Khách hàng AI của Amazon SageMaker

Xem cách các tổ chức hàng đầu trên toàn thế giới sử dụng Amazon SageMaker AI để xây dựng, đào tạo và triển khai các mô hình máy học (ML).

Articul8 AI

“Amazon SageMaker HyperPod đã giúp chúng tôi rất nhiều trong việc quản lý và vận hành các tài nguyên điện toán hiệu quả hơn với thời gian ngừng hoạt động tối thiểu. Chúng tôi là những người đầu tiên sử dụng dịch vụ HyperPod dựa trên Slurm và được hưởng lợi từ tính dễ sử dụng và khả năng phục hồi của dịch vụ này, giúp cải thiện năng suất lên tới 35% và nhanh chóng tăng quy mô theo tài nguyên cho các hoạt động GenAI của chúng tôi. Là một đơn vị Kubernetes, hiện chúng tôi rất vui mừng chào đón sự ra mắt tính năng hỗ trợ Amazon EKS cho SageMaker HyperPod. Đây là một bước đột phá đối với chúng tôi vì tính năng này tích hợp liền mạch với những quy trình đào tạo hiện có của chúng tôi, giúp chúng tôi quản lý và vận hành các cụm Kubernetes quy mô lớn dễ dàng hơn. Ngoài ra, điều này cũng giúp ích cho khách hàng cuối của chúng tôi vì giờ đây chúng tôi có thể đóng gói và đưa năng lực này vào nền tảng AI tạo sinh dưới dạng sản phẩm, cho phép khách hàng tự chạy chương trình đào tạo và tinh chỉnh khối lượng công việc theo cách hợp lý hơn.”

Arun Subramaniyan, Người sáng lập kiêm Giám đốc điều hành của Articul8 AI

Observea

“Là một công ty khởi nghiệp và nghiên cứu AI đang phát triển nhanh chóng, tính năng hỗ trợ Amazon EKS trong SageMaker HyperPod đã đóng vai trò quan trọng trong việc đẩy nhanh thời gian đưa sản phẩm ra thị trường của chúng tôi. Với SageMaker HyperPod, chúng tôi đã có thể ra mắt một nền tảng ổn định và an toàn để cung cấp các ứng dụng điện toán hiệu năng cao (HPC) trong bộ chứa dưới dạng dịch vụ cho khách hàng cuối, bao gồm những chương trình nghiên cứu AI hàng đầu của các trường đại học, các công ty khởi nghiệp về AI và các doanh nghiệp truyền thống. Nhờ sử dụng SageMaker HyperPod, khách hàng và đội ngũ nội bộ của chúng tôi không còn phải lo lắng về việc vận hành và cấu hình mặt phẳng điều khiển Kubernetes nữa, và SageMaker HyperPod cung cấp hiệu năng mạng và cấu hình được tối ưu hóa để hỗ trợ khối lượng công việc HPC phức tạp. Với tính năng Hỗ trợ EKS trong SageMaker HyperPod, chúng tôi có thể giảm thời gian dành cho những công việc nặng nhọc, không tạo ra điểm khác biệt trong hoạt động quản lý cơ sở hạ tầng và giảm hơn 30% chi phí vận hành.”

Vamsi Pandari, Người sáng lập Observea

Recursal AI

“Toàn bộ quá trình đã được hợp lý hóa. Bằng cách sử dụng SageMaker HyperPod, chúng tôi có thể tận dụng các tính năng phục hồi cụm nhằm xác định và tự động khôi phục các công việc đào tạo từ điểm kiểm tra đã lưu gần đây nhất trong trường hợp xảy ra lỗi phần cứng. Chúng tôi chạy khối lượng công việc rất đa dạng – từ ứng dụng, suy luận và đào tạo – với Kubernetes làm nền tảng chung. Đối với chúng tôi, Amazon EKS với SageMaker HyperPod hoạt động rất ăn ý: chỉ cần thả các nút vào cụm của chúng tôi."

Nathan Wilce, Trưởng bộ phận cơ sở hạ tầng/dữ liệu, Recursal

Rocket Companies

Rocket Mortgage

“Rocket Mortgage tự hào là doanh nghiệp dẫn đầu trong việc tích hợp AI và khoa học dữ liệu vào hành trình sở hữu nhà ở, trong đó AWS là đối tác chính. Với Amazon SageMaker AI, chúng tôi đang trong quá trình chuyển đổi các hoạt động máy học để nâng cao hiệu quả và độ chính xác. Trình chỉnh sửa trực quan trong Quy trình của SageMaker giúp đánh giá hiệu năng các LLM nguồn mở mới một cách nhanh chóng bằng cách đưa các LLM này vào quy trình xác thực tự động của chúng tôi. Nhờ đó, thời gian cần thiết để đánh giá các bản phát hành mới được giảm thiểu, một điều rất quan trọng khi bối cảnh thay đổi nhanh chóng. Dịch vụ dễ sử dụng này đã giúp các đội ngũ khoa học dữ liệu của chúng tôi tập trung vào đổi mới thay vì phải viết lại mã.”

Shawn Malhotra, Giám đốc công nghệ của Rocket Companies

SatSure

SatSure, một công ty hàng đầu trên thế giới về các giải pháp thông minh nhằm giúp ra quyết định bằng dữ liệu không gian địa lý, sử dụng dữ liệu quan sát Trái đất và các mô hình học sâu để tạo ra thông tin chuyên sâu cho nhiều trường hợp sử dụng khác nhau – từ giám sát cây trồng trong mọi điều kiện thời tiết và chấm điểm rủi ro trang trại đến phát hiện thay đổi lớp phủ bề mặt đất, quản lý thực vật, rủi ro hỏa hoạn và nhận dạng đặc trưng đất đai.
 

“Chúng tôi tận dụng Quy trình của Amazon SageMaker để tạo mô hình cho một ứng dụng có khả năng xác định ranh giới trang trại nông nghiệp qua hình ảnh vệ tinh có độ phân giải thấp. Việc phát triển các mô hình học sâu tiên tiến từ các tập dữ liệu lớn chứa hình ảnh vệ tinh là vô cùng khó khăn. Chúng tôi có thể tập trung nhiều hơn vào đổi mới AI và giảm bớt thời gian cho quy trình thủ công vì Quy trình giúp chúng tôi tự động hóa quá trình tiền xử lý dữ liệu, đào tạo mô hình và triển khai mô hình diễn ra thường xuyên. Giao diện người dùng kéo và thả giúp các nhà khoa học dữ liệu mới trong đội ngũ dễ dàng tăng tốc nhanh chóng và xây dựng quy trình làm việc ML mà không cần kiến thức chuyên môn về một khung điều phối quy trình làm việc cụ thể.”

Prateep Basu, Người sáng lập kiêm Giám đốc điều hành, SatSure Ltd.

EagleView

“Để đáp ứng nhu cầu thông tin chuyên sâu chất lượng cao về dữ liệu của khách hàng, chúng tôi đang liên tục nghiên cứu và cung cấp các tính năng mới, được hỗ trợ bởi ML. Giao diện người dùng kéo và thả mới trong Quy trình của Amazon SageMaker sẽ mang đến cho các nhà khoa học dữ liệu của chúng tôi một phương pháp để tập trung vào các vấn đề khó hơn về thị giác máy tính (CV) mà không phải lo lắng về MLOps. Chúng tôi đang tạo các Quy trình để tạo điều kiện cho các nhà khoa học dữ liệu chỉ cần đăng ký mô hình trong SageMaker AI mà không phải phối hợp với các kỹ sư ML để tối ưu hóa môi trường phân phối mô hình. Quy trình nhiều bước này sẽ tự động triển khai mô hình đã đăng ký đến các điểm cuối Suy luận của Amazon SageMaker trong môi trường QA để kiểm thử độ chịu tải và sau đó triển khai đến môi trường sản xuất nếu mô hình được kỹ sư ML chấp thuận. Tốc độ tổng thể của toàn bộ quá trình phát triển ML đã được cải thiện đáng kể vì Quy trình của Amazon SageMaker giúp dễ dàng tích hợp với các dịch vụ AWS khác (CI/CD, dịch vụ truyền thông điệp) để xây dựng quy trình làm việc ML có độ tùy chỉnh cao.”

Garrett Hemann, Trưởng bộ phận AI/ML, EagleView

Thomson Reuters

GoDaddy

Tại GoDaddy, chúng tôi mong muốn giúp đỡ các doanh nhân không chuyên thành công bằng cách cung cấp cho họ các công cụ để thành lập doanh nghiệp của mình. "Chúng tôi phục vụ những khách hàng có nhu cầu đa dạng. Họ thường liên lạc bất kể ngày đêm và thông qua nhiều kênh như email, trò chuyện và mạng xã hội với các doanh nghiệp mà họ hỗ trợ”, Jing Xi, Phó chủ tịch phụ trách ML và AI ứng dụng tại GoDaddy cho biết. “Ngày nay, AI tạo sinh giúp tạo ra sân chơi bình đẳng cho các doanh nghiệp nhỏ bằng giúp họ dễ dàng tiếp cận vốn sức mạnh và kiến thức đáng kinh ngạc, những thứ thường chỉ các tập đoàn lớn mới có được. Tuy nhiên, một trong những thách thức lớn nhất mà đội ngũ phát triển AI tạo sinh của chúng tôi phải đối mặt là cố gắng tìm ra FM phù hợp với ứng dụng kinh doanh của họ. Đối với chúng tôi, điều quan trọng là khả năng dễ dàng so sánh mô hình dựa trên các tiêu chí cụ thể, quan trọng nhất với khách hàng của mình và đạt được điểm cân bằng thích hợp giữa chi phí, độ trễ, cũng như độ chính xác và hiệu năng của mô hình. Tính năng đánh giá mô hình mới của Amazon SageMaker AI giúp chúng tôi rút ngắn thời gian đi từ ý tưởng đến triển khai bằng cách loại bỏ những điểm phức tạp trong quá trình lựa chọn mô hình và dễ dàng thử nghiệm, phát triển, triển khai và quản lý các phiên bản mới của những mô hình này. Chúng tôi rất vui mừng khi mở rộng quyền truy cập tính năng mới này đến nhiều đội ngũ hơn để các nhà phát triển của chúng tôi có thể tăng năng suất và khai phá hơn nữa sức mạnh của AI tạo sinh, qua đó giúp khách hàng phát triển doanh nghiệp".
“GoDaddy luôn dẫn đầu trong lĩnh vực tận dụng công nghệ máy học để cung cấp các tính năng hướng tới khách hàng và cải thiện hiệu quả chi phí trong hoạt động nội bộ của chúng tôi. Các nhà khoa học ML của chúng tôi tiến hành nhiều dự án để hoàn thành các mục tiêu này. Việc lặp lại một cách nhanh chóng quy trình ML để quản lý dữ liệu, tạo bản ghi thử nghiệm, quản lý tạo tác mô hình bằng cách sử dụng sổ đăng ký mô hình và triển khai là điều cần thiết để mang lại giá trị. Nhu cầu cấp thiết và rõ ràng của các nhà khoa học ML của chúng tôi là có một công cụ được tạo theo yêu cầu như MLflow. Amazon SageMaker AI cung cấp cho các nhà khoa học ML một nền tảng được quản lý và quản trị dành cho toàn bộ quy trình làm việc ML, đồng thời công cụ theo tiêu chuẩn ngành như MLflow trong SageMaker AI giúp tăng cường mạnh mẽ vòng đời phát triển mô hình của chúng tôi. Chúng tôi có được tính bảo mật và độ trưởng thành cấp doanh nghiệp của các sản phẩm như Sổ đăng ký mô hình của Amazon SageMaker, đồng thời tận dụng tính năng theo dõi thử nghiệm ML theo tiêu chuẩn ngành thông qua MLflow. Khi các đội ngũ của chúng tôi áp dụng MLflow từ SageMaker AI, gánh nặng vận hành của việc duy trì các phiên bản MLflow tự lưu trữ giảm xuống, trong khi vẫn duy trì tốc độ phân phối và nâng cao khả năng cộng tác. Chúng tôi rất vui vì đã hợp tác với đội ngũ SageMaker AI ngay từ giai đoạn đầu để củng cố sản phẩm cung cấp này, đồng thời mang lại giá trị cho các nhà khoa học ML của chúng tôi.”

Karthik Iyer, Giám đốc kỹ thuật máy học

KBC

KBC

“Tại KBC Bank, chúng tôi tin rằng việc hỗ trợ các nhà khoa học dữ liệu bằng những công cụ phù hợp là điều cần thiết để thúc đẩy đổi mới. Một cách đổi mới hiệu quả là thông qua thử nghiệm liên tục, giúp chúng tôi khám phá ý tưởng mới và cải tiến các mô hình của mình. MLflow cung cấp một nền tảng mạnh mẽ để quản lý và ghi lại các cuộc thử nghiệm. Khi sử dụng như dịch vụ được quản lý, MLflow sẽ nâng cao trải nghiệm người dùng cho các nhà khoa học dữ liệu, đồng thời đơn giản hóa việc thiết lập và bảo trì nền tảng máy học của chúng tôi.”

Thiago Alves, Kỹ sư MLOps

Wallapop

Wallapop

“Để quản lý hiệu quả số lượng thử nghiệm ML ngày càng tăng và đảm bảo triển khai mô hình thành công, điều quan trọng là có một hệ thống mạnh mẽ để theo dõi các cuộc thử nghiệm và đăng ký mô hình. MLflow mang đến một giải pháp hiệu quả để đạt được mục đích này vì MLflow cho phép theo dõi liền mạch tất cả các thử nghiệm ML một cách chi tiết mà chỉ cần sửa đổi cơ sở mã ở mức tối thiểu. Nhờ đó, quá trình lựa chọn mô hình tối ưu cho Wallapop trở nên thuận lợi và quy trình phát triển ML được đảm bảo liền mạch và hiệu quả. Vì vậy, khi để cho nền tảng này được tích hợp và quản lý trực tiếp trong AWS, đội ngũ của chúng tôi có thể tập trung vào giá trị thực tế của các giải pháp ML thay vì phải thực hiện tất cả phần việc nặng nhọc mà dịch vụ đó đòi hỏi.”

Martí Jordà Roca, Kỹ sư máy học

BigaBid

BigaBid

“Amazon SageMaker AI cho phép chúng tôi tạo các mô hình máy học phân tán trên quy mô lớn một cách dễ dàng. Thay vì dựa vào quy trình thủ công, chúng tôi có thể tự động hóa hầu hết quy trình phát triển một cách liền mạch trong Amazon SageMaker AI. Chúng tôi cần một phương pháp đáng tin cậy cho việc theo dõi tình hình hoạt động của các tác vụ đào tạo tự động để chúng tôi có thể so sánh tác vụ, tìm ra các mô hình tốt nhất và triển khai vào hoạt động sản xuất. Việc tích hợp MLflow cho phép chúng tôi đạt được điều này mà không cần phải thực hiện bất kỳ phần việc nặng nhọc nào trong quá trình tự thiết lập và quản lý MLflow. Điều này nâng cao hơn nữa quy trình làm việc của chúng tôi, cung cấp chức năng mạnh mẽ cho hoạt động so sánh mô hình và đăng ký mô hình, cải thiện đáng kể hiệu quả phát triển và triển khai của chúng tôi.”

Eyal Trabelsi, Kiến trúc sư dữ liệu

Toyota Connected

Toyota Connected

“Amazon SageMaker AI với MLflow đã mang lại giá trị tuyệt vời. MLflow là một tiện ích tích hợp đơn giản với SageMaker AI nhưng đem đến hiệu quả cao để theo dõi và quản lý các thử nghiệm và chất lượng mô hình. Tiện ích tích hợp gốc MLflow với Amazon SageMaker AI giúp các tác vụ theo dõi và thúc đẩy mô hình sang bước tiếp theo của chúng tôi trở nên dễ dàng hơn. Vì đây là dịch vụ được quản lý, chúng tôi không phải lo lắng về cơ sở hạ tầng cơ bản nên có thể tập trung cải thiện mô hình của mình và đẩy nhanh chu kỳ phát triển.”

