ลูกค้าของ Amazon SageMaker AI

ดูว่าองค์กรชั้นนำทั่วโลกใช้ Amazon SageMaker AI เพื่อสร้าง ฝึก และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) อย่างไร

Articul8 AI

“Amazon SageMaker HyperPod ช่วยเราอย่างมากในการจัดการและดำเนินการทรัพยากรการคำนวณของเราอย่างมีประสิทธิภาพมากขึ้นโดยมีเวลาหยุดทำงานน้อยที่สุด เราเป็นผู้เริ่มใช้บริการ HyperPod ที่ใช้ Slurm ในช่วงแรก และได้รับประโยชน์จากฟีเจอร์ที่ใช้งานง่ายและมีความยืดหยุ่น ซึ่งส่งผลให้มีการปรับปรุงประสิทธิภาพการทำงานสูงสุดถึง 35% และขยายขนาดการดำเนินงาน GenAI ของเราได้อย่างรวดเร็ว ในฐานะบริษัท Kubernetes ตอนนี้เรารู้สึกตื่นเต้นที่จะได้พบกับการเปิดตัวการรองรับ Amazon EKS สำหรับ SageMaker HyperPod นี่คือสิ่งที่ช่วยพลิกสถานการณ์สำหรับเรา เพราะช่วยผสานรวมกับไปป์ไลน์การฝึกที่มีอยู่ของเราได้อย่างราบรื่น และช่วยให้เราจัดการและดำเนินการคลัสเตอร์ Kubernetes ขนาดใหญ่ของเราได้ง่ายขึ้น นอกจากนี้ ยังช่วยลูกค้าปลายทางของเราด้วยเนื่องจากขณะนี้เราสามารถบรรจุและเพิ่มความสามารถนี้ลงในแพลตฟอร์ม GenAI ของเราได้ ทำให้ลูกค้าของเราสามารถดำเนินการฝึกของตนเองและปรับแต่งเวิร์กโหลดในลักษณะที่มีความคล่องตัวมากขึ้น”

Arun Subramaniyan ผู้ก่อตั้งและประธานคณะผู้บริหารของ Articul8 AI

Observea

“ในฐานะบริษัทสตาร์ทอัพและวิจัย AI ที่เติบโตอย่างรวดเร็ว การสนับสนุน Amazon EKS ใน SageMaker HyperPod ถือเป็นเครื่องมือสำคัญในการเร่งเวลาในการนำสินค้าออกสู่ตลาด ด้วย SageMaker Hyperpod เราจึงสามารถเปิดตัวแพลตฟอร์มที่เสถียรและปลอดภัยเพื่อนำเสนอแอปพลิเคชันการประมวลผลประสิทธิภาพสูง (HPC) แบบคอนเทนเนอร์เป็นบริการแก่ลูกค้าปลายทางของเรา ซึ่งรวมถึงโครงการวิจัย AI ชั้นนำของมหาวิทยาลัย สตาร์ทอัพ AI และองค์กรแบบดั้งเดิม ด้วยการใช้ SageMaker HyperPod ลูกค้าและทีมงานภายในของเราจะไม่ต้องกังวลกับการใช้งานและการกำหนดค่าส่วนการควบคุม Kubernetes อีกต่อไป และ SageMaker HyperPod จะมอบประสิทธิภาพเครือข่ายและการกำหนดค่าที่เหนือชั้นเพื่อรองรับเวิร์กโหลด HPC ที่ซับซ้อน ด้วยการสนับสนุน EKS ใน SageMaker HyperPod เราจึงสามารถลดเวลาที่เราใช้ในการยกของหนักในการจัดการโครงสร้างพื้นฐานและลดต้นทุนการดำเนินงานได้มากกว่า 30%”

Vamsi Pandari ผู้ก่อตั้ง Observea

Recursal AI

“กระบวนการทั้งหมดได้รับการปรับปรุงให้มีประสิทธิภาพมากขึ้น การใช้ SageMaker HyperPod ช่วยให้เราสามารถใช้ประโยชน์จากฟีเจอร์ความยืดหยุ่นของคลัสเตอร์ที่ระบุและกู้คืนงานการฝึกโดยอัตโนมัติจากจุดตรวจสอบที่บันทึกไว้ล่าสุดในกรณีที่ฮาร์ดแวร์ขัดข้อง เราใช้งานเวิร์กโหลดที่หลากหลายมาก ตั้งแต่แอปพลิเคชัน การอนุมาน และการฝึก โดยมี Kubernetes เป็นเธรดทั่วไป สำหรับเรา Amazon EKS ที่มี SageMaker HyperPod ใช้งานได้ดี โดยโหนดจะมาในคลัสเตอร์ของเราเอง”

Nathan Wilce หัวหน้าฝ่ายโครงสร้างพื้นฐาน/ข้อมูล Recursal

Rocket Companies

Rocket Mortgage

“Rocket Mortgage ภูมิใจที่ได้เป็นผู้นำในการผสานรวม AI และวิทยาศาสตร์ข้อมูลเข้ากับเส้นทางการเป็นเจ้าของบ้าน โดยมี AWS เป็นพันธมิตรที่สำคัญ เราใช้ Amazon SageMaker AI เปลี่ยนแปลงการทำงานของแมชชีนเลิร์นนิงของเราด้วยการเพิ่มประสิทธิภาพและความแม่นยำ เครื่องมือแก้ไขภาพ SageMaker Pipelines ช่วยให้สามารถประเมินประสิทธิภาพของ LLM แบบโอเพนซอร์สใหม่ได้อย่างรวดเร็ว โดยการเรียกใช้ผ่านไปป์ไลน์การตรวจสอบอัตโนมัติของเรา ทำให้ช่วยลดเวลาที่จำเป็นในการประเมินรุ่นใหม่ ซึ่งมีความสำคัญในภูมิทัศน์ที่มีการเปลี่ยนแปลงอย่างรวดเร็ว ความสะดวกในการใช้งานช่วยให้ทีมวิทยาศาสตร์ข้อมูลของเรามุ่งเน้นไปที่นวัตกรรมมากกว่าการเขียนโค้ดใหม่”

Shawn Malhotra ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Rocket Companies

SatSure

SatSure ผู้นำสากลด้านโซลูชันข่าวกรองการตัดสินใจเชิงข้อมูลในพื้นที่ใช้ข้อมูลการสังเกตโลกและโมเดลดีปเลิร์นนิงเพื่อสร้างข้อมูลเชิงลึกสำหรับกรณีการใช้งานที่หลากหลาย ตั้งแต่การติดตามพืชผลทุกสภาพอากาศและการให้คะแนนความเสี่ยงในฟาร์ม ไปจนถึงการตรวจจับการเปลี่ยนแปลงสิ่งปกคลุมดิน การจัดการพืชผล ความเสี่ยงด้านเพลิงไหม้ และการระบุคุณลักษณะของที่ดิน
 

“เราใช้ประโยชน์จาก Amazon SageMaker Pipeline เพื่อสร้างโมเดลสำหรับแอปพลิเคชันที่ระบุขอบเขตฟาร์มเกษตรในภาพดาวเทียมความละเอียดต่ำ การพัฒนาโมเดลดีปเลิร์นนิงที่ล้ำสมัยจากชุดข้อมูลภาพดาวเทียมขนาดใหญ่เป็นเรื่องท้าทายอย่างยิ่ง เราสามารถมุ่งเน้นไปที่นวัตกรรม AI ได้มากขึ้นและใช้เวลาน้อยลงในการดำเนินการด้วยตนเอง เนื่องจาก Pipeline ช่วยให้เราสามารถประมวลผลข้อมูลล่วงหน้า การฝึกโมเดล และการปรับใช้โมเดลได้บ่อยครั้งโดยอัตโนมัติ UI แบบลากและวางทำให้นักวิทยาศาสตร์ข้อมูลใหม่ในทีมสามารถขยายตัวได้อย่างรวดเร็วและสร้างเวิร์กโฟลว์ ML โดยไม่ต้องมีความรู้เฉพาะเกี่ยวกับกรอบการทำงานด้านการควบคุมระบบของเวิร์กโฟลว์เฉพาะ”

Prateep Basu ผู้ก่อตั้งและซีอีโอ SatSure Ltd.

EagleView

“เพื่อตอบสนองความต้องการของลูกค้าของเราสำหรับข้อมูลเชิงลึกที่มีคุณภาพสูง เรากำลังวิจัยและส่งมอบความสามารถใหม่ที่รองรับ ML อย่างต่อเนื่อง UI แบบลากและวางของ Amazon SageMaker Pipelines ใหม่จะช่วยให้นักวิทยาศาสตร์ข้อมูลของเราสามารถมุ่งเน้นไปที่ปัญหาคอมพิวเตอร์วิชัน (CV) ที่ยากขึ้นโดยไม่ต้องกังวลเกี่ยวกับ MLOP เรากำลังสร้าง Pipeline ที่ช่วยให้นักวิทยาศาสตร์ข้อมูลสามารถลงทะเบียนโมเดลของตนใน SageMaker AI โดยไม่ต้องประสานงานกับวิศวกรของ ML เพื่อปรับสภาพแวดล้อมการให้บริการโมเดลให้เหมาะสม Pipeline หลายขั้นตอนจะปรับใช้โมเดลที่ลงทะเบียนไว้โดยอัตโนมัติไปยังตำแหน่งข้อมูลของ Amazon SageMaker Inference ในสภาพแวดล้อม QA สำหรับการทดสอบโหลด และหากได้รับอนุมัติจากวิศวกร ML ก็จะปรับใช้ไปยังสภาพแวดล้อมการผลิต ความเร็วโดยรวมของการพัฒนา ML แบบครบวงจรของเราดีขึ้นอย่างมีนัยสำคัญ เนื่องจาก Amazon SageMaker Pipelines ทำให้การรวมเข้ากับบริการ AWS อื่น ๆ (CI/CD, บริการส่งข้อความ) เพื่อสร้างเวิร์กโฟลว์ ML ที่ปรับแต่งได้อย่างง่ายดาย”

Garrett Hemann หัวหน้าฝ่าย AI/ML, EagleView

Thomson Reuters

GoDaddy

ที่ GoDaddy เรามุ่งมั่นที่จะช่วยให้ผู้ประกอบการในชีวิตประจำวันประสบความสำเร็จโดยให้เครื่องมือในการสร้างธุรกิจของพวกเขา “เราให้บริการลูกค้าที่มีความต้องการที่หลากหลาย พวกเขามักจะสื่อสารกับธุรกิจที่พวกเขาสนับสนุนตลอดเวลาและผ่านหลายช่องทางรวมถึงอีเมล แชทและโซเชียลมีเดีย” Jing Xi รองประธาน Applied ML และ AI ของ GoDaddy กล่าว “ปัจจุบัน AI ช่วยสร้างเสริมศักยภาพให้ธุรกิจขนาดเล็กโดยให้พลังและความรู้มากมายเพียงแค่ปลายนิ้วสัมผัส ซึ่งโดยปกติเฉพาะบริษัทขนาดใหญ่เท่านั้นที่เข้าถึงได้ อย่างไรก็ตาม หนึ่งในความท้าทายที่ยิ่งใหญ่ที่สุดที่ทีมพัฒนา AI ช่วยสร้างของเราเผชิญคือการพยายามหาว่า FM แบบไหนเหมาะกับแอปพลิเคชันทางธุรกิจของพวกเขา เป็นสิ่งสำคัญที่เราจะสามารถเปรียบเทียบโมเดลได้อย่างง่ายดายตามเกณฑ์เฉพาะที่สำคัญที่สุดสำหรับลูกค้าของเรา และบรรลุความสมดุลที่เหมาะสมระหว่างต้นทุนของโมเดล ความล่าช้า และความแม่นยำและประสิทธิภาพของโมเดล ความสามารถในการประเมินโมเดลใหม่ของ Amazon SageMaker AI ช่วยให้เราเร่งเวลาที่ต้องใช้ในการเริ่มต้นจากแนวคิดไปสู่การนำไปใช้ โดยการขจัดความซับซ้อนที่เกี่ยวข้องกับกระบวนการคัดเลือกโมเดล และช่วยให้ดำเนินการทดลอง พัฒนา ปรับใช้ และจัดการโมเดลรุ่นใหม่ ๆ เหล่านี้ได้อย่างง่ายดาย เรารู้สึกตื่นเต้นที่จะขยายการเข้าถึงความสามารถใหม่นี้ให้กับทีมมากขึ้น เพื่อให้นักพัฒนาของเราสามารถเพิ่มประสิทธิภาพการทำงานของตนและปลดล็อกพลังของ AI ช่วยสร้าง เพื่อให้ลูกค้าสามารถขยายธุรกิจของตนได้”
“GoDaddy เป็นผู้นำในการใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อนำเสนอฟีเจอร์ที่มุ่งเน้นลูกค้า รวมถึงการปรับปรุงประสิทธิภาพด้านต้นทุนในการดำเนินงานภายในของเรา นักวิทยาศาสตร์ ML ของเราทำงานในโครงการมากมายเพื่อให้บรรลุเป้าหมายเหล่านี้ การทำซ้ำเวิร์กโฟลว์ ML อย่างรวดเร็วในการจัดเรียงข้อมูล การบันทึกการทดลอง การจัดการอาร์ทิแฟกต์โมเดลโดยใช้รีจิสทรีโมเดล และการปรับใช้เป็นสิ่งสำคัญในการส่งมอบคุณค่า ความต้องการเครื่องมือที่ทำตามคำสั่ง เช่น MLflow เป็นคำขอที่ยืนหยัดและชัดเจนจากนักวิทยาศาสตร์ ML ของเรา Amazon SageMaker AI นำเสนอแพลตฟอร์มที่มีการจัดการและควบคุมสำหรับนักวิทยาศาสตร์ ML สำหรับเวิร์กโฟลว์ ML ตั้งแต่ต้นจนจบ และโดยการเปิดใช้งานเครื่องมือมาตรฐานอุตสาหกรรม เช่น MLflow ภายใน SageMaker AI จะเพิ่มวงจรชีวิตการพัฒนาโมเดลของเรา เราได้รับความปลอดภัยและความสมบูรณ์ของผลิตภัณฑ์ในระดับองค์กร เช่น ระเบียนโมเดลของ Amazon SageMaker ในขณะเดียวกันก็ใช้ประโยชน์จากการติดตามการทดลอง ML มาตรฐานอุตสาหกรรมผ่าน MLflow การนำ MLflow จาก SageMaker AI มาใช้ภายในทีมของเราช่วยลดภาระการดำเนินงานด้านการบำรุงรักษาอินสแตนซ์ที่โฮสต์ MLflow ของเราเอง ในขณะเดียวกันก็รักษาความเร็วในการจัดส่งของเราและช่วยให้การทำงานร่วมกันได้ดีขึ้น เรามีความยินดีที่ได้ร่วมมือกับทีม SageMaker AI ตั้งแต่ระยะแรกเพื่อเสริมสร้างข้อเสนอผลิตภัณฑ์นี้ให้แข็งแกร่งในขณะที่มอบคุณค่าให้กับนักวิทยาศาสตร์ ML ของเราไปพร้อมกัน”

Karthik Iyer ผู้อำนวยการฝ่ายวิศวกรรมแมชชีนเลิร์นนิง

KBC

KBC

“ที่ KBC Bank เราเชื่อว่าการเพิ่มศักยภาพให้กับนักวิทยาศาสตร์ข้อมูลของเราด้วยเครื่องมือที่เหมาะสมเป็นสิ่งสำคัญในการขับเคลื่อนนวัตกรรม วิธีหนึ่งที่มีประสิทธิภาพในการสร้างสรรค์นวัตกรรมคือการทดลองอย่างต่อเนื่อง ซึ่งช่วยให้เราสามารถสำรวจแนวคิดใหม่ ๆ และปรับปรุงโมเดลของเรา MLflow มีแพลตฟอร์มที่แข็งแกร่งในการจัดการและบันทึกการทดลอง การมีบริการที่มีการจัดการจะช่วยเพิ่มประสบการณ์ของผู้ใช้ที่เป็นนักวิทยาศาสตร์ข้อมูลของเรา ในขณะเดียวกันก็ทำให้การติดตั้งและการบำรุงรักษาแพลตฟอร์มแมชชีนเลิร์นนิงของเราง่ายขึ้น”

Thiago Alves วิศวกรฝ่าย MLOps

Wallapop

Wallapop

“เพื่อที่จะจัดการจำนวนการทดลอง ML ที่เพิ่มขึ้นอย่างมีประสิทธิภาพและมั่นใจว่ามีการปรับใช้โมเดลที่ประสบความสำเร็จ สิ่งสำคัญคือต้องมีระบบที่แข็งแกร่งสำหรับการติดตามการทดลองและการลงทะเบียนโมเดล MLflow เป็นโซลูชันที่มีประสิทธิภาพสำหรับจุดประสงค์นี้ เนื่องจากจะช่วยให้สามารถติดตามการทดลอง ML ทั้งหมดโดยละเอียดได้อย่างราบรื่น โดยต้องมีการปรับเปลี่ยนฐานรหัสของเราเพียงเล็กน้อย ซึ่งช่วยอำนวยความสะดวกในการเลือกโมเดลที่เหมาะสมสำหรับ Wallapop และช่วยให้มั่นใจในกระบวนการพัฒนา ML ที่คล่องตัวและมีประสิทธิภาพ ดังนั้น การมีแพลตฟอร์มนี้ช่วยให้รวมและจัดการได้โดยตรงภายใน AWS ทำให้ทีมของเราสามารถมุ่งเน้นไปที่มูลค่าที่แท้จริงของโซลูชัน ML ได้ แทนการดำเนินงานที่เป็นภาระหนักทั้งหมดที่จำเป็นต่อบริการดังกล่าว”

Martí Jordà Roca วิศวกรแมชชีนเลิร์นนิง

BigaBid

BigaBid

“Amazon SageMaker AI ช่วยให้เราสร้างโมเดลแมชชีนเลิร์นนิงแบบกระจายในขนาดใหญ่ได้อย่างง่ายดาย แทนที่จะต้องพึ่งพากระบวนการที่ต้องทำด้วยตนเอง เราสามารถทำให้การพัฒนาส่วนใหญ่เป็นระบบอัตโนมัติได้อย่างราบรื่นภายใน Amazon SageMaker AI เราต้องการวิธีการที่เชื่อถือได้ในการติดตามการทำงานของงานฝึกอัตโนมัติของเราเพื่อให้เราสามารถเปรียบเทียบงาน ค้นหาโมเดลที่ดีที่สุด และนำไปใช้งานจริงได้ การผสานรวมกับ MLflow ช่วยให้เราสามารถทำสิ่งนี้ได้โดยไม่ต้องรับภาระหนักที่เกี่ยวข้องกับการติดตั้งและการจัดการ MLflow ด้วยตัวเอง วิธีการนี้ช่วยปรับปรุงเวิร์กโฟลว์ของเรา ให้ฟังก์ชันการทำงานที่แข็งแกร่งสำหรับการเปรียบเทียบโมเดลและการลงทะเบียนโมเดล ปรับปรุงประสิทธิภาพการพัฒนาและการปรับใช้ของเราอย่างมีนัยสำคัญ”

Eyal Trabelsi สถาปนิกข้อมูล

Toyota Connected

Toyota Connected

“Amazon SageMaker AI กับ MLflow ให้มูลค่าที่ยอดเยี่ยมด้วยการผสานรวมที่เรียบง่ายแต่มีประสิทธิภาพสูงกับ SageMaker AI สำหรับการติดตามและจัดการการทดลองและคุณภาพของโมเดล การผสานรวมแบบดั้งเดิมของ MLflow กับ Amazon SageMaker AI ทำให้งานติดตามและส่งเสริมโมเดลของเราเป็นไปอย่างง่ายดาย เพราะเป็นบริการที่มีการจัดการ เราจึงไม่ต้องกังวลเกี่ยวกับโครงสร้างพื้นฐาน ช่วยให้เราสามารถมุ่งเน้นไปที่การปรับปรุงโมเดลของเราและเร่งวงจรการพัฒนาของเราได้”

Sumeet Kishnani นักวิทยาศาสตร์การจัดการข้อมูล

Thomson Reuters

Thomson Reuters

“Thomson Reuters อยู่ในแนวหน้าด้านการพัฒนา AI มานานกว่า 30 ปี และเรามุ่งมั่นที่จะมอบโซลูชันที่มีความหมายซึ่งช่วยให้ลูกค้าของเราส่งมอบผลลัพธ์ได้เร็วขึ้น พร้อมเข้าถึงข้อมูลที่เชื่อถือได้ได้ดีขึ้น เพื่อเร่งสร้างนวัตกรรมของเราใน AI ช่วยสร้างนอกเหนือจากการเป็นพันธมิตรกับผู้ให้บริการ LLM แล้ว เรายังสำรวจการฝึกโมเดลที่กำหนดเองได้อย่างมีประสิทธิภาพมากขึ้นด้วยเนื้อหาที่เป็นเอกลักษณ์และเป็นกรรมสิทธิ์ของเรารวมถึงความเชี่ยวชาญของมนุษย์ ไลบรารีการฝึกแบบกระจายของ SageMaker HyperPod ช่วยให้เราสามารถปรับปรุงประสิทธิภาพการฝึกโมเดลขนาดใหญ่ และฟีเจอร์ความยืดหยุ่นช่วยประหยัดเวลาในขณะที่เราตรวจสอบและจัดการโครงสร้างพื้นฐาน การฝึกโมเดลพื้นฐานของเราบน SageMaker HyperPod จะช่วยเพิ่มความเร็วในการออกสู่ตลาด และช่วยให้เรามอบโซลูชันที่มีคุณภาพแก่ลูกค้าของเราได้อย่างทันท่วงที”

