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

ADP, Inc.

ADP est une entreprise mondiale de premier plan dans le domaine de la technologie qui offre des solutions de gestion du capital humain (GCH). ADP DataCloud exploite l'impressionnante base de données d'ADP qui contient des données de 30 millions d'employés pour fournir des informations exploitables susceptibles d'aider les dirigeants à prendre des décisions en temps réel pour mieux gérer leur entreprise.

« Fidéliser et attirer les meilleurs talents n'est pas chose aisée. Par conséquent, nous améliorons constamment ADP DataCloud avec des capacités d'intelligence artificielle dans le but d'aider les employeurs à maintenir des équipes solides. Nous utilisons le machine learning d'AWS, y compris Amazon SageMaker, pour identifier rapidement les modèles de main-d'œuvre et prévoir les résultats avant qu'ils ne se produisent, par exemple le roulement du personnel ou l'impact d'une augmentation de la rémunération. En utilisant AWS comme plateforme principale pour l'intelligence artificielle et le machine learning, nous avons réduit de 2 semaines à seulement 1 jour le temps de déploiement des modèles de machine learning ».

Jack Berkowitz, vice-président, responsable du développement de produits – ADP, Inc.

Cerner

Cerner

Cerner Corporation est une entreprise mondiale du domaine de la santé et de la technologie qui fournit une variété de solutions de l'information de la santé (HIT), de services, de dispositifs et de matériel.

« Cerner est fier d'encourager l'innovation en matière d'intelligence artificielle et de machine learning par le biais d'un large éventail d'expériences cliniques, financières et opérationnelles. De nouvelles capacités créées à la fois par l'écosystème de machine learning de Cerner et par le traitement du langage naturel de Cerner, et rendues possibles grâce à notre collaboration avec AWS, nous permettent d'accélérer l'innovation évolutive pour tous nos clients. Amazon SageMaker est un composant essentiel qui permet à Cerner de concrétiser notre engagement quant à générer de la valeur pour nos clients via l'intelligence artificielle ou le machine learning. En outre, Amazon SageMaker offre à Cerner la possibilité de tirer parti de différents frameworks tels que Tensorflow et PyTorch, ainsi que la possibilité de s'intégrer à différents services AWS. »

Sasanka Are, docteur et vice-président – Cerner

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

Advanced Microgrid Solutions

Advanced Microgrid Solutions

Advanced Microgrid Solutions (AMS) est une entreprise de services doublée d’une plateforme dédiée au secteur de l’énergie qui vise à accélérer la transformation à l’échelle mondiale vers une économie de l’énergie propre en facilitant le déploiement et l’optimisation d’actifs écoénergétiques. NEM utilise un marché au comptant où toutes les parties présentent des offres en matière de consommation ou de fourniture toutes les 5 minutes. Cela nécessite de faire des prévisions sur la demande et de présenter des offres dynamiques en quelques minutes seulement, tout en traitant des masses de données de marché. Pour relever ce défi, AMS a mis au point un modèle de deep learning utilisant TensorFlow sur Amazon SageMaker. AMS s’appuie sur le système d’ajustement automatique de modèles d’Amazon SageMaker pour déterminer les meilleurs paramètres de modèles, et ainsi créer leur propre modèle en quelques semaines seulement. Leur modèle a amélioré les prévisions de marché pour tous les produits du secteur de l’énergie dans le domaine des mesures d’énergie nettes, avec pour corollaire une hausse significative de l’efficacité.

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

Zalando

Zalando est la première plateforme en ligne de mode et de style de vie en Europe avec plus de 28 millions de clients actifs dans 17 marchés, proposant vêtements, chaussures, accessoires et beauté.

« Les valeurs de Zalando sont la qualité de l'expérience client, la rapidité, l'esprit d'entreprise et la responsabilisation. Nous avions décidé d'uniformiser nos charges de travail de machine learning sur AWS afin d'améliorer l'expérience client, de donner à notre équipe les outils et les processus nécessaires pour être plus productive et de faire bouger les lignes dans notre secteur d'activité. Grâce à Amazon SageMaker, Zalando peut mieux gérer les campagnes, générer des tenues personnalisées et offrir de meilleures expériences à ses clients. Cette solution à technologie AWS a entraîné une amélioration de 20 % de la productivité de nos ingénieurs et spécialistes des données».

Rodrigue Schäfer, Directeur de la fondation numérique – Zalando

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

Voodoo

Voodoo est l'un des leaders du jeu sur mobile avec 2 milliards de téléchargements de jeux et plus de 400 millions d'utilisateurs actifs mensuels (UAM). L'entreprise gère sa propre plateforme publicitaire et utilise le machine learning pour améliorer l'exactitude et la qualité des enchères publicitaires qui sont présentées à ses utilisateurs.

