ลูกค้า Amazon FSx สำหรับ Lustre

  • Adobe

    Adobe ก่อตั้งขึ้นเมื่อ 40 ปีที่ผ่านมาด้วยแนวคิดง่าย ๆ ในการสร้างผลิตภัณฑ์ที่เป็นนวัตกรรมใหม่เปลี่ยนโลก Adobe นำเสนอเทคโนโลยีก้าวล้ำหน้า ซึ่งช่วยให้ทุกคนสามารถจินตนาการ สร้างสรรค์ และสร้างประสบการณ์ดิจิทัลให้เกิดขึ้นได้จริงจากทุกที่

    ความท้าทาย: แทนที่จะพึ่งพาโมเดลโอเพนซอร์ส Adobe ตัดสินใจฝึกโมเดล AI ช่วยสร้างขึ้นพื้นฐานของบริษัทที่ปรับให้เหมาะกับกรณีการใช้งานเชิงสร้างสรรค์

    โซลูชัน: Adobe สร้างซูเปอร์ไฮเวย์ AI บน AWS เพื่อสร้างแพลตฟอร์มการเทรน AI และไปป์ไลน์ข้อมูลในการทำซ้ำโมเดลอย่างรวดเร็ว Adobe สร้างโซลูชันด้วยอินสแตนซ์ Amazon Elastic Compute Cloud (Amazon EC2) P5 และ P4d ที่ขับเคลื่อนด้วย GPU ของ NVIDIA, Amazon Elastic Kubernetes Service (Amazon EKS), Amazon Elastic Block Store (Amazon EBS) และ Amazon Elastic Fabric Adapter (EFA) Adobe ยังใช้ Amazon Simple Storage Service (Amazon S3) ทำหน้าที่เป็น Data Lake และที่เก็บข้อมูลหลักสำหรับข้อมูลจำนวนมาก Adobe ใช้พื่นที่จัดเก็บไฟล์ประสิทธิภาพสูง Amazon FSx สำหรับ Lustre เพื่อเข้าถึงไฟล์ข้อมูลอย่างรวดเร็วและเพื่อรับรองว่าทรัพยากร GPU จะไม่หยุดทำงาน

    การสร้างคลาวด์ AI ของเราเองไม่ใช่เรื่องยาก แต่ความร่วมมือกับ AWS ช่วยให้เราเน้นจุดเด่นของเราได้

    Alexandru Costin - รองประธานฝ่ายสร้างสรรค์ AI และ Sensei ที่ Adobe
    อ่านกรณีศึกษาของ Adobe »

  • LG AI Research

    การวิจัย AI ของ LG ได้ร่วมกับผู้เชี่ยวชาญ AI ชั้นนำระดับโลก การวิจัย AI ของ LG มุ่งมั่นที่จะเป็นผู้นำในยุคต่อไปของ AI เพื่อตระหนักถึงอนาคตที่มีแนวโน้มไปพร้อมกับคุณ โดยการจัดหาสภาพแวดล้อมการวิจัยที่ดีที่สุด และใช้ประโยชน์จากเทคโนโลยี AI ที่ล้ำสมัย

    ความท้าทาย: การวิจัย AI ของ LG จำเป็นต้องนำโมเดลพื้นฐาน EXAONE ไปใช้กับการผลิตในหนึ่งปี EXAONE ซึ่งย่อมาจาก “expert AI for everyone (AI ผู้เชี่ยวชาญสำหรับทุกคน)” เป็นโมเดลหลายโหมดขนาด 3 แสนล้านพารามิเตอร์ที่ใช้ทั้งภาพและข้อมูลข้อความ

    โซลูชัน: การวิจัย AI ของ LG ใช้ Amazon SageMaker เพื่อฝึกโมเดลพื้นฐานขนาดใหญ่และ Amazon FSx สำหรับ Lustre ให้แจกจ่ายข้อมูลลงในอินสแตนซ์เพื่อเร่งการฝึกโมเดล การวิจัย AI ของ LG จำเป็นต้องนำโมเดลพื้นฐาน EXAONE ไปใช้กับการผลิตในหนึ่งปี การวิจัย AI ของ LG ประสบความสำเร็จในการนำ EXAONE ไปใช้ในหนึ่งปี และลดต้นทุนได้ประมาณ 35 เปอร์เซ็นต์ โดยกำจัดความจำเป็นสำหรับทีมจัดการโครงสร้างพื้นฐานที่แยกต่างหาก

    อ่านกรณีศึกษาการวิจัย AI ของ LG »

  • Paige

    Paige เป็นผู้ให้บริการด้านการเปลี่ยนแปลงทางพยาธิวิทยาดิจิทัลชั้นนำ โดยเสนอโซลูชันบนเว็บที่รองรับ AI เต็มรูปแบบ ซึ่งสร้างประสิทธิภาพและความมั่นใจในการวินิจฉัยโรคมะเร็ง