Joel Hron หัวหน้าฝ่าย AI และ Labs, Thomson Reuters

“เราสามารถตอบสนองข้อกำหนดการฝึกโมเดลภาษาขนาดใหญ่ได้โดยใช้ Amazon SageMaker HyperPod การใช้ Amazon EKS บน SageMaker HyperPod ช่วยให้เราสามารถขยายขนาดความจุและรันงานการฝึกได้อย่างง่ายดาย ช่วยให้เราปลดล็อกประโยชน์ของ LLM ในด้านต่าง ๆ เช่น การสรุปทางกฎหมายและการจัดหมวดหมู่”

John Duprey วิศวกรดีเด่นจาก Thomson Reuters Labs

Hugging Face

Hugging Face

“Hugging Face ใช้ SageMaker HyperPod เพื่อสร้างโมเดลพื้นฐานแบบเปิดที่สำคัญ เช่น StarCoder, IDEFICS และ Zephyr ซึ่งมีการดาวน์โหลดหลายล้านครั้ง ความยืดหยุ่นและความสามารถด้านประสิทธิภาพที่สร้างขึ้นตามวัตถุประสงค์ของ SageMaker HyperPod ช่วยให้ทีมวิทยาศาสตร์แบบเปิดของเรามุ่งเน้นไปที่การสร้างสรรค์นวัตกรรมและเผยแพร่การปรับปรุงที่สำคัญสำหรับวิธีสร้างโมเดลพื้นฐาน แทนที่จะจัดการโครงสร้างพื้นฐาน เราชอบวิธีที่ SageMaker HyperPod สามารถตรวจจับความล้มเหลวของฮาร์ดแวร์ ML และเปลี่ยนฮาร์ดแวร์ที่ผิดพลาดได้อย่างรวดเร็วโดยไม่รบกวนการฝึกโมเดลที่กำลังดำเนินอยู่ เนื่องจากทีมของเราต้องสร้างสรรค์สิ่งใหม่อย่างรวดเร็ว ฟีเจอร์การกู้คืนงานแบบอัตโนมัตินี้จึงช่วยให้เราลดการหยุดชะงักในระหว่างกระบวนการฝึกโมเดลพื้นฐาน ซึ่งช่วยให้เราประหยัดเวลาการฝึกได้หลายร้อยชั่วโมงในเวลาเพียงหนึ่งปี”

Jeff Boudier หัวหน้าฝ่ายผลิตภัณฑ์ของ Hugging Face

Hugging Face

Perplexity AI

“เรากำลังมองหาโครงสร้างพื้นฐาน ML ที่เหมาะสมเพื่อเพิ่มผลผลิตและลดต้นทุนเพื่อสร้างโมเดลภาษาขนาดใหญ่ที่มีประสิทธิภาพสูง หลังจากทำการทดลองที่ประสบความสำเร็จไม่กี่ครั้ง เราก็ได้เปลี่ยนจากผู้ให้บริการระบบคลาวด์รายอื่นมาใช้ AWS เพื่อใช้ Amazon SageMaker HyperPod เราใช้ HyperPod ในช่วงสี่เดือนที่ผ่านมาเพื่อสร้างและปรับแต่ง LLM เพื่อขับเคลื่อนกลไกการตอบการสนทนา Perplexity ที่ตอบคำถามพร้อมกับข้อมูลอ้างอิงที่ให้ไว้ในรูปแบบของการอ้างอิง เนื่องจาก SageMaker HyperPod จะตรวจสอบความสมบูรณ์ของคลัสเตอร์โดยอัตโนมัติและแก้ไขความล้มเหลวของ GPU นักพัฒนาของเราจึงสามารถมุ่งเน้นไปที่การสร้างโมเดล แทนที่จะใช้เวลาในการจัดการและเพิ่มประสิทธิภาพโครงสร้างพื้นฐานที่จำเป็น ข้อมูลที่มีในตัวของ SageMaker HyperPod และไลบรารีโมเดลแบบขนานช่วยให้เราเพิ่มประสิทธิภาพเวลาการฝึกบน GPU และเพิ่มอัตราการโอนถ่ายข้อมูลการฝึกได้เป็นสองเท่า ผลก็คือ การทดลองฝึกของเราสามารถทำงานได้เร็วขึ้นสองเท่า ซึ่งหมายความว่านักพัฒนาของเราสามารถทำซ้ำได้รวดเร็วยิ่งขึ้น โดยเร่งการพัฒนาประสบการณ์ AI ช่วยสร้างใหม่สำหรับลูกค้าของเรา”

Aravind Srinivas ผู้ร่วมก่อตั้งและประธานคณะผู้บริหารของ Perplexity AI

Hugging Face

Workday

“องค์กรมากกว่า 10,000 แห่งทั่วโลกอาศัย Workday ในการจัดการสินทรัพย์ที่มีค่าที่สุดของพวกเขา นั่นคือบุคลากรและเงินของพวกเขา เราให้บริการโซลูชันที่รับผิดชอบและโปร่งใสแก่ลูกค้าโดยการเลือกโมเดลพื้นฐานที่ดีที่สุดที่สะท้อนถึงนโยบายของบริษัทของเราในด้านการใช้ AI อย่างมีความรับผิดชอบ สำหรับงานต่าง ๆ เช่น การสร้างคำอธิบายงาน ซึ่งต้องมีคุณภาพสูงและส่งเสริมโอกาสที่เท่าเทียมกัน เราได้ทดสอบความสามารถในการประเมินโมเดลใหม่ใน Amazon SageMaker AI และรู้สึกตื่นเต้นกับความสามารถในการวัดโมเดลพื้นฐานในตัวชี้วัดต่าง ๆ เช่น อคติ คุณภาพ และประสิทธิภาพ เรารอคอยที่จะใช้บริการนี้ในอนาคตเพื่อเปรียบเทียบและเลือกโมเดลที่สอดคล้องกับเกณฑ์ AI ที่มีความรับผิดชอบที่เข้มงวดของเรา”

Shane Luke รองประธานฝ่าย AI และแมชชีนเลิร์นนิง ที่ Workday
 

Hugging Face

Salesforce

“ที่ Salesforce เรามีแนวทางระบบนิเวศแบบเปิดสำหรับโมเดลพื้นฐานและ Amazon SageMaker AI เป็นองค์ประกอบสำคัญที่ช่วยให้เราขยายสถาปัตยกรรมของเราและเร่งการเข้าสู่ตลาด เมื่อใช้ความสามารถของ SageMaker AI Inference ใหม่ เราสามารถนำโมเดลทั้งหมดของเราไปไว้ในตำแหน่งข้อมูลของ SageMaker AI แห่งเดียว ซึ่งจัดการการจัดสรรทรัพยากรทั้งหมดและการแบ่งปันทรัพยากรคำนวณโดยอัตโนมัติ เป็นการช่วยเร่งประสิทธิภาพและลดต้นทุนในการปรับใช้โมเดลพื้นฐาน”

Bhavesh Doshi รองประธานฝ่ายวิศวกรรมที่ Salesforce
 

Freddy's

Bain & Co

“หนึ่งในความท้าทายที่ใหญ่ที่สุดสำหรับ Aura คือการดึงข้อมูลเชิงลึกที่สำคัญจากแหล่งข้อมูลมืออาชีพที่ไม่มีโครงสร้างจำนวนมาก โดยการใช้โมเดลภาษาขนาดใหญ่ผ่าน Amazon SageMaker Canvas เราได้ทำให้กระบวนการแยกข้อมูลกลายเป็นระบบแบบอัตโนมัติ โดยเปลี่ยนวิธีที่บริษัทต่าง ๆ ประเมินความสามารถของพนักงานและโครงสร้างองค์กร แนวทางนี้ไม่เพียงช่วยให้เราสามารถปรับขนาดการวิเคราะห์ข้อมูลได้เท่านั้น แต่ยังข้ามข้อจำกัดของวิธีการวิเคราะห์ข้อมูลแบบเดิม ๆ เช่น การจับคู่คีย์เวิร์ดอีกด้วย Aura สามารถเปรียบเทียบและให้คะแนนธุรกิจในเชิงปริมาณโดยพิจารณาจากผลลัพธ์ทางการเงิน ความสามารถของพนักงาน และประสิทธิผลของโครงสร้างองค์กร โดยใช้การเตรียมข้อมูลใหม่และความสามารถจาก LLM ของ SageMaker Canvas”

Purna Doddapaneni, CTO ของ Founder’s Studio และหุ้นส่วนที่ Bain & Co.

Hugging Face

Wix

“การอนุมานของ Amazon SageMaker AI ช่วยให้เราปรับใช้โมเดลใน Availability Zones หลายโซนและเรียกใช้การคาดการณ์ได้ในทุกขนาด ไม่ว่าจะเป็นทางออนไลน์หรือในโหมดแบทช์ก็ตาม”

Itamar Keller หัวหน้าทีมการวิจัยและการพัฒนา Wix

Hugging Face

Qred

“ด้วยแพลตฟอร์มส่วนกลางที่ใช้ Amazon SageMaker AI ทำให้การปฏิบัติตามข้อกำหนดเป็นเรื่องที่ง่ายขึ้น การเพิ่มข้อมูลที่ละเอียดอ่อนก็ง่ายขึ้นเมื่อเราทำให้เป็นระบบรวมศูนย์และมีความปลอดภัย”

Lezgin Bakircioglu ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี Qred

AI ความเสถียร

AI ความเสถียร

“ในฐานะบริษัท AI ช่วยสร้างแบบโอเพนซอร์สชั้นนำ เป้าหมายของเราคือการเพิ่มการเข้าถึง AI ที่ทันสมัยให้สูงสุด เรากำลังสร้างโมเดลพื้นฐานที่มีพารามิเตอร์นับหมื่นล้านรายการ ซึ่งต้องการโครงสร้างพื้นฐานที่สามารถปรับขนาดประสิทธิภาพการฝึกให้เหมาะสมได้ ด้วยโครงสร้างพื้นฐานที่ได้รับการจัดการและไลบรารีการเพิ่มประสิทธิภาพของ SageMaker HyperPod เราสามารถลดเวลาและต้นทุนการฝึกได้มากกว่า 50% ทำให้การฝึกโมเดลของเรามีความยืดหยุ่นและมีประสิทธิภาพมากขึ้นเพื่อสร้างโมเดลที่ล้ำสมัยได้เร็วขึ้น”

Emad Mostaque ผู้ก่อตั้งและประธานคณะผู้บริหารของ Stability AI

iFood
“ที่ iFood เรามุ่งมั่นที่จะสร้างความพึงพอใจให้กับลูกค้าของเราผ่านบริการของเราโดยใช้เทคโนโลยีต่าง ๆ เช่น แมชชีนเลิร์นนิง (ML) การสร้างเวิร์กโฟลว์ที่สมบูรณ์และราบรื่นเพื่อพัฒนา ฝึก และปรับใช้โมเดลกลายเป็นส่วนสำคัญในเส้นทางของเราในการปรับขนาด ML Amazon SageMaker Pipeline ช่วยให้เราสร้างเวิร์กโฟลว์ ML อัตโนมัติที่ปรับขนาดได้หลายแบบอย่างรวดเร็ว และทำให้ปรับใช้และจัดการโมเดลของเราได้อย่างง่ายดาย SageMaker Pipeline ช่วยให้เราทำงานได้อย่างมีประสิทธิภาพมากขึ้นด้วยวงจรการพัฒนาของเรา เรายังคงเน้นความเป็นผู้นำของเราในการใช้ AI/ML เพื่อมอบการบริการลูกค้าที่เหนือกว่าและมีประสิทธิภาพด้วยความสามารถใหม่ทั้งหมดของ Amazon SageMaker AI”

Sandor Caetano หัวหน้านักวิทยาศาสตร์ข้อมูล iFood

Care.com
“อุตสาหกรรมการดูแลที่แข็งแกร่งซึ่งอุปทานตรงกับอุปสงค์เป็นสิ่งจำเป็นต่อการเติบโตทางเศรษฐกิจตั้งแต่ในระดับรายครอบครัวไปจนถึง GDP ของประเทศ เรารู้สึกตื่นเต้นกับ Amazon SageMaker Pipeline เนื่องจากเราเชื่อว่าระบบนี้จะช่วยให้เราปรับขนาดได้ดีขึ้นในทีมวิทยาศาสตร์ข้อมูลและการพัฒนาของเรา โดยการใช้ชุดข้อมูลที่ได้รับการคัดสรรที่มีความสอดคล้องซึ่งเราสามารถนำไปใช้เพื่อสร้างไปป์ไลน์โมเดลแมชชีนเลิร์นนิง (ML) แบบครบวงจรที่ปรับขนาดได้ตั้งแต่การเตรียมข้อมูลไปจนถึงการนำไปปรับใช้ ด้วยความสามารถที่ประกาศใหม่ของ Amazon SageMaker AI เราสามารถเร่งการพัฒนาและการปรับใช้โมเดล ML ของเราสำหรับแอปพลิเคชันต่าง ๆ ซึ่งช่วยให้ลูกค้าของเราตัดสินใจอย่างมีข้อมูลได้ดีขึ้นผ่านคำแนะนำแบบเรียลไทม์ที่รวดเร็วขึ้น”

Clemens Tummeltshammer ผู้จัดการวิทยาศาสตร์ข้อมูล Care.com

3M
“บริษัท 3M ได้ใช้ ML ในการปรับปรุงผลิตภัณฑ์ที่ผ่านการทดลองใช้และผ่านการทดสอบมาแล้ว เช่น กระดาษทราย และขับเคลื่อนนวัตกรรมในพื้นที่อื่น ๆ อีกหลายแห่ง ซึ่งรวมถึงการดูแลสุขภาพ ในขณะที่เราวางแผนเพื่อปรับขนาดแมชชีนเลิร์นนิงไปยังพื้นที่ต่าง ๆ ของ 3M มากขึ้น เราเห็นปริมาณข้อมูลและโมเดลที่เติบโตอย่างรวดเร็ว เพิ่มขึ้นเป็นสองเท่าทุกปี เรารู้สึกตื่นเต้นกับฟีเจอร์ SageMaker AI ใหม่เพราะฟีเจอร์นี้จะมาช่วยเราในการปรับขนาดได้ Amazon SageMaker Data Wrangler ทำให้การเตรียมข้อมูลสำหรับการฝึกโมเดลกลายเป็นเรื่องที่ง่ายมากขึ้น และ Amazon SageMaker Feature Store จะลดความจำเป็นในการสร้างฟีเจอร์โมเดลที่เหมือนกันซ้ำไปซ้ำมา สุดท้าย Amazon SageMaker Pipelines จะช่วยให้เราเตรียมข้อมูล สร้างโมเดล และปรับใช้โมเดลได้โดยอัตโนมัติในเวิร์กโฟลว์ตั้งแต่ต้นจนจบ เพื่อให้เราสามารถเร่งเวลาในการนำโมเดลของเราเข้าสู่ตลาดได้ นักวิจัยของเรากำลังรอคอยที่จะใช้ประโยชน์จากความเร็วในระดับใหม่ของวิทยาศาสตร์ที่ 3M”

David Frazee ผู้อำนวยการด้านเทคนิคที่ 3M Corporate Systems Research Lab

“Amazon SageMaker JumpStart ทำให้เราสามารถทดลองกับโมเดลพื้นฐานที่หลากหลาย ให้เลือกโมเดลที่เหมาะสมกับความต้องการของเราในด้านการดูแลสุขภาพมากที่สุด และเปิดตัวแอปพลิเคชัน ML ได้อย่างรวดเร็วโดยใช้การปรับใช้โมเดลที่สอดคล้องกับ HIPAA ของ SageMaker วิธีการนี้ทำให้เราสามารถปรับปรุงความเร็วและขนาดของกระบวนการป้อนข้อมูลในการสั่งยาและการดูแลลูกค้า”

Alexandre Alves วิศวกรหลักอาวุโส Amazon Pharmacy

Canva
“ที่ Canva เรามีภารกิจที่ส่งเสริมให้โลกทำการออกแบบและทำให้ทุกคนสามารถสร้างสิ่งสวยงามบนอุปกรณ์ใดก็ได้อย่างง่ายดาย ด้วย AI ช่วยสร้าง เรากำลังช่วยให้ผู้ใช้ทำความคิดของพวกเขาให้เป็นจริงโดยมีแรงต้านทานน้อยที่สุดเท่าที่จะเป็นไปได้ ต้องขอบคุณ SageMaker JumpStart ที่ทำให้เราสามารถเพิ่มศักยภาพให้กับทีมของเราในการเริ่มต้นใช้ AI ช่วยสร้างและทดสอบโมเดลพื้นฐานต่าง ๆ ในแฮกกาธอนสากลของเรา Canvanauts สามารถปรับใช้โมเดลพื้นฐานที่หลากหลายได้อย่างง่ายดายและจัดทำและดำเนินโครงการของพวกเขาได้ นี่คือส่วนสำคัญของความสำเร็จของแฮกกาธอนของเรา”

Nic Wittison หัวหน้าวิศวกรรมสำหรับผลิตภัณฑ์ AI, Canva

Dovetail
“ที่ Dovetail เรากำลังช่วยให้องค์กรพัฒนาคุณภาพของผลิตภัณฑ์และบริการผ่านพลังแห่งความเข้าใจลูกค้าที่ดียิ่งขึ้น ด้วย Amazon SageMaker JumpStart ทำให้เราสามารถเข้าถึง ทดสอบ และปรับใช้โมเดลพื้นฐานที่ล้ำสมัยได้อย่างง่ายดาย เราใช้ AI21 Jurassic-2 Mid เพื่อเปิดใช้งานการสรุปที่ปรับปรุงและสามารถรวมเข้ากับแอปพลิเคชัน SaaS ของเราได้ภายในไม่กี่สัปดาห์ แทนที่จะใช้เวลาหลายเดือนในการนำไปปรับใช้ ขณะนี้ลูกค้าของเราสามารถแยกแยะและเข้าใจข้อมูลเชิงลึกจากข้อมูลของตนได้อย่างมีประสิทธิภาพในขณะที่ยังคงรักษาความเป็นส่วนตัวของข้อมูลและความมั่นใจด้านความปลอดภัยไว้”

Chris Manouvrier ผู้จัดการสถาปนิกองค์กร Dovetail

Lexitas
“ลูกค้าของเรามีเอกสารทางกฎหมายหลายพันฉบับและกระบวนการแยกวิเคราะห์เอกสารเหล่านี้เป็นเรื่องที่น่าเบื่อและใช้เวลานาน บ่อยครั้งที่ไม่มีวิธีที่จะได้รับคำตอบได้อย่างรวดเร็ว เช่น การทำความเข้าใจว่าใครถามคำถามในหนังสือให้การ ตอนนี้เมื่อใช้ Amazon SageMaker JumpStart เราสามารถเข้าถึงโมเดลพื้นฐานที่ทันสมัยเพื่อขับเคลื่อนผลิตภัณฑ์ของเราเพื่อให้ลูกค้าสามารถจัดการกับกรณีการใช้งานที่หลากหลาย เช่น การตรวจจับความขัดแย้งและการค้นหาความหมายผ่านเอกสารหลายพันฉบับพร้อมกัน ขณะนี้ทนายความสามารถใช้ประโยชน์จากข้อความในอดีตเพื่อเตรียมตัวสำหรับเหตุการณ์ในอนาคต ในขณะที่ยังคงรักษาความปลอดภัยและความจำเป็นในการปฏิบัติตามข้อกำหนดที่เข้มงวด”

Jason Primuth ประธานเจ้าหน้าที่ฝ่ายนวัตกรรม Lexitas

Tyson
“ที่ Tyson Foods เรายังคงมองหาวิธีใหม่ในการใช้แมชชีนเลิร์นนิง (ML) ในกระบวนการผลิตของเราเพื่อปรับปรุงผลผลิต เราใช้โมเดลการจำแนกภาพเพื่อระบุผลิตภัณฑ์จากสายการผลิตที่กำหนดให้มีฉลากบรรจุภัณฑ์ อย่างไรก็ตาม โมเดลการจำแนกประเภทภาพจำเป็นต้องได้รับการฝึกซ้ำด้วยภาพใหม่จากภาคสนามอยู่เรื่อย ๆ Amazon SageMaker JumpStart ช่วยให้นักวิทยาศาสตร์ข้อมูลของเราแบ่งปันโมเดล ML กับวิศวกรสนับสนุน เพื่อให้พวกเขาสามารถฝึกโมเดล ML ด้วยข้อมูลใหม่ได้โดยไม่ต้องเขียนโค้ดใด ๆ วิธีการนี้ช่วยเร่งเวลาในการนำโซลูชัน ML ออกสู่ตลาด ส่งเสริมการปรับปรุงอย่างต่อเนื่อง และเพิ่มผลผลิต”