Sumeet Kishnani, Quản lý nhà khoa học dữ liệu

Thomson Reuters

Thomson Reuters

“Thomson Reuters đã đi đầu trong phát triển AI trong hơn 30 năm và chúng tôi cam kết cung cấp các giải pháp có ý nghĩa giúp khách hàng đưa ra kết quả nhanh hơn, với khả năng truy cập tốt hơn vào thông tin đáng tin cậy. Để đẩy nhanh quá trình đổi mới trong AI tạo sinh, ngoài việc hợp tác với các nhà cung cấp LLM, chúng tôi còn đang khám phá cách đào tạo những mô hình tùy chỉnh hiệu quả hơn bằng nội dung độc quyền và chuyên môn của con người. Thư viện đào tạo phân tán của SageMaker HyperPod giúp chúng tôi cải thiện hiệu năng đào tạo mô hình quy mô lớn. Và tính năng phục hồi của công cụ này giúp tiết kiệm thời gian khi chúng tôi giám sát và quản lý cơ sở hạ tầng. Việc đào tạo các mô hình nền tảng của chúng tôi trên SageMaker HyperPod sẽ giúp chúng tôi tăng tốc độ đưa sản phẩm ra thị trường và nhanh chóng cung cấp các giải pháp chất lượng cho khách hàng.”

Joel Hron, Trưởng bộ phận AI và Labs – Thomson Reuters

“Chúng tôi có thể đáp ứng được các yêu cầu đào tạo mô hình ngôn ngữ lớn bằng cách sử dụng Amazon SageMaker HyperPod. Khi sử dụng Amazon EKS trên SageMaker HyperPod, chúng tôi có thể tăng quy mô năng lực theo tài nguyên và dễ dàng thực hiện các công việc đào tạo, cho phép chúng tôi khai thác lợi ích của LLM trong những lĩnh vực như tóm tắt và phân loại pháp lý.”

John Duprey, Kỹ sư Xuất sắc, Thomson Reuters Labs

Hugging Face

Hugging Face

"Hugging Face đã sử dụng SageMaker HyperPod để tạo ra các mô hình nền tảng mở mới quan trọng như StarCoder, IDEFICS và Zephyr – tất cả đều có hàng triệu lượt tải xuống. Khả năng phục hồi và hiệu năng được xây dựng có mục đích của SageMaker HyperPod đã cho phép nhóm khoa học mở của chúng tôi tập trung vào việc đổi mới và công bố những cải tiến quan trọng về cách xây dựng các mô hình nền tảng, thay vì quản lý cơ sở hạ tầng. Chúng tôi đặc biệt thích cách SageMaker HyperPod có thể phát hiện lỗi phần cứng ML và nhanh chóng thay thế phần cứng bị lỗi mà không làm gián đoạn quá trình đào tạo mô hình đang diễn ra. Vì các đội ngũ của chúng tôi cần đổi mới nhanh chóng nên tính năng khôi phục công việc tự động này đã giúp chúng tôi giảm thiểu sự gián đoạn trong quá trình đào tạo mô hình nền tảng, nhờ đó tiết kiệm được hàng trăm giờ đào tạo chỉ trong một năm.”

Jeff Boudier, Trưởng bộ phận sản phẩm tại Hugging Face

Hugging Face

Perplexity AI

“Chúng tôi tìm kiếm cơ sở hạ tầng ML phù hợp để tăng năng suất và giảm chi phí nhằm xây dựng các mô hình ngôn ngữ lớn có hiệu suất cao. Sau khi chạy một vài thử nghiệm thành công, chúng tôi đã ngừng làm việc với các nhà cung cấp dịch vụ đám mây khác và chuyển sang AWS để sử dụng Amazon SageMaker HyperPod. Chúng tôi đã sử dụng HyperPod trong bốn tháng qua để xây dựng và tinh chỉnh các LLM nhằm hỗ trợ công cụ trả lời hội thoại Perplexity, công cụ này sẽ trả lời các câu hỏi và cung cấp tài liệu tham khảo dưới dạng trích dẫn. Vì SageMaker HyperPod tự động theo dõi tình trạng cụm và khắc phục lỗi GPU, nên các nhà phát triển của chúng tôi có thể tập trung vào việc xây dựng mô hình thay vì dành thời gian quản lý và tối ưu hóa cơ sở hạ tầng cơ bản. Thư viện lưu trữ song song dữ liệu và mô hình tích hợp của SageMaker HyperPod đã giúp chúng tôi tối ưu hóa thời gian đào tạo trên GPU và tăng gấp đôi thông lượng đào tạo. Do đó, các thử nghiệm đào tạo của chúng tôi giờ đây có thể chạy nhanh gấp đôi, đồng nghĩa với việc những nhà phát triển của chúng tôi có thể phát triển theo vòng lặp nhanh hơn, đẩy nhanh quá trình phát triển các trải nghiệm AI tạo sinh mới cho khách hàng.”

Aravind Srinivas, Người đồng sáng lập kiêm Giám đốc điều hành tại Perplexity AI

Hugging Face

Workday

"Hơn 10.000 tổ chức trên toàn thế giới tin cậy Workday trong việc quản lý những tài sản quý giá nhất của họ – con người và tiền bạc. Chúng tôi cung cấp các giải pháp minh bạch và có trách nhiệm cho khách hàng bằng cách chọn mô hình nền tảng tốt nhất để phản ánh các chính sách của công ty chúng tôi liên quan đến việc sử dụng AI một cách có trách nhiệm. Với những tác vụ như tạo bản mô tả công việc, vốn phải có chất lượng cao và thúc đẩy cơ hội bình đẳng, chúng tôi đã thử nghiệm tính năng đánh giá mô hình mới trong Amazon SageMaker AI và rất vui mừng về khả năng đo lường các mô hình nền tảng thông qua những chỉ số như tính thiên lệch, chất lượng và hiệu năng. Chúng tôi mong muốn sử dụng dịch vụ này trong tương lai để so sánh và lựa chọn các mô hình phù hợp với những tiêu chí nghiêm ngặt của chúng tôi về AI có trách nhiệm.”

Shane Luke, Phó chủ tịch phụ trách AI và máy học tại Workday.
 

Hugging Face

Salesforce

"Tại Salesforce, chúng tôi áp dụng phương pháp tiếp cận hệ sinh thái mở đối với các mô hình nền tảng, trong đó Amazon SageMaker AI là một thành phần quan trọng giúp chúng tôi điều chỉnh quy mô của kiến trúc và đẩy nhanh quá trình đưa sản phẩm ra thị trường. Bằng cách sử dụng tính năng Suy luận của SageMaker AI mới, chúng tôi có thể đưa tất cả các mô hình của mình vào một điểm cuối SageMaker AI duy nhất để tự động xử lý toàn bộ việc phân bổ tài nguyên và chia sẻ tài nguyên điện toán, tăng cường hiệu năng và giảm chi phí triển khai các mô hình nền tảng.”

Bhavesh Doshi, Phó chủ tịch phụ trách kỹ thuật tại Salesforce.
 

Freddy's

Bain & Co

"Một trong những thách thức lớn nhất đối với Aura là trích xuất thông tin chuyên sâu có ý nghĩa từ một lượng lớn dữ liệu chuyên môn phi cấu trúc. Bằng cách sử dụng các mô hình ngôn ngữ lớn thông qua Amazon SageMaker Canvas, chúng tôi đã tự động hóa quy trình trích xuất dữ liệu, thay đổi cách đánh giá năng lực nhân sự và cấu trúc tổ chức của các công ty. Cách tiếp cận này không chỉ giúp chúng tôi điều chỉnh quy mô phân tích dữ liệu mà còn vượt qua những hạn chế của các phương pháp phân tích dữ liệu truyền thống như so khớp từ khóa. Nhờ sử dụng khả năng mới của SageMaker Canvas về chuẩn bị dữ liệu và LLM, Aura có thể chấm điểm theo định lượng và đặt điểm quy chuẩn cho các công ty về hiệu quả của cấu trúc tổ chức, kỹ năng của lực lượng nhân viên và hiệu quả hoạt động về khía cạnh kết quả tài chính."

Purna Doddapaneni, Giám đốc công nghệ của Founder's Studio và đối tác tại Bain & Co.

Hugging Face

Wix

“Suy luận của Amazon SageMaker AI giúp chúng tôi triển khai mô hình trên nhiều Vùng sẵn sàng và chạy các dự đoán trên quy mô lớn, bất kể trực tuyến hay ở chế độ hàng loạt.”

Itamar Keller, Trưởng nhóm nghiên cứu và phát triển, Wix

Hugging Face

Qred

“Nhờ có nền tảng tập trung sử dụng Amazon SageMaker AI, việc tuân thủ trở nên đơn giản hơn. Quá trình thêm dữ liệu nhạy cảm sẽ đơn giản hơn khi chúng tôi thực hiện một cách tập trung và bảo mật.”

Lezgin Bakircioglu, Giám đốc công nghệ, Qred

Stability AI

Stability AI

“Với tư cách là công ty AI tạo sinh nguồn mở hàng đầu, mục tiêu của chúng tôi là tối đa hóa khả năng tiếp cận AI hiện đại. Chúng tôi đang xây dựng các mô hình nền tảng với hàng chục tỷ tham số, đòi hỏi cơ sở hạ tầng có thể điều chỉnh quy mô hiệu năng đào tạo được tối ưu hóa. Với cơ sở hạ tầng được quản lý và thư viện tối ưu hóa của SageMaker HyperPod, chúng tôi có thể giảm hơn 50% thời gian và chi phí đào tạo. Việc này giúp hoạt động đào tạo mô hình của chúng tôi linh hoạt hơn và hiệu quả hơn, qua đó xây dựng được những mô hình hiện đại nhanh hơn.”

Emad Mostaque, Người sáng lập kiêm Giám đốc điều hành, Stability AI

iFood
“Tại iFood, chúng tôi cố gắng làm khách hàng hài lòng thông qua dịch vụ của mình bằng cách sử dụng công nghệ như máy học (ML). Xây dựng quy trình làm việc hoàn chỉnh và liền mạch để phát triển, đào tạo và triển khai mô hình là một phần quan trọng trong hành trình điều chỉnh quy mô ML của chúng tôi. Quy trình của Amazon SageMaker giúp chúng tôi nhanh chóng xây dựng nhiều quy trình làm việc ML tự động hóa với quy mô linh hoạt, đồng thời giúp dễ dàng triển khai và quản lý mô hình một cách hiệu quả. Quy trình của SageMaker cho phép chúng tôi cải thiện hiệu quả của chu kỳ phát triển. Chúng tôi tiếp tục tăng cường vị thế dẫn đầu của mình trong việc sử dụng AI/ML để cung cấp dịch vụ khách hàng vượt trội và hiệu quả với tất cả những tính năng mới từ Amazon SageMaker AI.”

Sandor Caetano, Trưởng bộ phận khoa học dữ liệu, iFood

Care.com
“Một ngành công nghiệp chăm sóc mạnh mẽ, trong đó nguồn cung đáp ứng được nhu cầu là điều cần thiết để tăng trưởng kinh tế từ cấp hộ gia đình cho đến GDP quốc gia. Chúng tôi rất vui mừng về Quy trình của Amazon SageMaker với niềm tin rằng tính năng này sẽ giúp có thể điều chỉnh quy mô tốt hơn các đội ngũ khoa học dữ liệu và đội ngũ phát triển, bằng cách sử dụng một tập hợp nhất quán gồm dữ liệu được tuyển chọn mà chúng tôi dùng để xây dựng các quy trình mô hình máy học (ML) toàn diện, có quy mô linh hoạt, từ khâu chuẩn bị dữ liệu đến triển khai. Với những tính năng mới công bố của Amazon SageMaker AI, chúng tôi có thể đẩy nhanh tốc độ phát triển và triển khai các mô hình ML cho các ứng dụng khác nhau, giúp khách hàng đưa ra quyết định sáng suốt hơn thông qua đề xuất nhanh hơn theo thời gian thực.”

Clemens Tummeltshammer, Giám đốc khoa học dữ liệu, Care.com

3M
“Bằng cách sử dụng ML, 3M đang cải tiến các sản phẩm đã qua kiểm chứng như giấy nhám, đồng thời thúc đẩy đổi mới trong một số lĩnh vực khác, bao gồm cả chăm sóc sức khỏe. Khi lên kế hoạch mở rộng quy mô áp dụng công nghệ máy học sang nhiều lĩnh vực hơn trong 3M, chúng tôi nhận thấy lượng dữ liệu và mô hình tăng nhanh chóng – tăng gấp đôi mỗi năm. Chúng tôi rất hào hứng với những tính năng mới của SageMaker AI vì những tính năng này sẽ giúp mở rộng quy mô. Amazon SageMaker Data Wrangler giúp chuẩn bị dữ liệu dễ dàng hơn cho việc đào tạo mô hình và Cửa hàng tính năng của Amazon SageMaker sẽ loại bỏ nhu cầu tái tạo những tính năng lặp đi lặp lại của mô hình. Cuối cùng, Quy trình của Amazon SageMaker sẽ giúp chúng tôi tự động hóa việc chuẩn bị dữ liệu, xây dựng mô hình và triển khai mô hình thành quy trình làm việc toàn diện để đẩy nhanh thời gian đưa mô hình ra thị trường. Các nhà nghiên cứu của chúng tôi tại 3M mong muốn tận dụng tốc độ phát triển khoa học mới.”

David Frazee, Giám đốc kỹ thuật tại 3M Corporate Systems Research Lab

“Với Amazon SageMaker JumpStart, chúng tôi có thể thử nghiệm với một số mô hình nền tảng, chọn những mô hình phù hợp nhất với nhu cầu của mình trong lĩnh vực chăm sóc sức khỏe và nhanh chóng ra mắt các ứng dụng ML bằng cách triển khai mô hình tuân thủ HIPAA của SageMaker. Điều này giúp chúng tôi cải thiện tốc độ và quy mô của quá trình nhập dữ liệu đơn thuốc và dịch vụ chăm sóc dành cho khách hàng.”

Alexander Alves, Kỹ sư cấp cao chính, Amazon Pharmacy

Canva
“Tại Canva, sứ mệnh của chúng tôi là trợ giúp cho thế giới trong việc thiết kế và giúp mọi người dễ dàng sáng tạo trên mọi thiết bị. Với AI tạo sinh, chúng tôi giúp người dùng hiện thực hóa ý tưởng của mình một cách thuận tiện nhất có thể. Nhờ SageMaker JumpStart, chúng tôi có thể hỗ trợ các đội ngũ trong việc bắt đầu sử dụng AI tạo sinh và thử nghiệm các mô hình nền tảng khác nhau. Trong cuộc thi hackathon toàn cầu của chúng tôi, các Canvanaut có thể dễ dàng triển khai nhiều mô hình nền tảng khác nhau và đưa dự án của họ vào hoạt động. Điều đó góp phần quan trọng vào thành công của hackathon này.”

Nic Wittison, Trưởng bộ phận kỹ thuật sản phẩm AI, Canva

Dovetail
“Tại Dovetail, chúng tôi giúp các tổ chức cải thiện chất lượng sản phẩm và dịch vụ thông qua khả năng thấu hiểu khách hàng một cách tốt hơn. Với Amazon SageMaker JumpStart, chúng tôi có thể dễ dàng tiếp cận, thử nghiệm và triển khai các mô hình nền tảng tiên tiến. Chúng tôi đã sử dụng Jurassic-2 Mid của AI21 để tạo điều kiện triển khai tính năng tóm tắt nâng cao và tích hợp vào ứng dụng SaaS của chúng tôi trong vòng vài tuần, thay vì phải cần nhiều tháng để triển khai. Khách hàng của chúng tôi hiện có thể chắt lọc và hiểu thông tin chuyên sâu từ dữ liệu một cách hiệu quả mà vẫn duy trì quyền riêng tư và đảm bảo tính bảo mật của dữ liệu.”

Chris Manouvrier, Quản lý kiến trúc doanh nghiệp, Dovetail

Lexitas
“Khách hàng của chúng tôi có hàng ngàn tài liệu pháp lý và quá trình phân tích các tài liệu này rất nhàm chán và tốn thời gian. Thông thường, không có cách nào để nhận được câu trả lời nhanh chóng, chẳng hạn như nắm bắt xem ai đã đặt câu hỏi trong bản khai. Với Amazon SageMaker JumpStart, hiện chúng tôi có thể truy cập các mô hình nền tảng tiên tiến để hỗ trợ sản phẩm của mình, giúp khách hàng giải quyết nhiều trường hợp sử dụng khác nhau, chẳng hạn như phát hiện điểm mâu thuẫn và tìm kiếm theo ngữ nghĩa trong hàng nghìn tài liệu cùng lúc. Các luật sư hiện có thể tận dụng bản chép lời trong quá khứ để chuẩn bị cho các sự kiện trong tương lai, đồng thời duy trì các nhu cầu về bảo mật và tuân thủ nghiêm ngặt.”