    ความท้าทาย: โซลูชันในองค์กรของ Paige เต็มหมดแล้ว เป้าหมายของพวกเขาคือการฝึกโมเดล AI และ ML เพื่อช่วยด้านพยาธิวิทยาของมะเร็ง Paige ค้นพบว่ายิ่งมีความสามารถในการประมวลผลมากเท่าไหร่ พวกเขาก็จะฝึกโมเดลและช่วยแก้ปัญหาการวินิจฉัยโรคได้เร็วขึ้นเท่านั้น

    โซลูชัน: เพื่อเรียกใช้เวิร์กโหลดการฝึก ML ทาง Paige ได้เลือกอินสแตนซ์ Amazon EC2 P4d ซึ่งขับเคลื่อนโดย GPU ของ NVIDIA A100 Tensor Core ซึ่งให้ประสิทธิภาพสูงสำหรับการฝึก ML และแอปพลิเคชัน HPC ในระบบคลาวด์ Paige ใช้ Amazon FSx สำหรับ Lustre ซึ่งเป็นที่เก็บข้อมูลใช้ร่วมกันที่มีการจัดการอย่างสมบูรณ์ซึ่งสร้างขึ้นบนระบบไฟล์ประสิทธิภาพสูงยอดนิยม บริษัทได้เชื่อมต่อบริการนี้กับบัคเก็ต Amazon S3 บางส่วนซึ่งช่วยให้ทีมพัฒนาจัดการข้อมูลอินพุต ML หลายเพตาไบต์โดยไม่ต้องตระเตรียมข้อมูลด้วยตนเองบนระบบไฟล์ประสิทธิภาพสูง ผลลัพธ์ของโซลูชัน AWS คือ Paige สามารถฝึกปริมาณข้อมูลในองค์กรได้ 10 เท่าโดยใช้โครงสร้างพื้นฐาน AWS สำหรับ ML  Paige ยังได้เวิร์กโฟลว์ภายในที่เร็วขึ้น 72% ด้วย Amazon EC2 และ Amazon FSx สำหรับ Lustre 

    ด้วยการเชื่อมต่อ Amazon FSx สำหรับ Lustre กับ Amazon S3 เราสามารถฝึกปริมาณข้อมูลได้ถึง 10 เท่าของที่เราเคยลองใช้ในโครงสร้างพื้นฐานในองค์กรโดยไม่มีปัญหาใดๆ

    Alexander van Eck เจ้าหน้าที่วิศวกร AI - Paige
    อ่านกรณีศึกษาของความก้าวหน้าในการรักษาโรคมะเร็งของ Paige โดยใช้เวิร์กโฟลว์ไฮบริด ML ที่สร้างด้วยอินสแตนซ์ Amazon EC2 P4d »

  • Toyota

    Toyota Research Institute เลือก FSx สำหรับ Lustre เพื่อลดเวลาการฝึกอบรมของแมชชีนเลิร์นนิงในการจดจำวัตถุ

    Toyota Research Institute (TRI) เก็บรวบรวมและประมวลผลข้อมูลเซ็นเซอร์จำนวนมากจากการทดสอบรถยนต์ขับเคลื่อนอัตโนมัติ (AV) ชุดข้อมูลการฝึกอบรมแต่ละชุดเป็นอุปกรณ์ในองค์กรของ NAS และจะถ่ายโอนไปยัง Amazon Simple Storage Service (Amazon S3) ก่อนที่จะประมวลผลบนคลัสเตอร์การคำนวณ GPU ที่มีประสิทธิภาพ TRI ต้องการระบบไฟล์ที่มีประสิทธิภาพสูงเพื่อจับคู่กับทรัพยากรการคำนวณ เร่งการฝึกอบรมโมเดล ML และเร่งเวลาจัดทำข้อมูลเชิงลึกสำหรับนักวิทยาศาสตร์ข้อมูลของพวกเขา

    เราต้องการระบบไฟล์คู่ขนานสำหรับชุดข้อมูลการฝึกอบรม ML ของเราและเลือก Amazon FSx สำหรับ Lustre เพราะความพร้อมใช้งานและความทนทานที่สูงขึ้นเมื่อเทียบกับระบบไฟล์แบบดั้งเดิมของเรา การผสานรวมกับบริการ AWS รวมถึง S3 ทำให้ตัวเลือกนี้เป็นที่ต้องการสำหรับการจัดเก็บไฟล์ที่มีประสิทธิภาพสูงของเรา

    David Fluck วิศวกรซอฟต์แวร์ - Toyota Research Institute

  • Shell

    Shell นำเสนอพอร์ตโฟลิโอที่หลากหลายของตัวเลือกพลังงาน ตั้งแต่น้ำมัน ก๊าซ และปิโตรเคมี ไปจนถึงลม พลังงานแสงอาทิตย์ และไฮโดรเจน Shell ภูมิใจที่ได้จัดหาพลังงานที่ลูกค้าต้องใช้เพื่อขับเคลื่อนชีวิตของพวกเขา 