Rahul Damineni นักวิทยาศาสตร์ข้อมูลเฉพาะทาง Tyson Foods

Mission Automate
“ต้องขอบคุณ Amazon SageMaker JumpStart ที่ทำให้เราสามารถเปิดตัวโซลูชัน ML ได้ภายในไม่กี่วันเพื่อตอบสนองความต้องการในการทำนายแมชชีนเลิร์นนิงได้เร็วขึ้นและเชื่อถือได้มากขึ้น”

Alex Panait ซีอีโอ Mission Automate

Mycase
“เพราะมี Amazon SageMaker JumpStart เราจึงมีจุดเริ่มต้นที่ดีขึ้นซึ่งทำให้เราสามารถปรับใช้โซลูชัน ML สำหรับกรณีการใช้งานของเราเองได้ภายใน 4-6 สัปดาห์แทนที่จะเป็น 3-4 เดือน”

Gus Nguyen วิศวกรซอฟต์แวร์ของ MyCase

Pivotree
“ด้วย Amazon SageMaker JumpStart ทำให้เราสามารถสร้างแอปพลิเคชัน ML เช่น การตรวจจับความผิดปกติอัตโนมัติหรือการจำแนกวัตถุได้เร็วขึ้น และเปิดตัวโซลูชันตั้งแต่การพิสูจน์แนวคิดไปจนถึงการผลิตได้ภายในไม่กี่วัน”

Milos Hanzel สถาปนิกแพลตฟอร์ม Pivotree  

Bundesliga
Bundesliga Match Facts ที่ขับเคลื่อนโดย AWS มอบประสบการณ์แฟน ๆ ที่น่าสนใจมากขึ้นระหว่างการแข่งขันฟุตบอลสำหรับแฟน ๆ Bundesliga ทั่วโลก เมื่อใช้ Amazon SageMaker Clarify ทำให้ตอนนี้ Bundesliga สามารถอธิบายโต้ตอบได้ว่าองค์ประกอบสำคัญและพื้นฐานบางอย่างคืออะไรในการกำหนดว่าสิ่งใดทำให้โมเดล ML ทำนาย ค่า xGoals ที่เจาะจงได้ การรู้เรื่องคุณลักษณะที่เกี่ยวข้องและอธิบายผลลัพธ์ช่วยในการแก้ไขข้อบกพร่องของโมเดลและเพิ่มความมั่นใจในอัลกอริทึม ML ซึ่งส่งผลให้การคาดการณ์ที่มีคุณภาพสูงขึ้น
 
“Amazon SageMaker Clarify ผสานเข้ากับแพลตฟอร์มดิจิทัล Bundesliga Match Facts ที่เหลืออย่างราบรื่นและเป็นส่วนสำคัญของกลยุทธ์ระยะยาวของเราในการกำหนดมาตรฐานเวิร์กโฟลว์ ML ของเราบน Amazon SageMaker AI ด้วยการใช้เทคโนโลยีที่เป็นนวัตกรรมใหม่ของ AWS เช่น แมชชีนเลิร์นนิง เพื่อมอบข้อมูลเชิงลึกที่ลึกมากยิ่งขึ้นและให้แฟน ๆ เข้าใจการตัดสินใจในเสี้ยววินาทีบนสนามได้ดีขึ้น ดังนั้น Bundesliga Match Facts จึงช่วยให้ผู้ชมสามารถรับข้อมูลเชิงลึกที่ลึกมากยิ่งขึ้นเกี่ยวกับการตัดสินใจสำคัญในแต่ละการแข่งขัน”

Andreas Heyden รองประธานบริหารฝ่ายนวัตกรรมดิจิทัล DFL Group

“ด้วย Amazon SageMaker JumpStart ทำให้ Slack สามารถเข้าถึงโมเดลพื้นฐานที่ล้ำสมัยเพื่อเพิ่มพลังของ Slack AI ในขณะที่ให้ความสำคัญกับความปลอดภัยและความเป็นส่วนตัว ขณะนี้ลูกค้า Slack สามารถค้นหาได้อย่างชาญฉลาดขึ้น สรุปการสนทนาได้ทันที และทำงานได้อย่างมีประสิทธิผลมากที่สุด”

Jackie Rocca รองประธานฝ่ายผลิตภัณฑ์ AI ที่ Slack

Capcom
CAPCOM เป็นบริษัทเกมญี่ปุ่นที่มีชื่อเสียงในเรื่องเกมต่าง ๆ เช่น ซีรีส์ Monster Hunter และ Street Fighter เพื่อรักษาความพึงพอใจของผู้ใช้ ทาง CAPCOM จำเป็นต้องรับประกันคุณภาพของเกม และระบุผู้สร้างกระแสที่เป็นไปได้และเทรนด์ของพวกเขา
 
“การรวมกันของ AutoGluon และ Amazon SageMaker Clarify ทำให้โมเดลกระแสของลูกค้าของเราสามารถคาดการณ์กระแสของลูกค้าได้โดยมีความแม่นยำถึง 94% SageMaker Clarify ช่วยให้เราเข้าใจพฤติกรรมโมเดลโดยให้คำอธิบายผ่านค่า SHAP เมื่อใช้ SageMaker Clarify ทำให้เราลดต้นทุนการคำนวณของค่า SHAP ได้ถึง 50% เมื่อเทียบกับการคำนวณในท้องถิ่น โซลูชันร่วมช่วยให้เราสามารถเข้าใจโมเดลได้ดีขึ้นและปรับปรุงความพึงพอใจของลูกค้าได้ในอัตราความแม่นยำที่สูงขึ้นพร้อมการประหยัดต้นทุนอย่างมีนัยสำคัญ”

Masahiro Takamoto หัวหน้ากลุ่มข้อมูล CAPCOM

DOMO
Domo คือระบบคลาวด์ธุรกิจที่เปลี่ยนวิธีการจัดการธุรกิจด้วยการนำเสนอ BI ที่ทันสมัยสำหรับทุกคน Domo ทำให้กระบวนการที่สำคัญซึ่งใช้เวลาหลายสัปดาห์ หลายเดือน หรือมากกว่านั้นกลายเป็นเรื่องที่ทำได้ทันทีในเวลาเพียงไม่กี่นาทีหรือวินาทีในระดับที่ไม่น่าเชื่อ
 
“Domo นำเสนอชุดโซลูชันวิทยาศาสตร์ข้อมูลที่ปรับขนาดได้ที่ให้ทุกคนในองค์กรนำไปใช้งานและทำความเข้าใจได้ง่าย เมื่อใช้ Clarify ทำให้ลูกค้าของเราได้รับข้อมูลเชิงลึกที่สำคัญเกี่ยวกับวิธีที่โมเดล AI ของพวกเขาคาดการณ์ การผสมผสานของ Clarify กับ Domo ช่วยเพิ่มความเร็วและความฉลาดของ AI ให้กับลูกค้าของเราโดยมอบพลังของ AI ไว้ในมือของทุกคนที่อยู่ในธุรกิจและระบบนิเวศของพวกเขา”

Ben Ainscough, Ph.D. หัวหน้า AI และวิทยาศาสตร์ข้อมูล Domo

Varo

Varo Bank เป็นธนาคารดิจิทัลในสหรัฐอเมริกาและใช้ AI/ML เพื่อช่วยในการตัดสินใจแบบอิงความเสี่ยงอย่างรวดเร็วเพื่อส่งมอบผลิตภัณฑ์และบริการที่เป็นนวัตกรรมใหม่ให้กับลูกค้า

“Varo มีความมุ่งมั่นอย่างมากในความสามารถอธิบายและความโปร่งใสของโมเดล ML ของเรา และเรารู้สึกตื่นเต้นที่ได้เห็นผลลัพธ์จาก Amazon SageMaker Clarify ในการพัฒนาความพยายามเหล่านี้”

Sachin Shetty หัวหน้าวิทยาศาสตร์ข้อมูล Varo Money

Aurora

LG AI Research มีเป้าหมายที่จะเป็นผู้นำด้าน AI ยุคต่อไปโดยใช้ Amazon SageMaker AI เพื่อฝึกและปรับใช้โมเดล ML ได้เร็วขึ้น

“เมื่อเร็ว ๆ นี้เราเปิดตัว Tilda ศิลปิน AI ที่ขับเคลื่อนโดย EXAONE ซึ่งเป็นระบบ AI ยักษ์ใหญ่ที่สามารถประมวลผลชุดข้อมูลคู่รูปภาพและข้อความที่มีความละเอียดสูง 250 ล้านชุด AI แบบหลายโมเดลช่วยให้ Tilda สร้างภาพใหม่ได้ด้วยตนเองด้วยความสามารถในการสำรวจนอกเหนือจากภาษาที่รับรู้ Amazon SageMaker AI มีความสำคัญในการพัฒนา EXAONE เนื่องจากความสามารถในการปรับขนาดและการฝึกแบบกระจาย โดยเฉพาะอย่างยิ่งเนื่องจากการคำนวณจำนวนมากที่จำเป็นในการฝึก AI ยักษ์ใหญ่นี้ การประมวลผลแบบขนานที่มีประสิทธิภาพจึงมีความสำคัญมาก นอกจากนี้เรายังจำเป็นต้องจัดการข้อมูลขนาดใหญ่อย่างต่อเนื่องและมีความยืดหยุ่นในการตอบสนองต่อข้อมูลที่ได้มาใหม่ การใช้การฝึกโมเดลของ Amazon SageMaker AI และไลบรารีการฝึกแบบกระจาย ทำให้เราปรับการฝึกแบบกระจายให้เหมาะสมและฝึกโมเดลได้เร็วขึ้น 59% โดยไม่ต้องแก้ไขรหัสการฝึกที่สำคัญของเรา”

Seung Hwan Kim รองประธานและหัวหน้าห้องปฏิบัติการวิสัยทัศน์ LG AI Research

Aurora
“ที่ AI21 Labs เราช่วยธุรกิจและนักพัฒนาใช้โมเดลภาษาที่ล้ำสมัยเพื่อปรับเปลี่ยนวิธีการโต้ตอบกับผู้ใช้ด้วยข้อความ โดยไม่จำเป็นต้องมีความเชี่ยวชาญด้าน NLP แพลตฟอร์มนักพัฒนาของเราคือ AI21 Studio ให้การเข้าถึงการสร้างข้อความ การสรุปอย่างชาญฉลาด และแม้กระทั่งการสร้างรหัส ซึ่งทั้งหมดนี้อาศัยกลุ่มโมเดลภาษาขนาดใหญ่ของเรา โมเดล Jurassic-Grande (TM) ที่ผ่านการฝึกมาเมื่อเร็ว ๆ นี้ของเรามีพารามิเตอร์ 17 พันล้านพารามิเตอร์ ได้รับการฝึกโดยใช้ Amazon SageMaker AI Amazon SageMaker AI ทำให้กระบวนการฝึกโมเดลมีความง่ายและมีประสิทธิภาพมากขึ้น และทำงานได้อย่างสมบูรณ์แบบกับไลบรารี DeepSpeed ด้วยเหตุนี้ เราจึงสามารถปรับขนาดงานการฝึกแบบกระจายไปยัง Nvidia A100 GPU หลายร้อยเครื่องได้อย่างง่ายดาย ซึ่งโมเดล Grande ให้คุณภาพการสร้างข้อความที่เทียบเท่ากับโมเดลพารามิเตอร์ 178 พันล้านเครื่องที่ใหญ่กว่ามาก โดยมีต้นทุนการอนุมานที่ต่ำกว่ามาก ด้วยเหตุนี้ ลูกค้าของเราที่ใช้ Jurassic-Grande ในการผลิตจึงสามารถให้บริการผู้ใช้แบบเรียลไทม์จำนวนนับล้านรายในแต่ละวัน และเพลิดเพลินไปกับข้อได้เปรียบของหน่วยเศรษฐกิจที่ได้รับการปรับปรุงโดยไม่กระทบต่อประสบการณ์ของผู้ใช้” 

Dan Padnos รองประธานฝ่ายสถาปัตยกรรม AI21 Labs

Aurora

ด้วยความช่วยเหลือของ Amazon SageMaker AI และไลบรารีคู่ขนานข้อมูลแบบกระจายของ Amazon SageMaker AI (SMDDP) ทำให้ Torc.ai ซึ่งเป็นผู้นำด้านรถยนต์ระบบอัตโนมัติตั้งแต่ปี 2005 ได้จัดจำหน่ายรถบรรทุกขับเคลื่อนด้วยตนเองเพื่อการขนส่งระยะไกลที่ปลอดภัย ยั่งยืน ในอุตสาหกรรมขนส่งสินค้า

“ทีมของฉันสามารถทำงานการฝึกแบบกระจายขนาดใหญ่ได้อย่างง่ายดายโดยใช้การฝึกโมเดล Amazon SageMaker AI และไลบรารีคู่ขนานข้อมูลแบบกระจายของ Amazon SageMaker AI (SMDDP) ซึ่งเกี่ยวข้องกับข้อมูลการฝึกและโมเดลจำนวนหลายเทราไบต์ที่มีพารามิเตอร์นับล้าน การฝึกโมเดลแบบกระจายของ Amazon SageMaker AI และ SMDDP ช่วยให้เราปรับขนาดได้อย่างราบรื่นโดยไม่ต้องจัดการโครงสร้างพื้นฐานการฝึก ทำให้เราลดเวลาในการฝึกโมเดลจากหลายวันเป็นสองสามชั่วโมง ช่วยให้เราสามารถบีบอัดวงจรการออกแบบของเราและนำสมรรถนะของรถยนต์ระบบอัตโนมัติรุ่นใหม่เข้ามาในกลุ่มยานพาหนะของเราได้เร็วขึ้นกว่าที่เคย”

Derek Johnson รองประธานฝ่ายวิศวกรรม Torc.ai

Aurora

Sophos ซึ่งเป็นผู้นำระดับโลกด้านโซลูชันและบริการความปลอดภัยทางไซเบอร์รุ่นต่อไป ใช้ Amazon SageMaker AI เพื่อฝึกโมเดล ML ให้มีประสิทธิภาพมากขึ้น

“เทคโนโลยีอันทรงพลังของเราตรวจจับและกำจัดไฟล์ที่มีมัลแวร์ได้อย่างชาญฉลาด อย่างไรก็ตาม การใช้โมเดล XGBoost เพื่อประมวลผลชุดข้อมูลขนาดหลายเทราไบต์นั้นใช้เวลามาก และบางครั้งก็ไม่สามารถทำได้ด้วยพื้นที่หน่วยความจำที่จำกัด ด้วยการฝึกแบบกระจายของ Amazon SageMaker AI ทำให้เราสามารถฝึกโมเดล XGBoost น้ำหนักเบาซึ่งมีขนาดเล็กกว่ามากเมื่ออยู่บนดิสก์ (เล็กกว่าถึง 25 เท่า) และในหน่วยความจำ (เล็กกว่าถึงห้าเท่า) เมื่อเทียบกับรุ่นก่อน การใช้การปรับแต่งโมเดลอัตโนมัติของ Amazon SageMaker AI และการฝึกแบบกระจายบน Spot Instances ทำให้เราสามารถแก้ไขและฝึกโมเดลซ้ำได้อย่างรวดเร็วและมีประสิทธิภาพมากขึ้นโดยไม่ต้องปรับโครงสร้างพื้นฐานของการฝึกพื้นฐานที่จำเป็นในการเพิ่มจำนวนไปสู่ชุดข้อมูลขนาดใหญ่ดังกล่าว”

Konstantin Berlin หัวหน้าฝ่ายปัญญาประดิษฐ์ Sophos

อ่านบล็อก »

Aurora
“แมชชีนเลิร์นนิงและการจำลองขั้นสูงของ Aurora เป็นพื้นฐานในการพัฒนาเทคโนโลยีของเราอย่างปลอดภัยและรวดเร็ว และ AWS มอบประสิทธิภาพสูงที่เราต้องการเพื่อรักษาความคืบหน้าของเรา ด้วยขนาดที่แทบไม่จำกัด ทำให้ AWS รองรับการทดสอบเสมือนนับล้านรายการเพื่อตรวจสอบความสามารถของ Aurora Driver เพื่อให้สามารถนำทางกรณีที่ยากซึ่งนับไม่ถ้วนในการขับขี่ในโลกแห่งความเป็นจริงได้อย่างปลอดภัย” 

Chris Urmson ซีอีโอ Aurora

ดูวิดีโอ »

Hyundai
“เราใช้โมเดลคอมพิวเตอร์วิชันเพื่อทำการแบ่งส่วนฉากซึ่งเป็นสิ่งสำคัญสำหรับการทำความเข้าใจฉาก การฝึกโมเดลสำหรับหนึ่งตอนเคยใช้เวลาถึง 57 นาที ซึ่งทำให้เราทำงานช้าลง การใช้ไลบรารีคู่ขนานข้อมูลของ Amazon SageMaker AI และด้วยความช่วยเหลือจาก Amazon ML Solutions Lab ทำให้เราสามารถฝึกได้ใน 6 นาทีด้วยรหัสการฝึกที่ปรับให้เหมาะสมบนอินสแตนซ์ขนาดใหญ่ 5ml.p3.16 เท่า ด้วยการลดเวลาในการฝึก 10 เท่า ทำให้เราสามารถใช้เวลาในการเตรียมข้อมูลได้มากขึ้นในระหว่างวงจรการพัฒนา” 

Jinwook Choi วิศวกรวิจัยอาวุโส Hyundai Motor Company

อ่านบล็อก »

Latent Space
“ที่ Latent Space เรากำลังสร้างเอ็นจิ้นเกมที่เรนเดอร์ด้วยระบบประสาทที่ทุกคนสามารถสร้างได้ด้วยความเร็วเท่าความคิด เรากำลังทำงานขับเคลื่อนด้วยโมเดลภาษาที่ก้าวหน้า เพื่อรวมความเข้าใจด้านความหมายของข้อมูลทั้งที่เป็นข้อความและรูปภาพเพื่อกำหนดว่าจะสร้างอะไร ปัจจุบันเรามุ่งเน้นไปที่การใช้การดึงข้อมูลเพื่อเพิ่มการฝึกโมเดลขนาดใหญ่ ซึ่งเรามีไปป์ไลน์ ML ที่ซับซ้อน การตั้งค่านี้เป็นความท้าทายนอกเหนือจากการฝึกแบบกระจายเนื่องจากมีแหล่งข้อมูลและโมเดลหลายรายการที่ได้รับการฝึกในเวลาเดียวกัน ด้วยเหตุนี้ เรากำลังใช้ประโยชน์จากความสามารถในการฝึกแบบกระจายใหม่ใน Amazon SageMaker AI เพื่อปรับขนาดการฝึกอย่างมีประสิทธิภาพสำหรับโมเดลช่วยสร้างขนาดใหญ่”

Sarah Jane Hong ผู้ร่วมก่อตั้ง/ประธานเจ้าหน้าที่่ฝ่ายวิทยาศาสตร์ Latent Space

อ่านบล็อก »

musixmatch
“Musixmatch ใช้ Amazon SageMaker AI เพื่อสร้างโมเดลการประมวลผลภาษาธรรมชาติ (NLP) และโมเดลการประมวลผลเสียง และกำลังทดลองกับ Hugging Face กับ Amazon SageMaker AI เราเลือก Amazon SageMaker AI เนื่องจากช่วยให้นักวิทยาศาสตร์ข้อมูลสร้าง ฝึก และปรับแต่งโมเดลซ้ำได้อย่างรวดเร็วโดยไม่ต้องกังวลเกี่ยวกับการจัดการโครงสร้างพื้นฐาน ซึ่งหมายความว่านักวิทยาศาสตร์ข้อมูลสามารถทำงานได้รวดเร็วและเป็นอิสระมากขึ้น เมื่อบริษัทเติบโตขึ้น เราก็มีข้อกำหนดของเราในการฝึกและปรับแต่งโมเดล NLP ที่ใหญ่ขึ้นและซับซ้อนมากขึ้นเช่นกัน เรากำลังมองหาวิธีเร่งเวลาในการฝึกในขณะที่ลดต้นทุนการฝึกด้วย ซึ่งเป็นเหตุผลที่เราตื่นเต้นเกี่ยวกับ Amazon SageMaker Training Compiler SageMaker Training Compiler มีวิธีที่มีประสิทธิภาพมากขึ้นในการใช้ GPU ในระหว่างกระบวนการฝึก และด้วยการผสานรวมอย่างราบรื่นระหว่าง SageMaker Training Compiler, PyTorch และไลบรารีระดับสูง เช่น Hugging Face ทำให้เราได้เห็นการปรับปรุงอย่างมีนัยสำคัญในเวลาการฝึกของโมเดลที่ใช้ตัวแปลงข้อมูลของเราที่เริ่มต้นจากหลายสัปดาห์ไปจนถึงไม่กี่วัน รวมถึงค่าใช้จ่ายในการฝึกที่ลดลง”

Loreto Parisi ผู้อำนวยการวิศวกรรมปัญญาประดิษฐ์ Musixmatch

AT&T

AT&T Cybersecurity ปรับปรุงการตรวจจับภัยคุกคามที่จำเป็นต้องมีการคาดการณ์ที่ใกล้เรียลไทม์โดยใช้ตำแหน่งข้อมูลหลายโมเดล Amazon SageMaker AI

