Pelanggan Amazon SageMaker

Lihat cara organisasi terkemuka di seluruh dunia menggunakan Amazon SageMaker untuk membangun, melatih, dan melakukan deployment pada model machine learning (ML).

Artikul8 AI

“Amazon SageMaker HyperPod telah sangat membantu kami dalam mengelola dan mengoperasikan sumber daya komputasi kami secara lebih efisien dengan waktu henti minimum. Kami merupakan pengguna awal layanan HyperPod berbasis Slurm dan telah merasakan manfaat dari kemudahan penggunaan serta fitur ketahanannya, yang menghasilkan peningkatan produktivitas hingga 35% dan menaikkan skala operasi GenAI kami dengan pesat. Sebagai perusahaan yang menggunakan Kubernetes, kami sangat antusias menyambut peluncuran dukungan Amazon EKS untuk SageMaker HyperPod. Ini adalah terobosan bagi kami karena terintegrasi dengan lancar ke dalam jalur pelatihan kami yang sudah ada, dan memudahkan kami dalam mengelola serta mengoperasikan klaster Kubernetes berskala besar. Selain itu, ini juga membantu pelanggan akhir kami karena kami kini mampu mengemas dan memproduksi kemampuan ini ke dalam platform GenAI kami, sehingga memungkinkan pelanggan kami menjalankan pelatihan mereka sendiri dan menyempurnakan beban kerja dengan cara yang lebih efisien.”

Arun Subramaniyan, Founder and CEO Articul8 AI

Observea

“Sebagai perusahaan rintisan dan penelitian AI yang bergerak cepat, dukungan Amazon EKS di SageMaker HyperPod telah berperan penting dalam mempercepat waktu pemasaran kami. Dengan SageMaker Hyperpod, kami dapat meluncurkan platform yang stabil dan aman untuk menawarkan aplikasi komputasi beperforma tinggi (HPC) dalam kontainer sebagai layanan kepada pelanggan akhir kami yang meliputi program penelitian AI Universitas terkemuka, perusahaan rintisan AI, dan perusahaan tradisional. Melalui penggunaan SageMaker HyperPod, pelanggan dan tim internal kami tidak perlu lagi khawatir tentang pengoperasian dan konfigurasi bidang kontrol Kubernetes, dan SageMaker HyperPod menyediakan performa jaringan dan konfigurasi yang dioptimalkan untuk mendukung beban kerja HPC yang kompleks. Dengan Dukungan EKS di SageMaker HyperPod, kami dapat mengurangi waktu yang kami habiskan untuk pengangkatan berat yang tidak terdiferensiasi dalam manajemen infrastruktur dan mengurangi biaya operasional hingga lebih dari 30%.”

Vamsi Pandari, Founder Observea

Recursal AI

“Seluruh prosesnya menjadi lebih efisien. Dengan menggunakan SageMaker HyperPod, kami dapat memanfaatkan fitur ketahanan klaster yang mengidentifikasi dan secara otomatis memulihkan tugas pelatihan dari titik pemeriksaan terakhir yang disimpan jika terjadi kegagalan perangkat keras. Kami menjalankan beban kerja yang sangat beragam - dari aplikasi, inferensi, dan pelatihan - dengan Kubernetes sebagai benang merahnya. Bagi kami, Amazon EKS dengan SageMaker HyperPod berfungsi dengan baik: simpul tersebut tinggal dimasukkan ke dalam klaster kami."

Nathan Wilce infrastructure/data lead, Recursal

Rocket Companies

Rocket Mortgage

“Rocket Mortgage bangga menjadi pelopor dalam mengintegrasikan AI dan ilmu data ke dalam perjalanan kepemilikan rumah, dengan AWS sebagai partner kunci. Dengan menggunakan Amazon SageMaker, kami mentransformasi operasi machine learning kami, meningkatkan efisiensi dan presisi. Editor visual SageMaker Pipelines memungkinkan penilaian kinerja yang cepat dari LLM sumber terbuka baru dengan menjalankannya melalui jalur validasi otomatis kami. Hal ini mengurangi waktu yang dibutuhkan untuk mengevaluasi rilis baru, yang sangat penting dalam lingkungan yang dinamis. Kemudahan penggunaannya memungkinkan tim ilmu data kami fokus pada inovasi daripada mengulang penulisan kode.”

Shawn Malhotra, Chief Technology Officer dari Rocket Companies

SatSure

SatSure, pemimpin global dalam solusi kecerdasan keputusan geospasial, menggunakan data observasi Bumi dan model deep learning untuk menghasilkan wawasan bagi berbagai kasus penggunaan—dari pemantauan tanaman dalam segala cuaca dan penilaian risiko pertanian hingga deteksi perubahan tutupan lahan, pengelolaan vegetasi, risiko kebakaran, dan identifikasi fitur lahan.
 