    ความท้าทาย: Shell อาศัย HPC สำหรับการสร้างโมเดล การทดสอบ และการตรวจสอบ ตั้งแต่ปี 2020 ถึง 2022 การใช้งาน GPU มีค่าเฉลี่ยน้อยกว่า 90% ส่งผลให้โครงการล่าช้าและเกิดข้อจำกัดในการทดลองอัลกอริทึมใหม่

    โซลูชัน: Shell เสริมการคำนวณในองค์กรโดยเพิ่มความสามารถไปยังระบบคลาวด์ด้วยคลัสเตอร์ Amazon EC2 และ Amazon FSx สำหรับ Lustre โซลูชันนี้ช่วยให้ Shell สามารถขยายและลดขนาดได้อย่างรวดเร็ว และซื้อความจุในการประมวลผลเพิ่มเติมเมื่อจำเป็นเท่านั้น ขณะนี้ GPU ของ Shell ถูกนำมาใช้อย่างเต็มที่เพื่อลดต้นทุนการประมวลผล และเร่งการทดสอบโมเดลแมชชีนเลิร์นนิง

  • Storengy

    Storengy ซึ่งเป็นบริษัทย่อยของ ENGIE Group เป็นผู้จัดจำหน่ายก๊าซธรรมชาติชั้นนำ บริษัทให้บริการการจัดเก็บก๊าซ โซลูชันความร้อนใต้พิภพ การผลิตพลังงานที่ปราศจากคาร์บอน และเทคโนโลยีการจัดเก็บให้กับองค์กรทั่วโลก

    เพื่อให้มั่นใจว่าผลิตภัณฑ์ของบริษัทได้รับการจัดเก็บอย่างเหมาะสม Storengy ใช้เครื่องจำลองเทคโนโลยีชั้นสูงเพื่อประเมินการจัดเก็บก๊าซใต้ดิน ซึ่งเป็นกระบวนการที่ต้องใช้เวิร์กโหลดการประมวลผลประสิทธิภาพสูง (HPC) อย่างครอบคลุม นอกจากนี้ บริษัทยังใช้เทคโนโลยี HPC เพื่อดำเนินการค้นหาก๊าซธรรมชาติและงานสำรวจอีกด้วย

    เพราะ AWS เราจึงมีความสามารถในการปรับขนาดและความพร้อมใช้งานสูง เพื่อดำเนินการจำลองหลายร้อยรายการในเวลาเดียวกัน นอกจากนี้ โซลูชันจะปรับขนาดขึ้นหรือลงโดยอัตโนมัติเพื่อรองรับช่วงเวลาที่มีเวิร์กโหลดสูง ซึ่งหมายความว่าเราจะไม่ต้องตกใจกับสภาพแวดล้อม HPC ของเรา

    Jean-Frederic Thebault — วิศวกร Storengy

  • Smartronix

    Smartronix ใช้ FSx สำหรับ Lustre เพื่อส่งมอบประสิทธิภาพสูงที่เชื่อถือได้สำหรับการนำไปใช้จริงของ SAS Grid

    Smartronix ให้บริการโซลูชันระบบคลาวด์ การรักษาความปลอดภัยในโลกไซเบอร์ การรวมระบบ C5ISR ทั่วโลก และการวิเคราะห์ข้อมูล และวิศวกรรมที่มุ่งเน้นภารกิจสำหรับองค์กรการค้าและรัฐบาลกลางชั้นนำของโลก Smartronix อาศัย SAS Grid ในการวิเคราะห์และส่งมอบสถิติรายวันเกี่ยวกับ COVID ในระดับรัฐ และพบว่าระบบไฟล์คู่ขนานแบบจัดการเองนั้นบริหารและป้องกันได้ยาก

    การทำงานร่วมกันกับ AWS และใช้ประโยชน์จากโซลูชันที่มีการจัดการอย่าง FSx สำหรับ Lustre ช่วยให้เราสามารถให้บริการลูกค้าได้ดียิ่งขึ้น มีความพร้อมใช้งานสูงขึ้น และต้นทุนต่ำกว่าระบบไฟล์ที่จัดการด้วยตนเองถึง 29%

    Rob Mounier — สถาปนิกโซลูชันอาวุโส Smartronix

  • Netflix

    Netflix เป็นบริการสตรีมมิงที่นำเสนอหลากหลายรายการโทรทัศน์ ภาพยนตร์ อนิเมะ สารคดี และอื่นๆ ซึ่งได้รับรางวัล

    ความท้าทาย: Netflix ใช้การฝึกโมเดล ML สื่อแบบกระจายขนาดใหญ่สำหรับภาพขนาดย่อหลังการผลิต สำหรับ VFX และสำหรับการสร้างตัวอย่างหนังสำหรับวิดีโอหลายพันรายการและหลายล้านคลิป Netflix ประสบกับเวลารอที่นานเนื่องจากการจำลองแบบข้ามโหนด และเวลาไม่ใช้งานของ GPU ที่ 40%