“ตำแหน่งข้อมูลหลายโมเดล Amazon SageMaker AI ไม่เพียง แค่คุ้มค่าเท่านั้น แต่ยังช่วยเพิ่มประสิทธิภาพให้ดีขึ้นอีกเล็กน้อยด้วยการทำให้เราจัดเก็บโมเดลของเราง่ายขึ้น”

Matthew Schneid หัวหน้าสถาปนิก - AT&T

อ่านเพิ่มเติม »
Forethought

Forethought Technologies ซึ่งเป็นผู้ให้บริการโซลูชัน AI ช่วยสร้างสำหรับการบริการลูกค้า ลดต้นทุนได้ถึง 80 เปอร์เซ็นต์โดยใช้ Amazon SageMaker AI

“ด้วยการย้ายไปยังตำแหน่งข้อมูลหลายโมเดลของ Amazon SageMaker AI ทำให้เราลดต้นทุนของเราได้ถึง 66% ในขณะที่ให้เวลาแฝงที่ดีขึ้นและเวลาตอบสนองที่ดีขึ้นสำหรับลูกค้า”

Jad Chamoun ผู้อำนวยการฝ่ายวิศวกรรมหลัก - Forethought Technologies

อ่านเพิ่มเติม »
BazaarVoice

Bazaarvoice ลดต้นทุนการอนุมานของ ML ลง 82% โดยใช้การอนุมานแบบไม่ต้องใช้เซิร์ฟเวอร์ของ SageMaker

“เราสามารถใช้ SageMaker Serverless Inference ทำ ML ได้อย่างมีประสิทธิภาพในทุกขนาด สร้างโมเดลจำนวนมากได้อย่างรวดเร็วด้วยต้นทุนที่สมเหตุสมผลและด้วยค่าใช้จ่ายในการดำเนินงานต่ำ”

Lou Kratz วิศวกรวิจัยหลัก — Bazaarvoice

อ่านเพิ่มเติม »
Tapjoy

Tapjoy ใช้ Amazon SageMaker AI เพื่อปรับใช้โมเดล ML ในเวลาไม่กี่วันแทนที่จะเป็นเดือน

“เราใช้เวลาประมาณสามถึงหกเดือนในการฝึก สร้าง และปรับใช้โมเดล ตอนนี้ด้วย SageMaker AI เราสามารถทำได้ภายในหนึ่งสัปดาห์ ซึ่งอาจจะสั้นกว่านั้น”

Nick Reffitt รองประธานฝ่ายวิทยาศาสตร์และวิศวกรรมข้อมูล - Tapjoy

อ่านเพิ่มเติม »
Zendesk

Zendesk โฮสต์โมเดล ML หลายพันโมเดลในตำแหน่งข้อมูลหลายโมเดล (MME) ของ Amazon SageMaker AI สำหรับฟีเจอร์ Macros ที่แนะนำ และช่วยประหยัดค่าใช้จ่าย 90% ในการอนุมานเมื่อเทียบกับตำแหน่งข้อมูลเฉพาะงาน

“เราปรับใช้โมเดล ML หลายพันโมเดลที่กำหนดเองสำหรับลูกค้าของเรามากกว่า 100,000 ราย โดยใช้ตำแหน่งข้อมูลหลายโมเดล (MME) ของ Amazon SageMaker AI เราใช้ SageMaker AI MME สร้างความสามารถในการอนุมานที่เป็นมิตรกับ SaaS หลายผู้เช่า เพื่อโฮสต์โมเดลหลายโมเดลต่อตำแหน่งข้อมูล ซึ่งช่วยลดต้นทุนการอนุมานถึง 90% เมื่อเทียบกับตำแหน่งข้อมูลเฉพาะงาน”

Chris Hausler หัวหน้าฝ่าย AI/ML – Zendesk

อ่านเพิ่มเติม »

Amazon Pharmacy

“Amazon SageMaker JumpStart ทำให้เราสามารถทดลองกับโมเดลพื้นฐานที่หลากหลาย ให้เลือกโมเดลที่เหมาะสมกับความต้องการของเราในด้านการดูแลสุขภาพมากที่สุด และเปิดตัวแอปพลิเคชัน ML ได้อย่างรวดเร็วโดยใช้การปรับใช้โมเดลที่สอดคล้องกับ HIPAA ของ SageMaker วิธีการนี้ทำให้เราสามารถปรับปรุงความเร็วและขนาดของกระบวนการป้อนข้อมูลในการสั่งยาและการดูแลลูกค้า”

Alexandre Alves วิศวกรหลักอาวุโส Amazon Pharmacy

Intuit

“Amazon SageMaker AI ช่วยให้แนวคิดริเริ่มในการใช้ Artificial Intelligence ของเราก้าวหน้าไปได้รวดเร็วขึ้นในวงกว้าง ด้วยการสร้างและใช้งานอัลกอริทึมบนแพลตฟอร์มของเรา เราจะสร้างแมชชีนเลิร์นนิงขนาดใหญ่และอัลกอริทึม AI และนำไปใช้งานบนแพลตฟอร์มนี้เพื่อแก้ปัญหาที่ซับซ้อนซึ่งสามารถสร้างความมั่งคั่งให้กับลูกค้าของเราได้”

Ashok Srivastava ประธานเจ้าหน้าที่ฝ่ายข้อมูล - Intuit

GE Healthcare

GE Healthcare ใช้การควบคุมข้อมูลและการวิเคราะห์ด้านฮาร์ดแวร์ ซอฟต์แวร์ และเทคโนโลยีชีวภาพ เพื่อเปลี่ยนแปลงการดูแลสุขภาพโดยนำเสนอผลลัพธ์ที่ดีกว่าสำหรับผู้ให้บริการและผู้ป่วย 

“Amazon SageMaker AI ช่วยให้ GE Healthcare สามารถเข้าถึงเครื่องมือปัญญาประดิษฐ์อันทรงพลังและบริการต่าง ๆ เพื่อปรับปรุงการดูแลผู้ป่วยให้ดียิ่งขึ้น ความสามารถในการปรับขนาดของ Amazon SageMaker AI และความสามารถในการผสานรวมกับบริการ AWS แบบดั้งเดิมช่วยเพิ่มมูลค่ามหาศาลให้แก่เรา เรารู้สึกยินดีกับการสานต่อความร่วมมือระหว่าง GE Health Cloud กับ Amazon SageMaker AI ซึ่งจะให้ผลลัพธ์ที่ดีต่อผู้ให้บริการด้านการดูแลสุขภาพของเรา และจะปรับปรุงการดูแลผู้ป่วยให้ดียิ่งขึ้น”

Sharath Pasupunuti ผู้นำด้านวิศวกรรม AI - GE Healthcare

ADP, Inc.

ADP เป็นบริษัทเทคโนโลยีชั้นนำระดับโลกที่ให้บริการโซลูชันการจัดการทุนมนุษย์ (HCM) ADP DataCloud ใช้ประโยชน์จากข้อมูลพนักงานที่ไม่มีใครเทียบได้ของ ADP จากพนักงานกว่า 30 ล้านคนเพื่อนำเสนอข้อมูลเชิงลึกที่สามารถดำเนินการได้ซึ่งสามารถช่วยให้ผู้บริหารตัดสินใจแบบเรียลไทม์เพื่อจัดการธุรกิจของตนได้ดีขึ้น

“การรักษาและดึงดูดผู้มีความสามารถเป็นเรื่องยาก นั่นคือเหตุผลที่เรายังคงพัฒนา ADP DataCloud ด้วยความสามารถของปัญญาประดิษฐ์เพื่อช่วยให้นายจ้างรักษาทีมที่แข็งแกร่ง เราใช้แมชชีนเลิร์นนิงของ AWS รวมถึง Amazon SageMaker AI เพื่อระบุรูปแบบการทำงานอย่างรวดเร็วและทำนายผลลัพธ์ก่อนที่จะเกิดขึ้น เช่น การหมุนเวียนของพนักงาน หรือผลกระทบจากการเพิ่มค่าชดเชย ด้วยการใช้ AWS เป็นแพลตฟอร์มหลักของเราสำหรับปัญญาประดิษฐ์และแมชชีนเลิร์นนิง ทำให้เราลดเวลาในการปรับใช้โมเดลแมชชีนเลิร์นนิงจากได้ 2 สัปดาห์กลายเป็นเพียงแค่ 1 วัน”

Jack Berkowitz รองประธานอาวุโสฝ่ายพัฒนาผลิตภัณฑ์ — ADP, Inc.

BASF Digital Farming

BASF Digital Farming มีภารกิจในการส่งเสริมให้เกษตรกรสามารถตัดสินใจได้อย่างชาญฉลาดมากขึ้น และมีส่วนช่วยในการแก้ปัญหาความท้าทายในการเลี้ยงประชากรโลกที่เพิ่มขึ้น ในขณะเดียวกันก็ลดผลกระทบต่อสิ่งแวดล้อม

“Amazon SageMaker AI และเทคโนโลยี AWS ที่เกี่ยวข้องสนับสนุนการทดลองอย่างรวดเร็วและให้ฟังก์ชันการทำงานและ API ที่ใช้งานง่ายซึ่งช่วยลดอุปสรรคในการเข้าสู่ระบบสำหรับการนำมาใช้ ML วิธีนี้ทำให้เราสามารถปลดล็อกศักยภาพเต็มมูลค่าของกรณีการใช้งาน ML ได้อย่างรวดเร็ว”

Dr. Christian Kerkhoff ผู้จัดการระบบอัตโนมัติข้อมูล - BASF Digital Farming GmbH

Cerner

Cerner

Cerner Corporation เป็นบริษัทด้านสุขภาพและเทคโนโลยีระดับโลกที่จัดหาโซลูชัน บริการ อุปกรณ์ และฮาร์ดแวร์เทคโนโลยีสารสนเทศด้านสุขภาพ (HIT) ที่หลากหลาย

“Cerner มีความภูมิใจที่จะผลักดันการใช้นวัตกรรมด้านปัญญาประดิษฐ์และแมชชีนเลิร์นนิงกับการดำเนินงานทางคลินิก ทางการเงิน และการปฏิบัติการที่หลากหลาย เรากำลังเร่งนวัตกรรมที่ปรับขนาดได้สำหรับลูกค้าทุกคนของเรา ด้วยความสามารถใหม่ที่สร้างขึ้นทั้งโดยระบบนิเวศแมชชีนเลิร์นนิงของ Cerner และ Natural Language Processing ของ Cerner และเปิดใช้งานโดยความร่วมมือของเรากับ AWS Amazon SageMaker AI เป็นองค์ประกอบสำคัญในการทำให้ Cerner สามารถบรรลุความตั้งใจของเราในการส่งมอบคุณค่าให้กับลูกค้าของเราผ่าน AI/ML นอกจากนี้ Amazon SageMaker AI ยังให้ Cerner มีความสามารถในการใช้ประโยชน์จากกรอบการทำงานที่แตกต่างกัน เช่น TensorFlow และ PyTorch รวมถึงความสามารถในการรวมเข้ากับบริการ AWS ต่าง ๆ”

Sasanka Are, PhD, รองประธาน - Cerner

600x400-dow-jones_logo.jpg

Dow Jones

Dow Jones & Co. เป็นผู้ให้บริการข่าวสารและข้อมูลธุรกิจระดับโลก ส่งมอบเนื้อหาให้กับผู้บริโภคและองค์กรผ่านหนังสือพิมพ์เว็บไซต์ แอปมือถือ วิดีโอ จดหมายข่าว นิตยสาร ฐานข้อมูลที่เป็นกรรมสิทธิ์ การประชุม และวิทยุ

“ในขณะที่ Dow Jones ยังคงมุ่งเน้นไปที่การรวมแมชชีนเลิร์นนิงเข้ากับผลิตภัณฑ์และบริการของเรา ทำให้ AWS กลายเป็นพันธมิตรที่ยอดเยี่ยม ทีมงาน AWS ได้ให้การฝึกอบรมแก่ผู้เข้าร่วมเกี่ยวกับ Amazon SageMaker AI และ Amazon Rekognition เพื่อนำไปสู่แฮกกาธอนแมชชีนเลิร์นนิงเมื่อเร็ว ๆ นี้ของเรา และให้การสนับสนุนแก่ทีมทั้งหมดในวันจัดงาน ผลลัพธ์ที่ได้คือทีมของเราได้พัฒนาแนวคิดที่ยอดเยี่ยมบางอย่างเกี่ยวกับวิธีที่เราสามารถใช้แมชชีนเลิร์นนิง ซึ่งหลายอย่างเราจะนำไปพัฒนาต่อไปบน AWS งานนี้ประสบความสำเร็จอย่างมากและเป็นตัวอย่างของลักษณะความร่วมมือที่ยอดเยี่ยม”

Ramin Beheshti หัวหน้าผลิตภัณฑ์และเทคโนโลยีของกลุ่ม Dow Jones

Advanced Microgrid Solutions

Advanced Microgrid Solutions

Advanced Microgrid Solutions (AMS) เป็นบริษัทแพลตฟอร์มและบริการด้านพลังงานที่มุ่งมั่นที่จะเร่งการเปลี่ยนแปลงทั่วโลกสู่เศรษฐกิจพลังงานสะอาดโดยอำนวยความสะดวกในการปรับใช้และปรับสินทรัพย์พลังงานสะอาดให้เหมาะสม NEM ใช้ตลาดสปอตที่ทุกฝ่ายเสนอราคาเพื่อใช้/จัดหาพลังงานทุก 5 นาที โดยต้องทำนายการคาดการณ์อุปสงค์และให้การเสนอราคาแบบไดนามิกในไม่เวลากี่นาทีในขณะประมวลผลข้อมูลตลาดจำนวนมาก เพื่อแก้ปัญหาความท้าทายนี้ ทาง AMS จึงได้สร้างโมเดลดีปเลิร์นนิงขึ้นโดยใช้ TensorFlow บน Amazon SageMaker AI พวกเขาใช้ประโยชน์จากการปรับแต่งโมเดลอัตโนมัติของ Amazon SageMaker AI เพื่อค้นพบพารามิเตอร์โมเดลที่ดีที่สุดและสร้างโมเดลในเวลาเพียงไม่กี่สัปดาห์ โมเดลของพวกเขาแสดงให้เห็นถึงการปรับปรุงในด้านการคาดการณ์ตลาดสำหรับผลิตภัณฑ์พลังงานทั้งหมดในการวัดพลังงานสุทธิ ซึ่งหมายถึงประสิทธิภาพที่มีความสำคัญ

ProQuest

ProQuest

ProQuest คอยดูแลคอลเลกชันวารสาร อีบุ๊ก แหล่งข้อมูลปฐมภูมิ วิทยานิพนธ์ ข่าว และวิดีโอที่ใหญ่ที่สุดในโลก ทั้งยังสร้างโซลูชันเวิร์กโฟลว์ที่มีประสิทธิภาพเพื่อช่วยให้ห้องสมุดได้รับและมีคอลเลกชันที่มากขึ้น นอกจากนี้ยังมีการนำผลิตภัณฑ์และบริการของ ProQuest มาใช้ในห้องสมุดสถาบันอุดมศึกษา, ห้องสมุดของสถานศึกษาภาคบังคับระดับชั้นอนุบาลถึงชั้นมัธยมศึกษาปีที่ 6 ห้องสมุดสาธารณะ ห้องสมุดองค์กร และห้องสมุดของรัฐใน 150 ประเทศ

“เรากำลังร่วมมือกับ AWS เพื่อสร้างประสบการณ์ผู้ใช้วิดีโอที่น่าดึงดูดยิ่งขึ้นสำหรับผู้สนับสนุนห้องสมุด ทำให้การค้นหาของพวกเขาส่งผลลัพธ์ที่เกี่ยวข้องมากขึ้น ด้วยการทำงานกับ AWS ML Solutions Lab เราได้ทดสอบอัลกอริทึมที่แตกต่างกันโดยใช้ Amazon SageMaker AI ปรับแต่งโมเดลโดยใช้การปรับไฮเปอร์พารามิเตอร์ให้เหมาะสม และปรับใช้โมเดลแมชชีนเลิร์นนิง (ML) โดยอัตโนมัติ เรายินดีกับผลลัพธ์ที่ได้มาจนถึงตอนนี้และขณะนี้กำลังพิจารณาเทคโนโลยี ML สำหรับผลิตภัณฑ์อื่น ๆ”

Allan Lu รองประธานฝ่ายเครื่องมือ บริการและแพลตฟอร์มการวิจัย - ProQuest

Celgene

Celgene เป็นบริษัทชีวเภสัชภัณฑ์สากลที่มุ่งมั่นที่จะปรับปรุงชีวิตของผู้ป่วยทั่วโลก โดยมุ่งเน้นไปที่การค้นพบ พัฒนา และการพาณิชย์ในด้านการบำบัดที่เป็นนวัตกรรมใหม่สำหรับผู้ป่วยที่เป็นมะเร็ง การอักเสบของระบบภูมิคุ้มกัน และความต้องการทางการแพทย์อื่น ๆ ที่ไม่ได้รับการตอบสนอง

“ที่ Celgene วิสัยทัศน์ของเราคือการนำเสนอการรักษาที่เป็นนวัตกรรมและเปลี่ยนแปลงชีวิตอย่างแท้จริง และปรับปรุงชีวิตของผู้ป่วยทั่วโลก ด้วย Amazon SageMaker AI และ Apache MXnet ทำให้การสร้างและการฝึกโมเดลดีปเลิร์นนิงเพื่อพัฒนาโซลูชันและกระบวนการนั้นเป็นไปอย่างรวดเร็วและง่ายขึ้นกว่าเดิม และเราสามารถขยายความพยายามของเราในการค้นพบการรักษาและผลิตยาได้อย่างง่ายดาย การใช้อินสแตนซ์ SageMaker AI และ Amazon EC2 P3 ได้ช่วยเร่งโมเดลเวลาในการฝึกและผลผลิต ทำให้ทีมของเราสามารถมุ่งเน้นไปที่การวิจัยและการค้นพบที่ล้ำสมัย”

Lance Smith ผู้อำนวยการ - Celgene

Atlas Van Lines

Atlas Van Lines เป็นสายรถตู้ที่ใหญ่เป็นอันดับสองในอเมริกาเหนือ ก่อตั้งขึ้นในปี 1948 โดยกลุ่มผู้ประกอบการในอุตสาหกรรมการเคลื่อนย้ายและจัดเก็บ องค์กรได้รับการพัฒนาโดยมีเป้าหมายเดียวในการเคลื่อนย้ายจากชายฝั่งสู่ชายฝั่งในขณะที่ยึดมั่นในกฎทองของธุรกิจ นอกเหนือจากบริการที่แข็งแกร่งแล้ว Atlas ยังมีข้อกำหนดด้านคุณภาพของตัวแทนที่เข้มงวดซึ่งเหนือกว่าผู้อื่นในอุตสาหกรรม

ในช่วงฤดูการเคลื่อนย้ายสูงสุด เครือข่ายตัวแทนของ Atlas ทำงานร่วมกันในตลาดเพื่อตอบสนองความต้องการของลูกค้า ตามธรรมเนียมแล้วความสามารถในการคาดการณ์สมรรถภาพของพวกเขานั้นเป็นแบบแมนนวลและต้องใช้แรงงาน พวกเขาพึ่งพาภูมิปัญญาและสัญชาตญาณของทรัพยากรบุคคลที่มีประสบการณ์หลายปี Atlas มีข้อมูลในอดีตตั้งแต่ปี 2011 เป็นต้นไป และต้องการหาวิธีปรับสมรรถภาพและราคาแบบไดนามิกตามความต้องการของตลาดในอนาคต

Atlas ได้ทำงานร่วมกับ Pariveda Solutions ซึ่งเป็นพันธมิตรที่ปรึกษาระดับพรีเมียร์ของ APN เพื่อช่วยปลดล็อกความเป็นไปได้ของการจัดการสมรรถภาพเชิงรุกและการจัดการราคาในอุตสาหกรรมการเคลื่อนย้ายระยะไกล Pariveda เตรียมข้อมูล พัฒนาและประเมินโมเดลแมชชีนเลิร์นนิง และปรับประสิทธิภาพ พวกเขาใช้ Amazon SageMaker AI เพื่อฝึกและปรับโมเดลให้เหมาะสม จากนั้นส่งออกโดยใช้ลักษณะโมดูลาร์ของ Amazon SageMaker AI เพื่อทำงานโดยใช้ Amazon EC2

Edmunds

Edmunds

Edmunds.com คือเว็บไซต์ซื้อรถยนต์ที่เสนอข้อมูลโดยละเอียดและอัปเดตอย่างต่อเนื่องเกี่ยวกับรถยนต์แก่ผู้เยี่ยมชม 20 ล้านคนต่อเดือน