“Kami memanfaatkan Amazon SageMaker Pipelines untuk membuat model yang digunakan dalam aplikasi yang mengidentifikasi batas-batas lahan pertanian dalam citra satelit beresolusi rendah. Mengembangkan model deep learning mutakhir dari set data citra satelit yang besar sangat menantang. Kami bisa lebih fokus pada inovasi AI dan mengurangi waktu yang dihabiskan untuk proses manual karena Pipelines memungkinkan kami mengotomatisasi pemrosesan data yang sering dilakukan, pelatihan model, dan deployment model. Antarmuka seret dan lepas memudahkan ilmuwan data baru di tim kami untuk cepat beradaptasi dan membangun alur kerja ML tanpa memerlukan pengetahuan mendalam tentang kerangka orkestrasi alur kerja tertentu.”

Prateep Basu, Founder & CEO, SatSure Ltd.

EagleView

"Untuk memenuhi permintaan pelanggan kami akan wawasan data berkualitas tinggi, kami terus meneliti dan menghadirkan kemampuan baru yang didukung oleh ML. Antarmuka seret dan lepas baru dari Amazon SageMaker Pipelines akan memberi ilmuwan data kami cara untuk tetap fokus pada masalah penglihatan komputer (CV) yang lebih kompleks tanpa perlu khawatir tentang MLOps. Kami merancang Pipelines yang memungkinkan ilmuwan data untuk langsung mendaftarkan model mereka di SageMaker tanpa perlu berkoordinasi dengan rekayasawan ML untuk mengoptimalkan lingkungan penyajian model. Pipeline multi-langkah ini akan secara otomatis melakukan deployment model yang terdaftar ke titik akhir Amazon SageMaker Inference di lingkungan QA untuk pengujian beban, dan jika disetujui oleh insinyur ML, model tersebut akan diterapkan ke lingkungan produksi. Kecepatan pengembangan menyeluruh ML kami meningkat pesat karena Amazon SageMaker Pipelines memudahkan integrasi dengan layanan AWS lainnya (CI/CD, layanan pesan) untuk membangun alur kerja ML yang sangat disesuaikan.”

Garrett Hemann, Head of AI/ML, EagleView

Thomson Reuters

GoDaddy

Di GoDaddy, kami bertujuan membantu pengusaha meraih kesuksesan dengan memberi mereka alat untuk membangun bisnis mereka. "Kami melayani pelanggan dengan beragam kebutuhan. Mereka sering berkomunikasi dengan bisnis yang mereka dukung sepanjang waktu dan melalui berbagai saluran, termasuk email, obrolan, dan media sosial,” ujar Jing Xi, VP Applied ML and AI, GoDaddy. “Saat ini, AI generatif menyamakan kedudukan usaha kecil dengan memberi mereka kecanggihan dan pengetahuan yang luar biasa, yang biasanya hanya dimiliki oleh perusahaan besar, tepat di ujung jari mereka. Namun, salah satu tantangan terbesar yang dihadapi tim pengembangan AI generatif kami adalah mencoba mencari tahu FM yang tepat untuk aplikasi bisnis mereka. Penting bagi kami untuk dapat dengan mudah membandingkan beberapa model berdasarkan kriteria spesifik yang paling penting bagi pelanggan kami dan mencapai keseimbangan yang tepat antara biaya model, latensi, serta akurasi dan performa model. Kemampuan evaluasi model baru Amazon SageMaker membantu kami mempercepat waktu yang diperlukan untuk beralih dari ide ke implementasi dengan menghilangkan kerumitan dalam proses pemilihan model, serta menjalankan eksperimen, pengembangan, deployment, dan manajemen versi baru model ini dengan mudah. Kami sangat antusias untuk memperluas akses terhadap kemampuan baru ini ke lebih banyak tim sehingga developer kami dapat meningkatkan produktivitas mereka, dan semakin membuka kekuatan AI generatif bagi pelanggan untuk mengembangkan bisnis mereka."
"GoDaddy terdepan dalam memanfaatkan machine learning untuk memberikan fitur yang berfokus pada pelanggan serta meningkatkan efisiensi biaya dalam operasi internal kami. Ilmuwan ML kami mengerjakan banyak proyek untuk mencapai tujuan ini. Mengulangi alur kerja ML kurasi data, pencatatan percobaan, manajemen artefak model menggunakan registri model, dan deployment sangat penting dalam memberikan nilai. Kebutuhan akan alat yang dibuat sesuai pesanan, seperti MLflow adalah permintaan yang kuat dan jelas dari para ilmuwan ML kami. Amazon SageMaker menawarkan platform terkelola dan diatur bagi Ilmuwan ML untuk alur kerja ML end to end. Dengan mengaktifkan penggunaan alat standar industri seperti MLflow dalam SageMaker, siklus hidup pengembangan model kami meningkat. Kami mendapatkan keamanan tingkat perusahaan dan kematangan produk, seperti Registri Model Amazon SageMaker sekaligus memanfaatkan pelacakan eksperimen ML standar industri melalui MLflow. Penggunaan MLflow dari SageMaker dalam tim kami telah mengurangi beban operasional untuk memelihara instans MLflow kami sendiri sekaligus menjaga kecepatan pengiriman dan memungkinkan kolaborasi yang ditingkatkan. Kami senang telah berkolaborasi dengan tim SageMaker sejak fase awal untuk memantapkan penawaran produk ini sekaligus menawarkan nilai bagi para ilmuwan ML kami.”