Jason Primuth, Giám đốc đổi mới, Lexitas

Tyson
“Tại Tyson Foods, chúng tôi tiếp tục tìm kiếm những phương pháp mới để sử dụng máy học (ML) mới trong quy trình sản xuất nhằm nâng cao năng suất. Chúng tôi sử dụng các mô hình phân loại hình ảnh để xác định những sản phẩm nào trên dây chuyền sản xuất cần có nhãn bao bì. Tuy nhiên, các mô hình phân loại hình ảnh cần được định kỳ đào tạo lại bằng hình ảnh mới từ hiện trường thực tế. Amazon SageMaker JumpStart giúp các nhà khoa học dữ liệu của chúng tôi chia sẻ mô hình ML với kỹ sư hỗ trợ để họ có thể đào tạo các mô hình ML bằng dữ liệu mới mà không cần viết bất kỳ dòng mã nào. Điều này đẩy nhanh thời gian đưa các giải pháp ML ra thị trường, thúc đẩy cải tiến liên tục và tăng năng suất.”

Rahul Damineni, Chuyên gia khoa học dữ liệu, Tyson Foods

Mission Automate
“Nhờ Amazon SageMaker JumpStart, chúng tôi có thể ra mắt các giải pháp ML ngay trong vài ngày để đáp ứng nhu cầu dự đoán nhờ công nghệ máy học một cách nhanh hơn và đáng tin cậy hơn.”

Alex Panait, Giám đốc điều hành, Mission Automate

Mycase
“Nhờ Amazon SageMaker JumpStart, chúng tôi có khởi đầu tốt hơn để triển khai giải pháp ML cho các trường hợp sử dụng của chính mình trong vòng 4-6 tuần thay vì 3-4 tháng.”

Gus Nguyen, Kỹ sư phần mềm, MyCase

Pivotree
“Với Amazon SageMaker JumpStart, chúng tôi có thể xây dựng các ứng dụng ML nhanh hơn, như tự động phát hiện điểm bất thường hoặc phân loại vật thể, cũng như ra mắt các giải pháp mà chỉ cần vài ngày để đi từ bằng chứng về tính khả thi đến khâu sản xuất.”

Milos Hanzel, Kiến trúc sư nền tảng, Pivotree  

Bundesliga
Với sự hỗ trợ của AWS, Bundesliga Match Facts mang lại trải nghiệm hấp dẫn hơn trong các trận đấu bóng đá cho người hâm mộ Bundesliga trên toàn thế giới. Với Amazon SageMaker Clarify, hiện Bundesliga có thể giải thích bằng hình thức tương tác về một số thành phần then chốt, cơ bản tác động đến cách mô hình ML dự đoán một giá trị xGoals nhất định. Khả năng nắm bắt những giá trị đặc trưng tương ứng và giải thích kết quả sẽ hữu ích trong việc gỡ lỗi mô hình và tăng độ tin cậy vào các thuật toán ML, giúp mang lại các kết quả dự đoán có chất lượng cao hơn.
 
"Amazon SageMaker Clarify tích hợp liền mạch với những phần còn lại thuộc nền tảng kỹ thuật số Bundesliga Match Facts và là một phần quan trọng trong chiến lược dài hạn của chúng tôi nhằm chuẩn hóa quy trình làm việc ML trên Amazon SageMaker AI. Bằng cách sử dụng công nghệ tiên tiến của AWS, chẳng hạn như máy học để cung cấp thông tin chuyên sâu hơn và giúp người hâm mộ hiểu rõ hơn về các quyết định tức thời trên sân, Bundesliga Match Facts giúp khán giả có hiểu biết sâu sắc hơn về các quyết định quan trọng trong mỗi trận đấu."

Andreas Heyden, Phó chủ tịch điều hành phụ trách đổi mới kỹ thuật số, DFL Group

Với Amazon SageMaker JumpStart, Slack có thể truy cập các mô hình nền tảng tiên tiến để hỗ trợ Slack AI, đồng thời ưu tiên tính bảo mật và quyền riêng tư. Khách hàng của Slack giờ đây có thể tìm kiếm thông minh hơn, ngay lập tức tóm tắt các cuộc trò chuyện và đạt hiệu quả tối đa trong công việc.”

Jackie Rocca, Phó chủ tịch phụ trách sản phẩm AI tại Slack

capcom
CAPCOM là công ty trò chơi Nhật Bản nổi tiếng với các trò chơi như loạt trò chơi Monster Hunter và Street Fighter. Để liên tục làm người dùng hài lòng, CAPCOM cần đảm bảo chất lượng trò chơi, xác định tỷ lệ rời bỏ và xu hướng rời bỏ.
 
"Việc kết hợp AutoGluon và Amazon SageMaker Clarify đã giúp mô hình về hành vi rời bỏ của khách hàng của chúng tôi dự đoán chính xác 94% tỷ lệ rời bỏ của khách hàng. SageMaker Clarify giúp chúng tôi hiểu hành vi của mô hình bằng cách cung cấp khả năng giải thích thông qua các giá trị SHAP. Nhờ SageMaker Clarify, chúng tôi đã giảm chi phí tính toán các giá trị SHAP tới 50% so với tính toán cục bộ. Giải pháp kết hợp này giúp chúng tôi hiểu rõ hơn về mô hình và cải thiện sự hài lòng của khách hàng với tỷ lệ chính xác cao hơn và chi phí thấp hơn đáng kể."

Masahiro Takamoto, Trưởng bộ phận dữ liệu của doanh nghiệp, CAPCOM

DOMO
Domo là Đám mây doanh nghiệp giúp thay đổi phương pháp quản lý doanh nghiệp bằng cách cung cấp BI hiện đại cho tất cả mọi người. Với Domo, những quy trình quan trọng từng mất đến nhiều tuần, nhiều tháng hoặc lâu hơn giờ đây có thể được thực hiện ngay trong vài phút hoặc vài giây ở quy mô đáng kinh ngạc.
 
"Domo cung cấp bộ giải pháp khoa học dữ liệu quy mô linh hoạt, dễ hiểu và dễ sử dụng cho tất cả mọi người trong tổ chức. Với Clarify, khách hàng của chúng tôi được cung cấp thông tin chuyên sâu quan trọng về phương pháp dự đoán của các mô hình AI. Sự kết hợp giữa Clarify với Domo giúp tăng tốc độ AI và khả năng hiểu biết cho khách hàng bằng cách cung cấp năng lực AI cho tất cả mọi người trong doanh nghiệp và hệ sinh thái của họ."

Ben Ainscough, Tiến sĩ, Trưởng bộ phận AI và khoa học dữ liệu, Domo

Varo

Varo Bank là ngân hàng kỹ thuật số có trụ sở tại Hoa Kỳ và sử dụng AI/ML để giúp đưa ra các quyết định nhanh chóng, có cân nhắc rủi ro để cung cấp cho khách hàng sản phẩm và dịch vụ tiên tiến.

"Varo cam kết chắc chắn trong việc mang lại khả năng giải thích và tính minh bạch cho các mô hình ML và chúng tôi rất vui mừng được thấy kết quả sau khi Amazon SageMaker Clarify thúc đẩy những nỗ lực này."

Sachin Shetty, Trưởng bộ phận khoa học dữ liệu, Varo Money

Aurora

LG AI Research đặt mục tiêu dẫn đầu kỷ nguyên AI tiếp theo thông qua việc sử dụng Amazon SageMaker AI để đào tạo và triển khai các mô hình ML nhanh hơn.

“Mới đây chúng tôi đã ra mắt Tilda, nghệ sĩ AI được hỗ trợ bởi EXAONE, một hệ thống siêu AI khổng lồ có thể xử lý 250 triệu tập dữ liệu cặp văn bản-hình ảnh có độ phân giải cao. AI đa phương thức này cho phép Tilda tự tạo ra một hình ảnh mới với khả năng khám phá vượt ra ngoài ngôn ngữ mà Tilda nhận thức được. Nhờ khả năng điều chỉnh quy mô và đào tạo phân tán, Amazon SageMaker AI đóng vai trò thiết yếu trong quá trình phát triển EXAONE. Cụ thể, vì siêu AI khổng lồ này cần công suất điện toán rất lớn để đào tạo, khả năng xử lý song song hiệu quả là vô cùng quan trọng. Chúng tôi cũng cần liên tục quản lý dữ liệu quy mô lớn và làm việc linh hoạt để phản hồi trước dữ liệu mới thu được. Bằng cách sử dụng thư viện đào tạo mô hình và đào tạo phân tán của Amazon SageMaker AI, chúng tôi đã tối ưu hóa quá trình đào tạo phân tán và đào tạo mô hình nhanh hơn 59% mà không cần sửa đổi nhiều mã đào tạo.”

Seung Hwan Kim, Phó chủ tịch kiêm Trưởng bộ phận Vision Lab, LG AI Research

Aurora
“Tại AI21 Labs, chúng tôi giúp các doanh nghiệp và nhà phát triển sử dụng các mô hình ngôn ngữ tiên tiến để định hình lại cách người dùng tương tác với văn bản mà không cần chuyên môn về NLP. Nền tảng dành cho nhà phát triển của chúng tôi, AI21 Studio, cung cấp quyền truy cập tính năng tạo văn bản, tóm tắt thông minh, thậm chí là tạo mã, tất cả đều dựa trên dòng mô hình ngôn ngữ lớn của chúng tôi. Mô hình Jurassic-Grande (TM) được đào tạo mới đây của chúng tôi với 17 tỷ thông số được đào tạo bằng Amazon SageMaker AI. Amazon SageMaker AI khiến cho quá trình đào tạo mô hình trở nên dễ dàng, hiệu quả hơn và hoạt động rất tốt với thư viện DeepSpeed. Nhờ đó, chúng tôi dễ dàng điều chỉnh quy mô tác vụ đào tạo phân tán lên hàng trăm GPU Nvidia A100. Mô hình Grande cung cấp tính năng tạo văn bản có chất lượng ngang bằng mô hình lớn hơn nhiều với 178 tỷ thông số của chúng tôi với chi phí suy luận thấp hơn đáng kể. Do đó, khi khách hàng của chúng tôi triển khai Jurassic-Grande vào sản xuất, họ có thể phục vụ hàng triệu người dùng hàng ngày theo thời gian thực và tận hưởng lợi thế kinh tế cao hơn trên từng đơn vị mà không tác động tiêu cực đến trải nghiệm người dùng.” 

Dan Padnos, Phó chủ tịch phụ trách kiến trúc, AI21 Labs

Aurora

Với sự trợ giúp của Amazon SageMaker AI và thư viện xử lý song song dữ liệu phân tán (SMDDP) của Amazon SageMaker AI, Torc.ai, một doanh nghiệp đi đầu trong lĩnh vực phương tiện tự hành từ năm 2005, đang thương mại hóa xe tải tự hành trong ngành vận tải hàng hóa để vận chuyển đường dài an toàn và liên tục.

“Đội ngũ của tôi hiện có thể dễ dàng chạy các tác vụ đào tạo phân tán trên quy mô lớn bằng cách sử dụng tính năng đào tạo mô hình của Amazon SageMaker AI và thư viện xử lý song song dữ liệu phân tán (SMDDP) của Amazon SageMaker AI bao gồm hàng terabyte dữ liệu đào tạo và mô hình với hàng triệu thông số. Tính năng đào tạo mô hình phân tán và SMDDP của Amazon SageMaker AI đã giúp chúng tôi mở rộng quy mô một cách liền mạch mà không cần phải quản lý cơ sở hạ tầng đào tạo. Điều đó đã giúp giảm thời gian đào tạo mô hình của chúng tôi từ vài ngày xuống còn vài giờ, cho phép chúng tôi rút ngắn chu kỳ thiết kế và cung cấp tính năng phương tiện tự hành mới cho đội xe chúng tôi nhanh hơn bao giờ hết.”

Derek Johnson, Phó chủ tịch phụ trách kỹ thuật, Torc.ai

Aurora

Sophos, công ty hàng đầu thế giới về các giải pháp và dịch vụ an ninh mạng tiên tiến, sử dụng Amazon SageMaker AI để đào tạo mô hình ML của họ hiệu quả hơn.

“Công nghệ mạnh mẽ của chúng tôi giúp phát hiện và loại bỏ các tệp chứa phần mềm độc hại tinh vi. Tuy nhiên, việc sử dụng mô hình XGBoost để xử lý các tập dữ liệu có kích thước nhiều terabyte rất tốn thời gian – và đôi khi là bất khả thi nếu bộ nhớ bị hạn chế. Với đào tạo phân tán của Amazon SageMaker AI, chúng tôi có thể đào tạo thành công một mô hình XGBoost gọn nhẹ và nhỏ hơn trên ổ đĩa (nhỏ hơn tới 25 lần) và trong bộ nhớ (nhỏ hơn tới năm lần) so với mô hình trước đó. Sử dụng tính năng điều chỉnh mô hình tự động và đào tạo phân tán của Amazon SageMaker AI trên Phiên bản dùng ngay, chúng tôi có thể nhanh chóng sửa đổi và đào tạo lại mô hình hiệu quả hơn mà không cần điều chỉnh cơ sở hạ tầng đào tạo cơ bản cần thiết để tăng quy mô tới những tập dữ liệu lớn như vậy.”

Konstantin Berlin, Trưởng bộ phận trí tuệ nhân tạo, Sophos

Đọc blog »

Aurora
"Công nghệ máy học tiên tiến và tính năng mô phỏng trên quy mô lớn của Aurora là nền tảng để phát triển công nghệ của chúng tôi một cách an toàn và nhanh chóng, đồng thời AWS mang lại hiệu năng cao mà chúng tôi cần để duy trì tốc độ phát triển. Với quy mô gần như không giới hạn, AWS hỗ trợ hàng triệu cuộc kiểm thử ảo để xác minh các tính năng của Aurora Driver để hệ thống này có thể điều hướng an toàn trong vô số trường hợp lái xe hiếm gặp trong thế giới thực." 

Chris Urmson, Giám đốc điều hành, Aurora

Xem video »

Hyundai
"Chúng tôi sử dụng các mô hình thị giác máy tính để thực hiện phân đoạn cảnh, điều vốn rất quan trọng để nắm bắt cảnh. Trước đây phải mất 57 phút để đào tạo mô hình cho mỗi giai đoạn, khiến tốc độ của chúng tôi chậm lại. Bằng cách sử dụng thư viện tính năng xử lý song song dữ liệu của Amazon SageMaker AI và với sự trợ giúp của Phòng thực hành giải pháp Amazon ML, chúng tôi có thể đào tạo trong 6 phút với mã đào tạo tối ưu hóa trên các phiên bản 5ml.p3.16xlarge. Nhờ thời gian đào tạo giảm 10 lần, chúng tôi có thể dành nhiều thời gian hơn cho việc chuẩn bị dữ liệu trong chu kỳ phát triển." 

Jinwook Choi, Kỹ sư nghiên cứu cấp cao, Hyundai Motor Company

Đọc blog »

Latent Space
“Tại Latent Space, chúng tôi đang xây dựng một công cụ trò chơi kết xuất từ mạng nơ-ron, trong đó ai cũng có thể sáng tạo trong chớp nhoáng. Xuất phát từ những tiến bộ trong mô hình ngôn ngữ, chúng tôi cố gắng kết hợp hiểu biết về ngữ nghĩa văn bản và hình ảnh để xác định những nội dung cần tạo ra. Trọng tâm hiện tại của chúng tôi là sử dụng tính năng truy xuất thông tin để tăng cường đào tạo mô hình quy mô lớn và chúng tôi có các quy trình ML phức tạp để thực hiện điều này. Cách thiết lập này đặt ra thách thức lớn hơn đào tạo phân tán bởi vì có nhiều nguồn dữ liệu và mô hình được đào tạo cùng lúc. Do đó, chúng tôi đang tận dụng các tính năng đào tạo phân tán mới trong Amazon SageMaker AI để điều chỉnh quy mô đào tạo một cách hiệu quả cho các mô hình tạo sinh lớn.”

Sarah Jane Hong, Người đồng sáng lập/Giám đốc khoa học, Latent Space

Đọc blog »

musixmatch
“Musixmatch sử dụng Amazon SageMaker AI để xây dựng các mô hình xử lý ngôn ngữ tự nhiên (NLP) và xử lý âm thanh, đồng thời đang thử nghiệm Hugging Face với Amazon SageMaker AI. Chúng tôi lựa chọn Amazon SageMaker AI vì dịch vụ này giúp các nhà khoa học dữ liệu nhanh chóng xây dựng, đào tạo và điều chỉnh mô hình theo vòng lặp mà không phải lo lắng về việc quản lý cơ sở hạ tầng cơ bản, nghĩa là các nhà khoa học dữ liệu có thể làm việc nhanh hơn và độc lập hơn. Khi công ty phát triển, yêu cầu của chúng tôi về việc đào tạo và điều chỉnh các mô hình NLP cũng lớn hơn và phức tạp hơn. Không ngừng tìm cách tăng tốc thời gian đào tạo và giảm chi phí đào tạo chính là lý do chúng tôi rất hào hứng với Trình biên dịch đào tạo của Amazon SageMaker. Trình biên dịch đào tạo của SageMaker mang lại những cách hiệu quả hơn để sử dụng GPU trong quá trình đào tạo, đồng thời nhờ có sự tích hợp liền mạch giữa Trình biên dịch đào tạo của SageMaker, PyTorch và các thư viện cấp cao như Hugging Face, chúng tôi nhận thấy thời gian đào tạo các mô hình dựa trên bộ chuyển đổi đã cải thiện đáng kể, giảm từ vài tuần xuống còn vài ngày, cũng như chi phí đào tạo thấp hơn.”