“เรามีความคิดริเริ่มเชิงกลยุทธ์ในการนำแมชชีนเลิร์นนิงไว้ในมือของวิศวกรของเราทุกคน Amazon SageMaker AI เป็นกุญแจสำคัญในการช่วยให้เราบรรลุเป้าหมายนี้ ทำให้วิศวกรสามารถสร้าง ฝึกอบรม และปรับใช้งานโมเดลและอัลกอริทึมของแมชชีนเลิร์นนิงอย่างครอบคลุมได้ง่ายขึ้น เรารู้สึกตื่นเต้นที่จะได้เห็นว่า Edmunds จะใช้ SageMaker AI เพื่อสร้างสรรค์โซลูชันใหม่ ๆ ทั่วทั้งองค์กรสำหรับลูกค้าของเราอย่างไร”

Stephen Felisan ประธานเจ้าหน้าที่ฝ่ายสารสนเทศ - Edmunds.com

Hotels.com

Hotels.com

Hotels.com เป็นแบรนด์ที่พักชั้นนำระดับโลกที่มีการดำเนินการบนเว็บไซต์ท้องถิ่น 90 เว็บไซต์ใน 41 ภาษา

"ที่ Hotels.com เรามองหาวิธีต่าง ๆ ในการทำงานให้เร็วขึ้น นำเทคโนโลยีใหม่ล่าสุดมาใช้ให้เป็นประโยชน์ และคิดค้นนวัตกรรมใหม่ ๆ อยู่เสมอ ซึ่งเมื่อใช้ Amazon SageMaker AI คุณสมบัติการฝึกแบบกระจาย อัลกอริทึมที่ปรับมาอย่างเหมาะสม และฟีเจอร์ไฮเปอร์พารามิเตอร์ในตัวช่วยให้ทีมของผมสามารถสร้างโมเดลที่แม่นยำยิ่งขึ้นบนชุดข้อมูลขนาดใหญ่สุดของเราได้อย่างรวดเร็ว ทำให้เวลาในการย้ายโมเดลไปยังการผลิตลดลงมากพอสมควร กล่าวคือเป็นการเรียกใช้ API นี่เอง Amazon SageMaker AI จะลดความซับซ้อนของแมชชีนเลิร์นนิงลงอย่างมาก ช่วยให้เราสามารถสร้างประสบการณ์การใช้งานที่ดียิ่งขึ้นให้แก่ลูกค้าได้อย่างรวดเร็ว”

Matt Frye รองประธานและหัวหน้าเจ้าหน้าที่ฝ่ายวิทยาศาสตร์ข้อมูลของ Hotels.com และ Expedia Affiliate Network

Formosa Plastics

Formosa Plastics Corporation เป็นซัพพลายเออร์เรซินพลาสติกและปิโตรเคมีที่กำลังเติบโตและมีการบูรณาการในแนวตั้ง Formosa Plastics นำเสนอโพลีไวนิลคลอไรด์ โพลีเอทิลีนและโพลีโพรพิลีน เรซินคาสติกโซดาและปิโตรเคมีอื่น ๆ ที่มอบความสม่ำเสมอ ประสิทธิภาพ และคุณภาพที่ลูกค้าต้องการ

“Formosa Plastics เป็นหนึ่งในบริษัทปิโตรเคมีชั้นนำของไต้หวันและติดอันดับหนึ่งในผู้ผลิตพลาสติกชั้นนำของโลก เราตัดสินใจที่จะสำรวจเพื่อใช้แมชชีนเลิร์นนิงในการเพิ่มความแม่นยำการตรวจจับข้อบกพร่องและลดต้นทุนแรงงานคน และเราเลือกใช้ AWS เป็นผู้ให้บริการระบบคลาวด์หลักเพื่อช่วยให้เราบรรลุเป้าหมายนี้ AWS ML Solutions Lab ทำงานร่วมกับเราตลอดทุกขั้นตอนของกระบวนการ ตั้งแต่เวิร์กช็อปเพื่อค้นหาและกำหนดกรณีการใช้งานทางธุรกิจไปจนถึงการสร้างและเลือกโมเดล ML ที่เหมาะสม ตลอดไปจนถึงการนำไปใช้จริง โดยการใช้ Amazon SageMaker AI โซลูชันแมชชีนเลิร์นนิงช่วยลดเวลาของพนักงานที่ใช้ในการตรวจสอบด้วยตนเองลงครึ่งหนึ่ง ด้วยความช่วยเหลือของ Solutions Lab ตอนนี้เราสามารถเพิ่มประสิทธิภาพโมเดล SageMaker AI ด้วยตัวเองได้ในอนาคตเมื่อสภาพการณ์เปลี่ยนแปลงไป”

Bill Lee ผู้ช่วยรองประธาน - Formosa Plastics Corporation

Voodoo

Voodoo เป็นบริษัทเกมมือถือชั้นนำที่มีการดาวน์โหลดเกมมากกว่า 2 พันล้านครั้ง และมีผู้ใช้งานแบบรายเดือน (MAU) มากกว่า 400 ล้านคน พวกเขาใช้แพลตฟอร์มโฆษณาของตนเองและใช้แมชชีนเลิร์นนิงเพื่อปรับปรุงความแม่นยำและคุณภาพของการประมูลโฆษณาที่แสดงให้กับผู้ใช้

“ที่ Voodoo เราต้องรักษาฐานผู้เล่นจำนวนหลายล้านคนที่กำลังเติบโตอย่างต่อเนื่องให้มีส่วนร่วมอย่างสม่ำเสมอ ด้วยการกำหนดมาตรฐานเวิร์กโหลดของแมชชีนเลิร์นนิงและปัญญาประดิษฐ์ของเราบน AWS เราจึงสามารถดำเนินการซ้ำได้ตามความเร็วและขนาดที่เราต้องการเพื่อขยายธุรกิจและสร้างความสัมพันธ์กับนักเล่นเกมของเราอย่างต่อเนื่อง โดยการใช้ Amazon SageMaker AI เราสามารถตัดสินใจได้แบบเรียลไทม์ว่าควรจะแสดงโฆษณาใดให้ผู้เล่นของเราเห็น และสามารถเรียกดำเนินการตำแหน่งข้อมูลได้มากกว่า 100 ล้านครั้งโดยผู้ใช้กว่า 30 ล้านคนต่อวัน ซึ่งแสดงถึงการคาดการณ์เกือบพันล้านครั้งต่อวัน ด้วยแมชชีนเลิร์นนิงของ AWS เราสามารถนำโมเดลที่มีความแม่นยำมาใช้งานในสภาพแวดล้อมการผลิตได้ภายในเวลาไม่ถึง 1 สัปดาห์ โดยได้รับการสนับสนุนจากทีมงานขนาดเล็ก และสามารถพัฒนาเพิ่มเติมจากโมเดลดังกล่าวได้อย่างต่อเนื่องเมื่อทีมและธุรกิจของเราเติบโตขึ้น”

Aymeric Roffé ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี – Voodoo

Regit

Regit ซึ่งเดิมคือ Motoring.co.uk เป็นบริษัทเทคโนโลยียานยนต์และบริการออนไลน์ชั้นนำสำหรับผู้ขับขี่รถยนต์ในสหราชอาณาจักร โดยให้บริการการจัดการรถยนต์ดิจิทัลที่อิงจากหมายเลขทะเบียนรถและให้การแจ้งเตือนที่เป็นประโยชน์แก่ผู้ขับขี่ เช่น การเสียภาษีกับกระทรวงคมนาคม (MOT) การประกันภัย และการเรียกคืนรถยนต์

Regit ได้ทำงานร่วมกับ Peak Business Insight ซึ่งเป็นพาร์ทเนอร์ด้านการให้คำปรึกษาขั้นสูงของ APN เพื่อนำ “โมเดลแมชชีนเลิร์นนิงที่ใช้ข้อมูลเชิงหมวดหมู่” มาใช้ ซึ่งสามารถจัดการทั้งข้อมูลหมวดหมู่และข้อมูลตัวแปรได้พร้อมกัน เพื่อให้การคาดการณ์เกี่ยวกับโอกาสที่ผู้ใช้จะเปลี่ยนรถ ทำให้เกิดการขายสำหรับ Regit

Peak ใช้บริการของ AWS เช่น Amazon SageMaker AI สำหรับการรับข้อมูลแบบเรียลไทม์ การสร้างโมเดล และการส่งออกข้อมูล Amazon SageMaker AI จัดการคำขอ API สำหรับ Regit วันละ 5,000 ครั้ง โดยสามารถปรับขนาดและปรับเปลี่ยนตามความต้องการข้อมูลที่เกี่ยวข้องได้อย่างราบรื่น และจัดการการส่งมอบผลลัพธ์การให้คะแนนลูกค้าเป้าหมาย ในขณะเดียวกัน อินสแตนซ์ Amazon Redshift และ Amazon Elastic Compute Cloud (Amazon EC2) ช่วยปรับประสิทธิภาพและผลลัพธ์ของโมเดลได้อย่างมีประสิทธิภาพและต่อเนื่อง Peak ช่วยให้ Regit สามารถคาดการณ์ได้ว่าผู้ใช้งานในจำนวน 2.5 ล้านคน ใครจะเปลี่ยนรถและจะเปลี่ยนเมื่อใด ซึ่งหมายความว่าพวกเขาสามารถให้บริการลูกค้าในรูปแบบที่เป็นส่วนตัวและตรงเป้าหมายมากขึ้น เพิ่มรายได้จากคอลเซ็นเตอร์ได้มากกว่าหนึ่งในสี่

Realtor.com

Realtor.com

เครือข่าย Move, Inc. ซึ่งรวมถึง realtor.com®, Doorsteps® และ Moving.com™ ให้ข้อมูลอสังหาริมทรัพย์ เครื่องมือ และความเชี่ยวชาญจากมืออาชีพผ่านกลุ่มเว็บไซต์และประสบการณ์บนมือถือสำหรับผู้บริโภคและผู้เชี่ยวชาญด้านอสังหาริมทรัพย์

“เราเชื่อว่า Amazon SageMaker AI เป็นส่วนเสริมที่มีการเปลี่ยนแปลงสำคัญกับชุดเครื่องมือของ realtor.com® ขณะที่เราสนับสนุนผู้บริโภคตลอดเส้นทางการเป็นเจ้าของบ้านของตน เวิร์กโฟลว์แมชชีนเลิร์นนิงที่เคยใช้เวลานานในอดีต เช่น การฝึกฝนและการปรับแต่งโมเดล สามารถทำได้อย่างมีประสิทธิภาพมากขึ้นและโดยกลุ่มนักพัฒนาที่หลากหลายขึ้น ทำให้นักวิทยาศาสตร์และนักวิเคราะห์ข้อมูลของเราสามารถมุ่งเน้นไปที่การสร้างประสบการณ์ที่ดีที่สุดสำหรับผู้ใช้ของเรา”

Vineet Singh ประธานเจ้าหน้าที่ฝ่ายข้อมูลและรองประธานอาวุโส - Move, Inc.

Grammarly

Grammarly

ทุกวัน อัลกอริทึมของ Grammarly ช่วยให้ผู้คนนับล้านสื่อสารได้อย่างมีประสิทธิภาพมากขึ้นด้วยการให้ความช่วยเหลือในการเขียนบนหลายแพลตฟอร์มผ่านอุปกรณ์ต่าง ๆ ด้วยการผสมผสานระหว่างการประมวลผลภาษาธรรมชาติและเทคโนโลยีแมชชีนเลิร์นนิงขั้นสูง

“Amazon SageMaker AI ทำให้เราสามารถพัฒนาโมเดล TensorFlow ของเราในสภาพแวดล้อมการฝึกอบรมแบบกระจายได้ เวิร์กโฟลว์ของเรายังผสานเข้ากับ Amazon EMR สำหรับการประมวลผลล่วงหน้า ดังนั้นเราจึงสามารถรับข้อมูลของเราจาก Amazon S3 กรองข้อมูลด้วย EMR และ Spark จาก Jupyter Notebook จากนั้นฝึก Amazon SageMaker AI โดยใช้โน้ตบุ๊คเดียวกัน SageMaker AI ยังมีความยืดหยุ่นสำหรับความต้องการในการผลิตที่แตกต่างกันของเราอีกด้วย เราสามารถเรียกใช้การอนุมานบน SageMaker AI เองหรือหากต้องการเพียงแค่โมเดล เราสามารถดาวน์โหลดจาก S3 และเรียกใช้การอนุมานของการใช้งานอุปกรณ์มือถือของเราสำหรับลูกค้า iOS และ Android”

Stanislav Levental ผู้นำฝ่ายเทคนิค - Grammarly

Slice Labs

Slice Labs ซึ่งตั้งอยู่ในนิวยอร์กและมีการดำเนินงานทั่วโลก เป็นผู้ให้บริการแพลตฟอร์มระบบคลาวด์การประกันภัยตามความต้องการรายแรก Slice ให้บริการตลาด B2C ด้วยบริการการประกันภัยตามความต้องการสำหรับบุคคล และยังให้บริการตลาด B2B โดยการช่วยให้บริษัทต่าง ๆ สามารถสร้างผลิตภัณฑ์ประกันภัยดิจิทัลที่ใช้งานง่าย

“ที่ Slice เราตระหนักถึงลักษณะที่เปลี่ยนแปลงตลอดเวลาของความต้องการด้านการประกันภัยของลูกค้า เราจึงเลือก AWS เป็นแพลตฟอร์มระบบคลาวด์ของเราเนื่องจากบริการที่หลากหลาย ความยืดหยุ่น และชื่อเสียงที่แข็งแกร่งในหมู่บริษัทประกันภัย เราใช้บริการของ AWS หลายชนิดเพื่อสนับสนุนธุรกิจของเรา รวมถึงแมชชีนเลิร์นนิงของ AWS เพื่อช่วยเชื่อมต่อลูกค้ากับตัวเลือกการประกันภัยที่ดีที่สุดตามความต้องการของตน ในการทำงานร่วมกับบริษัทประกันภัยและบริษัทเทคโนโลยีที่ต้องการสร้างและเปิดตัวผลิตภัณฑ์ประกันภัยอัจฉริยะ เราได้เห็นการประหยัดค่าใช้จ่ายและประโยชน์ด้านประสิทธิภาพอย่างมากจากการใช้ AWS ตัวอย่างเช่น เราลดเวลาการจัดซื้อลงถึง 98% จาก 47 วัน เหลือเพียง 1 วัน เราตื่นเต้นที่จะขยายธุรกิจทั้งในด้านภูมิศาสตร์และการใช้ระบบคลาวด์ของเราด้วย AWS ต่อไป”

Philippe Lafreniere ประธานเจ้าหน้าที่ด้านการเติบโต - Slice Labs

DigitalGlobe

DigitalGlobe

ในฐานะผู้นำระดับโลกด้านการให้บริการภาพถ่าย ข้อมูล และการวิเคราะห์โลกความละเอียดสูง DigitalGlobe จึงต้องทำงานกับข้อมูลปริมาณมหาศาลทุกวัน

“ในฐานะผู้นำระดับโลกด้านการให้บริการภาพถ่าย ข้อมูล และการวิเคราะห์โลกความละเอียดสูง DigitalGlobe จึงต้องทำงานกับข้อมูลปริมาณมหาศาลทุกวัน DigitalGlobe ช่วยให้ผู้คนสามารถค้นหา เข้าถึง และเรียกใช้การประมวลผลบนไลบรารีภาพขนาด 100PB ของเราซึ่งจัดเก็บอยู่ใน AWS Cloud ได้ทั้งหมด เพื่อปรับใช้ดีปเลิร์นนิงกับภาพถ่ายดาวเทียม เราวางแผนที่จะใช้ Amazon SageMaker AI เพื่อฝึกโมเดลบนชุดข้อมูลภาพสำรวจโลกขนาดหลายเทราไบต์โดยใช้ Jupyter Notebook ที่โฮสต์ เพื่อให้ผู้ใช้ Geospatial Big Data Platform (GBDX) ของ DigitalGlobe สามารถสร้างโมเดลด้วยการกดเพียงปุ่มเดียว แล้วนำโมเดลนั้นไปใช้อย่างทั่วถึงภายในสภาพแวดล้อมแบบกระจายซึ่งปรับขนาดได้หนึ่งแห่งตามขนาดที่ต้องการ”

Dr. Walter Scott ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยีของ Maxar Technologies และผู้ก่อตั้ง DigitalGlobe

Intercom

Intercom

ผลิตภัณฑ์ที่เน้นการส่งข้อความของ Intercom ผสานรวมเข้ากับเว็บไซต์และแอปมือถือของบริษัทอื่น ๆ ได้อย่างราบรื่น เพื่อช่วยให้พวกเขาสามารถดึงดูด มีส่วนร่วม และให้การสนับสนุนลูกค้า ก่อตั้งขึ้นในปี 2011 บริษัทมีสำนักงานในซานฟรานซิสโกลอนดอน ชิคาโก และดับลิน

“ที่ Intercom เรามีทีมนักวิทยาศาสตร์ข้อมูลและวิศวกรที่มุ่งเน้นข้อมูลที่กำลังเติบโต และเรามักต้องการพัฒนาผลิตภัณฑ์อย่างรวดเร็วและสำรวจหาโซลูชันใหม่ ๆ สำหรับผลิตภัณฑ์ที่ขับเคลื่อนด้วยข้อมูล” ก่อนที่จะใช้ Amazon SageMaker AI เราได้ลองใช้ตัวเลือกที่แตกต่างกันมากมายในการสร้างผลิตภัณฑ์เหล่านี้ แต่ละตัวเลือกนั้นมาพร้อมกับความท้าทาย อย่างเช่นการแชร์โค้ดที่ทำได้ยาก การทดสอบ Big Data ช้า และการจัดเตรียมและการจัดการฮาร์ดแวร์ด้วยตัวเองก็เป็นปัญหา SageMaker AI ได้เข้ามาและแก้ปัญหาทั้งหมดนั้นให้เรา เราใช้ SageMaker AI โดยเฉพาะเพื่อพัฒนาอัลกอริทึมสำหรับแพลตฟอร์มการค้นหาและฟีเจอร์ของแมชชีนเลิร์นนิง และเราพบว่า Jupyter Notebook ที่โฮสต์โดย SageMaker AI ช่วยให้เราสามารถสร้างและพัฒนาซ้ำได้อย่างรวดเร็ว สิ่งสำคัญคือ การที่ SageMaker AI เป็นบริการแบบจัดการ จึงช่วยให้ทีมของฉันสามารถมุ่งเน้นไปที่งานที่อยู่ตรงหน้าได้อย่างเต็มที่ Amazon SageMaker AI เป็นบริการที่มีคุณค่าอย่างมากสำหรับเราที่ Intercom และเราตื่นเต้นที่จะใช้งานมากมันขึ้นเรื่อย ๆ เมื่อบริษัทของเราเติบโตขึ้น”

Kevin McNally นักวิทยาศาสตร์ข้อมูลอาวุโสด้านแมชชีนเลิร์นนิง - Intercom

Kinect Energy Group

Kinect Energy Group

Kinect Energy Group เป็นบริษัทในเครือของ World Fuel Services ซึ่งเป็นบริษัทในกลุ่ม Fortune 100 ที่ให้บริการให้คำปรึกษาด้านการจัดซื้อพลังงาน การดำเนินการจัดหาอุปทาน และโซลูชันการจัดการธุรกรรมและการชำระเงินให้กับลูกค้าในภาคธุรกิจและอุตสาหกรรม โดยเฉพาะในอุตสาหกรรมการบิน การขนส่งทางทะเล และการขนส่งทางบก Kinect Energy เป็นผู้ให้บริการพลังงานรายสำคัญในกลุ่มประเทศนอร์ดิก โดยพึ่งพาทรัพยากรพลังงานธรรมชาติที่ได้จากสภาพอากาศที่มีลมแรงในภูมิภาค

ธุรกิจได้ก้าวกระโดดไปข้างหน้าอย่างรวดเร็วเมื่อไม่นานมานี้ ด้วยการเปิดตัวบริการ AI / ML หลายรายการจาก AWS ด้วย Amazon SageMaker AI บริษัทสามารถคาดการณ์แนวโน้มสภาพอากาศในอนาคตและราคาค่าไฟฟ้าในเดือนถัดไปได้ ทำให้สามารถดำเนินการซื้อขายพลังงานล่วงหน้าในระยะยาวได้โดยไม่เคยมีมาก่อน ซึ่งเป็นแนวทางที่ล้ำหน้าในอุตสาหกรรม

“เราเริ่มใช้ Amazon SageMaker AI และด้วยความช่วยเหลือของทีม AWS ML Solutions และทีม Solutions Architecture เราได้รับแรงกระตุ้นด้วย Innovation Day และผลกระทบนั้นมีมากมายตั้งแต่นั้นมา เราได้พัฒนาทีม AI ของเราเองหลายครั้งเพื่อใช้ประโยชน์จากข้อได้เปรียบใหม่ที่เทคโนโลยี AWS มอบให้ได้อย่างเต็มที่ เรากำลังทำกำไรในรูปแบบใหม่โดยการกำหนดราคาตามสภาพอากาศที่ยังไม่เกิดขึ้น เรามุ่งมั่นเต็มที่กับ AWS โดยรวมถึงการจัดเก็บข้อมูลของเราใน S3 การใช้ Lambda สำหรับการประมวลผล และใช้ Step Functions นอกเหนือจาก SageMaker AI อีกด้วย และด้วยความร่วมมือที่มุ่งมั่นของ AWS ML Solutions Lab ตอนนี้เราสามารถพึ่งพาตนเองได้ โดยสามารถพัฒนาต่อยอดโมเดลที่เราสร้างขึ้นและปรับปรุงธุรกิจของเราต่อไปได้”

