Grup Formula One memindahkan sebagian besar infrastrukturnya dari pusat data di lokasi ke AWS dan menstandardisasi di layanan machine-learning AWS—termasuk Amazon SageMaker.
Menggunakan riwayat data pertandingan yang dikumpulkan dari mobil selama 65 tahun terakhir, ilmuwan data Formula 1 melatih model deep-learning yang membuat prediksi pertandingan dan membantu tim mengoptimalkan keputusan di tengah pertandingan. Model tersebut dapat memprediksi kapan tim harus memasukkan mobil mereka ke pit stop, menentukan waktu terbaik untuk mengganti ban, dan mengevaluasi bagaimana kinerja pengemudi.
Formula 1 kemudian menggunakan layanan streaming data, analisis, dan media AWS untuk mengirimkan wawasan tentang keputusan pengemudi dan kinerja mobil kepada lebih dari 500 juta penggemarnya.
Karena Formula 1 menjalankan beban kerja komputasi berkinerja tinggi di lingkungan yang dapat diskalakan di AWS, organisasi dapat berinovasi pada pengalaman pertandingan, desain mobil Formula 1 dan lainnya tanpa mengkhawatirkan kapasitas.
Intuit seluruhnya menggunakan AWS dan menggunakan ragam Layanan AWS yang luas dalam menyediakan elastisitas yang diperlukan untuk menangani pola lalu lintas musiman yang tinggi. Sejak 2013, Intuit telah memindahkan kemampuan infrastruktur, aplikasi, data, dan machine learning ke AWS.
Intuit menjelajahi machine learning karena diperlukan untuk membuat tugas yang berat, seperti pengisian pajak, menjadi mudah dan bahkan menyenangkan bagi pelanggan.
Dengan menggunakan Amazon SageMaker, Intuit telah mengurangi biaya dan waktu yang diperlukan untuk menerapkan model machine learning. Sekarang para ilmuwan data dapat menciptakan model dan menskalakannya ke banyak server, dan yang tadinya memakan waktu enam bulan sekarang memerlukan satu minggu.
Dengan memberdayakan ilmuwan data, Intuit terus mengembangkan dan meningkatkan produk untuk melaksanakan misinya: memberdayakan kemakmuran pelanggannya di seluruh dunia.
MLB telah mengumpulkan data statistik tentang pemain dan klubnya selama beberapa dekade, dan pada tahun 2015 MLB mulai menggunakan AWS untuk mengumpulkan dan mendistribusikan statistik hari pertandingan untuk meningkatkan pengalaman penggemar.
Dengan menggunakan Amazon SageMaker, MLB memberdayakan pengembang dan ilmuwan data untuk membangun, melatih, dan menerapkan model pembelajaran mesin pada skala apa pun.
Model-model ini membantu MLB menghilangkan proses manual, waktu-intensif yang terkait dengan pencatatan dan statistik, seperti pencatatan skor, menangkap catatan permainan, dan mengelompokkan pitch.
MLB berencana untuk bekerja dengan Amazon ML Solutions Lab untuk terus meningkatkan Statcast—teknologi pelacak yang menganalisis performa pemain—termasuk menguji ketepatan prediksi pitch dan membuat pengalaman pemirsa yang dipersonalisasi.
MLB akan terus berinovasi menggunakan kecerdasan buatan. Rencana organisasi untuk menggunakan Amazon Comprehend untuk membangun model bahasa yang dapat membuat naskah untuk pertandingan langsung yang mensimulasi penyiar ikonik.
Matson membangun aplikasi seluler flagship untuk pelacakan kontainer global yang memungkinkan pelanggan melakukan pelacakan real-time pengiriman barang. Fitur berharga lain dalam aplikasi tersebut mencakup pencarian jadwal kapal yang interaktif, pencarian peta pangkalan berbasis lokasi, dan umpan kamera-gerbang langsung.
Semua perangkat seluler mengakses AWS melalui Amazon API Gateway. Cara ini memberikan titik akhir lokasi edge yang mudah ditemukan untuk akses ke dalam sumber daya pada virtual private cloud Matson yang sudah tersedia.