    โซลูชัน: Netflix ได้สร้างไปป์ไลน์การโหลดข้อมูลขึ้นใหม่ และปรับปรุงประสิทธิภาพโดยการประมวลผลวิดีโอ/คลิปเสียงทั้งหมดล่วงหน้า Netflix ยังเลือก Amazon UltraClusters (อินสแตนซ์ EC2 P4d) เพื่อเร่งประสิทธิภาพการประมวลผล ประสิทธิภาพของ Amazon FSx สำหรับ Lustre ช่วยให้ Netflix สามารถซึมซับข้อมูลไปยัง GPU และกำจัดเวลาที่ GPU ไม่ได้ใช้งาน ปัจจุบัน Netflix ได้รับการปรับปรุง 3-4 เท่า โดยใช้การประมวลผลล่วงหน้าและ FSx สำหรับ Lustre ซึ่งลดเวลาการฝึกโมเดลจากหนึ่งสัปดาห์เหลือ 1-2 วัน

    ดูวิดีโอ: การฝึกโมเดล ML สื่อแบบกระจายขนาดใหญ่ด้วย Amazon FSx สำหรับ Lustre »

  • Hyundai

    บริษัท Hyundai Motor ได้ประสบความสำเร็จเป็นบริษัทที่ได้รับการยอมรับระดับโลกในฐานะผู้ผลิตยานยนต์ซึ่งส่งออกยานพาหนะในแบรนด์ไปยังกว่า 200 ประเทศ

    ความท้าทาย: หนึ่งในอัลกอริทึมที่มักใช้ในการขับเคลื่อนอัตโนมัติคือการแบ่งส่วนเชิงความหมาย ซึ่งเป็นงานที่ใส่คำอธิบายประกอบทุกพิกเซลของภาพด้วยคลาสของอ็อบเจกต์ คลาสเหล่านี้อาจเป็นถนน บุคคล รถยนต์ อาคาร พืชพันธุ์ ท้องฟ้า ฯลฯ Hyundai ทดสอบความแม่นยำ และรวบรวมภาพเพิ่มเติมเพื่อแก้ไขประสิทธิภาพการคาดการณ์ที่ไม่เพียงพอในสถานการณ์เฉพาะต่างๆ อย่างไรก็ตาม สิ่งนี้อาจเป็นความท้าทายได้เนื่องจากมักมีเวลาไม่เพียงพอในการเตรียมข้อมูลใหม่ๆ ทั้งหมด ในขณะที่ยังเหลือเวลาเพียงพอที่จะฝึกโมเดลให้ทันตามกำหนดเวลาที่กำหนด

    โซลูชัน: Hyundai เลือก Amazon SageMaker เพื่อทำการฝึกโมเดลโดยอัตโนมัติ และเลือกไลบรารี Amazon SageMaker สำหรับการทำงานข้อมูลแนวขนาน เพื่อย้ายจาก GPU เดียวไปสู่การฝึกแบบกระจาย พวกเขาเลือก Amazon FSx สำหรับ Lustre เพื่อฝึกโมเดลโดยไม่ต้องรอสำเนาข้อมูล พวกเขายังเลือก Amazon S3 สำหรับพื้นที่เก็บข้อมูลถาวรอีกด้วย Hyundai ได้ประสิทธิภาพในการปรับขนาดถึง 93% ด้วยอินสแตนซ์ GPU 8 ชิ้น หรือ GPU รวม 64 ชิ้น FSx สำหรับ Lustre ทำให้ Hyundai สามารถทำการฝึกและการทดลองหลายงานกับข้อมูลเดียวกันโดยไม่เกิดเวลารอ

    อ่านโพสต์ในบล็อกของลูกค้า »

  • Rivian

    Rivian อยู่ในภารกิจเพื่อจะทำให้โลกแห่งการผจญภัยตลอดไป เราเชื่อว่ามีวิธีการที่มีความรับผิดชอบมากขึ้นในการสำรวจโลก และมุ่งมั่นที่จะทำให้การเปลี่ยนไปสู่การขนส่งที่ยั่งยืนเป็นเรื่องที่น่าตื่นเต้น

    เพื่อตอบสนองตารางงานวิศวกรรมที่เร่งรัดและลดความจำเป็นในการใช้รถต้นแบบทางกายภาพ ผู้ผลิตรถยนต์ไฟฟ้า Rivian อาศัยเทคนิคการสร้างแบบจำลองและการจำลองขั้นสูง แบบจำลองที่ใช้ความสามารถในการคำนวณสูง ช่วยให้วิศวกรสามารถทดสอบแนวคิดใหม่ ๆ และนำการออกแบบของพวกเขาออกสู่ตลาดได้อย่างรวดเร็ว