Loreto Parisi, Giám đốc kỹ thuật trí tuệ nhân tạo, Musixmatch

AT&T

AT&T Cybersecurity đã cải thiện khả năng phát hiện mối đe dọa đòi hỏi dự đoán gần theo thời gian thực bằng cách sử dụng các điểm cuối đa mô hình của Amazon SageMaker AI.

“Các điểm cuối đa mô hình của Amazon SageMaker AI không chỉ tiết kiệm chi phí mà còn tăng cường hiệu năng nhờ việc đơn giản hóa cách chúng tôi lưu trữ mô hình.”

Matthew Schneid, Kiến trúc sư trưởng – AT&T

Đọc thêm »
Forethought

Forethought Technologies, nhà cung cấp các giải pháp AI tạo sinh cho dịch vụ khách hàng, đã giảm chi phí tới 80% bằng cách sử dụng Amazon SageMaker AI.

“Bằng cách di chuyển sang các điểm cuối đa mô hình của Amazon SageMaker AI, chúng tôi đã giảm tới 66% chi phí và cung cấp cho khách hàng độ trễ tốt hơn và thời gian phản hồi tốt hơn.”

Jad Chamoun, Giám đốc kỹ thuật cốt lõi – Forethought Technologies

Đọc thêm »
Bazaarvoice

Bazaarvoice đã giảm 82% chi phí suy luận ML bằng cách sử dụng Suy luận phi máy chủ của SageMaker.

“Bằng cách sử dụng Suy luận phi máy chủ của SageMaker, chúng tôi có thể tiến hành ML hiệu quả trên quy mô lớn, nhanh chóng ra mắt nhiều mô hình với chi phí hợp lý và chi phí hoạt động thấp.”

Lou Kratz, Kỹ sư nghiên cứu chính – Bazaarvoice

Đọc thêm »
Tapjoy

Tapjoy sử dụng Amazon SageMaker AI để triển khai các mô hình ML trong vài ngày thay vì vài tháng.

“Chúng tôi từng mất khoảng ba đến sáu tháng để đào tạo, xây dựng và triển khai một mô hình. Bây giờ với SageMaker AI, chúng tôi có thể làm việc đó trong vòng một tuần, thậm chí nhanh hơn.”

Nick Reffitt, Phó chủ tịch phụ trách khoa học và kỹ thuật dữ liệu – Tapjoy

Đọc thêm »
Zendesk

Zendesk đã lưu trữ hàng nghìn mô hình ML trong các điểm cuối đa mô hình (MME) của Amazon SageMaker AI cho tính năng Macro đề xuất và tiết kiệm 90% chi phí suy luận so với các điểm cuối chuyên dụng.

“Chúng tôi đã triển khai hàng nghìn mô hình ML, được tùy chỉnh cho hơn 100 nghìn khách hàng, bằng cách sử dụng các điểm cuối đa mô hình (MME) của Amazon SageMaker AI. Với MME của SageMaker AI, chúng tôi đã xây dựng tính năng suy luận nhiều đối tượng thuê phù hợp với SaaS để lưu trữ nhiều mô hình cho mỗi điểm cuối, giảm 90% chi phí suy luận so với các điểm cuối chuyên dụng.”

Chris Hausler, Trưởng bộ phận AI/ML – Zendesk

Đọc thêm »

Amazon Pharmacy

“Với Amazon SageMaker JumpStart, chúng tôi có thể thử nghiệm với một số mô hình nền tảng, chọn những mô hình phù hợp nhất với nhu cầu của mình trong lĩnh vực chăm sóc sức khỏe và nhanh chóng ra mắt các ứng dụng ML bằng cách triển khai mô hình tuân thủ HIPAA của SageMaker. Điều này giúp chúng tôi cải thiện tốc độ và quy mô của quá trình nhập dữ liệu đơn thuốc và dịch vụ chăm sóc dành cho khách hàng.”

Alexander Alves, Kỹ sư cấp cao chính, Amazon Pharmacy

Intuit

“Với Amazon SageMaker AI, chúng tôi có thể đẩy mạnh những sáng kiến Trí tuệ nhân tạo ở quy mô lớn bằng cách xây dựng và triển khai các thuật toán của chúng tôi trên nền tảng này. Chúng tôi sẽ tạo ra các thuật toán máy học và AI mới trên quy mô lớn và triển khai chúng trên nền tảng này để giải quyết những vấn đề phức tạp, có thể mang lại sự thịnh vượng cho khách hàng của chúng tôi.”

Ashok Srivastava, Giám đốc dữ liệu – Intuit

GE Healthcare

Nhờ sử dụng dữ liệu và phân tích trên phần cứng, phần mềm và công nghệ sinh học, GE Healthcare đang góp phần thay đổi dịch vụ chăm sóc sức khỏe bằng cách cung cấp kết quả tốt hơn cho nhà cung cấp và bệnh nhân. 

“Amazon SageMaker AI cho phép GE Healthcare truy cập vào các dịch vụ và công cụ trí tuệ nhân tạo mạnh mẽ để nâng cao chất lượng chăm sóc bệnh nhân. Khả năng điều chỉnh quy mô và khả năng tích hợp với các dịch vụ AWS gốc của Amazon SageMaker AI sẽ củng cố thêm giá trị cho chúng tôi. Chúng tôi rất vui mừng khi quá trình hợp tác liên tục với GE Health Cloud và Amazon SageMaker AI sẽ mang lại kết quả tốt hơn cho các đối tác nhà cung cấp dịch vụ chăm sóc sức khỏe và nâng cao chất lượng chăm sóc bệnh nhân.”

Sharath Pasupunuti, Trưởng bộ phận kỹ thuật AI – GE Healthcare

ADP, Inc.

ADP là một công ty công nghệ dẫn đầu trên thế giới, chuyên cung cấp các giải pháp quản lý nguồn nhân lực (HCM). ADP DataCloud tận dụng dữ liệu về nhân sự vượt trội của ADP từ hơn 30 triệu nhân viên để cung cấp thông tin chuyên sâu hữu ích, có thể giúp các giám đốc điều hành đưa ra quyết định theo thời gian thực để quản lý doanh nghiệp tốt hơn.

“Giữ chân và thu hút nhân tài là một nhiệm vụ khó khăn và đó là lý do chúng tôi tiếp tục cải tiến ADP DataCloud bằng các tính năng trí tuệ nhân tạo để giúp các nhà tuyển dụng duy trì đội ngũ vững mạnh. Chúng tôi sử dụng công nghệ máy học của AWS, bao gồm Amazon SageMaker AI, để nhanh chóng xác định các kiểu mẫu lực lượng lao động và dự đoán trước kết quả – ví dụ như tỷ lệ nghỉ việc của nhân viên hoặc tác động của việc tăng lương thưởng. Bằng cách tận dụng AWS làm nền tảng chính cho trí tuệ nhân tạo và máy học, chúng tôi đã giảm thời gian triển khai các mô hình máy học từ 2 tuần xuống chỉ còn 1 ngày.”

Jack Berkowitz, Phó chủ tịch phụ trách phát triển sản phẩm – ADP, Inc.

BASF Digital Farming

Sứ mệnh của BASF Digital Farming là hỗ trợ người nông dân đưa ra quyết định sáng suốt hơn và góp phần giải quyết thách thức về thực phẩm cho dân số thế giới ngày càng tăng, đồng thời giảm thiểu tác động đến môi trường.

“Amazon SageMaker AI và Công nghệ AWS liên quan hỗ trợ hoạt động thử nghiệm nhanh chóng, cũng như cung cấp chức năng và API dễ sử dụng để giúp giảm rào cản gia nhập trong việc áp dụng ML. Bằng cách này, chúng tôi có thể nhanh chóng khai phá toàn bộ tiềm năng giá trị của các trường hợp sử dụng ML.”

Tiến sĩ Christian Kerkhoff, Quản lý tự động hóa dữ liệu – BASF Digital Farming GmbH

Cerner

Cerner

Cerner Corporation là một công ty y tế và công nghệ toàn cầu, cung cấp nhiều giải pháp, dịch vụ, thiết bị và phần cứng liên quan đến công nghệ thông tin y tế (HIT).

“Cerner tự hào khi thúc đẩy quá trình đổi mới trí tuệ nhân tạo và máy học trên nhiều trải nghiệm lâm sàng, tài chính và vận hành. Thông qua các tính năng mới do Hệ sinh thái máy học của Cerner và tính năng Xử lý ngôn ngữ tự nhiên của Cerner tạo ra, đồng thời nhờ quan hệ cộng tác của chúng tôi với AWS, chúng tôi đang tăng tốc độ đổi mới với quy mô linh hoạt cho tất cả khách hàng của mình. Amazon SageMaker AI là một thành phần quan trọng giúp Cerner thực hiện mong muốn mang lại giá trị cho khách hàng thông qua AI/ML. Ngoài ra, Amazon SageMaker AI cung cấp cho Cerner khả năng tận dụng các khung khác nhau như TensorFlow và PyTorch, cũng như khả năng tích hợp với các dịch vụ AWS khác nhau.”

Sasanka Are, Tiến sĩ, Phó chủ tịch – Cerner

600x400-dow-jones_logo.jpg

Dow Jones

Dow Jones & Co. là nhà cung cấp tin tức và thông tin kinh doanh toàn cầu, cung cấp nội dung cho người tiêu dùng và tổ chức thông qua báo, trang web, ứng dụng di động, video, bản tin, tạp chí, cơ sở dữ liệu độc quyền, hội nghị và radio.

“AWS vẫn luôn là đối tác tuyệt vời khi Dow Jones tiếp tục tập trung tích hợp công nghệ máy học vào các sản phẩm và dịch vụ của mình. Trước cuộc thi Hackathon về máy học gần đây của chúng tôi, đội ngũ AWS đã đào tạo cho người tham gia về Amazon SageMaker AI và Amazon Rekognition, đồng thời cung cấp sự hỗ trợ ngay trong ngày cho tất cả các đội ngũ. Kết quả là các đội ngũ của chúng tôi đã phát triển một số ý tưởng tuyệt vời về cách áp dụng công nghệ máy học, trong đó có nhiều ý tưởng sẽ được chúng tôi tiếp tục phát triển trên AWS. Sự kiện này là một thành công lớn và là ví dụ về mối quan hệ đối tác tuyệt vời.”

Ramin Beheshti, Giám đốc sản phẩm và dịch vụ của doanh nghiệp, Dow Jones

Advanced Microgrid Solutions

Advanced Microgrid Solutions

Advanced Microgrid Solutions (AMS) là một công ty dịch vụ và nền tảng năng lượng với mục tiêu đẩy nhanh quá trình chuyển đổi trên toàn thế giới sang nền kinh tế năng lượng sạch bằng cách tạo điều kiện triển khai và tối ưu hóa tài sản năng lượng sạch. NEM sử dụng thị trường trao đổi tức thời, tại đó tất cả các bên tham gia đấu giá tiêu thụ/cung cấp 5 phút một lần. Điều này đòi hỏi phải dự đoán dự báo nhu cầu và đưa ra giá thầu linh hoạt trong vòng vài phút, đồng thời xử lý một lượng lớn dữ liệu thị trường. Để giải quyết thách thức này, AMS đã xây dựng mô hình học sâu bằng cách sử dụng TensorFlow trên Amazon SageMaker AI. Họ đã tận dụng lợi thế từ tính năng điều chỉnh mô hình tự động của Amazon SageMaker AI để khám phá các thông số mô hình tốt nhất và xây dựng mô hình chỉ trong vài tuần. Mô hình của họ đã cho thấy sự cải thiện trong việc dự báo thị trường trên tất cả các sản phẩm năng lượng qua đo lường năng lượng ròng, điều sẽ mang lại hiệu quả đáng kể.

ProQuest

ProQuest

ProQuest quản lý bộ sưu tập tạp chí, sách điện tử, tài liệu gốc, luận văn, tin tức và video lớn nhất thế giới – đồng thời xây dựng các giải pháp quy trình làm việc mạnh mẽ giúp các thư viện thu thập và phát triển các bộ sưu tập của họ. Các sản phẩm và dịch vụ của ProQuest được sử dụng trong các thư viện học thuật, giáo dục phổ thông K-12, công cộng, doanh nghiệp và chính phủ ở 150 quốc gia.

“Chúng tôi đang hợp tác với AWS để xây dựng trải nghiệm người xem video hấp dẫn hơn cho khách hàng sử dụng thư viện, giúp thông tin tìm kiếm của họ trả về kết quả phù hợp hơn. Bằng cách phối hợp với Phòng thực hành giải pháp AWS ML, chúng tôi đã thử nghiệm các thuật toán khác nhau bằng Amazon SageMaker AI, điều chỉnh mô hình bằng cách sử dụng tối ưu hóa siêu thông số và tự động triển khai mô hình máy học (ML). Tính đến thời điểm hiện tại, chúng tôi hài lòng với kết quả và hiện đang cân nhắc sử dụng công nghệ ML cho các sản phẩm khác.”

Allan Lu, Phó chủ tịch phụ trách công cụ nghiên cứu, dịch vụ và nền tảng – ProQuest

Celgene

Celgene là doanh nghiệp thuốc sinh học toàn cầu, cam kết cải thiện đời sống của bệnh nhân trên toàn thế giới. Trọng tâm của Celgene là khám phá, phát triển và thương mại hóa các liệu pháp tiên tiến cho bệnh nhân ung thư, viêm do miễn dịch và các nhu cầu y tế khác chưa được đáp ứng.

“Tại Celgene, tầm nhìn của chúng tôi là cung cấp các phương pháp điều trị thực sự tiên tiến, có khả năng thay đổi cuộc sống và cải thiện cuộc sống của bệnh nhân trên toàn thế giới. Nhờ có Amazon SageMaker AI và Apache MXNet, việc xây dựng và đào tạo các mô hình học sâu để phát triển các giải pháp và quy trình đã trở nên nhanh hơn và dễ dàng hơn trước đây, đồng thời chúng tôi có thể dễ dàng mở rộng nỗ lực để khám phá các phương pháp điều trị và sản xuất thuốc. Việc sử dụng SageMaker AI và phiên bản P3 cho Amazon EC2 đã tăng tốc thời gian đào tạo mô hình và năng suất, cho phép đội ngũ của chúng tôi tập trung vào hoạt động nghiên cứu và khám phá mang tính đột phá.”

Lance Smith, Giám đốc – Celgene

Atlas Van Lines

Atlas Van Lines là hãng chuyên chở bằng xe van lớn thứ hai ở Bắc Mỹ, do một nhóm doanh nhân trong ngành vận chuyển và kho hàng thành lập vào năm 1948. Tổ chức này được phát triển với mục tiêu duy nhất là vận chuyển xuyên Hoa Kỳ, đồng thời tuân thủ quy tắc vàng trong kinh doanh. Bên ngoài những tác động mạnh mẽ, Atlas tự hào khi có những yêu cầu về chất lượng nhân viên nghiêm ngặt, vượt trên tiêu chuẩn của ngành.

Trong mùa vận chuyển cao điểm, mạng lưới nhân viên Atlas phối hợp với nhau trên các thị trường khác nhau để đáp ứng nhu cầu của khách hàng. Khả năng dự báo năng suất của họ vốn được thực hiện thủ công và tốn nhiều công sức. Họ dựa vào sự hiểu biết và linh cảm về tài nguyên qua nhiều năm kinh nghiệm. Atlas có dữ liệu lịch sử từ năm 2011 và mong muốn tìm cách tự động điều chỉnh năng suất và giá dựa trên nhu cầu thị trường trong tương lai.

Atlas đã làm việc với Pariveda Solutions, Đối tác tư vấn hàng đầu của APN, để giúp khai mở khả năng chủ động quản lý năng suất và giá trong ngành vận chuyển đường dài. Pariveda đã chuẩn bị dữ liệu, phát triển và đánh giá mô hình máy học, sau đó điều chỉnh hiệu năng. Họ sử dụng Amazon SageMaker AI để đào tạo và tối ưu hóa mô hình, sau đó xuất mô hình bằng cách sử dụng tính chất mô-đun của Amazon SageMaker AI để chạy bằng Amazon EC2.