« Un de nos défis chez Voodoo est de maintenir active notre base de joueurs qui compte de millions d'individus et qui ne cesse de grandir. En standardisant nos charges de travail de machine learning et d'intelligence artificielle sur AWS, nous sommes en mesure d'itérer au rythme et à l'échelle dont nous avons besoin pour continuer à développer notre activité et à séduire nos joueurs. Grâce à Amazon SageMaker, nous pouvons décider en temps réel quelle publicité doit être montrée à nos joueurs et invoquer notre point de terminaison plus de 100 millions de fois par plus de 30 millions d'utilisateurs quotidiennement, soit près d'un milliard de prévisions par jour. Avec la technologie machine learning d'AWS, nous avons pu mettre un modèle précis en production en moins d'une semaine avec l'aide d'une petite équipe. Nous avons aussi été en mesure d'en tirer parti continuellement à mesure que notre équipe et notre entreprise grandissaient ».

Aymeric Roffé, Directeur de la technologie – Voodoo

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 de Machine Learning 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 scientifiques 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 scientifiques 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 scientifiques 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 scientifiques 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

Fabulyst

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

Wag!

Wag!

« Chez Wag!, nous devons répondre aux besoins de l'offre et de la demande dans un marketplace bilatéral. Nous avons saisi l'opportunité d'utiliser le machine learning (grâce à la technologie AWS) pour prédire la demande de promenades de chiens de nos clients. En standardisant nos applications de machine learning sur AWS, nous sommes en mesure de répondre à la croissance continue de nos besoins commerciaux en itérant à un rythme et à une échelle considérablement améliorés, malgré des ressources d'ingénierie limitées. En utilisant Amazon SageMaker, nous pouvons accélérer notre expérimentation de machine learning, en formant notre modèle non plus en 45 jours de calcul, mais en trois jours. »

Dave Bullock, Vice-président de la technologie de l'ingénierie et des opérations – Wag Labs Inc.

Euler Hermes

Euler Hermes

« Depuis plus de 100 ans, nous accompagnons la croissance de nos clients en proposant des services de pointe visant à rendre les transactions commerciales plus sûres et plus faciles. Avec les données administratives et financières de plus de 30 millions d’entreprises à gérer, il peut être difficile de détecter les cyberfraudes avant qu’elles n’affectent les opérations commerciales. Notre utilisation d’Amazon SageMaker, la plateforme AI/ML sur laquelle notre choix s’est porté, nous permet d'innover plus rapidement. Par exemple, nous avons pu lancer un nouveau service interne en 7 mois et nous pouvons désormais identifier la fraude par squatting d’URL après la création d’un domaine malveillant. »

Luis Leon, conseiller en innovation informatique, Euler Hermes

ifood

iFood

iFood est le leader de la restauration en ligne en Amérique latine. Elle reçoit 30,6 millions de commandes mensuelles et compte environ 160 000 restaurants dans plus de 1 000 villes.

« Chez iFood, nous utilisons le machine learning pour améliorer l’expérience de nos clients et de nos restaurants. Avec Amazon SageMaker, nous pouvons créer des recommandations personnalisées de restaurants et de menus. En matière de logistique, grâce à l’optimisation des itinéraires, nous avons réduit d’environ 12 % le parcours de livraison pour nos livreurs. La standardisation de nos charges de travail de machine learning sur AWS nous offre la flexibilité et la scalabilité nécessaires pour fournir des informations et des résultats en temps réel. »

Sandor Caetano, scientifique des données en chef, iFood

Root Insurance

Root Insurance

« Root Insurance emploie la technologie afin de fixer le prix de l'assurance auto en fonction de la conduite réelle, plutôt que de se fier purement aux données démographiques de sa clientèle. Les capacités d'entraînement et de transformation par lots d'Amazon SageMaker sont devenues plus pertinentes au fil du développement de notre société et de ses besoins. En normalisant nos charges de travail de machine learning sur AWS, nous pouvons analyser la télémétrie depuis les téléphones mobiles et aidons les bons conducteurs à économiser jusqu'à 52 % sur leur assurance auto. »

Bill Kaper, vice-président de l'ingénierie – Root Insurance

Infoblox

Infoblox

Infoblox est le leader des services sécurisés de réseaux gérés sur le cloud, conçus pour gérer et sécuriser le nœud de la mise en réseau, soit DNS, DHCP et la gestion des adresses IP (ensemble connu sous le nom de DDI).