    การเป็นพาร์ทเนอร์กับ Amazon ช่วยให้ Rivian มุ่งเน้นไปที่การพัฒนาและการส่งมอบยานพาหนะที่ยั่งยืนได้ โดยไม่ต้องมุ่งเน้นในด้านไอที และด้วย Amazon ทำให้เราใช้งานแอปพลิเคชันการพัฒนาที่สำคัญได้เร็วกว่าในองค์กร ซึ่งรวมถึงเร็วกว่าบน Elements 56% เร็วกว่าบน Siemens 35% และเร็วกว่า Ansys 20%

    Madhavi Osanaka CIO - Rivian
    อ่านกรณีศึกษาของ Rivian »

  • DENSO

    Denso พัฒนาเซ็นเซอร์ภาพสำหรับระบบช่วยเหลือผู้ขับขี่ขั้นสูง (ADAS) ซึ่งช่วยผู้ขับขี่ด้วยฟังก์ชันต่างๆ เช่น การจอดรถและการเปลี่ยนเลน

    ความท้าทาย: เพื่อพัฒนาโมเดล ML ที่จำเป็นสำหรับการจดจำภาพ ADAS ทาง DENSO ได้สร้างคลัสเตอร์ GPU ในสภาพแวดล้อมในองค์กร อย่างไรก็ตาม วิศวกร ML หลายคนต้องแบ่งปันทรัพยากร GPU ที่ จำกัด ซึ่งส่งผลกระทบต่อประสิทธิภาพ โดยเฉพาะในช่วงเวลายุ่งก่อนการเปิดตัวผลิตภัณฑ์ใหม่

    โซลูชัน: ด้วยการใช้ Amazon SageMaker และ Amazon FSx สำหรับ Lustre ทาง Denso สามารถเร่งการสร้างโมเดลการจดจำภาพ ADAS ได้โดยลดการจัดหาข้อมูล การพัฒนาโมเดล การเรียนรู้ และเวลาในการประเมิน

    “แนวทางปฏิบัติในการย้ายไปสู่ระบบคลาวด์จะเร่งต่อไปในด้านปัญญาประดิษฐ์และ ML ผมมั่นใจว่า AWS จะยังคงให้การสนับสนุนแก่เราในขณะที่เราเพิ่มฟังก์ชันต่อไป”

    Kensuke Yokoi ผู้จัดการทั่วไป - DENSO
    อ่านกรณีศึกษาของ Denso »

  • Joby Aviation

    Joby Aviation ใช้ AWS ในการปฏิวัติการขนส่ง

    ความท้าทาย: วิศวกรของ Joby พึ่งพาการประมวลผลประสิทธิภาพสูง (HPC) เพื่อดำเนินการจำลองพลศาสตร์ของไหลเชิงคำนวณ (CFD) ที่ซับซ้อนและมีการคำนวณผลที่เข้มข้น ซึ่งใช้แกนประมวลผล CPU หลายร้อยรายการและอาจใช้เวลาหลายชั่วโมงในการทำให้เสร็จสมบูรณ์

    โซลูชัน: การใช้ Amazon Elastic Compute Cloud (Amazon EC2) และ Amazon FSx สำหรับ Lustre ทำให้ Joby ได้ผลลัพธ์ที่รวดเร็วขึ้นจากเวิร์กโหลด CFD เมื่อเทียบกับโครงสร้างพื้นฐานด้านคอมพิวเตอร์ประสิทธิภาพสูงในองค์กร

    เมื่อเราพยายามที่จะเรียกใช้การจำลองหลายรายการในครั้งเดียว คือการที่เรากำลังอ่านและเขียนข้อมูลหลายกิกะไบต์ในเวลาเดียวกัน ซึ่งทำให้ทุกอย่างช้าลงไปหมด FSx สำหรับ Lustre ขจัดปัญหาการประมวลผลเหล่านั้น ตอนนี้เราสามารถเพิ่มขนาดฮาร์ดไดรฟ์ของเราได้อย่างง่ายดาย

    Alex Stoll หัวหน้าฝ่ายอากาศกลศาสตร์ Joby Aviation
    อ่านกรณีศึกษาของ Joby Aviation »

  • T-Mobile

    T-Mobile เห็นถึงการประหยัดรายจ่ายประจำปีได้ถึง 1.5 ล้านดอลลาร์สหรัฐ และเพิ่มความเร็วของเวิร์กโหลด SAS Grid เป็นสองเท่าโดยใช้ Amazon FSx สำหรับ Lustre

    ความท้าทาย: T-Mobile กำลังประสบปัญหาด้านค่าใช้จ่ายในการบริหารจัดการสูงและความยากลำบากในการปฏิบัติงานกับเวิร์กโหลด SAS Grid แบบจัดการเอง

    โซลูชัน: T-Mobile ใช้ Amazon FSx สำหรับ Lustre ซึ่งเป็นระบบไฟล์ประสิทธิภาพสูงที่มีการจัดการอย่างเต็มรูปแบบ เพื่อโยกย้ายและปรับขนาดโครงสร้างพื้นฐานของ SAS Grid T-Mobile ใช้การผสานรวมของ Amazon FSx และ S3 เพื่อลดค่าใช้จ่ายในการจัดเก็บข้อมูลและเพิ่มประสิทธิภาพการทำงาน