Edmunds

Edmunds

Edmunds.com là một trang web mua sắm ô tô cung cấp thông tin chi tiết và cập nhật liên tục về phương tiện cho 20 triệu khách truy cập hàng tháng.

“Chúng tôi có một sáng kiến chiến lược để tất cả kỹ sư của chúng tôi có thể tiếp cận công nghệ máy học. Amazon SageMaker AI là chìa khóa để đạt được mục tiêu này, cho phép các kỹ sư dễ dàng xây dựng, đào tạo và triển khai các mô hình và thuật toán máy học trên quy mô lớn hơn. Chúng tôi rất vui mừng khi thấy Edmunds sẽ sử dụng SageMaker AI để cải tiến các giải pháp mới trong toàn tổ chức cho khách hàng.”

Stephen Felisan, Giám đốc thông tin – Edmunds.com

Hotels.com

Hotels.com

Hotels.com là một thương hiệu lưu trú hàng đầu toàn cầu, điều hành 90 trang web được bản địa hóa bằng 41 ngôn ngữ.

“Tại Hotels.com, chúng tôi luôn tìm cách để phát triển nhanh hơn, tận dụng những công nghệ mới nhất và duy trì sự sáng tạo. Với Amazon SageMaker AI, các tính năng đào tạo phân tán, thuật toán tối ưu hóa và siêu tham số được tích hợp sẵn sẽ cho phép đội ngũ của tôi nhanh chóng xây dựng nhiều mô hình chính xác hơn trên các tập dữ liệu lớn nhất mình, giảm đáng kể thời gian di chuyển mô hình sang khâu sản xuất. Mọi thứ đơn giản đến mức chỉ cần thực hiện một lệnh gọi API. Amazon SageMaker AI sẽ giảm đáng kể sự phức tạp của công nghệ máy học, cho phép chúng tôi nhanh chóng tạo ra trải nghiệm tốt hơn cho khách hàng của mình.”

Matt Frye, Phó chủ tịch kiêm Giám đốc khoa học dữ liệu tại Hotels.com và Expedia Affiliate Network

Formosa Plastics

Formosa Plastics Corporation là nhà cung cấp hợp nhất theo ngành dọc đang trong giai đoạn phát triển, chuyên cung cấp nhựa tổng hợp và sản phẩm hóa dầu. Formosa Plastics cung cấp đầy đủ các dòng nhựa polyvinyl chloride, polyethylene và polypropylene, xút ăn da và các sản phẩm hóa dầu khác để mang lại tính thống nhất, hiệu năng và chất lượng mà khách hàng yêu cầu.

"Formosa Plastics là một trong những doanh nghiệp hóa dầu hàng đầu của Đài Loan và nằm trong số các doanh nghiệp sản xuất nhựa hàng đầu thế giới. Chúng tôi quyết định khám phá công nghệ máy học để phát hiện lỗi chính xác hơn và giảm chi phí lao động thủ công, do đó chúng tôi đã chọn AWS làm nhà cung cấp đám mây ưu tiên để giúp thực hiện điều này. Phòng thực hành giải pháp AWS ML đã phối hợp với chúng tôi qua từng bước trong quy trình, từ tổ chức hội thảo khám phá nhằm xác định trường hợp sử dụng kinh doanh đến giai đoạn xây dựng và lựa chọn các mô hình ML phù hợp rồi đến triển khai trên thực tế. Giải pháp máy học sử dụng Amazon SageMaker AI đã giảm một nửa thời gian kiểm tra thủ công cho nhân viên của chúng tôi. Với sự giúp đỡ của Phòng thực hành giải pháp, chúng tôi hiện có thể tự tối ưu hóa mô hình SageMaker AI trong tương lai khi tình hình thay đổi.”

Bill Lee, Trợ lý phó chủ tịch – Formosa Plastics Corporation

Voodoo

Voodoo là một công ty trò chơi di động hàng đầu với hơn 2 tỷ lượt tải xuống trò chơi và hơn 400 triệu người dùng hoạt động hàng tháng (MAU). Họ chạy nền tảng quảng cáo của riêng mình và sử dụng máy học để cải thiện độ chính xác và chất lượng đấu giá thầu quảng cáo hiển thị cho người dùng.

"Tại Voodoo, chúng tôi cần duy trì sự tham gia tích cực của hàng triệu người chơi và số lượng này đang dần tăng lên. Bằng cách chuẩn hóa khối lượng công việc máy học và trí tuệ nhân tạo trên AWS, chúng tôi có thể phát triển theo vòng lặp với tốc độ và quy mô cần thiết để tiếp tục phát triển doanh nghiệp và thu hút người chơi trò chơi. Bằng cách sử dụng Amazon SageMaker AI, chúng tôi có thể quyết định trong thời gian thực rằng quảng cáo nào sẽ được hiển thị cho người chơi và gọi điểm cuối hơn 100 triệu lần cho hơn 30 triệu người dùng mỗi ngày, tức là gần một tỷ dự đoán mỗi ngày. Nhờ có công nghệ máy học của AWS, chúng tôi có thể đưa một mô hình chính xác vào sản xuất trong vòng chưa đầy một tuần, do một đội ngũ nhỏ hỗ trợ và liên tục cải tiến khi đội ngũ và doanh nghiệp của chúng tôi phát triển.”

Aymeric Roffé, Giám đốc công nghệ – Voodoo

Regit

Regit, trước đây là Motoring.co.uk, là công ty công nghệ ô tô và dịch vụ trực tuyến hàng đầu dành cho người lái xe của Vương quốc Anh. Họ cung cấp các dịch vụ quản lý xe kỹ thuật số dựa trên biển số xe và cung cấp những lời nhắc hữu ích như thuế, bảo hiểm và thông tin thu hồi của Bộ giao thông (MOT) cho tài xế.

Regit đã phối hợp với Peak Business Insight, đối tác tư vấn nâng cao của APN, để áp dụng “mô hình máy học phân loại” xử lý đồng thời cả dữ liệu phân loại và dữ liệu biến đổi để đưa ra dự đoán về khả năng người dùng thay đổi xe, mang lại doanh thu cho Regit.

Peak đã sử dụng các dịch vụ AWS như Amazon SageMaker AI để tải nhập, lập mô hình và xuất dữ liệu theo thời gian thực. Amazon SageMaker AI xử lý 5.000 yêu cầu API mỗi ngày cho Regit, liên tục điều chỉnh quy mô và điều chỉnh theo yêu cầu dữ liệu liên quan, cũng như quản lý hoạt động cung cấp kết quả chấm điểm khách hàng tiềm năng. Trong khi đó, các phiên bản Amazon Redshift và Amazon Elastic Compute Cloud (Amazon EC2) tối ưu hóa hiệu năng và kết quả của mô hình một cách hiệu quả và liên tục. Với Peak, Regit đã có thể dự đoán xem ai trong số 2,5 triệu người dùng sẽ thay đổi xe và vào thời điểm nào. Nhờ đó, họ có thể phục vụ riêng từng khách hàng một cách chính xác hơn, tăng doanh thu của tổng đài hơn 25%.

Realtor.com

Realtor.com

Mạng lưới Move, Inc., bao gồm realtor.com®, Doorsteps® và Moving.com™, cung cấp thông tin bất động sản, công cụ và chuyên môn trên một nhóm các trang web và trải nghiệm di động cho người tiêu dùng và chuyên gia về bất động sản.

“Chúng tôi tin rằng Amazon SageMaker AI là sự bổ sung mang tính chuyển đổi cho bộ công cụ realtor.com® để chúng tôi hỗ trợ người tiêu dùng trong hành trình sở hữu nhà. Các quy trình làm việc máy học vốn mất nhiều thời gian, như đào tạo và tối ưu hóa mô hình, có thể được một nhóm các nhà phát triển lớn hơn thực hiện với hiệu quả cao hơn, hỗ trợ các nhà khoa học dữ liệu và nhà phân tích để họ tập trung tạo ra trải nghiệm phong phú nhất cho người dùng."

Vineet Singh, Giám đốc dữ liệu kiêm Phó chủ tịch cấp cao – Move, Inc.

Grammarly

Grammarly

Mỗi ngày, các thuật toán của Grammarly giúp hàng triệu người giao tiếp hiệu quả hơn bằng cách cung cấp dịch vụ hỗ trợ soạn thảo trên nhiều nền tảng thông qua các thiết bị nhờ kết hợp kỹ thuật xử lý ngôn ngữ tự nhiên và công nghệ máy học tiên tiến.

“Nhờ Amazon SageMaker AI, chúng tôi có thể phát triển các mô hình TensorFlow trong môi trường đào tạo phân tán. Quy trình làm việc của chúng tôi cũng tích hợp với Amazon EMR cho quá trình tiền xử lý, do đó chúng tôi có thể lấy dữ liệu từ Amazon S3, đã được lọc bằng EMR và Spark từ sổ tay Jupyter, sau đó đào tạo trong Amazon SageMaker AI với chính sổ tay này. SageMaker AI cũng hoạt động linh hoạt để đáp ứng các yêu cầu sản xuất đa dạng của chúng tôi. Chúng tôi có thể chạy các suy luận trên chính SageMaker AI hoặc nếu chỉ cần mô hình, chúng tôi sẽ tải xuống từ S3 và chạy suy luận qua các phương thức triển khai trên thiết bị di động của chúng tôi cho khách hàng trên iOS và Android.”

Stanislav Levental, Trưởng bộ phận kỹ thuật –Grammarly

Slice Labs

Slice Labs, có trụ sở tại New York và vận hành trên toàn thế giới, là nhà cung cấp bảo hiểm theo yêu cầu đầu tiên trên nền tảng đám mây. Slice phục vụ thị trường B2C với các dịch vụ bảo hiểm theo yêu cầu cá nhân cũng như thị trường B2B bằng cách cho phép các doanh nghiệp xây dựng các sản phẩm bảo hiểm kỹ thuật số dễ hiểu.

“Tại Slice, chúng tôi nhận thức sâu sắc về tính chất liên tục thay đổi trong nhu cầu bảo hiểm của khách hàng nên đã chọn AWS làm nền tảng đám mây ưa dùng do lượng dịch vụ đa dạng, tính linh hoạt và uy tín đối với các công ty bảo hiểm. Chúng tôi sử dụng nhiều dịch vụ AWS để hỗ trợ hoạt động kinh doanh, bao gồm cả công nghệ máy học của AWS để giúp kết nối khách hàng với các phương án bảo hiểm tốt nhất tùy theo nhu cầu của họ. Trong khi chúng tôi làm việc với các công ty bảo hiểm và công ty công nghệ đang tìm cách xây dựng và ra mắt các sản phẩm bảo hiểm thông minh, chúng tôi đã nhận thấy chi phí giảm rõ rệt và lợi ích năng suất đáng kể nhờ AWS. Ví dụ: chúng tôi đã giảm 98% thời gian mua sắm, từ 47 ngày xuống còn 1 ngày. Chúng tôi rất vui mừng khi tiếp tục mở rộng cả về khu vực địa lý và mức sử dụng đám mây với AWS."

Philippe Lafreniere, Giám đốc phát triển – Slice Labs

DigitalGlobe

DigitalGlobe

Là nhà cung cấp hình ảnh có độ phân giải cao, dữ liệu và phân tích về Trái đất hàng đầu trên thế giới, DigitalGlobe phải xử lý khối lượng dữ liệu khổng lồ mỗi ngày.

“Là nhà cung cấp hình ảnh có độ phân giải cao, dữ liệu và phân tích về Trái đất hàng đầu trên thế giới, DigitalGlobe phải xử lý khối lượng dữ liệu khổng lồ mỗi ngày. DigitalGlobe đơn giản hóa việc tìm kiếm, truy cập và chạy điện toán trên toàn bộ thư viện hình ảnh 100 PB của chúng tôi, được lưu trữ trên đám mây AWS, để áp dụng công nghệ học sâu vào hình ảnh vệ tinh. Kế hoạch của chúng tôi là sử dụng Amazon SageMaker AI để đào tạo mô hình trên tập dữ liệu hình ảnh Trái đất có dung lượng hàng petabyte bằng cách sử dụng sổ tay Jupyter được lưu trữ, nhờ đó người dùng Nền tảng dữ liệu lớn không gian địa lý (GBDX) của DigitalGlobe chỉ cần nhấn một nút, tạo một mô hình rồi triển khai, tất cả trong môi trường phân phối có quy mô linh hoạt.”

Tiến sĩ Walter Scott, Giám đốc công nghệ – Maxar Technologies kiêm người sáng lập của DigitalGlobe

Intercom

Intercom

Các sản phẩm ưu tiên nhắn tin của Intercom tích hợp liền mạch với trang web và ứng dụng di động của các doanh nghiệp khác để giúp họ thu hút, tương tác và hỗ trợ khách hàng. Được thành lập vào năm 2011, công ty có văn phòng ở San Francisco, London, Chicago và Dublin.

“Tại Intercom, chúng tôi có một đội ngũ ngày càng đông đảo gồm các nhà khoa học dữ liệu và kỹ sư theo định hướng dữ liệu, đồng thời chúng tôi thường muốn phát triển theo vòng lặp nhanh chóng và khám phá các giải pháp mới cho các sản phẩm dựa trên dữ liệu. Trước khi chọn Amazon SageMaker AI, chúng tôi đã thử rất nhiều phương án khác nhau để xây dựng những sản phẩm này, nhưng mỗi phương án đều đi kèm các thách thức – việc chia sẻ mã rất khó khăn, hoạt động thử nghiệm trên các tập dữ liệu lớn diễn ra chậm chạp và việc tự cung cấp và quản lý phần cứng gây ra nhiều vấn đề. SageMaker AI đã đến và giúp chúng tôi giải quyết tất cả những thách thức này. Cụ thể, chúng tôi sử dụng SageMaker AI để phát triển thuật toán cho nền tảng tìm kiếm và tính năng máy học, đồng thời nhận thấy rằng sổ tay Jupyter được lưu trữ của SageMaker AI cho phép chúng tôi nhanh chóng xây dựng và phát triển theo vòng lặp. Điều quan trọng là SageMaker AI là một dịch vụ được quản lý, nhờ đó đội ngũ của tôi có thể tập trung vào tác vụ hiện tại. Amazon SageMaker AI là một dịch vụ có giá trị vô cùng lớn với Intercom và chúng tôi rất vui mừng được tiếp tục sử dụng dịch vụ này nhiều hơn trong quá trình phát triển của doanh nghiệp."

Kevin McNally, Nhà khoa học dữ liệu máy học cấp cao – Intercom

Kinect Energy Group

Kinect Energy Group

Kinect Energy Group là công ty con của World Fuel Services, một doanh nghiệp trong nhóm Fortune 100 chuyên cung cấp dịch vụ tư vấn về mua sắm năng lượng, thực hiện đơn hàng cung ứng và các giải pháp quản lý giao dịch và thanh toán cho khách hàng thương mại và công nghiệp, chủ yếu trong ngành vận tải đường hàng không, đường thủy và đường bộ. Kinect Energy là nhà cung cấp năng lượng quan trọng ở Bắc Âu và phụ thuộc vào nguồn năng lượng tự nhiên được tạo nên bởi khí hậu nhiều gió của khu vực.

Gần đây, hoạt động kinh doanh của họ đã phát triển mạnh mẽ thông qua việc áp dụng một số dịch vụ AI/ML từ AWS. Nhờ có Amazon SageMaker AI, công ty này có thể dự đoán xu hướng thời tiết sắp tới, qua đó dự đoán giá điện cho các tháng tiếp theo, hỗ trợ hoạt động giao dịch năng lượng tầm xa vượt trội, thể hiện phương pháp tiếp cận tiên tiến hàng đầu trong ngành.

“Chúng tôi bắt đầu sử dụng Amazon SageMaker AI và với sự giúp đỡ của Đội ngũ giải pháp AWS ML và Đội ngũ kiến trúc giải pháp, chúng tôi đã đạt được đà phát triển với Ngày hội đổi mới và tạo nên tác động to lớn kể từ lúc đó. Chúng tôi đã phát triển đội ngũ AI của riêng mình lên gấp nhiều lần để khai thác toàn bộ lợi thế mới mà công nghệ AWS mang lại. Chúng tôi đang tạo ra lợi nhuận theo những cách mới bằng cách thiết lập giá theo thời tiết trong tương lai. Chúng tôi đã tận dụng AWS, bao gồm việc lưu trữ dữ liệu trong S3, sử dụng Lambda để thực thi và Step Functions bên cạnh SageMaker AI. Nhờ mối quan hệ hợp tác chặt chẽ với Phòng thực hành giải pháp AWS ML, giờ đây chúng tôi có thể tự hoạt động, phát triển theo vòng lặp đối với các mô hình đã xây dựng và tiếp tục cải thiện hoạt động kinh doanh.”