Andrew Stypa หัวหน้านักวิเคราะห์ธุรกิจ - Kinect Energy Group

Frame.io

Frame.io

Frame.io คือศูนย์กลางของคุณสำหรับทุกสิ่งที่เกี่ยวกับวิดีโอ Frame.io เป็นผู้นำในด้านการตรวจสอบและการทำงานร่วมกันเกี่ยวกับวิดีโอด้วยลูกค้ากว่า 700,000 รายทั่วโลก Frame.io คือแพลตฟอร์มที่มืออาชีพด้านวิดีโอจากทุกกลุ่ม ตั้งแต่ฟรีแลนซ์ไปจนถึงระดับองค์กร ใช้สำหรับการรีวิว อนุมัติ และส่งมอบวิดีโอ

“ในฐานะแพลตฟอร์มรีวิวและการทำงานร่วมกันด้านวิดีโอโดยใช้ระบบ Cloud-Native และเข้าถึงได้ทั่วโลก เราจำเป็นต้องให้ความปลอดภัยที่ดีที่สุดกับลูกค้าของเรา ด้วยโมเดลการตรวจจับความผิดปกติที่สร้างขึ้นใน Amazon SageMaker AI เราสามารถใช้ประโยชน์จากแมชชีนเลิร์นนิงเพื่อระบุ ตรวจจับ และบล็อกคำขอ IP ที่ไม่พึงประสงค์ได้อย่างรวดเร็ว เพื่อให้แน่ใจว่าสื่อของลูกค้าของเรายังคงปลอดภัยและได้รับการปกป้องตลอดเวลา การเริ่มต้นใช้งาน Amazon SageMaker AI การดูแลรักษาในระยะยาว การขยายการใช้งานบนแพลตฟอร์มของเรา และการปรับให้เข้ากับเวิร์กโฟลว์เฉพาะของเราเป็นเรื่องที่ง่ายและตรงไปตรงมา และด้วยความช่วยเหลือของ Jupyter notebooks ใน SageMaker AI เราจึงสามารถทดลองใช้โมเดลต่าง ๆ เพื่อปรับปรุงความแม่นยำและการเรียกคืนข้อมูลด้วยวิธีที่ทำให้ Frame.io มีความปลอดภัยยิ่งขึ้น”

Abhinav Srivastava รองประธานและหัวหน้าฝ่ายความปลอดภัยข้อมูล - Frame.io

Cookpad

Cookpad

Cookpad เป็นบริการแชร์สูตรอาหารที่ใหญ่ที่สุดในญี่ปุ่น โดยมีผู้ใช้รายเดือนประมาณ 60 ล้านคนในญี่ปุ่นและผู้ใช้รายเดือนประมาณ 90 ล้านคนทั่วโลก

“ด้วยความต้องการที่เพิ่มขึ้นสำหรับการใช้งานบริการสูตรอาหารของ Cookpad ให้ง่ายยิ่งขึ้น นักวิทยาศาสตร์ข้อมูลของเราจะสร้างโมเดลของแมชชีนเลิร์นนิงมากขึ้นเพื่อเพิ่มประสิทธิภาพประสบการณ์การใช้งานของผู้ใช้ เมื่อพยายามลดจำนวนการทำงานของการฝึกฝนเพื่อให้ได้ประสิทธิภาพที่ดีที่สุด เราพบความท้าทายที่สำคัญในการนำตำแหน่งข้อมูลการอนุมานของ ML ไปใช้ ซึ่งทำให้กระบวนการพัฒนาของเราช้าลง ในการปรับใช้โมเดล ML โดยอัตโนมัติเพื่อให้ทีมนักวิทยาศาสตร์ข้อมูลสามารถปรับใช้โมเดลได้ด้วยตนเอง เราใช้ API การอนุมานของ Amazon SageMaker AI และพิสูจน์ได้ว่า Amazon SageMaker AI จะขจัดความจำเป็นสำหรับวิศวกรแอปพลิเคชันที่ต้องทำการปรับใช้โมเดล ML เราคาดว่ากระบวนการนี้จะทำงานโดยอัตโนมัติด้วย Amazon SageMaker AI ในการใช้งานจริงได้” 

Yoichiro Someya วิศวกรวิจัย - Cookpad

Fabulyst

Fabulyst

Fabulyst เป็นสตาร์ทอัพที่ตั้งอยู่ในอินเดียซึ่งมุ่งเน้นไปที่การค้าขายด้านแฟชันที่สร้างประสบการณ์ที่ดีและเป็นส่วนตัวมากขึ้นสำหรับผู้ซื้อ และเพิ่มอัตราการแปลงที่ดีกว่าสำหรับผู้ค้าปลีกโดยใช้ AI

“Fabulyst ช่วยให้ผู้ซื้อค้นหาสินค้าที่สมบูรณ์แบบได้ง่ายขึ้นโดยการจับคู่สินค้าจากคลังสินค้ากับคำค้นหาที่เฉพาะเจาะจงและเป็นส่วนตัวของผู้ใช้ (เช่น เลือกที่เหมาะสมกับลักษณะของรูปร่างของตน หรือโทนสีผิว) ในขณะเดียวกัน เราช่วยให้ผู้ค้าปลีกสามารถเพิ่มอัตราการแปลงได้อย่างมีประสิทธิภาพมากขึ้น โดยการใช้คอมพิวเตอร์วิชันเพื่อคาดการณ์แนวโน้มประจำเดือนตามข้อมูลจากโซเชียลมีเดีย การค้นหา บล็อก และอื่น ๆ และทำการแท็กแนวโน้มเหล่านั้นโดยอัตโนมัติในแคตาล็อกของลูกค้าปลีกของเรา Fabulyst ใช้ AWS เพื่อส่งมอบโซลูชันที่ดีที่สุดของเรา รวมถึง Amazon SageMaker AI เพื่อจัดการกับการคาดการณ์มากมายที่สนับสนุนบริการของเรา การใช้ SageMaker AI และบริการ AWS อื่น ๆ ทำให้เราสามารถรับประกันคุณค่าแก่ผู้ใช้ของเรา เช่น การเพิ่มรายได้มากขึ้น 10% สำหรับผู้ค้าปลีก และมีความมั่นใจในความสามารถของเราในการให้ผลลัพธ์ที่ยอดเยี่ยมทุกครั้ง”

Komal Prajapati ผู้ก่อตั้งและประธานบริหาร - Fabulyst

Terragon Group

Terragon Group

Terragon Group เป็นธุรกิจด้านข้อมูลและเทคโนโลยีการตลาดที่ปลดล็อกคุณค่าให้กับธุรกิจต่าง ๆ โดยใช้ข้อมูลเชิงลึกเพื่อเข้าถึงกลุ่มผู้ใช้มือถือในแอฟริกา ในช่วงหลายปีที่ผ่านมา Terragon Group ได้กลายเป็นผู้นำในด้านโทรศัพท์มือถือ ซึ่งให้บริการแก่แบรนด์ทั้งในท้องถิ่นและระดับนานาชาติ ครอบคลุมพื้นที่หลายภูมิภาค การส่งข้อความโฆษณาที่เหมาะสมไปยังผู้ใช้ที่ถูกต้องในเวลาที่เหมาะสมต้องมีการปรับแต่งเฉพาะบุคคล และ Terragon ใช้ข้อมูล ข้อมูลเชิงลึก และปัญญาประดิษฐ์เพื่อช่วยให้ธุรกิจเข้าถึงกลุ่มเป้าหมายที่เหมาะสมในแอฟริกา

“Amazon SageMaker AI มอบเวิร์กโฟลว์แมชชีนเลิร์นนิงแบบครบวงจรให้กับเรา โดยไม่จำเป็นต้องจัดการโครงสร้างพื้นฐานเบื้องหลังใด ๆ ทีมวิทยาศาสตร์ข้อมูลและแมชชีนเลิร์นนิงของเราสามารถดำเนินการตั้งแต่การสำรวจข้อมูลไปจนถึงการฝึกโมเดลและการนำไปใช้งานจริงได้อย่างรวดเร็วภายในเวลาเพียงไม่กี่ชั่วโมง สำหรับธุรกิจที่ตั้งอยู่ในแอฟริกา ซึ่งมีความขาดแคลนบุคลากรด้านวิศวกรรม เราไม่มีวิธีอื่นใดที่จะสามารถสร้างและติดตั้งโมเดล ML เพื่อแก้ปัญหาในชีวิตจริงได้ในเวลาน้อยกว่า 90 วัน”

Deji Balogun ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) - Terragon Group

SmartNews

SmartNews

SmartNews เป็นแอปข่าวที่ใหญ่ที่สุดในญี่ปุ่น ให้บริการข้อมูลคุณภาพแก่ผู้ใช้งานรายเดือนมากกว่า 11 ล้านคนทั่วโลก ด้วยเทคโนโลยีแมชชีนเลิร์นนิง SmartNews ช่วยให้ผู้ใช้ได้รับข่าวที่สารเกี่ยวข้องและน่าสนใจที่สุด อัลกอริทึมแมชชีนเลิร์นนิงที่ SmartNews ประเมินบทความ สัญญาณทางสังคม และการโต้ตอบของผู้คนนับล้านเพื่อส่งมอบเพียง 0.01% ของข่าวที่สำคัญที่สุดและเหมาะสมในขณะนี้

“ภารกิจของเราในการค้นพบและนำเสนอเรื่องราวคุณภาพสู่โลกได้รับการขับเคลื่อนโดย AWS และโดยเฉพาะอย่างยิ่ง Amazon SageMaker AI ซึ่งช่วยให้เร่งรัดวงจรการพัฒนาเพื่อให้บริการลูกค้าของเรา การใช้ Amazon SageMaker AI ช่วยเราอย่างมากในวิธีการคัดเลือกข่าวของเรา รวมถึงการจำแนกบทความโดยใช้ดีปเลิร์นนิง การคาดการณ์มูลค่าตลอดอายุการใช้งาน และการสร้างโมเดลแบบผสมผสานสำหรับข้อความและภาพ เราหวังเป็นอย่างยิ่งว่าจะสามารถบรรลุความสำเร็จที่ยิ่งใหญ่กว่านี้ด้วย Amazon SageMaker AI และโซลูชัน AI อื่น ๆ จาก AWS”

Kaisei Hamamoto ผู้ร่วมก่อตั้งและประธานบริหารร่วม - SmartNews, Inc.

Pioneer

Pioneer

Pioneer เป็นบริษัทข้ามชาติที่เชี่ยวชาญด้านความบันเทิงดิจิทัล รวมถึงอุปกรณ์อิเล็กทรอนิกส์ในรถยนต์และบริการเคลื่อนย้าย Pioneer ขับเคลื่อนด้วยปรัชญาขององค์กรที่ว่า “Move the Heart and Touch the Soul” และมอบผลิตภัณฑ์และบริการที่สามารถช่วยเหลือลูกค้าในชีวิตประจำวันของพวกเขา

“การใช้ประโยชน์จาก Amazon SageMaker AI และฟีเจอร์การฝึกโมเดล เช่น การปรับแต่งโมเดลโดยอัตโนมัติ เราสามารถพัฒนาโมเดลแมชชีนเลิร์นนิงที่มีความแม่นยำสูง และยังคงมั่นใจได้ถึงความเป็นส่วนตัวสำหรับลูกค้าของเรา เรายังหวังว่าจะใช้ประโยชน์จาก AWS Marketplace สำหรับแมชชีนเลิร์นนิง ทั้งในด้านอัลกอริทึมและโมเดลที่ผ่านการฝึกล่วงหน้ามาแล้วเพื่อสร้างแพลตฟอร์มการสร้างรายได้”

Kazuhiro Miyamoto ผู้จัดการทั่วไปฝ่ายวิศวกรรมบริการสารสนเทศ - Pioneer

dely

Dely

Dely ให้บริการวิดีโอการทำอาหารที่ดีที่สุดของญี่ปุ่น Kurashiru มุ่งมั่นทุกวันเพื่อสร้างบริการด้านการทำอาหารที่มีผลกระทบต่อโลก Kurashiru ช่วยเหลือผู้คนจำนวนมากทุกวันด้วยการแนะนำสูตรอาหารอร่อยหลากหลายชนิด ซึ่งช่วยเติมสีสันให้กับโต๊ะอาหารผ่านวิดีโอการทำอาหาร ผู้คนหลายหมื่นล้านรับชมและฟังบริการสูตรอาหารรายเดือนในญี่ปุ่น

“เรามียอดดาวน์โหลดแอปมือถือเกิน 15 ล้านครั้ง ภายใน 2.5 ปีนับตั้งแต่เปิดตัวบริการ Kurashiru ยอดนิยม เราเชื่อว่าการส่งมอบเนื้อหาที่เหมาะสมให้กับผู้ใช้ของเราในเวลาที่เหมาะสมโดยใช้เทคโนโลยีขั้นสูง เช่น แมชชีนเลิร์นนิงเป็นสิ่งสำคัญ เพื่อให้บรรลุเป้าหมายนี้เราใช้ Amazon SageMaker AI ซึ่งช่วยให้เราสร้างและนำโมเดลแมชชีนเลิร์นนิงไปใช้งานจริงได้ภายใน 90 วัน นอกจากนี้เรายังปรับปรุงอัตราการคลิกผ่านเพิ่มขึ้น 15% ด้วยการปรับแต่งเนื้อหา”

Masato Otake ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) - Dely, Inc.

Ayla Networks

Ayla Networks

Ayla Networks เป็นบริษัทซอฟต์แวร์แพลตฟอร์ม IoT ในรูปแบบบริการที่ตั้งอยู่ในซานฟรานซิสโก ซึ่งพัฒนาโซลูชันสำหรับทั้งตลาดผู้บริโภคและตลาดเชิงพาณิชย์

“ที่ Ayla Networks เราพบว่าลูกค้าของเราส่วนใหญ่ใช้โครงสร้างพื้นฐานของ AWS เนื่องจากความสามารถในการปรับขนาดและความเสถียรที่ได้รับการพิสูจน์แล้ว โดยเฉพาะอย่างยิ่ง เราเห็นว่าผู้ผลิตเชิงพาณิชย์กำลังใช้ประโยชน์จาก Amazon SageMaker AI เพื่อใช้ข้อมูลประสิทธิภาพของอุปกรณ์จากระบบคลาวด์ของ Ayla ด้วย Amazon SageMaker AI และผลิตภัณฑ์ Ayla IQ ของเรา ธุรกิจสามารถค้นพบข้อมูลเชิงลึกและความผิดปกติที่นำไปสู่การปรับปรุงคุณภาพของผลิตภัณฑ์และบริการ รวมถึงการคาดการณ์ความล้มเหลวของเครื่องจักรและแก้ไขปัญหาก่อนที่จะเกิดขึ้นได้ โซลูชันนี้ช่วยให้ลูกค้าของเราดำเนินงานได้อย่างราบรื่น เพื่อให้ธุรกิจของพวกเขาสามารถเติบโต ผลิต และขยายตัวได้โดยไม่ต้องกังวล”

Prashanth Shett รองประธานฝ่ายการตลาดส่วนกลาง - Ayla Networks

FreakOut

FreakOut

FreakOut เป็นบริษัทเทคโนโลยีชั้นนำที่มุ่งเน้นการโฆษณาดิจิทัล เป็นบริษัทที่นำเสนอผลิตภัณฑ์สำหรับการทำธุรกรรมคลังโฆษณาแบบเรียลไทม์ในการโฆษณาทางอินเทอร์เน็ต รวมถึงการวิเคราะห์ข้อมูลสำหรับการท่องเว็บ FreakOut ใช้ประโยชน์จากแมชชีนเลิร์นนิงสำหรับการคาดการณ์อัตราการคลิกผ่าน (CTR) และอัตราการแปลง (CVR)

“เรากำลังอยู่ในระหว่างการย้ายสภาพแวดล้อมการฝึกแมชชีนเลิร์นนิงจากระบบภายในองค์กรไปยัง Amazon SageMaker AI Amazon SageMaker AI นำเสนอโซลูชันที่ปรับขนาดได้มากขึ้นสำหรับธุรกิจของเรา ด้วยฟีเจอร์การปรับแต่งโมเดลโดยอัตโนมัติจาก Amazon SageMaker AI เราสามารถปรับแต่งและประเมินโมเดลที่มีความแม่นยำสูงตามความต้องการของเราได้”

Jiro Nishiguchi ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) - FreakOut

Wag!

Wag!

“ที่ Wag! เราต้องตอบสนองความต้องการของอุปทานและอุปสงค์ในตลาดแบบสองด้าน เราเห็นโอกาสในการใช้แมชชีนเลิร์นนิงซึ่งขับเคลื่อนโดย AWS เพื่อคาดการณ์ความต้องการการพาสุนัขไปเดินเล่นของลูกค้าของเรา ด้วยการกำหนดมาตรฐานแอปพลิเคชันแมชชีนเลิร์นนิงของเราบน AWS เราสามารถตอบสนองความต้องการทางธุรกิจที่เติบโตอย่างต่อเนื่องได้โดยการทดลองและปรับปรุงในอัตราที่เร็วขึ้นและสามารถปรับขนาดได้ แม้ว่าจะมีทรัพยากรวิศวกรรมที่จำกัดก็ตาม ด้วยการใช้ Amazon SageMaker AI เราสามารถเร่งการทดลองแมชชีนเลิร์นนิง โดยบีบอัดเวลาในการคำนวณในการฝึกโมเดลจาก 45 วันให้เหลือเพียง 3 วัน”

Dave Bullock รองประธานฝ่ายเทคโนโลยีวิศวกรรมและการปฏิบัติการ - Wag Labs Inc.

Print

Infoblox

Infoblox เป็นผู้นำด้านบริการเครือข่ายที่ได้รับการจัดการด้วยระบบคลาวด์ที่ปลอดภัย ซึ่งออกแบบมาเพื่อจัดการและรักษาความปลอดภัยให้กับเครือข่ายหลัก ได้แก่ DNS, DHCP และการจัดการที่อยู่ IP (ที่รวมกันเรียกว่า DDI)

“ที่ Infoblox เราได้สร้างบริการวิเคราะห์ความปลอดภัยของ DNS ด้วย Amazon SageMaker AI ซึ่งตรวจจับผู้ประสงค์ร้ายที่สร้างโฮโมกราฟเพื่อปลอมตัวเป็นเป้าหมายของชื่อโดเมนที่มีมูลค่าสูงและใช้เพื่อปล่อยมัลแวร์ ฟิชชิ่งข้อมูลผู้ใช้ และโจมตีชื่อเสียงของแบรนด์ AWS เป็นมาตรฐานของเราสำหรับระบบคลาวด์ในองค์กร และเราสามารถใช้ประโยชน์จากฟีเจอร์ต่าง ๆ ที่ SageMaker AI มีให้เพื่อเร่งการพัฒนาโมเดล ML ได้ ด้วยการใช้ความสามารถในการปรับแต่งโมเดลโดยอัตโนมัติของ SageMaker เราได้ขยายขนาดการทดลองและปรับปรุงความแม่นยำให้สูงถึง 96.9% ต้องขอบคุณ SageMaker AI เครื่องตรวจจับโฮโมกราฟ IDN ซึ่งเป็นส่วนหนึ่งของบริการวิเคราะห์ความปลอดภัยของเรา ได้ตรวจพบการแก้ไขโดเมนโฮโมกราฟมากกว่า 60 ล้านโดเมน และยังคงพบเพิ่มขึ้นอีกนับล้านในแต่ละเดือน ซึ่งช่วยให้ลูกค้าของเราสามารถตรวจจับการละเมิดแบรนด์ได้เร็วขึ้น”

Femi Olumofin สถาปนิกด้านการวิเคราะห์ - Infoblox

NerdWallet

NerdWallet

NerdWallet บริษัทด้านการเงินส่วนบุคคลที่ตั้งอยู่ในซานฟรานซิสโก ให้บริการรีวิวและการเปรียบเทียบผลิตภัณฑ์ทางการเงิน รวมถึงบัตรเครดิต การธนาคาร การลงทุน สินเชื่อ และการประกันภัย

“NerdWallet อาศัยวิทยาศาสตร์ข้อมูลและ ML เพื่อเชื่อมต่อลูกค้ากับผลิตภัณฑ์ทางการเงินที่ปรับให้เหมาะสมกับลูกค้า เราเลือกที่จะสร้างมาตรฐานให้กับเวิร์กโหลด ML ของเราบน AWS เนื่องจากช่วยให้เราสามารถปรับปรุงแนวทางปฏิบัติทางวิศวกรรมวิทยาศาสตร์ข้อมูลของเราให้ทันสมัยได้อย่างรวดเร็ว โดยการขจัดอุปสรรคและเร่งเวลาการส่งมอบ ด้วย Amazon SageMaker AI นักวิทยาศาสตร์ข้อมูลของเราสามารถใช้เวลามากขึ้นในการแสวงหาเชิงกลยุทธ์และมุ่งเน้นพลังงานไปที่จุดแข็งที่ทำให้เราได้เปรียบทางการแข่งขัน ซึ่งคือข้อมูลเชิงลึกเกี่ยวกับปัญหาที่เรากำลังแก้ไขให้กับผู้ใช้ของเรา”