    Amazon FSx สำหรับ Lustre ช่วยให้เราเพิ่มความเร็วเวิร์กโหลด SAS Grid เป็นสองเท่า ลดต้นทุนรวมในการเป็นเจ้าของลง 83% และลดภาระการดำเนินงานของเราได้อย่างสิ้นเชิง การเป็นพันธมิตรกับ AWS ช่วยให้เราสามารถมุ่งเน้นไปที่สิ่งที่เราทำได้ดีที่สุด พัฒนาผลิตภัณฑ์ที่เป็นนวัตกรรมใหม่สำหรับลูกค้าของเรา ในขณะเดียวกันก็อาศัยคุณลักษณะการจัดเก็บข้อมูลที่ทันสมัยของ FSx และความสามารถด้านโฮสต์ติ้งระดับโลกของ AWS

    Dinesh Korde ผู้จัดการอาวุโสฝ่ายพัฒนาซอฟต์แวร์ - T-Mobile

  • Netflix

    การสร้างซีซั่นที่สี่ของซีรีส์เรื่อง “The Crown” ของ Netflix ต้องเผชิญกับความท้าทายที่ไม่คาดคิด เพราะโลกต้องปิดตายจากการระบาดของ COVID-19 หลังจากที่งานจัดการหลังการถ่ายทำของ VFX เพิ่งจะเริ่มขึ้น การนำเวิร์กโฟลว์ที่ใช้ระบบคลาวด์มาใช้กับ AWS รวมถึงเซิร์ฟเวอร์ไฟล์ Amazon FSx Lustre เพื่ออัตราการโอนถ่ายข้อมูลที่ดียิ่งขึ้น ทำให้ทีมงาน VFX ภายในองค์กรของ Netflix จำนวน 10 คนสามารถจัดการภาพ VFX ได้อย่างราบรื่นมากกว่า 600 ภาพ สำหรับซีรีส์ 10 ตอนของฤดูกาลนี้ในเวลาเพียง 8 เดือน ทั้งหมดจากการทำงานระยะไกล 

    อ่านบล็อกโพสต์ “'The Crown' ในระบบคลาวด์” »

  • Maxar

    Maxar ใช้ AWS เพื่อนำส่งการพยากรณ์ได้เร็วกว่าซูเปอร์คอมพิวเตอร์พยากรณ์อากาศถึง 58%

    ความท้าทาย: Maxar Technologies เป็นคู่ค้าและผู้ริเริ่มด้านโครงสร้างพื้นฐานระบบอัจฉริยะและอวกาศที่เชื่อถือได้ ซึ่งต้องการนำส่งการพยากรณ์อากาศได้เร็วขึ้นเมื่อเทียบกับซูเปอร์คอมพิวเตอร์ในองค์กร

    โซลูชัน: Maxar ทำงานร่วมกับ AWS เพื่อสร้างโซลูชัน HPC ด้วยเทคโนโลยีที่สำคัญ ได้แก่ Amazon Elastic Compute Cloud (Amazon EC2) สำหรับทรัพยากรการคำนวณที่ปลอดภัยและเชื่อถือได้สูง Amazon FSx สำหรับ Lustre เพื่อเร่งความเร็วอัตราการโอนถ่ายข้อมูลของแอพพลิเคชัน และ AWS ParallelCluster เพื่อสร้างสภาพแวดล้อมการคำนวณ HPC บน AWS ได้อย่างรวดเร็ว

    Maxar ใช้ Amazon FSx สำหรับ Lustre ในโซลูชัน AWS HPC ของเราในการเรียกใช้แบบจำลองการพยากรณ์อากาศเชิงตัวเลขของ NOAA ซึ่งช่วยให้เราลดเวลาในการคำนวณได้ 58% สร้างการพยากรณ์ได้ใน 45 นาที สำหรับจุดราคาที่มีประสิทธิภาพมากขึ้น การเพิ่มทรัพยากรการคำนวณ AWS เป็นการเพิ่มประสิทธิภาพที่น่าทึ่งสำหรับเรา

    ดร. Stefan Cecelski นักวิทยาศาสตร์และวิศวกรอาวุโสด้านข้อมูล - Maxar Technologies
    อ่านกรณีศึกษาของ Maxar »

  • INEOS TEAM UK

    INEOS TEAM UK เร่งการออกแบบเรือสำหรับ America's Cup โดยใช้ AWS

    ความท้าทาย: INEOS TEAM UK ก่อตั้งขึ้นในปี 2018 มีเป้าหมายที่จะนำถ้วยรางวัล America’s Cup มาสู่อังกฤษ ซึ่งเป็นถ้วยรางวัลกีฬาระดับนานาชาติที่เก่าแก่ที่สุดในโลก America's Cup จำกัดการทดสอบบนน้ำไว้ไม่เกิน 150 วันก่อนการจัดงาน ดังนั้นแบบจำลองพลศาสตร์ของไหลเชิงคำนวณ (CFD) ประสิทธิภาพสูงสำหรับเรือโมโนฮัลล์และฟอยล์จึงกลายเป็นกุญแจสำคัญในการออกแบบเรือที่จะชนะ  