Andrew Stypa, Chuyên viên phân tích nghiệp vụ chính – Kinect Energy Group

Frame.io

Frame.io

Frame.io là trung tâm của tất cả mọi thứ liên quan đến video. Đi đầu trong lĩnh vực đánh giá video và hợp tác với hơn 700 nghìn khách hàng trên toàn cầu, Frame.io là nơi tất cả những người làm việc trong lĩnh vực video – từ người hành nghề tự do đến doanh nghiệp – đến để đánh giá, phê duyệt và phân phối video.

“Là nền tảng đánh giá video và cộng tác hoạt động trên đám mây mà người dùng trên toàn thế giới đều có thể tiếp cận, chúng tôi phải cung cấp khả năng bảo mật tốt nhất cho khách hàng. Với mô hình phát hiện bất thường tích hợp sẵn trong Amazon SageMaker AI, chúng tôi có thể tận dụng công nghệ máy học để nhanh chóng xác định, phát hiện và chặn mọi yêu cầu IP không mong muốn để đảm bảo nội dung đa phương tiện của khách hàng luôn an toàn và được bảo vệ mọi lúc. Việc bắt đầu sử dụng Amazon SageMaker AI, duy trì theo thời gian, điều chỉnh quy mô trên nền tảng của chúng tôi và điều chỉnh theo quy trình làm việc cụ thể rất đơn giản và dễ hiểu. Và với sự trợ giúp của sổ tay Jupyter trong SageMaker AI, chúng tôi có thể thử nghiệm các mô hình khác nhau để cải thiện độ chính xác và tỷ lệ tìm ra kết quả liên quan, khiến Frame.io bảo mật tốt hơn nữa.”

Abhinav Srivastava, Phó chủ tịch kiêm Trưởng bộ phận bảo mật thông tin – Frame.io

Cookpad

Cookpad

Cookpad là dịch vụ chia sẻ công thức lớn nhất Nhật Bản với khoảng 60 triệu người dùng hàng tháng tại Nhật Bản và khoảng 90 triệu người dùng hàng tháng trên toàn cầu.

“Khi có ngày càng nhiều nhu cầu sử dụng dịch vụ công thức nấu ăn của Cookpad một cách dễ dàng hơn, các nhà khoa học dữ liệu của chúng tôi sẽ xây dựng nhiều mô hình máy học hơn để tối ưu hóa trải nghiệm người dùng. Khi cố gắng giảm thiểu số lần phát triển theo vòng lặp đối với tác vụ đào tạo để có được hiệu năng tốt nhất, chúng tôi nhận thấy thách thức lớn trong việc triển khai các điểm cuối suy luận ML, làm chậm lại quy trình phát triển của chúng tôi. Để tự động hóa triển khai mô hình ML theo cách giúp cho các nhà khoa học dữ liệu có thể tự triển khai mô hình, chúng tôi đã sử dụng API suy luận của Amazon SageMaker AI và chứng minh rằng nhờ Amazon SageMaker AI, các kỹ sư ứng dụng sẽ không còn phải triển khai mô hình ML. Chúng tôi dự kiến sẽ tự động hóa quy trình này với Amazon SageMaker AI trong khâu sản xuất.” 

Yoichiro Someya, Kỹ sư nghiên cứu – Cookpad

Fabulyst

Fabulyst

Fabulyst là công ty khởi nghiệp có trụ sở tại Ấn Độ, tập trung vào hoạt động thương mại thời trang, mang đến trải nghiệm tích cực và cá nhân hóa hơn cho người mua sắm, cũng như tỷ lệ chuyển đổi tốt hơn cho các nhà bán lẻ thông qua AI.

“Fabulyst giúp người mua hàng dễ dàng tìm các giao dịch mua tốt hơn bằng cách kết hợp hàng tồn kho với truy vấn cụ thể của riêng người dùng (ví dụ: phù hợp với phân loại cơ thể hoặc màu da của họ). Đồng thời, chúng tôi giúp các nhà bán lẻ đạt được tỷ lệ chuyển đổi hiệu quả hơn bằng cách sử dụng thị giác máy tính để dự báo xu hướng hàng tháng dựa trên dữ liệu từ mạng xã hội, thông tin tìm kiếm, blog, v.v. và tự động gắn thẻ các xu hướng này trong danh mục dành cho khách hàng bán lẻ. Fabulyst sử dụng AWS để cung cấp các giải pháp vượt trội nhất, bao gồm Amazon SageMaker AI để xử lý các dự đoán hỗ trợ cho dịch vụ của chúng tôi. Nhờ SageMaker AI và các dịch vụ AWS khác, chúng tôi có thể đảm bảo giá trị cho người dùng – chẳng hạn như tăng 10% doanh thu cộng dồn cho nhà bán lẻ – và tin tưởng vào khả năng mang lại kết quả tuyệt vời trong bất cứ thời điểm nào.”

Komal Prajapati, Người sáng lập kiêm Giám đốc điều hành – Fabulyst

Terragon Group

Terragon Group

Terragon Group là doanh nghiệp công nghệ dữ liệu và tiếp thị giúp khai mở giá trị cho các doanh nghiệp sử dụng thông tin chuyên sâu để tiếp cận người dùng di động ở Châu Phi. Trong những năm qua, Terragon Group đã trở thành doanh nghiệp hàng đầu trong lĩnh vực di động, cung cấp dịch vụ cho các thương hiệu tại địa phương và đa quốc gia, trải dài trên nhiều khu vực địa lý. Việc mang đến thông điệp quảng cáo phù hợp với đúng người dùng vào đúng thời điểm đòi hỏi cá nhân hóa, do đó Terragon sử dụng dữ liệu, thông tin chuyên và trí tuệ nhân tạo để giúp các doanh nghiệp tiếp cận đối tượng phù hợp ở Châu Phi.

“Amazon SageMaker AI cung cấp cho chúng tôi quy trình làm việc máy học toàn diện mà không cần bất kỳ hệ thống xây dựng cơ sở hạ tầng cơ bản nào. Các đội ngũ khoa học dữ liệu và máy học của chúng tôi có thể chuyển đổi nhanh chóng từ khám phá dữ liệu sang đào tạo mô hình và sản xuất chỉ trong vài giờ. Đối với một doanh nghiệp đặt trụ sở tại Châu Phi, nơi nhân tài kỹ thuật khan hiếm, chúng tôi không có cách nào khác để xây dựng và triển khai các mô hình ML nhằm giải quyết vấn đề thực tế chỉ trong vòng chưa đầy 90 ngày.”

Deji Balogun, Giám đốc công nghệ – Terragon Group

SmartNews

SmartNews

SmartNews là ứng dụng tin tức lớn nhất Nhật Bản, cung cấp thông tin chất lượng cho hơn 11 triệu người dùng hoạt động hàng tháng trên thế giới. Với công nghệ máy học, SmartNews giúp người dùng nhận được câu chuyện tin tức phù hợp và thú vị nhất. Các thuật toán máy học tại SmartNews đánh giá hàng triệu bài báo, tín hiệu trên mạng xã hội và tương tác của con người để cung cấp 0,01% câu chuyện quan trọng nhất ngay tức thời.

"Chúng tôi thực hiện nhiệm vụ khám phá và cung cấp những câu chuyện chất lượng cho thế giới nhờ sự hỗ trợ của AWS và đặc biệt là Amazon SageMaker AI giúp đẩy nhanh chu kỳ phát triển để phục vụ khách hàng. Việc tận dụng Amazon SageMaker AI đã giúp chúng tôi rất nhiều trong phương pháp tuyển chọn tin tức, bao gồm phân loại bài viết bằng cách sử dụng công nghệ học sâu, dự đoán Giá trị vòng đời và lập mô hình tổng hợp văn bản và hình ảnh. Chúng tôi mong muốn đạt tới thành công lớn hơn với Amazon SageMaker AI và các giải pháp AI khác từ AWS.”

Kaisei Hamamoto, Người đồng sáng lập kiêm Đồng giám đốc điều hành – SmartNews, Inc.

Pioneer

Pioneer

Pioneer là tập đoàn đa quốc gia chuyên về giải trí kỹ thuật số, bao gồm thiết bị điện tử và dịch vụ di động dành cho ô tô. Lấy động lực từ triết lý doanh nghiệp "Làm lay động trái tim và chạm tới tâm hồn", Pioneer cung cấp cho khách hàng những sản phẩm và dịch vụ có thể hỗ trợ họ trong cuộc sống hàng ngày.

“Bằng cách tận dụng Amazon SageMaker AI và các tính năng đào tạo mô hình như Điều chỉnh mô hình tự động, chúng tôi có thể phát triển các mô hình máy học có độ chính xác cao và tiếp tục đảm bảo quyền riêng tư của khách hàng. Chúng tôi cũng mong muốn tận dụng AWS Marketplace dành cho công nghệ máy học cho cả thuật toán và mô hình được đào tạo trước để xây dựng nền tảng kiếm tiền.”

Kazuhiro Miyamoto, Tổng giám đốc bộ phận kỹ thuật dịch vụ thông tin – Pioneer

dely

Dely

Dely điều hành Kurashiru, dịch vụ video nấu ăn tốt nhất tại Nhật Bản. Họ đang nỗ lực mỗi ngày để tạo ra các dịch vụ ẩm thực mang lại tác động đến thế giới. Hàng ngày, Kurashiru giúp đỡ nhiều người bằng cách giới thiệu nhiều công thức nấu ăn thơm ngon để làm phong phú thêm cho bàn ăn thông qua các video nấu ăn. Hàng chục triệu người tại Nhật Bản theo dõi và lắng nghe dịch vụ giới thiệu công thức hàng tháng.

“Chúng tôi đã đạt hơn 15 triệu lượt tải xuống ứng dụng di động trong 2,5 năm kể từ khi ra mắt dịch vụ Kurashiru nổi tiếng. Chúng tôi tin rằng điều quan trọng là cung cấp cho người dùng nội dung phù hợp vào đúng thời điểm bằng cách sử dụng công nghệ tiên tiến như máy học. Để đạt được điều này, chúng tôi sử dụng Amazon SageMaker AI giúp xây dựng và triển khai các mô hình máy học vào sản xuất trong vòng 90 ngày. Chúng tôi cũng tăng 15% tỷ lệ nhấp chuột với tính năng cá nhân hóa nội dung”.

Masato Otake, Giám đốc công nghệ – Dely, Inc.

Ayla Networks

Ayla Networks

Ayla Networks là một công ty phần mềm cung cấp nền tảng IoT dưới dạng dịch vụ có trụ sở tại San Francisco, chuyên phát triển giải pháp cho cả thị trường tiêu dùng và thương mại.

“Tại Ayla Networks, chúng tôi nhận thấy khách hàng chủ yếu hoạt động trên cơ sở hạ tầng AWS do khả năng điều chỉnh quy mô và độ tin cậy đã qua kiểm chứng. Đặc biệt, chúng tôi thấy rằng các nhà sản xuất thương mại đang tận dụng Amazon SageMaker AI để khai thác dữ liệu về hiệu năng thiết bị từ Ayla Cloud. Với Amazon SageMaker AI và sản phẩm Ayla IQ của chúng tôi, các doanh nghiệp có thể làm rõ thông tin chuyên sâu và những điểm bất thường để giúp mang lại chất lượng sản phẩm và dịch vụ tốt hơn, thậm chí là dự đoán lỗi của máy và khắc phục trước khi lỗi có thể xảy ra. Giải pháp này giúp khách hàng hoạt động trơn tru để hoạt động kinh doanh của họ có thể tiếp tục phát triển, sản xuất và mở rộng quy mô mà không phải lo lắng.”

Prashanth Shetty, Phó chủ tịch phụ trách tiếp thị toàn cầu – Ayla Networks

FreakOut

FreakOut

FreakOut là một công ty công nghệ hàng đầu tập trung vào quảng cáo kỹ thuật số. Công ty này cung cấp các sản phẩm cho giao dịch kiểm kê quảng cáo theo thời gian thực trong quảng cáo Internet cũng như phân tích dữ liệu duyệt web. FreakOut tận dụng công nghệ máy học để dự đoán tỷ lệ nhấp (CTR) và tỷ lệ chuyển đổi (CVR).

“Chúng tôi đang trong quá trình di chuyển môi trường đào tạo máy học từ môi trường tại chỗ sang Amazon SageMaker AI. Amazon SageMaker AI cung cấp giải pháp có quy mô linh hoạt hơn cho doanh nghiệp của chúng tôi. Với tính năng Điều chỉnh mô hình tự động của Amazon SageMaker AI, chúng tôi có thể tối ưu hóa và ước tính các mô hình có độ chính xác cao để đáp ứng yêu cầu.”

Jiro Nishiguchi, Giám đốc công nghệ – FreakOut

Wag!

Wag!

"Tại Wag!, chúng tôi phải đáp ứng cung và cầu trong thị trường bao gồm cả bên mua và bên bán. Chúng tôi đã phát hiện ra cơ hội sử dụng công nghệ máy học – với sự hỗ trợ của AWS – để dự đoán nhu cầu dắt cún cưng đi dạo của khách hàng. Bằng cách chuẩn hóa các ứng dụng máy học trên AWS, chúng tôi có thể đáp ứng sự phát triển liên tục của nhu cầu kinh doanh bằng cách phát triển theo vòng lặp với tốc độ và quy mô được cải thiện đáng kể, mặc dù nguồn lực kỹ thuật còn hạn chế. Bằng cách sử dụng Amazon SageMaker AI, chúng tôi có thể tăng tốc độ thử nghiệm máy học, rút ngắn thời gian điện toán để đào tạo mô hình từ 45 ngày xuống còn 3 ngày.”

Dave Bullock, Phó chủ tịch phụ trách công nghệ kỹ thuật và vận hành – Wag Labs Inc.

Print

Infoblox

Infoblox là doanh nghiệp dẫn đầu trong lĩnh vực dịch vụ mạng bảo mật được quản lý bằng đám mây, được thiết kế để quản lý và bảo mật lõi kết nối mạng, cụ thể là quản lý DNS, DHCP và địa chỉ IP (gọi chung là DDI).

"Tại Infoblox, chúng tôi xây dựng dịch vụ phân tích bảo mật DNS với Amazon SageMaker AI để phát hiện các tác nhân độc hại tạo ra các từ đồng dạng nhằm mạo danh tên miền mục tiêu có giá trị cao, sử dụng những tên miền này để phát tán phần mềm độc hại, lừa đảo đánh cắp thông tin người dùng và làm tổn hại uy tín của thương hiệu. AWS là tiêu chuẩn của doanh nghiệp chúng tôi đối với đám mây và chúng tôi có thể tận dụng nhiều tính năng do SageMaker AI cung cấp để tăng tốc phát triển mô hình ML. Bằng cách dụng tính năng Điều chỉnh mô hình tự động của SageMaker, chúng tôi đã mở rộng quy mô thử nghiệm và cải thiện độ chính xác tới 96,9%. Nhờ SageMaker AI, trình phát hiện ký tự đồng dạng IDN, một phần trong dịch vụ phân tích bảo mật của chúng tôi, đã xác định hơn 60 triệu kết quả tên miền sử dụng từ đồng dạng và tiếp tục phát hiện hàng triệu tên miền khác mỗi tháng, giúp khách hàng của chúng tôi phát hiện tình trạng lạm dụng thương hiệu nhanh hơn."

Femi Olumofin, Kiến trúc sư phân tích – Infoblox

NerdWallet

NerdWallet

NerdWallet, một công ty tài chính cá nhân có trụ sở tại San Francisco, cung cấp thông tin đánh giá và so sánh các sản phẩm tài chính, bao gồm thẻ tín dụng, dịch vụ ngân hàng, đầu tư, cho vay và bảo hiểm.

NerdWallet dựa vào khoa học dữ liệu và ML để kết nối khách hàng với các sản phẩm tài chính được cá nhân hóa. Chúng tôi đã chọn chuẩn hóa khối lượng công việc ML trên AWS vì điều này cho phép chúng tôi nhanh chóng hiện đại hóa các phương pháp kỹ thuật khoa học dữ liệu, loại bỏ rào cản và tăng tốc thời gian bàn giao. Với Amazon SageMaker AI, các nhà khoa học dữ liệu của chúng tôi có thể dành nhiều thời gian hơn cho các mục tiêu chiến lược và tập trung nhiều năng lượng hơn vào lợi thế cạnh tranh – thông tin chi tiết về những vấn đề mà chúng tôi đang giải quyết cho người dùng.”