Ryan Kirkman ผู้จัดการอาวุโสฝ่ายวิศวกรรม - NerdWallet

Splice

Splice

Splice เป็นแพลตฟอร์มสร้างสรรค์สำหรับนักดนตรี สร้างขึ้นโดยนักดนตรี เพื่อให้ศิลปินสามารถปลดปล่อยศักยภาพทางความคิดสร้างสรรค์ที่แท้จริงของพวกเขา สตาร์ทอัพการสร้างเพลงตามการสมัครสมาชิกก่อตั้งขึ้นในปี 2013 และปัจจุบันให้บริการแก่นักดนตรีมากกว่า 3 ล้านคนที่สำรวจแคตตาล็อกเพื่อค้นหาผลิตภัณฑ์เสียงที่สมบูรณ์แบบ

“เมื่อแคตตาล็อกเสียงและการตั้งค่าล่วงหน้าของเราเพิ่มขึ้น ความท้าทายในการค้นพบเสียงที่เหมาะสมก็เพิ่มขึ้นเช่นกัน นั่นคือเหตุผลที่ Splice ได้ลงทุนในการสร้างความสามารถในการค้นหาและการค้นพบที่ดีที่สุดในระดับเดียวกัน ด้วยการกำหนดมาตรฐานเวิร์กโหลด ML ของเราบน AWS เราจึงสร้างข้อเสนอใหม่ที่เน้นไปที่ผู้ใช้งานโดยมุ่งหวังที่จะทำให้การเชื่อมต่อระหว่างนักดนตรีกับเสียงที่พวกเขากำลังมองหาง่ายยิ่งกว่าที่เคย นับตั้งแต่เปิดตัว Similar Sounds เราได้เห็นการแปลงการค้นหาเพิ่มขึ้นเกือบ 10 เปอร์เซ็นต์ ด้วยการใช้ประโยชน์จาก Amazon SageMaker AI เราได้สร้างส่วนเสริมที่สมบูรณ์แบบสำหรับการค้นหาผ่านข้อความ ทำให้ผู้ใช้ของเราสามารถค้นพบและสำรวจแคตตาล็อกของเราในรูปแบบที่ไม่เคยเป็นไปได้มาก่อน”

Alejandro Koretzky หัวหน้าฝ่ายแมชชีนเลิร์นนิงและวิศวกรหลัก - Splice

Audeosoft

Audeosoft

“ก่อนที่เราจะเริ่มต้นการเดินทางของแมชชีนเลิร์นนิง เรามีแค่ความสามารถในการค้นหาข้อความในประวัติย่อ (CV) เท่านั้น แต่การขาดความสามารถในการรู้จำอักขระด้วยแสงของเราทำให้ไม่สามารถค้นหา CV ทุกฉบับได้ ด้วย Amazon Textract ราสามารถสกัดเนื้อหาจากเอกสารทุกประเภทได้ และเรามีความสามารถในการทำดัชนีไฟล์ที่อัปโหลดทั้งหมดในคลัสเตอร์ Elasticsearch ตอนนี้เอกสารที่อัปโหลดทุกฉบับสามารถค้นหาผ่าน Elasticsearch ได้แล้ว ซึ่งให้ความเร็วในการค้นหาเร็วกว่าการค้นหาผ่าน SQL ดั้งเดิม 10 เท่า นอกจากนี้ เรายังใช้การทำเวกเตอร์คำโดยใช้ Amazon SageMaker AI เพื่อเพิ่มคำหลักที่เกี่ยวข้องลงในคำขอการค้นหา กระบวนการนี้ช่วยให้เราสามารถจำแนกและประเมินผู้สมัครได้อย่างแม่นยำ และช่วยลดข้อผิดพลาดที่เกิดจากการใช้คำพ้องความหมายหรือคำศัพท์ทางเลือกที่ใช้ใน CV โดยการใช้ Amazon SageMaker AI และ Amazon Textract เราสามารถส่งมอบผู้สมัครที่ชาญฉลาดและมีคุณภาพดียิ่งขึ้นให้กับผู้สรรหาบุคลากร ประสิทธิภาพที่มีความเสถียร ความพร้อมใช้งานทั่วโลก และความน่าเชื่อถือเป็นปัจจัยสำคัญของความสำเร็จของ Audeosoft เมื่อเราตัดสินใจร่วมมือกับ AWS เมื่อเกือบ 8 ปีที่แล้ว เรารู้ว่าพวกเขาจะเป็นพาร์ทเนอร์ที่ยอดเยี่ยมสำหรับอนาคต ด้วยการเลือก AWS เป็นผู้ให้บริการระบบคลาวด์หลักของเรา เรามีพาร์ทเนอร์ที่มีแรงผลักดันเดียวกัน และความปรารถนาในการสร้างนวัตกรรมเช่นเดียวกับที่เรามีในตลอดหลายปีข้างหน้า”

Marcel Schmidt ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) - Audeosoft

Freshworks

Freshworks

Freshworks เป็นบริษัท B2B SaaS ระดับยูนิคอร์นที่ตั้งอยู่ในสหรัฐอเมริกาและอินเดีย โดยให้บริการแก่ธุรกิจขนาดเล็กและขนาดกลาง (SMB) และธุรกิจระดับกลางทั่วโลก Freshworks นำเสนอชุดแอปพลิเคชันที่ใช้งานง่ายแต่ทรงพลังสำหรับการมีส่วนร่วมของลูกค้าและเวิร์กโฟลว์การมีส่วนร่วมของพนักงาน

“ที่ Freshworks เราได้พัฒนาแอปพลิเคชัน AI/ML หลักของเราที่เรียกว่า Freddy AI Skills โดยใช้โมเดลที่มีความเป็นส่วนตัวสูง ซึ่งช่วยให้ตัวแทนตอบคำถามของผู้ใช้และแก้ไขปัญหาตั๋วสนับสนุนได้สำเร็จ ทีมขายและการตลาดสามารถจัดลำดับความสำคัญของโอกาสและปิดการขายได้อย่างรวดเร็ว และผู้จัดการความสำเร็จของลูกค้าลดความเสี่ยงจากการสูญเสียลูกค้าและขยายธุรกิจได้ เราเลือกที่จะสร้างมาตรฐานเวิร์กโหลด ML ของเราบน AWS เนื่องจากเราสามารถสร้าง ฝึกฝน และปรับใช้แมชชีนเลิร์นนิงที่ปรับให้เหมาะสมกับกรณีการใช้งานของลูกค้าได้อย่างง่ายดาย ด้วย Amazon SageMaker AI เราสามารถสร้างโมเดลได้มากกว่า 30,000 โมเดลสำหรับลูกค้ากว่า 11,000 ราย พร้อมทั้งลดเวลาในการฝึกฝนโมเดลเหล่านี้จาก 24 ชั่วโมงให้เหลือไม่ถึง 33 นาที เราใช้ SageMaker Model Monitor ในการติดตามการเบี่ยงเบนของข้อมูลและฝึกฝนโมเดลใหม่เพื่อให้แน่ใจถึงความแม่นยำ Freddy AI Skills ที่ขับเคลื่อนโดย Amazon SageMaker AI พัฒนาอย่างต่อเนื่องด้วยการดำเนินการที่ชาญฉลาด ข้อมูลเชิงลึกที่เจาะลึกอย่างละเอียด และการสนทนาที่ขับเคลื่อนด้วยเจตนา”

Tejas Bhandarkar ผู้อำนวยการอาวุโสฝ่ายผลิตภัณฑ์ - Freshworks Platform

Veolia

Veolia

Veolia Water Technologies เป็นบริษัทออกแบบที่มีประสบการณ์และผู้ให้บริการโซลูชันด้านเทคโนโลยีและบริการเฉพาะทางด้านการบำบัดน้ำและน้ำเสีย

“ในเวลาแปดสัปดาห์สั้น ๆ เราได้ทำงานร่วมกับ AWS เพื่อพัฒนาต้นแบบที่คาดการณ์ได้ว่าเมื่อใดควรทำความสะอาดหรือเปลี่ยนแผ่นกรองน้ำในโรงงานผลิตน้ำจืด เราใช้ Amazon SageMaker AI เพื่อสร้างโมเดล ML ที่เรียนรู้จากรูปแบบก่อนหน้าและคาดการณ์การพัฒนาของตัวบ่งชี้การเปื้อนในอนาคต” ด้วยการกำหนดมาตรฐานเวิร์กโหลด ML ของเราบน AWS เราสามารถลดต้นทุนและป้องกันไม่ให้มีเวลาหยุดทำงาน ขณะเดียวกันก็ปรับปรุงคุณภาพของน้ำที่ผลิตได้อีกด้วย ผลลัพธ์เหล่านี้ไม่สามารถเกิดขึ้นได้หากไม่มีประสบการณ์ทางเทคนิค ความไว้วางใจ และความทุ่มเทของทั้งสองทีมเพื่อให้บรรลุเป้าหมายเดียว นั่นคือการจ่ายน้ำที่สะอาดและปลอดภัยอย่างต่อเนื่อง”

Aude GIARD ประธานเจ้าหน้าที่ฝ่ายดิจิทัล - Veolia Water Technologies

Sportradar

Sportradar

Sportradar ผู้ให้บริการข้อมูลกีฬาชั้นนำ นำเสนอข้อมูลกีฬาแบบเรียลไทม์ให้กับลีกกีฬามากกว่า 65 ลีกทั่วโลก ด้วยความพยายามที่จะสร้างข้อมูลเชิงลึกที่ล้ำสมัย บริษัทได้ร่วมมือกับ Amazon ML Solutions Lab ในการพัฒนาเครื่องมือทำนายการทำประตูฟุตบอล

“เราได้ตั้งใจเลือกหนึ่งในปัญหาด้านคอมพิวเตอร์วิชันที่ยากที่สุดมาให้ทีมงาน Amazon ML Solutions Lab เพื่อทดสอบความสามารถของแมชชีนเลิร์นนิงของ Amazon และฉันประทับใจในผลลัพธ์มาก ทีมได้สร้างโมเดล ML เพื่อทำนายการทำประตูในฟุตบอลล่วงหน้าก่อนเกมสด 2 วินาทีโดยใช้ Amazon SageMaker AI โมเดลนี้เพียงอย่างเดียวได้เปิดประตูสู่โอกาสทางธุรกิจใหม่ ๆ มากมายให้กับเรา เราหวังเป็นอย่างยิ่งที่จะทำให้เวิร์กโหลด ML ของเรามีมาตรฐานบน AWS เนื่องจากเราสามารถสร้าง ฝึกฝน และปรับใช้โมเดลที่ส่งเสริมนวัตกรรมในธุรกิจของเรา พร้อมกับตอบสนองความต้องการด้านค่าใช้จ่ายและเวลาแฝงได้”  

Ben Burdsall ประธานเจ้าหน้าที่ฝ่ายเทคโนโลยี (CTO) - Sportradar

Roche

Roche

F. Hoffmann-La Roche AG (Roche) เป็นบริษัทวิทยาศาสตร์ชีวภาพข้ามชาติของสวิสที่เชี่ยวชาญด้านเภสัชกรรมและการวินิจฉัย

“ฉันต้องการผลักดันทีมของฉันให้จัดระบบเวิร์กโฟลว์ ML ของเราในระบบคลาวด์ ดังนั้นเราจึงทำงานร่วมกับ Machine Learning Solutions Lab เพื่อจัดเวิร์กช็อปเกี่ยวกับ Amazon SageMaker AI โดยแสดงให้เห็นว่า SageMaker AI ช่วยเพิ่มประสิทธิภาพกระบวนการผลิต ML สำหรับนักวิทยาศาสตร์ข้อมูลอย่างไร ตั้งแต่การจัดเวิร์กช็อป 80% ของเวิร์กโหลด ML ของเราทำงานบน AWS ซึ่งช่วยให้ทีมของเรานำโมเดล ML ไปสู่การใช้งานจริงได้เร็วขึ้นถึงสามเท่า SageMaker AI และสแต็ก AWS ช่วยให้เราสามารถใช้ทรัพยากรการประมวลผลเพื่อฝึกโมเดลได้ตามความต้องการ โดยไม่ถูกจำกัดด้วยความพร้อมใช้งานของระบบในองค์กร”  

Gloria Macia นักวิทยาศาสตร์ข้อมูล - Roche

Guru_Logos

Guru

“ที่ Guru เราเชื่อว่าความรู้ที่คุณต้องการในการทำงานควรจะมาหาคุณ เราเป็นโซลูชันการจัดการความรู้ที่รวบรวมข้อมูลที่มีค่าที่สุดของทีมคุณ และจัดระเบียบให้อยู่ในแหล่งข้อมูลเดียวที่เชื่อถือได้ เราใช้ประโยชน์จาก AI เพื่อแนะนำความรู้แก่คุณในแบบเรียลไทม์ในที่ที่คุณทำงาน รับรองว่าความรู้นั้นได้รับการตรวจสอบยืนยันอยู่เสมอ และช่วยให้คุณจัดการฐานความรู้ทั้งหมดของคุณได้ดียิ่งขึ้น ทีมวิทยาศาสตร์ข้อมูลผลิตภัณฑ์ที่กำลังเติบโตของเราเผชิญกับความท้าทายทั้งหมดของทีม ML ในยุคปัจจุบัน เช่น การสร้าง ฝึกฝน และการปรับใช้ระบบ ML ในระดับขนาดใหญ่ และเราพึ่งพา Amazon SageMaker AI เพื่อเอาชนะความท้าทายบางอย่างเหล่านี้ ปัจจุบันเราใช้ประโยชน์จาก SageMaker Inference เพื่อปรับใช้โมเดล ML ของเราในระบบการทำงานจริงได้อย่างรวดเร็วยิ่งขึ้น ซึ่งช่วยให้เราบรรลุเป้าหมายอันดับหนึ่งของเรา นั่นคือการมอบคุณค่าให้กับลูกค้าของเรา”  

Nabin Mulepati วิศวกร ML ระดับพนักงาน - Guru

Amazon Operations

Amazon Operations

ในฐานะที่เป็นส่วนหนึ่งของความมุ่งมั่นของ Amazon ในการรักษาความปลอดภัยของพนักงานในช่วงการระบาดของ COVID-19 ทีมปฏิบัติการของ Amazon ได้ปรับใช้โซลูชัน ML เพื่อช่วยรักษามาตรการเว้นระยะห่างทางสังคมในอาคารปฏิบัติการกว่า 1,000 แห่งทั่วโลก Amazon Operations ร่วมมือกับ Amazon Machine Learning Solutions Lab เพื่อสร้างโมเดลคอมพิวเตอร์วิชันขั้นสูงสำหรับการประมาณระยะห่างโดยใช้ Amazon SageMaker AI

“ด้วยการสร้างมาตรฐานเวิร์กโหลด ML ของเราบน AWS และทำงานร่วมกับผู้เชี่ยวชาญที่ ML Solutions Lab เราได้สร้างชุดโมเดลที่เป็นนวัตกรรมใหม่ซึ่งเราคาดว่าจะช่วยลดความพยายามในการตรวจสอบด้วยตนเองได้ถึง 30% การใช้ Amazon SageMaker AI ช่วยให้เราใช้เวลาในการมุ่งเน้นไปที่ความปลอดภัยและความแม่นยำมากขึ้น โดยลดความจำเป็นในการตรวจสอบด้วยตนเองหลายร้อยชั่วโมงต่อวัน”

Russell Williams ผู้อำนวยการฝ่ายพัฒนาซอฟต์แวร์ - Amazon OpsTech IT

Freddy's

Freddy’s Frozen Custard & Steakburgers

Freddy's Frozen Custard & Steakburgers เป็นร้านอาหารแบบสบาย ๆ ที่นำเสนอการผสมผสานเฉพาะของสเต็กเบอร์เกอร์ที่ปรุงตามสั่ง ฮอทด็อก Vienna Beef มันฝรั่งทอดแบบเส้นบางยาว และอาหารเมนูอร่อยอื่น ๆ พร้อมกับขนมคัสตาร์ดแช่แข็งที่ปรุงสดใหม่ ก่อตั้งขึ้นในปี 2002 และเริ่มระบบแฟรนไชส์ในปี 2004 ปัจจุบัน Freddy’s มีร้านอาหารเกือบ 400 แห่งทั่ว 32 รัฐ

“ก่อนหน้านี้ เราจะเลือกแค่ร้านอาหารสองแห่งที่ดูคล้ายกัน แต่ตอนนี้เรามีความเข้าใจอย่างแท้จริงเกี่ยวกับความสัมพันธ์ระหว่างรายการอาหารในเมนู ลูกค้า และสถานที่ของเรา Amazon SageMaker Autopilot ซึ่งขับเคลื่อนความสามารถใหม่ด้าน ML ของ Domo ได้ช่วยเสริมศักยภาพให้กับทีมการตลาดและการจัดซื้อของเราในการทดลองแนวคิดใหม่ ๆ และพัฒนาประสบการณ์ของลูกค้าให้ดีขึ้น

Sean Thompson ผู้อำนวยการด้านไอที – Freddy’s

Freddy's

Vanguard

“เรารู้สึกตื่นเต้นที่นักวิทยาศาสตร์ข้อมูลและวิศวกรข้อมูลของ Vanguard ของเราสามารถทำงานร่วมกันในโน้ตบุ๊กเดียวสำหรับการวิเคราะห์และแมชชีนเลิร์นนิงได้แล้ว ตอนนี้ Amazon SageMaker Studio มีการผสานการทำงานในตัวกับ Spark, Hive และ Presto โดยทั้งหมดทำงานบน Amazon EMR ทีมพัฒนาของเราจึงสามารถทำงานได้อย่างมีประสิทธิผลมากขึ้น สภาพแวดล้อมการพัฒนาแบบรวมศูนย์นี้จะช่วยให้ทีมของเรามุ่งเน้นไปที่การสร้าง การฝึกฝน และการปรับใช้โมเดลแมชชีนเลิร์นนิงได้”

Doug Stewart ผู้อำนวยการอาวุโสฝ่ายข้อมูลและการวิเคราะห์ – Vanguard

Freddy's

Provectus

“เรารอคอยฟีเจอร์ที่ช่วยให้สามารถสร้างและจัดการคลัสเตอร์ Amazon EMR ได้โดยตรงจาก Amazon SageMaker Studio เพื่อให้ลูกค้าของเราสามารถรันเวิร์กโฟลว์ Spark, Hive และ Presto ได้โดยตรงจากโน้ตบุ๊กสตูดิโอ Amazon SageMaker เรารู้สึกตื่นเต้นที่ Amazon SageMaker AI ได้พัฒนาความสามารถนี้ขึ้นมาโดยตรงเพื่อลดความซับซ้อนในการจัดการงาน Spark และแมชชีนเลิร์นนิง ซึ่งจะช่วยให้วิศวกรข้อมูลและนักวิทยาศาสตร์ข้อมูลของลูกค้าของเราทำงานร่วมกันได้อย่างมีประสิทธิภาพมากขึ้น เพื่อดำเนินการวิเคราะห์ข้อมูลแบบโต้ตอบและพัฒนาไปป์ไลน์แมชชีนเลิร์นนิงที่มีการแปลงข้อมูลโดยใช้ EMR”

Stepan Pushkarev ประธานบริหาร - Provectus

Freddy's

Climate

“ที่ Climate เราเชื่อในการให้ข้อมูลที่แม่นยำแก่เกษตรกรทั่วโลก เพื่อช่วยให้พวกเขาตัดสินใจบนพื้นฐานของข้อมูลและเพิ่มผลตอบแทนสูงสุดในพื้นที่ทุก ๆ ไร่ เพื่อให้บรรลุเป้าหมายนี้ เราได้ลงทุนในเทคโนโลยี เช่น เครื่องมือแมชชีนเลิร์นนิงเพื่อสร้างโมเดล โดยใช้หน่วยที่สามารถวัดได้ซึ่งเรียกว่าฟีเจอร์ เช่น ผลผลิตในพื้นที่เพาะปลูกของเกษตรกร ด้วย Amazon SageMaker Feature Store เราสามารถเร่งการพัฒนาโมเดล ML ได้ด้วยการใช้ที่เก็บฟีเจอร์ส่วนกลางเพื่อช่วยให้เข้าถึงและนำฟีเจอร์กลับมาใช้ใหม่ระหว่างหลายทีมได้อย่างง่ายดาย SageMaker Feature Store ช่วยให้เข้าถึงฟีเจอร์ได้อย่างง่ายดายในแบบเรียลไทม์ผ่านที่เก็บแบบออนไลน์ หรือเรียกใช้ฟีเจอร์ตามกำหนดเวลาผ่านพื้นที่เก็บออฟไลน์สำหรับกรณีการใช้งานที่แตกต่างกัน ด้วย SageMaker Feature Store เราสามารถพัฒนาโมเดล ML ได้เร็วขึ้น”


Atul Kamboj นักวิทยาศาสตร์ข้อมูลอาวุโส - iCare - หน่วยงานประกันภัยและการดูแลของรัฐบาลแห่งนิวเซาท์เวลส์ ประเทศออสเตรเลีย Daniel McCaffrey รองประธานฝ่ายข้อมูลและการวิเคราะห์ - Climate