« Chez Infoblox, nous avons conçu un service DNS de sécurité analytique avec Amazon SageMaker. Ce service détecte les éléments malveillants qui créent des homographes afin de se faire passer pour des cibles de noms de domaine très convoitées et les utilisent pour installer des logiciels malveillants, hameçonner les informations des utilisateurs et attaquer la réputation d'une marque. AWS est notre standard d'entreprise pour le cloud et nous pouvons utiliser de nombreuses fonctionnalités offertes par SageMaker pour accélérer le développement des modèles de ML. Grâce aux fonctionnalités de réglage de modèle automatique de SageMaker, nous avons mis à l'échelle l'expérimentation et amélioré la précision à 96,9 %. Grâce à SageMaker, notre détecteur d'homographes d'IDN, qui fait partie de notre service de sécurité analytique, a identifié plus de 60 millions de résolutions de domaines homographes et continue à en trouver des millions d'autres tous les mois, ce qui aide nos clients à détecter les abus plus rapidement. »

Femi Olumofin, architecte d'analytique – Infoblox

Zappos

Zappos

L'entreprise Zappos a été créée il y a 20 ans et n'était à l'époque qu'un petit vendeur de chaussures en ligne. Depuis, elle s'est développée pour vendre des vêtements, des sacs à main, des accessoires et bien d'autres choses encore, tout en offrant un service client réputé et des expériences innovantes aux employés. Zappos est une filiale d'Amazon depuis 2009.

« Chez Zappos, nous améliorons considérablement l'expérience de vente en ligne de nos clients à l'aide de solutions d'analyse et de machine learning qui nous permettent de personnaliser la taille et les résultats de recherche pour chaque utilisateur tout en maintenant une expérience utilisateur fluide et réactive. Grâce à Amazon SageMaker, nous pouvons prédire la taille des chaussures des clients. AWS est notre entreprise standard pour le ML et l'IA car les services AWS permettent aux ingénieurs de se concentrer sur l'amélioration des performances et des résultats plutôt que sur les frais d'exploitation de DevOps. »

Ameen Kazerouni, responsable de la recherche et des plateformes de machine learning - Zappos

NerdWallet

NerdWallet

NerdWallet, une entreprise de finances personnelles basée à San Francisco, fournit des évaluations et des comparaisons de produits financiers dont les cartes de crédit, les services bancaires, les investissements, les prêts et les assurances.

« NerdWallet se repose sur la science des données et le machine learning pour connecter les clients avec des produits financiers personnalisés. Nous avons choisi de standardiser nos charges de travail de machine learning sur AWS car cela nous a permis de moderniser rapidement nos pratiques de la science de l'ingénierie des données, supprimant ainsi les obstacles et réduisant les délais de livraison. Grâce à Amazon SageMaker, nos scientifiques des données peuvent consacrer plus de temps aux poursuites stratégiques et consacrer plus d'énergie là où notre avantage concurrentiel se trouve : dans l'analyse des problèmes que nous résolvons pour nos clients. »

Ryan Kirkman, directeur adjoint de l'ingénierie – NerdWallet

Splice

Splice

Splice est une plateforme créative dédiée aux musiciens, créée par des musiciens, et destinée à permettre aux artistes de libérer leur vrai potentiel créatif. La startup de création de musique par abonnement a été fondée en 2013, et rassemble désormais plus de 3 millions de musiciens qui parcourent le catalogue à la recherche des sons parfaits.

« Notre catalogue de sons et de présélections augmente en même temps que la difficulté à trouve les bons sons. C'est pourquoi Splice a investi pour créer des fonctionnalités de recherche et de découverte de premier plan. En standardisant nos charges de travail de machine learning sur AWS, nous avons créé une offre orientée vers l'utilisateur plus récente qui vise à faciliter autant que possible la connexion entre les musiciens et les sons qu'ils recherchent. Depuis le lancement de Similar Sounds, nous avons remarqué une augmentation de près de 10 % des conversions de recherche. En utilisant Amazon SageMaker, nous avons créé le complément idéal à la recherche textuelle afin de permettre à nos utilisateurs de découvrir et de parcourir notre catalogue comme jamais ils ne l'auraient imaginé. »

Alejandro Koretzky, responsable du machine learning et ingénieur principal – Splice