Ryan Kirkman, Giám đốc kỹ thuật cấp cao – NerdWallet

Splice

Splice

Splice là nền tảng sáng tạo dành cho nhạc sĩ, được xây dựng bởi nhạc sĩ để hỗ trợ các nghệ sĩ phát huy tiềm năng sáng tạo thực sự của họ. Công ty khởi nghiệp sáng tạo âm nhạc hoạt động theo hình thức gói đăng ký được thành lập vào năm 2013 và hiện phục vụ hơn 3 triệu nhạc sĩ để họ khám phá danh mục nhằm tìm kiếm âm thanh hoàn hảo.

"Khi danh mục âm thanh và cài đặt sẵn của chúng tôi phát triển, thách thức để tìm kiếm âm thanh phù hợp cũng ngày càng lớn hơn. Đó là lý do Splice đầu tư xây dựng tính năng tìm kiếm và khám phá vượt trội. Bằng cách chuẩn hóa khối lượng công việc ML trên AWS, chúng tôi đã tạo ra một dịch vụ mới hướng đến người dùng nhằm kết nối nhạc sĩ với âm thanh mà họ đang tìm kiếm dễ dàng hơn bao giờ hết. Kể từ khi ra mắt Similar Sounds, chúng tôi đã chứng kiến tỷ lệ chuyển đổi từ tìm kiếm tăng gần 10%. Bằng cách tận dụng Amazon SageMaker AI, chúng tôi đã tạo ra phần bổ trợ hoàn hảo cho tính năng tìm kiếm dựa trên văn bản, cho phép người dùng khám phá và điều hướng danh mục của chúng tôi theo những cách hoàn toàn mới.”

Alejandro Koretzky, Trưởng bộ phận máy học kiêm Kỹ sư chính – Splice

Audeosoft

Audeosoft

"Trước khi bắt đầu hành trình sử dụng công nghệ máy học, chúng tôi chỉ có khả năng tìm kiếm văn bản trong sơ yếu lý lịch (CV), nhưng vì thiếu khả năng nhận dạng ký tự quang học nên không phải tất cả CV đều có thể tìm kiếm được. Với Amazon Textract, chúng tôi hiện có thể trích xuất nội dung trong tất cả loại tài liệu và có khả năng lập chỉ mục cho tất cả các tệp đã tải lên trong một cụm Elasticsearch. Giờ đây, tất cả tài liệu được tải lên đều có thể được tìm kiếm bằng Elasticsearch, mang lại tốc độ tìm kiếm nhanh hơn 10 lần so với tìm kiếm bằng SQL trước đây. Ngoài ra, chúng tôi đã triển khai véc-tơ hóa từ ngữ bằng Amazon SageMaker AI để thêm các từ khóa liên quan vào truy vấn tìm kiếm. Quá trình này cho phép chúng tôi phân loại và tuyển chọn ứng viên một cách chính xác, đồng thời giúp hạn chế lỗi do các từ đồng nghĩa hoặc cách dùng từ thay thế được sử dụng trong CV gây ra. Bằng cách sử dụng Amazon SageMaker AI và Amazon Textract, chúng tôi có thể mang đến những ứng viên sáng giá hơn và chất lượng hơn cho nhà tuyển dụng. Hiệu năng ổn định, độ sẵn sàng trên toàn thế giới và độ tin cậy là những yếu tố thành công chính của Audeosoft. Khi đưa ra quyết định hợp tác với AWS gần 8 năm trước, chúng tôi biết rằng họ sẽ là đối tác tuyệt vời trong tương lai. Bằng cách chọn AWS là nhà cung cấp đám mây ưu tiên, chúng tôi có được đối tác với cùng một động lực và mong muốn tạo ra sự đổi mới tương tự như chúng tôi trong nhiều năm tới.”

Marcel Schmidt, Giám đốc công nghệ – Audeosoft

Freshworks

Freshworks

Freshworks là một công ty kỳ lân trong mảng SaaS B2B có trụ sở tại Hoa Kỳ/Ấn Độ, cung cấp dịch vụ cho các doanh nghiệp vừa và nhỏ (SMB) và doanh nghiệp tầm trung trên toàn thế giới. Freshworks cung cấp một danh mục gồm các ứng dụng dễ sử dụng nhưng mạnh mẽ dành cho quy trình làm việc tương tác với khách hàng và gắn kết nhân viên.

"Tại Freshworks, chúng tôi đã xây dựng sản phẩm AI/ML hàng đầu, Freddy AI Skills, với các mô hình siêu cá nhân hóa để giúp nhân viên giải đáp các truy vấn của người dùng và giải quyết phiếu hỗ trợ thành công, giúp đội ngũ bán hàng và tiếp thị ưu tiên các cơ hội và nhanh chóng chốt các thương vụ, đồng thời giúp các nhà quản lý thành công khách hàng giảm rủi ro rời bỏ và giúp doanh nghiệp phát triển. Chúng tôi đã chọn cách chuẩn hóa khối lượng công việc ML trên AWS vì chúng tôi có thể dễ dàng xây dựng, đào tạo và triển khai các mô hình máy học tối ưu hóa cho trường hợp sử dụng của khách hàng. Nhờ Amazon SageMaker AI, chúng tôi đã xây dựng hơn 30.000 mô hình cho 11.000 khách hàng, đồng thời giảm thời gian đào tạo các mô hình này từ 24 giờ xuống còn chưa đầy 33 phút. Với Trình giám sát mẫu của SageMaker, chúng tôi có thể theo dõi tình trạng sai lệch dữ liệu và đào tạo lại mô hình để đảm bảo độ chính xác. Được Amazon SageMaker AI hỗ trợ, Freddy AI Skills không ngừng phát triển với những hành động thông minh, thông tin chuyên sâu về dữ liệu sâu và các cuộc trò chuyện được thúc đẩy bởi ý định."

Tejas Bhandarkar, Giám đốc cấp cao phụ trách quản lý sản phẩm – Freshworks Platform

Veolia

Veolia

Veolia Water Technologies là một công ty thiết kế giàu kinh nghiệm, đồng thời là nhà cung cấp chuyên về giải pháp và dịch vụ công nghệ xử lý nước và nước thải.

"Trong tám tuần ngắn ngủi, chúng tôi đã làm việc với AWS để phát triển một nguyên mẫu có khả năng dự đoán thời điểm cần làm sạch hoặc thay màng lọc nước trong các nhà máy khử muối của chúng tôi. Nhờ Amazon SageMaker AI, chúng tôi đã xây dựng một mô hình ML để học từ các kiểu mẫu trước đó và dự đoán sự thay đổi của các chỉ số gây ô nhiễm trong tương lai. Bằng cách chuẩn hóa khối lượng công việc ML trên AWS, chúng tôi đã giảm được chi phí và ngăn ngừa thời gian ngừng hoạt động, đồng thời cải thiện chất lượng nước được sản xuất. Những kết quả này sẽ nằm ngoài tầm với nếu thiếu đi kinh nghiệm kỹ thuật, lòng tin và sự tận tâm của cả hai đội ngũ để đạt một mục tiêu chung: cung cấp nguồn nước sạch và an toàn không bị gián đoạn."

Aude GIARD, Giám đốc kỹ thuật số – Veolia Water Technologies

Sportradar

Sportradar

Sportradar, một nhà cung cấp dữ liệu thể thao hàng đầu, chuyên cung cấp dữ liệu thể thao theo thời gian thực cho hơn 65 giải đấu trên toàn cầu. Trong nỗ lực tạo ra những hiểu biết chuyên sâu tân tiến, họ đã hợp tác với Phòng thực hành giải pháp Amazon ML để phát triển công cụ dự đoán bàn thắng bóng đá.

“Chúng tôi đã chủ động đưa ra một trong những bài toán thị giác máy tính khó nhất cho đội ngũ Phòng thực hành giải pháp Amazon ML để kiểm tra các tính năng của công nghệ máy học AWS và tôi rất ấn tượng với kết quả. Họ đã xây dựng một mô hình ML để dự đoán bàn thắng bóng đá trước 2 giây so với trận đấu trực tiếp bằng cách sử dụng Amazon SageMaker AI. Chỉ riêng mô hình này đã mở ra nhiều cơ hội kinh doanh mới cho chúng tôi. Chúng tôi mong muốn chuẩn hóa khối lượng công việc ML trên AWS vì chúng tôi có thể xây dựng, đào tạo và triển khai các mô hình có khả năng thúc đẩy sự đổi mới trong doanh nghiệp, đồng thời đáp ứng yêu cầu về chi phí và độ trễ của chúng tôi.”  

Ben Burdsall, Giám đốc công nghệ – Sportradar

Roche

Roche

F. Hoffmann-La Roche AG (Roche) là một công ty khoa học đời sống đa quốc gia của Thụy Sĩ chuyên về dược phẩm và chẩn đoán.

“Tôi muốn khuyến khích đội ngũ của mình hệ thống hóa quy trình làm việc ML trên đám mây, vì vậy chúng tôi đã phối hợp với Phòng thực hành giải pháp máy học để tổ chức các hội thảo về Amazon SageMaker AI, chứng minh cách SageMaker AI hợp lý hóa quy trình sản xuất ML cho các nhà khoa học dữ liệu. Kể từ khi tổ chức hội thảo, 80% khối lượng công việc ML của chúng tôi chạy trên AWS, giúp các đội ngũ của chúng tôi đưa mô hình ML vào khâu sản xuất nhanh hơn gấp ba lần. SageMaker AI và ngăn xếp AWS cho phép chúng tôi sử dụng tài nguyên điện toán để đào tạo theo nhu cầu mà không bị giới hạn bởi khả năng cung cấp tại chỗ.”  

Gloria Macia, Nhà khoa học dữ liệu – Roche

Guru_Logos

Guru

“Tại Guru, chúng tôi tin rằng nếu bạn cần kiến thức để làm việc, thì kiến thức đó phải đến với bạn. Chúng tôi mang đến một giải pháp quản lý tri thức để nắm bắt thông tin giá trị nhất trong đội ngũ của bạn và sắp xếp thông tin đó thành nguồn sự thật duy nhất. Chúng tôi tận dụng AI để đề xuất kiến thức trong thời gian thực tại nơi làm việc, đảm bảo kiến thức luôn được xác minh và giúp bạn quản lý cơ sở kiến thức tổng thể của mình tốt hơn. Đội ngũ khoa học dữ liệu sản phẩm của chúng tôi không ngừng phát triển và phải đối mặt với tất cả những thách thức mà đội ngũ ML hiện đại gặp phải – xây dựng, đào tạo và triển khai hệ thống ML trên quy mô lớn – và chúng tôi tin tưởng Amazon SageMaker AI như một phương tiện để vượt qua một số thách thức này. Chúng tôi hiện đang tận dụng tính năng Suy luận của SageMaker để triển khai mô hình ML vào sản xuất nhanh hơn, khâu mà những mô hình đó giúp chúng tôi đạt được mục tiêu số một của mình – mang lại giá trị cho khách hàng.”  

Nabin Mulepati, Kỹ sư thuộc đội ngũ ML – Guru

Amazon Operations

Amazon Operations

Là một phần trong cam kết an toàn cho các cộng sự của Amazon trong đại dịch COVID-19, đội ngũ Amazon Operations đã triển khai giải pháp ML để giúp duy trì các biện pháp cách ly xã hội trong hơn 1.000 tòa nhà vận hành trên toàn thế giới. Amazon Operations đã hợp tác với Phòng thực hành giải pháp Amazon Machine Learning để tạo ra các mô hình thị giác máy tính hiện đại nhằm ước tính khoảng cách bằng Amazon SageMaker AI.

“Bằng cách chuẩn hóa khối lượng công việc ML trên AWS và phối hợp với chuyên gia tại Phòng thực hành giải pháp ML, chúng tôi đã tạo ra một bộ gồm các mô hình sáng tạo, ước tính có thể tiết kiệm tới 30% nỗ lực đánh giá thủ công. Việc sử dụng Amazon SageMaker AI cho phép chúng tôi dành nhiều thời gian hơn để tập trung vào đảm bảo an toàn và tăng độ chính xác bằng cách giảm nhu cầu đánh giá thủ công lên đến hàng trăm giờ mỗi ngày.”

Russell Williams, Giám đốc, Phát triển phần mềm – Amazon OpsTech IT

Freddy's

Freddy's Frozen Custard & Steakburgers

Freddy's Frozen Custard & Steakburgers là nhà hàng ăn nhanh đơn giản, mang đến sự kết hợp độc đáo giữa bánh mì kẹp thịt bít tết, xúc xích bò Vienna, khoai tây chiên sợi và các món mặn khác được nấu theo yêu cầu, cùng với các món trứng sữa đông lạnh mới khuấy. Được thành lập vào năm 2002 và nhượng quyền thương mại vào năm 2004, Freddy's hiện có gần 400 nhà hàng trên 32 tiểu bang.

“Trước kia chúng tôi chỉ đơn giản là chọn hai nhà hàng trông tương tự nhau, nhưng bây giờ chúng tôi đã hiểu rõ mối quan hệ giữa các món trên thực đơn, khách hàng và địa điểm của mình. Tính năng tự động của Amazon SageMaker hỗ trợ tính năng ML mới của Domo đã trở thành yếu tố thúc đẩy đội ngũ tiếp thị và mua hàng của chúng tôi trong việc thử nghiệm những ý tưởng mới và cải thiện trải nghiệm của khách hàng.”

Sean Thompson, Giám đốc CNTT – Freddy's

Freddy's

Vanguard

"Chúng tôi rất vui mừng khi các nhà khoa học dữ liệu và kỹ sư dữ liệu Vanguard của chúng tôi giờ đây có thể cộng tác trong một sổ duy nhất cho công việc phân tích và máy học. Giờ đây, Studio Amazon SageMaker có các tích hợp dựng sẵn với Spark, Hive và Presto, tất cả đều chạy trên Amazon EMR, các đội ngũ phát triển của chúng tôi có thể làm việc hiệu quả hơn. Môi trường phát triển duy nhất này sẽ cho phép các nhóm của chúng tôi tập trung vào việc xây dựng, đào tạo và triển khai các mô hình máy học.”

Doug Stewart, Giám đốc dữ liệu và phân tích cấp cao – Vanguard

Freddy's

Provectus

"Chúng tôi đã chờ đợi một tính năng để tạo và quản lý các cụm Amazon EMR trực tiếp từ Studio Amazon SageMaker để khách hàng của chúng tôi có thể chạy các quy trình làm việc Spark, Hive và Presto trực tiếp từ sổ tay Studio Amazon SageMaker. Chúng tôi rất vui mừng khi Amazon SageMaker AI hiện đã xây dựng khả năng này để đơn giản hóa việc quản lý các tác vụ Spark và máy học. Điều này sẽ giúp các kỹ sư dữ liệu và nhà khoa học dữ liệu của khách hàng của chúng tôi cộng tác hiệu quả hơn để thực hiện phân tích dữ liệu tương tác và phát triển các quy trình máy học với các chuyển đổi dữ liệu dựa trên EMR."

Stepan Pushkarev, Giám đốc điều hành – Provectus

Freddy's

Climate

"Tại Climate, chúng tôi tin vào sứ mệnh cung cấp thông tin chính xác cho người nông dân trên toàn thế giới để họ đưa ra quyết định dựa trên dữ liệu và thu lại lợi nhuận tối đa trên diện tích trồng trọt. Để đạt được điều này, chúng tôi đã đầu tư vào công nghệ như công cụ máy học để xây dựng mô hình bằng cách sử dụng các thực thể có thể đo lường, được gọi là các đặc trưng, chẳng hạn như năng suất trên cánh đồng của người nông dân. Với Cửa hàng tính năng của Amazon SageMaker, chúng tôi có thể đẩy nhanh quá trình phát triển mô hình ML với kho đặc trưng trung tâm để dễ dàng truy cập và tái sử dụng các tính năng cho nhiều đội ngũ. Cửa hàng tính năng của SageMaker giúp bạn dễ dàng truy cập các tính năng trong thời gian thực bằng cách sử dụng kho trực tuyến hoặc chạy các tính năng theo lịch trình bằng cách sử dụng kho ngoại tuyến cho các trường hợp sử dụng khác nhau. Với Cửa hàng tính năng của SageMaker, chúng tôi có thể phát triển các mô hình ML nhanh hơn.”


