Cas d'utilisation concrets

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 parti 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. Nous sommes ainsi en mesure de créer rapidement une meilleure expérience pour nos clients. »

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

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 d'apprentissage profond à grande échelle en utilisant les capacités d'Amazon SageMaker. »

– Khalid Al-Kofahi, Thomson Reuters Center for AI and Cognitive Computing


Intuit est une entreprise de logiciels commerciaux 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.

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

– Ashok Srivastava, Directeur des données chez Intuit

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, ainsi que d'y réaliser plus facilement des calculs. Cette bibliothèque se trouve sur le cloud AWS, afin d'appliquer l'apprentissage profond 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 blocs-notes 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 chez Maxar Technologies et fondateur de DigitalGlobe


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, newsletters, 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 pour cela. 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 une franche réussite : l'exemple parfait d'un partenariat fructueux. »

– Ramin Beheshti, Directeur des produits et de la technologie en chef du groupe chez Dow Jones

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 de 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 chez Cookpad


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 différentes 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 chez Grammarly

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 la gamme d'outils realtor.com®. Les flux de travail de machine learning traditionnellement chronophages, notamment la formation et l'optimisation des modèles, peuvent maintenant 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 Vice-président senior chez Move, Inc.


Tinder

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

« Derrière chaque swipe Twinder 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 développement à concevoir des modèles de prédiction qui créent de nouvelles connexions qui n'auraient sans cela jamais été possibles. »

– Elie Seidman, Président-directeur général de Tinder

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 initiative 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 chez Edmunds.com


GE Healthcare

Tirant parti de données et d'analyses au niveau matériel et logiciel et dans le domaine de la biotechnologie, GE Healthcare transforme 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, Reponsable de l'ingénierie IA chez GE Healthcare

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 nous permettre de réduire nos coûts et d'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 frameworks d'apprentissage profond populaires, tout en gérant l'infrastructure pour créer, entraîner et diffuser nos modèles. »

– David Bernstein, Responsable des technologies stratégiques chez Zendesk

 


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 vis-à-vis de ses agents, qui vont au-delà de celles du secteur.

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 à forte intensité de main-d'œuvre. 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, un 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, a développé et évalué le modèle de machine learning, et a affiné ses performances. Il a ensuite utilisé Amazon SageMaker pour former 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.

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 aux conducteurs en matière de taxe, d'assurance et de rappels de véhicules.

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 faire des prédictions concernant 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'ingestion, 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 scoring 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.


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

Découvrez davantage de fonctions Amazon SageMaker

Consultez la page de fonctionnalités
Prêt à vous lancer ?
S'inscrire
D'autres questions ?
Contactez-nous