Audeosoft

Audeosoft

« Avant d'entamer notre transition vers le machine learning, nous ne pouvions rechercher que le texte d'un curriculum vitae (CV), mais notre manque de fonctionnalités de reconnaissance optique des caractères nous empêchait d'examiner l'ensemble des CV. Grâce à Amazon Textract, nous pouvons désormais extraire le contenu de tout type de documents et indexer tous les fichiers chargés dans un cluster ElasticSearch. Désormais, chaque document chargé peut être recherché à l'aide d'ElasticSearch, qui offre des vitesses de recherche 10 fois plus rapides que la recherche SQL d'origine. De plus, nous avons implémenté la vectorisation de mots à l'aide d'Amazon SageMaker pour ajouter des mots-clés associés à une requête de recherche. Ce processus nous permet de classer et d'évaluer avec précision les candidats et nous aide à éliminer les erreurs causées par des synonymes ou des formulations alternatives utilisées dans les CV. En utilisant Amazon SageMaker et Amazon Textract, nous pouvons proposer des candidats plus compétents et intelligents aux recruteurs. Les performances stables, la disponibilité mondiale et la fiabilité sont des facteurs de réussite clés pour Audeosoft. Lorsque nous avons pris la décision il y a près de 8 ans de nous associer à AWS, nous savions que ce serait un excellent partenaire pour l'avenir. En choisissant AWS comme notre fournisseur cloud préféré, nous disposons d'un partenaire qui a la même volonté et le même désir que nous de créer de l'innovation pour les années à venir. »

Marcel Schmidt, directeur technique chez Audeosoft

Freshworks

Freshworks

Freshworks est une licorne basée aux États-Unis et en Inde spécialisée dans la fourniture de solutions SaaS B2B aux PME et aux entreprises du marché intermédiaire à travers le monde. Freshworks propose un portefeuille d'applications faciles à utiliser mais puissantes dédiées aux flux de travail d'engagement client et des employés.

« Chez Freshworks, nous avons créé Freddy AI Skills, notre offre IA/ML phare, à l'aide de modèles hyperpersonnalisés qui permettent aux agents de bien traiter les requêtes des utilisateurs et les tickets de support. Ils permettent également aux équipes de vente et marketing de classer les opportunités par ordre de priorité et de clôturer rapidement les offres. En outre, les gestionnaires de relation client peuvent s'en servir pour réduire les risques de perte de clientèle et booster la croissance de l'entreprise. Nous avons choisi de standardiser nos charges de travail ML sur AWS, car cela nous permet de créer, d'entraîner et de déployer facilement des modèles de machine learning optimisés pour les cas d'utilisation de nos clients. Grâce à Amazon SageMaker, nous avons créé plus de 30 000 modèles pour 11 000 clients, tout en réduisant les délais d'entraînement de ces modèles de 24 heures à moins de 33 minutes. Avec SageMaker Model Monitor, nous pouvons suivre les déviations de données et entraîner à nouveau les modèles afin d'améliorer leur précision. Freddy AI Skills est une solution en constante évolution basée sur Amazon SageMaker, qui fournit des actions intelligentes, des perspectives approfondies sur les données et des conversations axées sur les intentions. »

Tejas Bhandarkar, directeur principal de la gestion produit – Plateforme Freshworks

Veolia

Veolia

Veolia Water Technologies est une société de conception expérimentée et un fournisseur de services et de solutions technologiques spécialisé dans la gestion de l'eau et le traitement des eaux usées.

« Pendant près de huit semaines, nous avons collaboré avec AWS afin de développer un prototype anticipant les moments où nous devons nettoyer ou modifier les membranes de filtration de l'eau dans nos usines de dessalement. Grâce à Amazon SageMaker, nous avons pu concevoir un modèle de machine learning qui apprend des précédents modèles et prévoit la future évolution des indicateurs d'encrassement. En standardisant nos charges de travail de machine learning sur AWS, nous avons pu réduire nos coûts et éviter les interruptions, tout en améliorant la qualité de l'eau produite. Ces résultats n'auraient pas été possibles sans l'expérience technique, la confiance et le dévouement des deux équipes dans l'optique d'atteindre un objectif : un approvisionnement ininterrompu en eau propre et potable. »

Aude GIARD, responsable du service numérique – Veolia Water Technologies

Sportradar

Sportradar

Sportradar, principal fournisseur de contenu sur le sport, fournit des données sportives en temps réel à plus de 65 ligues sportives du monde entier. Afin de générer des statistiques de pointe, la société s'est associée au ML Solutions Lab d'Amazon pour développer un système de prédiction statistique des résultats de football.