    โซลูชัน: การใช้ AWS ทำให้ INEOS TEAM UK สามารถประมวลผลแบบจำลองการออกแบบหลายพันรายการสำหรับเรือเพื่อแข่งขัน America's Cup ได้ภายในหนึ่งสัปดาห์ เมื่อเทียบกับการใช้สภาพแวดล้อมในองค์กรที่ต้องใช้เวลาเป็นเดือน INEOS TEAM UK เข้าแข่งขันในรุ่นที่ 36 ของ America’s Cup ในปี 2021 ทีมงานใช้สภาพแวดล้อม HPC ที่ทำงานบน Amazon EC2 SpotInstance  เพื่อให้มั่นใจถึงประสิทธิภาพของดิสก์ที่รวดเร็วสำหรับการจำลองหลายพันครั้งที่ทำขึ้นในแต่ละสัปดาห์ ทีมงานยังใช้ Amazon FSx สำหรับ Lustre เพื่อให้มีระบบไฟล์ที่มีประสิทธิภาพสูง รวดเร็ว ปรับขนาดได้ และปลอดภัยตาม Amazon Simple Storage Service (S3)

    AWS ช่วยให้เราสามารถดำเนินการออกแบบที่ใหญ่ขึ้นได้ เพียงเพราะเรามีเวลามากขึ้นในการทำความเข้าใจกับผลลัพธ์ของเรา

    Nick Holroyd หัวหน้าฝ่ายออกแบบ - INEOS TEAM UK
    อ่านกรณีศึกษาของ INEOS TEAM UK »

  • Hive VFX

    Hive VFX ลดค่าใช้จ่ายในสตูดิโอล่วงหน้า โดยดำเนินการบนคลาวด์สตูดิโอ VFX บน AWS

    ความท้าทาย: Hive ต้องการโครงสร้างพื้นฐานประสิทธิภาพสูงเพื่อเปิดตัวสตูดิโอระบบคลาวด์ขนาดเล็กที่เป็นอิสระสำหรับศิลปินระยะไกลทั่วโลกเพื่อสร้างเนื้อหาที่มีคุณภาพ

    โซลูชัน: Amazon FSx สำหรับ Lustre ที่มีการจัดการอย่างเต็มรูปแบบ ผสานรวมกับ Amazon S3 ทำให้สามารถเข้าถึงทรัพยากรการคำนวณ AWS ได้อย่างรวดเร็วโดยไม่ต้องลงทุนล่วงหน้าหรือใช้ผู้เชี่ยวชาญทีมไอทีภายในองค์กร การซิงโครไนซ์ข้อมูลไฟล์และสิทธิ์เข้าถึงไฟล์ระหว่าง FSx Lustre และ S3 ได้อย่างราบรื่นทำให้ Hive VFX สามารถจัดเก็บรูปภาพจำนวนมากและแบ่งปันข้อมูลโครงการข้ามทวีปได้

    ฉันสามารถสร้างระบบไฟล์ Amazon FSx สำหรับ Lustre ได้ใน 5 นาที และจัดการทั้งหมดด้วย AWS

    Bernie Kimbacher ผู้ก่อตั้ง - Hive VFX
    อ่านกรณีศึกษาของ Hive VFX »

  • Lyell

    Lyell เร่งการวิจัยการรักษามะเร็งโดยใช้เซลล์ได้ด้วย Amazon FSx สำหรับ Lustre

    ความท้าทาย: Lyell นำเสนอการรักษาโรคมะเร็งโดยใช้เซลล์ในการรักษา ซึ่งต้องใช้รูปแบบการคำนวณโปรตีนขนาดใหญ่ ปกติแล้ว เวิร์กโหลดเหล่านี้จะดำเนินการในองค์กร แต่บริษัทต้องการโซลูชันที่ปรับขนาดได้และคุ้มค่ามากขึ้น เนื่องจากถูกจำกัดให้ทำการทดลองได้เพียงหนึ่งครั้งต่อเดือน

    โซลูชัน: ตั้งแต่ย้ายระบบไฟล์ไปยัง FSx สำหรับ Lustre นักวิทยาศาสตร์ข้อมูลสามารถใช้งานและลดการใช้งานคลัสเตอร์ HPC นับพันซึ่งประกอบด้วยอินสแตนซ์ EC2 และระบบไฟล์ Amazon FSx ได้ ทำให้สามารถทำการทดลองที่หนักหน่วงได้อย่างรวดเร็ว และจ่ายเฉพาะค่าคำนวณและค่าจัดเก็บในช่วงระยะเวลาของเวิร์กโหลด

