nous utilisons pour créer nos modèles de machine learning. Cette solution a permis d'optimiser la scalabilité d'Aldebaran, notre système de gestion des modèles. SageMaker permet une intégration harmonieuse dans nos flux de travail, y compris la création, la formation et le déploiement simultanés des modèles de machine learning. Jusqu’ici, il fallait de 3 à 6 mois pour déployer des modèles en production. Désormais, grâce à SageMaker, nous pouvons déployer un modèle en production en 1 à 4 semaines seulement, ce qui permet de gagner en temps et d'accroître la productivité. SageMaker est notre plateforme de machine learning standard de choix pour tous nos modèles de machine learning. »

Shigeru Saito, PDG/directeur des données - Signate Inc.

Pioneer

Pioneer

Pioneer est une multinationale spécialisée dans le divertissement numérique, y compris l'électronique automobile et les services de mobilité. En phase avec sa philosophie « Bouger le cœur et toucher l'âme », Pioneer propose à ses clients des produits et des services utiles au quotidien.

« En nous appuyant sur Amazon SageMaker et sur les fonctionnalités de formation de modèle telles qu'Automatic Model Tuning, nous avons pu concevoir des modèles de machine learning très précis et continué à garantir la confidentialité pour nos clients. Nous avons également hâte de tirer profit d'AWS Marketplace pour Machine Learning pour les algorithmes et les modèles pré-testés, afin de concevoir une plateforme de monétisation. »

Kazuhiro Miyamoto, Directeur général responsable du département Information Service Engineering - Pioneer

Dely

Dely

Dely offre le meilleur service vidéo culinaire du Japon, Kurashiru. Chaque jour, Dely s'efforce de proposer des services culinaires qui impactent le monde entier. Kurashiru aide chaque jour énormément de personnes ; il présente de nombreuses recettes de plats savoureux qui colorent la table via ses vidéos culinaires. Au Japon, des dizaines de millions de personnes regardent et écoutent les vidéos culinaires qu'ils publient tous les mois.

« En 2 ans et demi, nous avons dépassé les 15 millions de téléchargements sur notre application mobile, depuis le lancement du service populaire Kurashiru. Nous pensons qu'il est essentiel de fournir à nos utilisateurs le bon contenu, au bon moment, à l'aide des technologies de pointe telles que le machine learning. Pour y parvenir, nous avons utilisé Amazon SageMaker, qui nous a aidés à concevoir et à déployer les modèles de machine learning en production en 90 jours. Nous avons également amélioré le taux de clic de 15 % grâce à la personnalisation du contenu. »

Masato Otake, Directeur technique - Dely, Inc.

Ayla Networks

Ayla Networks

Ayla Networks est une société de génie logiciel spécialisée dans le plateforme-service (PaaS) pour entreprises de l'IdO. Elle est basée à San Francisco et développe des solutions pour les marchés commerciaux et de consommation.

« Chez Ayla Networks, nous avons remarqué que nos clients font confiance à l'infrastructure AWS principalement en raison de son évolutivité et de sa fiabilité éprouvées. Nous avons notamment remarqué que les fabricants de produits commerciaux utilisent Amazon SageMaker pour exploiter les données de performance depuis Cloud Ayla. Grâce à Amazon SageMaker et notre produit Ayla IQ, les entreprises peuvent avoir des informations et détecter des anomalies pour une meilleure qualité de produit et de service, étant donné qu'elles peuvent prévoir les défaillances des machines et y remédier en amont. Cette solution permet à nos clients de poursuivre leur croissance, leur production et leur transformation en toute sérénité. »

Prashanth Shetty, Vice-président responsable du marketing à International - Ayla Networks

FreakOut

FreakOut

FreakOut est l'une des principales entreprises technologiques orientées sur les publicités numériques. Elle propose des produits de transactions du stock publicitaire en temps réel dans les publicités sur Internet, mais aussi d'analyse des données de navigation sur le Web. FreakOut s'appuie sur le machine learning pour ses opérations de prédiction du taux de clics et du taux de conversion.

« Nous sommes en plein processus de migration des environnements de formation sur le machine learning sur site vers Amazon SageMaker. » Amazon SageMaker nous offre une solution plus évolutive pour notre activité. Grâce à la fonction Automatic Model Tuning d'Amazon SageMaker, nous sommes en mesure d'optimiser et d'estimer des modèles très précis qui répondent à nos exigences. »

Jiro Nishiguchi, Directeur technique - FreakOut

Découvrez davantage de fonctionnalités Amazon SageMaker.

Consulter la page des fonctions
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Contactez-nous