« Nous avons délibérément confié l'un des problèmes de vision par ordinateur les plus complexes à l'équipe du ML Solutions Lab d'Amazon afin de tester les capacités du machine learning d’AWS, et je dois dire que je suis assez bluffé des résultats. L'équipe a créé un modèle de machine learning pour prévoir, deux secondes à l'avance, les buts marqués lors d'un match de football en direct, grâce à Amazon SageMaker. Ce modèle est, pour nous, la promesse de nombreuses nouvelles opportunités d'affaires. Nous sommes impatients de standardiser nos charges de travail ML sur AWS, car nous pouvons créer, tester et déployer des modèles en faveur de l'innovation dans notre secteur tout en respectant nos exigences en matière de coûts et de latence. »  

Ben Burdsall, directeur technique – Sportradar

Roche

Roche

F. Hoffmann-La Roche AG (Roche) est une entreprise multinationale scientifique suisse spécialisée en produits pharmaceutiques et en diagnostics.

« Je voulais motiver mes équipes à systématiser nos flux de travail de ML dans le cloud. Nous avons donc travaillé avec le Machine Learning Solutions Lab afin d'organiser des ateliers Amazon SageMaker et de prouver à quel point SageMaker simplifie le processus de production de ML pour les scientifiques des données. Depuis l'atelier, 80 % de nos charges de travail de ML s'exécutent sur AWS, ce qui aide nos équipes à placer les modèles de ML en production trois fois plus rapidement. SageMaker et les piles AWS nous permettent d'utiliser les ressources de calcul pour nous former à la demande, sans être limités par la disponibilité sur site. »  

Gloria Macia, scientifique des données – Roche

Guru

Guru

« Chez Guru, nous pensons que les connaissances dont nous avons besoin pour travailler doivent nous trouver. Nous sommes une solution de gestion des connaissances qui capture les informations les plus précieuses de votre équipe et les organise en une unique source de vérité. Nous tirons parti de l'intelligence artificielle pour vous recommander en temps réel et où vous travaillez des connaissances, nous assurer que ces connaissances restent vérifiées et vous aider à mieux gérer votre base globale de connaissances. Notre équipe de science des données de produits, en plein développement, fait face à tous les défis rencontrés par les équipes actuelles de ML : la conception, l'entraînement et le déploiement de systèmes de ML à l'échelle. Nous nous reposons sur Amazon SageMaker pour affronter certains de ces défis. À l'heure actuelle, nous tirons parti de l'inférence SageMaker afin de déployer plus rapidement nos modèles de ML en production pour atteindre notre objectif principal : fournir de la valeur ajoutée à nos clients. »  

Nabin Mulepati, ingénieur en machine learning – Guru

Amazon Operations

Amazon Operations

Dans le cadre de l’engagement d’Amazon envers la sécurité de ses associés pendant la pandémie du COVID-19, l’équipe Amazon Operations a déployé une solution ML pour aider à respecter les protocoles de distanciation sociale dans plus de 1 000 bâtiments opérationnels dans le monde. Amazon Operations a collaboré avec Amazon Machine Learning Solutions Lab pour créer des modèles de vision par ordinateur de pointe calculant l’estimation des distances avec Amazon SageMaker.

« En standardisant nos charges de travail ML sur AWS et en travaillant avec les experts du ML Solutions Lab, nous avons créé un ensemble innovant de modèles qui, selon nous, pourraient épargner jusqu’à 30 % de l’effort de vérification manuelle. Amazon SageMaker nous permet de passer plus de temps sur la sécurité et l’amélioration de la précision en réduisant le besoin de vérification manuelle pouvant prendre des centaines d’heures cumulées par jour. »

Russell Williams, directeur, développement logiciel – Amazon OpsTech IT

Freddy's

Freddy’s Frozen Custard & Steakburgers

Freddy’s Frozen Custard & Steakburgers est une chaîne de restauration rapide proposant une combinaison unique de burgers préparés sur commande, de hot dogs Vienna Beef, de frites fines et d’autres préparations savoureuses comme des crèmes glacées. Fondée en 2002 et franchisée en 2004, la chaîne Freddy’s compte actuellement pas moins de 400 restaurants dans 32 États.

« Auparavant, nous nous contentions d’essayer de faire deux restaurants à peu près identiques mais maintenant, nous avons une réelle compréhension des relations entre les articles de notre menu, les clients et les emplacements. Amazon SageMaker Autopilot, derrière la nouvelle capacité de ML de Domo, a démultiplié les possibilité de nos équipes marketing et d’achat. Le service a permis d’essayer de nouvelles idées et d’améliorer l’expérience de nos clients. »

Sean Thompson, directeur informatique – Freddy’s

Découvrez davantage de fonctionnalités Amazon SageMaker

Consulter la page des fonctions
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Nous contacter