    Amazon สำหรับ FSx Lustre เพิ่มความเร็วในการวิจัยของเราในด้านการพัฒนาการรักษาโรคมะเร็งรุ่นต่อไป การใช้ FSx ทำให้เราลดเวลาการดำเนินการในการทดลองจากเป็นสัปดาห์ลดลงเหลือเป็นชั่วโมง และทำให้นักวิทยาศาสตร์สามารถทดสอบสมมติฐานอื่น ๆ ได้มากกว่าเดิม เวิร์กโหลดของเราที่ทำงานบนโหนดคำนวณนับหมื่นตอนนี้สามารถใช้ FSx เพื่อเข้าถึงชุดข้อมูลสูงพิเศษ S3 ได้

    Anish Kejariwal หัวหน้าฝ่ายวิศวกรรมวิเคราะห์ข้อมูล - Lyell Immunopharma

  • BlackThorn Therapeutics

    BlackThorn Therapeutics เร่งเวลาจัดทำข้อมูลเชิงลึกด้วย FSx สำหรับ Lustre

    ความท้าทาย: การประมวลผลข้อมูลภาพด้วยคลื่นสนามแม่เหล็ก (MRI) โดยใช้ไฟล์ระบบคลาวด์แบบ DiY ที่ได้มาตรฐานเป็นทรัพยากรและเวลาที่เข้มข้น BlackThorn ต้องการโซลูชันการจัดเก็บไฟล์ที่ใช้ร่วมกันที่มีการคำนวณอย่างเข้มข้น เพื่อช่วยลดความซับซ้อนของวิทยาศาสตร์ข้อมูลและเวิร์กโฟลว์ของแมชชีนเลิร์นนิง

    โซลูชัน: Amazon FSx สำหรับ Lustre รวมอยู่กับ Amazon S3 และ Amazon SageMaker ซึ่งให้การประมวลผลที่รวดเร็วสำหรับชุดข้อมูลการฝึกอบรม ML ของพวกเขา และยังมีการเข้าถึงที่ราบรื่นในการคำนวณโดยใช้อินสแตนซ์ Amazon EC2

    FSx สำหรับ Lustre ช่วยให้เราสามารถสร้างกระบวนการการประมวลผลข้อมูล MRI ประสิทธิภาพสูงได้ เวลาในการประมวลผลข้อมูลสำหรับเวิร์กโฟลว์ที่ใช้ ML ของเราลดลงเหลือไม่กี่นาที จากที่ต้องใช้เวลาเป็นวันหรือสัปดาห์

    Oscar Rodriguez ผู้อำนวยการอาวุโสฝ่ายนวัตกรรมและเทคโนโลยี - BlackThorn Therapeutics

  • Qubole

    Qubole เพิ่มความทนทานของข้อมูลพร้อม ๆ กับลดต้นทุนด้วย Amazon FSx สำหรับ Lustre

    ความท้าทาย: Qubole กำลังมองหาโซลูชันการจัดเก็บข้อมูลประสิทธิภาพสูงเพื่อประมวลผลการวิเคราะห์และเวิร์กโหลด AI/ML สำหรับลูกค้าของพวกเขา พวกเขาต้องการที่ให้มีการจัดเก็บและประมวลผลข้อมูลระดับกลางที่ง่ายดายใน EC2 กลุ่ม Spot Instance ของพวกเขา

    โซลูชัน: Qubole ใช้ Amazon FSx สำหรับ Lustre เพื่อจัดเก็บและประมวลผลข้อมูลระดับกลางผ่านระบบไฟล์ความเร็วสูงแบบคู่ขนาน

    ปัญหาใหญ่ที่สุดสองประการของผู้ใช้ของเราคือ ค่าใช้จ่ายสูงและการสูญหายของข้อมูลระดับกลาง ซึ่งเกิดจากการใช้อินสแตนซ์ EC2 ที่ไม่ได้ใช้งานและ EC2 Spot Instance เพื่อประมวลผลและจัดเก็บข้อมูลระดับกลางที่สร้างขึ้นโดยกรอบการประมวลผลแบบกระจายเหมือน Hive และ Spark เราแก้ปัญหานี้ได้โดยใช้ Amazon FSx สำหรับ Lustre ซึ่งเป็นระบบไฟล์ที่มีประสิทธิภาพสูงเพื่อถ่ายข้อมูลระดับกลาง ตอนนี้ผู้ใช้ของเราไม่ต้องจ่ายเงินเพื่อรักษาอินสแตนซ์ที่ไม่ได้ใช้งานและไม่ได้รับผลกระทบจากโหนด EC2 Spot Amazon FSx ช่วยให้ผู้ใช้ของเราลดค่าใช้จ่ายทั้งหมดลง 30%

    Joydeep Sen Sarma ประธานเจ้าหน้าที่บริหารฝ่ายเทคโนโลยี - Qubole