Featured customers - 26

Experian

“ที่ Experian เราเชื่อว่าเป็นความรับผิดชอบของเราที่จะช่วยให้ผู้บริโภคเข้าใจและใช้เครดิตในชีวิตทางการเงินของพวกเขา และช่วยเหลือผู้ให้กู้ในการจัดการความเสี่ยงด้านเครดิต ในขณะที่เรายังคงดำเนินการตามแนวทางปฏิบัติที่ดีที่สุดเพื่อสร้างโมเดลทางการเงิน เรากำลังมองหาโซลูชันที่เร่งการผลิตผลิตภัณฑ์ที่ใช้ประโยชน์จากแมชชีนเลิร์นนิง Amazon SageMaker Feature Store มีวิธีที่ปลอดภัยในการจัดเก็บและนำฟีเจอร์กลับมาใช้ใหม่สำหรับแอปพลิเคชัน ML ของเรา ความสามารถในการรักษาความสม่ำเสมอทั้งสำหรับแอปพลิเคชันแบบเรียลไทม์และแบบแบทช์ข้ามหลายบัญชีถือเป็นข้อกำหนดสำคัญสำหรับธุรกิจของเรา การใช้ความสามารถใหม่ของ Amazon SageMaker Feature Store ช่วยให้เราสามารถเพิ่มศักยภาพให้กับลูกค้าของเราในการควบคุมเครดิตของพวกเขาและลดต้นทุนในเศรษฐกิจใหม่”

Geoff Dzhafarov หัวหน้าสถาปนิกองค์กร - Experian Consumer Services

Freddy's

Dena

“ที่ DeNA ภารกิจของเราคือการส่งมอบผลกระทบและความพึงพอใจโดยการใช้อินเทอร์เน็ตและ AI/ML การให้บริการที่มีมูลค่าเป็นเป้าหมายหลักของเรา และเราต้องการให้แน่ใจว่าธุรกิจและบริการของเราพร้อมที่จะบรรลุเป้าหมายนั้น เราต้องการค้นพบและนำฟีเจอร์กลับมาใช้ใหม่ทั่วทั้งองค์กร และ Amazon SageMaker Feature Store ช่วยให้เราสามารถนำฟีเจอร์มาใช้ใหม่สำหรับแอปพลิเคชันต่าง ๆ ได้อย่างง่ายดายและมีประสิทธิภาพ Amazon SageMaker Feature Store ยังช่วยเราในการรักษาการกำหนดลักษณะฟีเจอร์มาตรฐานและช่วยให้เรามีวิธีการที่สอดคล้องกันในขณะที่เราฝึกโมเดลและนำไปใช้งานในระบบจริง ด้วยความสามารถใหม่ของ Amazon SageMaker AI เราสามารถฝึกฝนและปรับใช้โมเดล ML ได้เร็วขึ้น ซึ่งช่วยให้เราสามารถเดินหน้าไปตามเส้นทางในการสร้างความพึงพอใจให้กับลูกค้าด้วยบริการที่ดีที่สุดของเรา”

Kenshin Yamada ผู้จัดการทั่วไป / ฝ่ายระบบ AI - หน่วยระบบ - DeNA

Freddy's

United Airlines

“ที่ United Airlines เราใช้แมชชีนเลิร์นนิง (ML) เพื่อปรับปรุงประสบการณ์ของลูกค้าด้วยการมอบข้อเสนอเฉพาะบุคคล ช่วยให้ลูกค้าพร้อมใช้งานผ่าน Travel Readiness Center การใช้ ML ของเรายังขยายไปถึงการดำเนินงานของสนามบิน การวางแผนเครือข่าย การจัดตารางเวลาการบิน ในขณะที่เรากำลังเผชิญกับการแพร่ระบาดของโรค Amazon SageMaker AI มีบทบาทสำคัญใน Travel Readiness Center ซึ่งช่วยให้เราสามารถจัดการกับใบรับรองการทดสอบ COVID บัตรวัคซีนจำนวนมากโดยใช้โมเดลอัตโนมัติอิงตามเอกสาร ด้วยความสามารถในการกำกับดูแลแบบใหม่ของ Amazon SageMaker AI เราได้เพิ่มการควบคุมและการมองเห็นบนโมเดลแมชชีนเลิร์นนิงของเรา SageMaker Role Manager ทำให้ขั้นตอนการตั้งค่าผู้ใช้ง่ายขึ้นอย่างมากโดยการอนุญาตพื้นฐานและกิจกรรม ML สำหรับแต่ละบุคคลที่เชื่อมโยงกับบทบาทใน IAM ด้วย SageMaker Model Cards ทีมของเราสามารถบันทึกและแบ่งปันข้อมูลแบบจำลองในเชิงรุกเพื่อตรวจสอบได้ และด้วยการใช้ SageMaker Model Dashboard เราสามารถค้นหาและดูแบบจำลองที่นำไปใช้จริงบน MARS ซึ่งเป็นแพลตฟอร์ม ML ภายในของเรา ด้วยความสามารถในการกำกับดูแลใหม่ทั้งหมดนี้ เราจึงประหยัดเวลาได้มากและสามารถเพิ่มทรัพยากรได้”

Ashok Srinivas, ผู้อำนวยการวิศวกรรม ML และ Ops, United Airlines

Freddy's

Capitec

“ที่ Capitec เรามีนักวิทยาศาสตร์ด้านข้อมูลที่หลากหลายในสายผลิตภัณฑ์ของเรา ซึ่งสร้างโซลูชัน ML ที่แตกต่างกัน วิศวกร ML ของเราจัดการแพลตฟอร์มการสร้างโมเดลแบบรวมศูนย์ที่สร้างขึ้นบน Amazon SageMaker AI เพื่อเสริมศักยภาพในการพัฒนาและปรับใช้โซลูชัน ML ทั้งหมดนี้ หากไม่มีเครื่องมือในตัว ความพยายามในการสร้างโมเดลการติดตามมีแนวโน้มที่จะทำให้เอกสารไม่ปะติดปะต่อและขาดการมองเห็นโมเดล ด้วยการ์ดโมเดลของ SageMaker เราสามารถติดตามข้อมูลเมตาของโมเดลจำนวนมากในสภาพแวดล้อมที่เป็นหนึ่งเดียว และ SageMaker Model Dashboard ทำให้เราสามารถมองเห็นประสิทธิภาพการทำงานของแต่ละโมเดลได้ นอกจากนี้ SageMaker Role Manager ยังลดความซับซ้อนของกระบวนการจัดการการเข้าถึงสำหรับนักวิทยาศาสตร์ข้อมูลในสายผลิตภัณฑ์ต่างๆ ของเราได้อีกด้วย แต่ละคุณสมบัติเหล่านี้มีส่วนช่วยให้การกำกับดูแลแบบจำลองของเราเพียงพอที่จะรับประกันความไว้วางใจที่ลูกค้าของเรามีต่อเราในฐานะผู้ให้บริการทางการเงินได้”

Dean Matter วิศวกร ML - Capitec Bank

Freddy's

Lenovo

Lenovo™ ผู้ผลิตคอมพิวเตอร์พีซีอันดับ 1 ของโลกได้ผนวก Amazon SageMaker AI เข้ากับบริการการบำรุงรักษาแบบใช้ข้อมูลคาดการณ์ใหม่ล่าสุดของตนเมื่อเร็วๆ นี้  Ashok Srinivas ผู้อำนวยการวิศวกรรม ML และ Ops - United Airlines

“SageMaker Edge Manager ใหม่จะช่วยขจัดความพยายามด้วยตนเองที่จำเป็นสำหรับการเพิ่มประสิทธิภาพ ตรวจติดตาม และปรับปรุงโมเดลอย่างต่อเนื่องหลังจากการนำไปใช้จริง ด้วยเครื่องมือนี้ เราคาดหวังว่าโมเดลของเราจะทำงานได้เร็วขึ้นและใช้หน่วยความจำน้อยกว่าแพลตฟอร์มแมชชีนเลิร์นนิงอื่น ๆ ที่เทียบเคียงได้ SageMaker Edge Manager ช่วยให้เราสามารถสุ่มตัวอย่างข้อมูลที่ Edge โดยอัตโนมัติ ส่งข้อมูลไปยังระบบคลาวด์อย่างปลอดภัย และตรวจติดตามคุณภาพของแต่ละโมเดลบนแต่ละอุปกรณ์อย่างต่อเนื่องหลังจากการนำไปใช้จริง สิ่งนี้ช่วยให้เราสามารถตรวจติดตาม ปรับปรุง และอัปเดตโมเดลบนอุปกรณ์ Edge ของเราทั่วโลกจากระยะไกลได้ และในขณะเดียวกันก็ช่วยประหยัดเวลาและค่าใช้จ่ายทั้งของเราและลูกค้า”

Igor Bergman รองประธานฝ่ายระบบคลาวด์และซอฟต์แวร์สำหรับพีซีและอุปกรณ์อัจฉริยะของ Lenovo

Freddy's

Basler AG

Basler AG เป็นผู้ผลิตชั้นนำของกล้องดิจิทัลคุณภาพสูงและอุปกรณ์เสริมสำหรับอุตสาหกรรม เวชกรรม การขนส่ง และตลาดอื่น ๆ อีกหลากหลายประเภท

“Basler AG นำเสนอโซลูชันคอมพิวเตอร์วิชันอัจฉริยะในอุตสาหกรรมที่หลากหลาย รวมถึงการผลิต การแพทย์ และแอปพลิเคชันด้านการค้าปลีก เรารู้สึกตื่นเต้นที่จะขยายข้อเสนอซอฟต์แวร์ของเราด้วยฟีเจอร์ใหม่ที่ทำได้โดย Amazon SageMaker Edge Manager เพื่อให้แน่ใจว่าโซลูชันแมชชีนเลิร์นนิงของเรามีประสิทธิภาพและเชื่อถือได้ เราจำเป็นต้องมีเครื่องมือ MLOps ที่สามารถขยายได้จาก Edge ไปยังระบบคลาวด์ ซึ่งช่วยให้เราสามารถตรวจสอบ บำรุงรักษา และปรับปรุงโมเดลแมชชีนเลิร์นนิงบนอุปกรณ์ Edge ได้อย่างต่อเนื่อง SageMaker Edge Manager ช่วยให้เราสามารถสุ่มตัวอย่างข้อมูลที่ Edge โดยอัตโนมัติ ส่งข้อมูลไปยังระบบคลาวด์อย่างปลอดภัย และตรวจติดตามคุณภาพของแต่ละโมเดลบนแต่ละอุปกรณ์อย่างต่อเนื่องหลังจากการนำไปใช้จริง สิ่งนี้ช่วยให้เราสามารถตรวจติดตาม ปรับปรุง และอัปเดตโมเดลบนอุปกรณ์ Edge ของเราทั่วโลกจากระยะไกลได้ และในขณะเดียวกันก็ช่วยประหยัดเวลาและค่าใช้จ่ายทั้งของเราและลูกค้า”

Mark Hebbel หัวหน้าฝ่ายโซลูชันซอฟต์แวร์ของ Basler

NWG_LOGO_HZ_POS_RGB_forpsd

NatWest Group

NatWest Group ซึ่งเป็นสถาบันบริการทางการเงินรายใหญ่ ได้จัดมาตรฐานกระบวนการพัฒนาและการนำโมเดล ML ไปใช้จริงทั่วทั้งองค์กร ลดระยะเวลาในการสร้างสภาพแวดล้อม ML ใหม่จาก 40 วันเป็น 2 วัน และเร่งเวลาในการสร้างมูลค่าสำหรับกรณีการใช้งาน ML จาก 40 เป็น 16 สัปดาห์

Freddy's

AstraZeneca

“แทนที่จะสร้างกระบวนการด้วยตนเองจำนวนมาก เราสามารถทำให้กระบวนการพัฒนาแมชชีนเลิร์นนิงส่วนใหญ่เป็นแบบอัตโนมัติภายใน Amazon SageMaker Studio ได้” 

Cherry Cabading สถาปนิกองค์กรอาวุโสระดับโลกของ AstraZeneca

Freddy's

Janssen

ด้วยการใช้บริการของ AWS รวมถึง Amazon SageMaker AI Janssen ได้ใช้กระบวนการ MLOP อัตโนมัติที่ปรับปรุงความแม่นยำของการคาดการณ์โมเดลขึ้น 21 เปอร์เซ็นต์และเพิ่มความเร็วในกระบวนการสร้างฟีเจอร์ใหม่ประมาณ 700 เปอร์เซ็นต์ ช่วยให้ Janssen ลดต้นทุนในขณะเดียวกันก็เพิ่มประสิทธิภาพในการทำงาน
Freddy's

Qualtrics

“Amazon SageMaker AI ช่วยปรับปรุงประสิทธิภาพของทีม MLOPs ของเราด้วยเครื่องมือที่จำเป็นในการทดสอบและปรับใช้โมเดลแมชชีนเลิร์นนิงในทุกขนาด”

Samir Joshi วิศวกร ML – Qualtrics

Freddy's

Deloitte

“Amazon SageMaker Data Wrangler ช่วยให้เราสามารถเริ่มต้นได้ทันทีในการตอบสนองความต้องการด้านการเตรียมข้อมูลด้วยคอลเลกชันเครื่องมือแปลงข้อมูลที่หลากหลาย ซึ่งช่วยเร่งกระบวนการเตรียมข้อมูล ML ที่จำเป็นในการนำผลิตภัณฑ์ใหม่ออกสู่ตลาด ในทางกลับกัน ลูกค้าของเราได้รับประโยชน์จากอัตราการปรับขนาดของโมเดลที่นำไปใช้ ทำให้เราสามารถส่งมอบผลลัพธ์ที่วัดได้และยั่งยืนซึ่งตอบสนองความต้องการของลูกค้าของเราในเวลาไม่กี่วัน แทนที่จะเป็นหลายเดือน”

Frank Farrall ผู้นำธุรกิจ และหัวหน้าระบบนิเวศและแพลตฟอร์ม AI ของ Deloitte

Freddy's

NRI

“ในฐานะพาร์ทเนอร์ด้านการให้คำปรึกษาระดับพรีเมียร์ของ AWS ทีมวิศวกรของเราทำงานอย่างใกล้ชิดกับ AWS เพื่อสร้างโซลูชันที่เป็นนวัตกรรมเพื่อช่วยให้ลูกค้าของเราปรับปรุงประสิทธิภาพการดำเนินงานอย่างต่อเนื่อง ML เป็นแกนหลักของโซลูชันนวัตกรรมของเรา แต่เวิร์กโฟลว์การเตรียมข้อมูลของเราเกี่ยวข้องกับเทคนิคการเตรียมข้อมูลที่ซับซ้อน ซึ่งส่งผลให้ใช้เวลาอย่างมากในการนำไปใช้งานจริงในสภาพแวดล้อมการผลิต ด้วย Amazon SageMaker Data Wrangler นักวิทยาศาสตร์ข้อมูลของเราสามารถทำในแต่ละขั้นตอนของเวิร์กโฟลว์การเตรียมข้อมูลได้ครบถ้วน รวมถึงการเลือกข้อมูล การทำความสะอาด การสำรวจ และการแสดงผล ซึ่งช่วยให้เราเร่งกระบวนการเตรียมข้อมูลและเตรียมข้อมูลสำหรับ ML ได้อย่างง่ายดาย ด้วย Amazon SageMaker Data Wrangler เราสามารถเตรียมข้อมูลสำหรับ ML ได้เร็วขึ้น”

Shigekazu Ohmoto กรรมการผู้จัดการอาวุโสของ NRI ญี่ปุ่น

Freddy's

Equilibrium

“เมื่อการขยายตัวของเราในตลาดการจัดการสุขภาพประชาชนยังคงเพิ่มขึ้นไปสู่ผู้จ่ายเงินด้านสุขภาพ ผู้ให้บริการ ผู้จัดการผลประโยชน์ด้านเภสัชกรรม และองค์กรด้านการดูแลสุขภาพอื่น ๆ เราต้องการโซลูชันเพื่อทำให้กระบวนการแบบครบวงจรเป็นอัตโนมัติสำหรับแหล่งที่มาของข้อมูลที่ป้อนให้กับโมเดล ML ของเรา รวมถึงข้อมูลการเรียกร้องสิทธิประโยชน์ ข้อมูลการลงทะเบียน และข้อมูลจากร้านขายยา ด้วย Amazon SageMaker Data Wrangler ตอนนี้เราสามารถเร่งเวลาที่ต้องใช้ในการรวบรวมและเตรียมข้อมูลสำหรับ ML โดยใช้ชุดเวิร์กโฟลว์ที่ง่ายต่อการตรวจสอบและนำกลับมาใช้ใหม่ สิ่งนี้ได้ปรับปรุงเวลาในการส่งมอบและคุณภาพของโมเดลของเราอย่างมาก เพิ่มประสิทธิภาพของนักวิทยาศาสตร์ข้อมูลของเรา และลดเวลาในการเตรียมข้อมูลลงเกือบ 50% นอกจากนี้ SageMaker Data Wrangler ยังช่วยให้เราลดการฝึกซ้ำ ML หลายครั้ง และประหยัดเวลาในการใช้ GPU อย่างมาก เร่งกระบวนการแบบครบวงจรทั้งหมดสำหรับลูกค้าของเรา เนื่องจากตอนนี้เราสามารถสร้าง Data Mart ที่มีฟีเจอร์หลายพันรายการ รวมถึงข้อมูลจากร้านขายยา รหัสการวินิจฉัย การเข้ารักษาโดยฉุกเฉินที่แผนก ER การเข้ารักษาตัวในแผนกผู้ป่วยใน ตลอดจนปัจจัยทางประชากรและปัจจัยทางสังคมอื่น ๆ ด้วย SageMaker Data Wrangler เราสามารถแปลงข้อมูลของเราด้วยประสิทธิภาพที่เหนือกว่าสำหรับการสร้างชุดข้อมูลการฝึกอบรม สร้างข้อมูลเชิงลึกเกี่ยวกับชุดข้อมูลก่อนที่จะใช้โมเดล ML และเตรียมข้อมูลในโลกแห่งความเป็นจริงสำหรับการอนุมาน/การคาดการณ์ในระดับขนาดใหญ่”

Lucas Merrow ประธานบริหาร - Equilibrium Point IoT

Freddy's

iCare Insurance and Care NSW

iCare คือหน่วยงานของรัฐบาลในรัฐนิวเซาท์เวลส์ (NSW) ที่ให้บริการประกันความเสียหายจากการทำงานแก่นายจ้างทั้งภาครัฐและเอกชนกว่า 329,000 รายในรัฐนิวเซาท์เวลส์ ประเทศออสเตรเลียและพนักงาน 3.2 ล้านคน นอกจากนี้ iCare ยังให้ประกันแก่ผู้ก่อสร้างและเจ้าของบ้าน ให้การรักษาและดูแลผู้ที่ได้รับบาดเจ็บสาหัสบนถนนในรัฐนิวเซาท์เวลส์ และปกป้องทรัพย์สินของรัฐบาลในรัฐนิวเซาท์เวลส์ มูลค่ามากกว่า 266.6 พันล้านดอลลาร์ รวมถึงโรงอุปรากรซิดนีย์ สะพานซิดนีย์ฮาร์เบอร์ โรงเรียนและโรงพยาบาลต่าง ๆ

“ที่ Insurance and Care (iCare) NSW วิสัยทัศน์ของเราคือการเปลี่ยนแปลงวิธีที่ผู้คนคิดเกี่ยวกับการประกันและการดูแล Amazon SageMaker AI ช่วยให้ iCare สามารถสร้างและฝึกโมเดลดีปเลิร์นนิงสำหรับการระบุผู้ป่วยโรคฝุ่นระยะยาวในระยะแรก การระบุผู้ป่วยในระยะแรกนี้สามารถป้องกันสภาวะที่คุกคามชีวิตได้ จากการศึกษาก่อนหน้านี้ พบว่าอาการของโรคซิลิโคซิสถูกมองข้ามหรือไม่สามารถตรวจพบได้ในผู้ป่วย 39% การวินิจฉัยที่ได้รับความช่วยเหลือจาก AI ช่วยให้แพทย์สามารถระบุผู้ป่วยได้ถูกต้อง 80% เมื่อเทียบกับการวินิจฉัยที่ไม่ได้รับความช่วยเหลือซึ่งทำได้ถูกต้อง 71% หลังจากที่ได้ดำเนินโครงการนี้ เรากำลังใช้ Amazon SageMaker AI เพื่อพัฒนาโซลูชันและกระบวนการในโครงการอื่น ๆ เนื่องจากพิสูจน์แล้วว่ารวดเร็วและง่ายกว่าเดิม และเราสามารถขยายความพยายามของเราได้อย่างง่ายดายเพื่อให้การดูแลแก่ประชาชนในรัฐนิวเซาท์เวลส์”

Atul Kamboj นักวิทยาศาสตร์ข้อมูลอาวุโส - iCare - หน่วยงานประกันภัยและการดูแลของรัฐบาลแห่งนิวเซาท์เวลส์ ประเทศออสเตรเลีย