Fungsi AWS Lambda dirancang menggunakan pola layanan-mikro dan dimodelkan di sekitar konteks bisnis berbasis-lautan khusus, seperti pelacakan kapal dan jadwal kapal.
Amazon DynamoDB mengelola konfigurasi juga konfigurasi umpan balik pengguna dan pemberitahuan umpan balik pengguna yang dikirimkan dari perangkat seluler. DynamoDB Streams memberikan notifikasi real-time ke tim layanan pelanggan Matson.
Pelanggan Matson mengandalkan pelacakan kontainer dan informasi status kapal akurat dan terbaru. Pemantauan dan peringatan kejadian sistem diarsipkan dengan menggunakan Amazon CloudWatch, Amazon SNS, Amazon SES, AWS Lambda, dan CloudWatch Logs.
Matson sekarang dapat menawarkan aplikasi tanpa server ujung-ke-ujung kepada pelanggan untuk membantu melacak pengiriman, tanpa infrastruktur yang perlu dipelihara.
Seri produk Roomba 900 menyelesaikan tugas pembersihan dalam rumah dan kembali ke pangkalan untuk pengisian ulang.
iRobot memproses peta rumah, mengkalkulasi ruang lantai total yang dibersihkan dan kode status untuk misi pembersihan, dan mengirimkan metadata ke AWS IoT.
iRobot menggunakan aturan AWS IoT untuk memasukkan pesan ke dalam aliran Amazon Kinesis. Dari Kinesis, iRobot dapat memproses data misi pembersihan. Kinesis memfasilitasi banyak tim untuk menerima aliran data.
AWS Lambda menerima metadata misi pembersihan dan membagi format ke Amazon DynamoDB. Amazon Kinesis menyusun batch data misi dan menyimpannnya dalam Amazon S3. Amazon S3 digunakan sebagai data lake iRobot untuk analitik, tempat semua data pesan dikompresi dan disimpan. Ketika data berada di Amazon S3, iRobot menggunakan seperangkat alat AWS Analytics. Amazon Athena memungkinkan iRobot untuk menjelajahi dan menemukan pola dalam data tanpa perlu menjalankan sumber daya komputasi sepanjang waktu.
Misi pembersihan disimpan di Amazon DynamoDB dan ditautkan ke robot dan pelanggan tertentu.
Pelanggan mendapatkan pemberitahuan yang menginformasikan bahwa misi pembersihan produk seri Roomba 900 berhasil.
Organisasi TI BP mengelola aplikasi SAP yang digunakan ribuan karyawan di seluruh dunia untuk rantai suplai, pengadaan, keuangan, dan masih banyak lagi.
Untuk meningkatkan kecepatan dan mendapatkan kelincahan biaya, BP menggunakan Amazon EC2 untuk memindahkan aplikasi bisnis inti ini ke cloud. Sebagai tambahan, tim tersebut membangun instans EC2 X1 untuk meningkatkan skala dan untuk memberdayakan analitik real-time mereka.
Tim tersebut sekarang dapat mendirikan sistem sesuai permintaan dalam hitungan jam alih-alih dalam minggu atau bulan. BP melihat peningkatan kinerja di seluruh papan, mencakup 40 persen peningkatan kecepatan untuk sistem ERP Pelumas.
Sebagai bagian dari migrasi cloud, BP mengatur ulang standar keamanan menggunakan AWS Config, AWS Identity and Access Management (IAM), Amazon CloudWatch, dan AWS Trusted Advisor. Standar baru ini membantu BP mengembangkan kerangka kerja yang aman untuk pengoperasian organisasi TI.
AS Timur
Virginia U. (6), Ohio (3)
AS Barat
California U. (3), Oregon (3)
Asia Pasifik
Mumbai (2), Seoul (2), Singapura (3), Sydney (3), Tokyo (4), Osaka-Lokal (1)
Kanada
Pusat (2)
Tiongkok
Beijing (3), Ningxia (2)
Eropa
Frankfurt (3), Irlandia (3), London (3), Paris (3)
Amerika Selatan
São Paulo (3)
GovCloud (AS)
AS Timur (3), AS Barat (3)
Bahrain
Cape Town
Hong Kong SAR
Milan
Stockholm