Atul Kamboj, Nhà khoa học dữ liệu cấp cao – iCare, cơ quan Bảo hiểm và dịch vụ chăm sóc của chính phủ tại NSW, Úc. Daniel McCaffrey, Phó chủ tịch, Dữ liệu và phân tích, Climate

Featured customers - 26

Experian

“Tại Experian, chúng tôi tin rằng trách nhiệm của mình là hỗ trợ người tiêu dùng để giúp họ hiểu và sử dụng tín dụng trong đời sống tài chính, đồng thời hỗ trợ người cho vay quản lý rủi ro tín dụng. Khi tiếp tục thi hành các phương pháp tốt nhất trong việc xây dựng mô hình tài chính, chúng tôi xem xét các giải pháp giúp đẩy nhanh quá trình sản xuất các sản phẩm tận dụng công nghệ máy học. Cửa hàng tính năng của Amazon SageMaker cung cấp cho chúng tôi một cách an toàn để lưu trữ và tái sử dụng các tính năng của ứng dụng ML. Khả năng duy trì sự thống nhất cho cả ứng dụng theo thời gian thực và hàng loạt trên nhiều tài khoản là một yêu cầu chính cho hoạt động kinh doanh của chúng tôi. Việc sử dụng những tính năng mới của Cửa hàng tính năng của Amazon SageMaker cho phép chúng tôi hỗ trợ khách hàng kiểm soát tín dụng của mình và giảm chi phí trong nền kinh tế mới.”

Geoff Dzhafarov, Kiến trúc sư doanh nghiệp trưởng, Experian Consumer Services

Freddy's

Dena

“Tại DeNA, sứ mệnh của chúng tôi là mang đến tác động và niềm vui bằng cách sử dụng Internet và AI/ML. Mục tiêu chính của chúng tôi là cung cấp dịch vụ dựa trên giá trị và chúng tôi muốn đảm bảo hoạt động kinh doanh và dịch vụ của mình sẵn sàng để đạt mục tiêu đó. Chúng tôi muốn khám phá và tái sử dụng các tính năng trong toàn tổ chức và Cửa hàng tính năng của Amazon SageMaker giúp chúng tôi tái sử dụng các tính năng một cách dễ dàng và hiệu quả cho các ứng dụng khác nhau. Cửa hàng tính năng của Amazon SageMaker cũng giúp duy trì các định nghĩa về tính năng tiêu chuẩn và giúp chúng tôi có được phương pháp nhất quán khi đào tạo mô hình và triển khai mô hình vào sản xuất. Với những tính năng mới này của Amazon SageMaker AI, chúng tôi có thể đào tạo và triển khai các mô hình ML nhanh hơn để tiếp tục làm khách hàng hài lòng với những dịch vụ tốt nhất.”

Kenshin Yamada, Tổng giám đốc/Đơn vị hệ thống của Bộ phận hệ thống AI, DeNA

Freddy's

United Airlines

“Tại United Airlines, chúng tôi sử dụng công nghệ máy học (ML) để cải thiện trải nghiệm của khách hàng bằng cách mang đến các ưu đãi phù hợp với cá nhân, giúp khách hàng sẵn sàng thông qua Trung tâm sẵn sàng du lịch. Việc ứng dụng máy học của chúng tôi cũng mở rộng sang các hoạt động tại sân bay, lập kế hoạch mạng, lên lịch trình chuyến bay. Khi chúng tôi vượt qua đại dịch, Amazon SageMaker AI đã đóng vai trò quan trọng trong Trung tâm sẵn sàng du lịch, cho phép chúng tôi xử lý khối lượng lớn các chứng chỉ xét nghiệm COVID và thẻ vắc-xin bằng phương pháp tự động hóa mô hình dựa trên tài liệu. Với khả năng quản trị mới của Amazon SageMaker AI, chúng tôi đã tăng khả năng kiểm soát và hiển thị đối với các mô hình máy học. Trình quản lý vai trò của SageMaker đơn giản hóa đáng kể quy trình thiết lập người dùng bằng cách cấp quyền cơ sở và hoạt động máy học cho từng danh tính được liên kết với các vai trò IAM. Với Thẻ mẫu của SageMaker, đội ngũ của chúng tôi có thể chủ động thu thập và chia sẻ thông tin mẫu để xem xét và chúng tôi có thể sử dụng Bảng điều khiển mẫu SageMaker để tìm kiếm và xem các mẫu được triển khai trên MARS – nền tảng máy học nội bộ. Với tất cả các khả năng quản trị mới này, chúng tôi đang tiết kiệm đáng kể thời gian và có thể tăng quy mô theo tài nguyên.”

Ashok Srinivas, Giám đốc vận hành và kỹ thuật máy học, United Airlines

Freddy's

Capitec

“Tại Capitec, chúng tôi có nhiều nhà khoa học dữ liệu trong các dòng sản phẩm, xây dựng các giải pháp máy học khác nhau. Các kỹ sư máy học của chúng tôi quản lý một nền tảng lập mô hình tập trung được xây dựng trên Amazon SageMaker AI để hỗ trợ phát triển và triển khai tất cả các giải pháp máy học này. Không có bất kỳ công cụ tích hợp nào, việc theo dõi các nỗ lực tạo mẫu thường dẫn đến tài liệu rời rạc và thiếu khả năng hiển thị mẫu. Với Thẻ mẫu của SageMaker, chúng tôi có thể theo dõi nhiều siêu dữ liệu mẫu trong một môi trường hợp nhất và Bảng điều khiển mẫu SageMaker giúp chúng tôi thấy hiệu suất của từng mẫu. Ngoài ra, Trình quản lý vai trò của SageMaker cũng đơn giản hóa quy trình quản lý quyền truy cập cho nhà khoa học dữ liệu trong các dòng sản phẩm khác nhau của chúng tôi. Từng yếu tố này đóng góp vào năng lực quản trị mẫu của chúng tôi để đảm bảo xứng đáng với niềm tin mà khách hàng đặt vào chúng tôi với tư cách là nhà cung cấp dịch vụ tài chính.”

Dean Matter, Kỹ sư ML, Capitec Bank

Freddy's

Lenovo

Lenovo™, nhà sản xuất PC số 1 trên thế giới, vừa kết hợp Amazon SageMaker AI vào dịch vụ bảo trì dự đoán mới nhất của mình.  Ashok Srinivas, Giám đốc vận hành và kỹ thuật máy học, United Airlines.

"Trình quản lý biên của SageMaker mới sẽ giúp loại bỏ nỗ lực thủ công cần thiết để tối ưu hóa, giám sát và liên tục cải tiến mô hình sau khi triển khai. Nhờ đó, chúng tôi hy vọng mô hình sẽ chạy nhanh hơn và tiêu thụ ít bộ nhớ hơn so với các nền tảng máy học tương đương khác. Trình quản lý biên của SageMaker cho phép chúng tôi tự động lấy mẫu dữ liệu tại vị trí cận biên, gửi dữ liệu một cách an toàn lên đám mây và liên tục giám sát chất lượng của từng mô hình trên mỗi thiết bị sau khi triển khai. Điều này cho phép chúng tôi giám sát, cải thiện và cập nhật mô hình từ xa ở thiết bị biên trên khắp thế giới, đồng thời tiết kiệm thời gian và chi phí cho chúng tôi và khách hàng."

Igor Bergman, Phó chủ tịch phụ trách đám mây và phần mềm cho PC và thiết bị thông minh của Lenovo

Freddy's

Basler AG

Basler AG là nhà sản xuất máy ảnh kỹ thuật số và phụ kiện hàng đầu cho ngành công nghiệp, y học, vận tải và nhiều thị trường khác.

“Basler AG cung cấp các giải pháp thị giác máy tính thông minh trong nhiều ngành khác nhau, bao gồm ứng dụng trong sản xuất, y tế và bán lẻ. Chúng tôi rất vui mừng được mở rộng sản phẩm phần mềm với các tính năng mới do Trình quản lý biên của Amazon SageMaker hỗ trợ. Để đảm bảo các giải pháp máy học có hiệu năng tốt và đáng tin cậy, chúng tôi cần một công cụ MLOps có quy mô linh hoạt từ biên đến đám mây, cho phép chúng tôi liên tục giám sát, duy trì và cải thiện mô hình máy học trên các thiết bị biên. Trình quản lý biên của SageMaker cho phép chúng tôi tự động lấy mẫu dữ liệu tại vị trí cận biên, gửi dữ liệu một cách an toàn lên đám mây và liên tục giám sát chất lượng của từng mô hình trên mỗi thiết bị sau khi triển khai. Điều này cho phép chúng tôi giám sát, cải thiện và cập nhật mô hình từ xa ở thiết bị biên trên khắp thế giới, đồng thời tiết kiệm thời gian và chi phí cho chúng tôi và khách hàng."

Mark Hebbel, Trưởng bộ phận giải pháp phần mềm tại Basler.

NWG_LOGO_HZ_POS_RGB_forpsd

NatWest Group

NatWest Group, một tổ chức dịch vụ tài chính lớn, đã chuẩn hóa quy trình phát triển và triển khai mô hình ML trên toàn tổ chức, rút ngắn chu kỳ hoàn thiện để tạo môi trường ML mới từ 40 ngày xuống còn 2 ngày và rút ngắn thời gian tạo ra giá trị cho các trường hợp sử dụng ML từ 40 tuần xuống còn 16 tuần.

Freddy's

AstraZeneca

"Thay vì tạo nhiều quy trình thủ công, chúng tôi có thể tự động hóa hầu hết quy trình phát triển công nghệ máy học một cách đơn giản trong Studio Amazon SageMaker." 

Cherry Cabading, Kiến trúc sư doanh nghiệp cấp cao toàn cầu – AstraZeneca

Freddy's

Janssen

Bằng cách sử dụng các dịch vụ AWS, bao gồm Amazon SageMaker AI, Janssen đã triển khai quy trình MLOps tự động giúp cải thiện 21% độ chính xác của các dự đoán dựa trên mô hình và tăng tốc độ kỹ thuật lấy dữ liệu đặc trưng khoảng 700%, giúp Janssen giảm chi phí và tăng hiệu quả.
Freddy's

Qualtrics

“Amazon SageMaker AI cải thiện hiệu quả cho các đội ngũ MLOps của chúng tôi bằng các công cụ cần thiết để thử nghiệm và triển khai các mô hình máy học trên quy mô lớn.”

Samir Joshi, Kỹ sư ML – Qualtrics

Freddy's

Deloitte

"Amazon SageMaker Data Wrangler cho phép chúng tôi vào việc nhanh chóng để giải quyết nhu cầu chuẩn bị dữ liệu với bộ sưu tập phong phú gồm các công cụ chuyển đổi, giúp đẩy nhanh quá trình chuẩn bị dữ liệu ML cần thiết để đưa các sản phẩm mới ra thị trường. Nhờ đó, khách hàng được hưởng lợi từ tốc độ chúng tôi điều chỉnh quy mô các mô hình đã triển khai, cho phép chúng tôi mang lại kết quả có thể đo lường và bền vững, đáp ứng nhu cầu của khách hàng trong thời gian vài ngày thay vì vài tháng."

Frank Farrall, Cán bộ cấp cao, Trưởng bộ phận hệ sinh thái và nền tảng AI, Deloitte

Freddy's

NRI

"Là Đối tác tư vấn hàng đầu của AWS, đội ngũ kỹ sư của chúng tôi đang phối hợp rất chặt chẽ với AWS để xây dựng các giải pháp tiên tiến nhằm giúp khách hàng liên tục nâng cao hiệu quả hoạt động. ML là công nghệ cốt lõi trong các giải pháp tiên tiến của chúng tôi, nhưng quy trình làm việc để chuẩn bị dữ liệu liên quan đến các kỹ thuật chuẩn bị dữ liệu tinh vi nên việc vận hành trong môi trường sản xuất sẽ mất thời gian đáng kể. Với Amazon SageMaker Data Wrangler, các nhà khoa học dữ liệu của chúng tôi có thể hoàn thành từng bước trong quy trình chuẩn bị dữ liệu, bao gồm lựa chọn dữ liệu, dọn dẹp, khám phá và trực quan hóa, giúp chúng tôi tăng tốc quá trình chuẩn bị dữ liệu và dễ dàng chuẩn bị dữ liệu cho ML. Với Amazon SageMaker Data Wrangler, chúng tôi có thể chuẩn bị dữ liệu cho ML nhanh hơn."

Shigekazu Ohmoto, Giám đốc điều hành doanh nghiệp cấp cao, NRI Japan

Freddy's

Equilibrium

“Khi tác động của chúng tôi trong thị trường quản lý sức khỏe dân cư tiếp tục mở rộn đến nhiều bên thanh toán cho dịch vụ y tế, nhà cung cấp, nhà quản lý quyền lợi nhà thuốc và các tổ chức chăm sóc sức khỏe khác, chúng tôi cần một giải pháp để tự động hóa các quy trình toàn diện cho các nguồn cung cấp dữ liệu cho mô hình ML của chúng tôi, bao gồm dữ liệu yêu cầu bồi thường, dữ liệu ghi danh và dữ liệu nhà thuốc. Với Amazon SageMaker Data Wrangler, chúng tôi hiện có thể đẩy nhanh thời gian cần thiết để tổng hợp và chuẩn bị dữ liệu cho công nghệ ML bằng cách sử dụng bộ quy trình làm việc dễ dàng xác minh và tái sử dụng hơn. Điều này đã cải thiện đáng kể thời gian bàn giao và chất lượng các mô hình của chúng tôi, tăng hiệu quả của các nhà khoa học dữ liệu và giảm gần 50% thời gian chuẩn bị dữ liệu. Ngoài ra, SageMaker Data Wrangler đã giúp chúng tôi tiết kiệm nhiều lần phát triển ML theo vòng lặp và thời gian sử dụng GPU tới mức đáng kể, đẩy nhanh toàn bộ quy trình toàn diện cho khách hàng vì giờ đây, chúng tôi có thể xây dựng các tập hợp dữ liệu với hàng nghìn đặc trưng, bao gồm nhà thuốc, mã chẩn đoán, các lần cấp cứu, nhập viện nội trú, cũng như thông tin nhân khẩu và các nhân tố xã hội khác. Với SageMaker Data Wrangler, chúng tôi có thể chuyển đổi dữ liệu với hiệu quả vượt trội để xây dựng các tập dữ liệu đào tạo, tạo thông tin chuyên sâu về tập dữ liệu trước khi chạy mô hình ML và chuẩn bị dữ liệu thực tế để suy luận/dự đoán trên quy mô lớn.”

Lucas Merrow, Giám đốc điều hành, Equilibrium Point IoT

Freddy's

Bảo hiểm và dịch vụ chăm sóc icare NSW

iCare là một cơ quan của Chính phủ NSW với nhiệm vụ cung cấp bảo hiểm bồi thường cho người lao động cho hơn 329.000 chủ lao động trong khu vực công và tư ở NSW, Úc và 3,2 triệu nhân viên của họ. Ngoài ra, iCare cung cấp dịch vụ bảo hiểm cho công ty xây dựng và chủ sở hữu nhà, cung cấp dịch vụ điều trị và chăm sóc cho những người bị thương nặng trên đường tại NSW; cũng như bảo vệ hơn 266,6 tỷ USD tài sản của Chính phủ NSW, bao gồm Nhà hát opera Sydney, Cầu cảng Sydney, trường học và bệnh viện.

“Tại Bảo hiểm và dịch vụ chăm sóc (iCare) NSW, tầm nhìn của chúng tôi là thay đổi quan điểm của mọi người về bảo hiểm và dịch vụ chăm sóc. Amazon SageMaker AI đã giúp iCare xây dựng và đào tạo các mô hình học sâu để xác định sớm những bệnh nhân mắc bệnh bụi phổi lâu dài. Khả năng xác định sớm này có thể ngăn ngừa các tình trạng đe dọa đến tính mạng. Theo các nghiên cứu trước đây, các dấu hiệu bệnh bụi phổi silic đã bị bỏ qua hoặc không phát hiện được ở 39% bệnh nhân. Việc chẩn đoán với sự hỗ trợ của AI giúp các bác sĩ xác định chính xác 80% trường hợp so với 71% khi chẩn đoán không có sự hỗ trợ. Sau khi thực hiện dự án này, chúng tôi sẽ sử dụng Amazon SageMaker AI để phát triển các giải pháp và quy trình trong các dự án khác vì bằng chứng cho thấy việc này nhanh hơn và dễ dàng hơn trước đây, đồng thời chúng tôi có thể dễ dàng mở rộng nỗ lực để cung cấp dịch vụ chăm sóc cho người dân ở NSW.”

Atul Kamboj, Nhà khoa học dữ liệu cấp cao – iCare, cơ quan Bảo hiểm và dịch vụ chăm sóc của chính phủ tại NSW, Úc