Karthik Iyer, Director, Engineering Machine Learning

KBC

KBC

"Di KBC Bank, kami percaya bahwa memberdayakan ilmuwan data kami dengan alat yang tepat sangat penting untuk mendorong inovasi. Salah satu cara efektif untuk berinovasi adalah melalui eksperimen berkelanjutan, yang memungkinkan kami untuk mengeksplorasi ide-ide baru dan meningkatkan model. MLflow menyediakan platform yang andal untuk mengelola dan mendokumentasikan eksperimen. Menggunakannya sebagai layanan terkelola akan meningkatkan pengalaman pengguna bagi para ilmuwan data kami sekaligus menyederhanakan pengaturan dan pemeliharaan platform machine learning kami."

Thiago Alves, MLOps Engineer

Wallapop

Wallapop

"Untuk mengelola makin banyak eksperimen ML secara efektif dan memastikan keberhasilan deployment model, sangat penting untuk memiliki sistem yang andal untuk melacak eksperimen dan mendaftarkan model. MLflow memberikan solusi yang efisien untuk tujuan ini, karena memungkinkan pelacakan mulus dari semua eksperimen ML secara mendetail, yang membutuhkan modifikasi minimal pada basis kode kami. Alat ini memfasilitasi pemilihan model optimal untuk Wallapop dan memastikan proses pengembangan ML yang mulus dan efisien. Dengan demikian, platform yang secara langsung terintegrasi dan dikelola dalam AWS ini memungkinkan tim kami untuk fokus pada nilai sebenarnya dari solusi ML, bukan melakukan semua pekerjaan berat yang diperlukan oleh layanan tersebut.”

Martí Jordà Roca, Machine Learning Engineer

BigaBid

BigaBid

"Amazon SageMaker memungkinkan kami membuat model machine learning terdistribusi dalam skala besar dengan mudah. Alih-alih mengandalkan proses manual, kami dapat mengotomatiskan sebagian besar pengembangan dengan mulus di Amazon SageMaker. Kami membutuhkan cara yang andal untuk melacak kinerja pekerjaan pelatihan otomatis sehingga kami dapat membandingkan pekerjaan, menemukan model terbaik, dan menerapkannya ke produksi. Integrasi dengan MLflow memungkinkan kami melakukannya tanpa beban berat dalam menyiapkan dan mengelola MLflow sendiri. Hal ini makin meningkatkan alur kerja kami, menyediakan fungsionalitas yang andal untuk membandingkan model dan pendaftaran model, yang secara signifikan meningkatkan efisiensi pengembangan dan deployment kami.”

Eyal Trabelsi, Data Architect

Toyota Connected

Toyota Connected

"Amazon SageMaker dengan MLflow telah memberikan nilai besar sebagai integrasi sederhana, tetapi sangat efektif dengan SageMaker untuk melacak dan mengelola eksperimen dan kualitas model. Integrasi asli MLflow dengan Amazon SageMaker telah memudahkan pelacakan model dan tugas promosi kami. Sebagai layanan terkelola, kami tidak perlu khawatir tentang infrastruktur yang mendasarinya, yang memungkinkan kami untuk fokus pada peningkatan model kami dan mempercepat siklus pengembangan kami."

Sumeet Kishnani, Managing Data Scientist

Thomson Reuters

Thomson Reuters

“Thomson Reuters telah berada di garis depan pengembangan AI selama lebih dari 30 tahun, dan kami berkomitmen untuk memberikan solusi yang bermanfaat untuk membantu pelanggan kami memberikan hasil yang lebih cepat, dengan akses yang lebih baik ke informasi tepercaya. Untuk mempercepat inovasi kami dalam AI generatif, selain berpartner dengan penyedia LLM, kami juga menjelajahi model khusus pelatihan secara lebih efisien dengan konten unik dan eksklusif serta keahlian manusia kami. Pustaka pelatihan terdistribusi SageMaker HyperPod membantu kami meningkatkan performa pelatihan model skala besar. Selain itu, fitur ketahanannya menghemat waktu saat kami memantau dan mengelola infrastruktur. Melatih model fondasi kami di SageMaker HyperPod akan meningkatkan kecepatan kami ke pasar dan membantu memberikan solusi yang berkualitas bagi pelanggan dengan cepat.”

Joel Hron, Head of AI and Labs - Thomson Reuters

“Kami dapat memenuhi persyaratan pelatihan model bahasa besar kami menggunakan Amazon SageMaker HyperPod. Dengan menggunakan Amazon EKS di SageMaker HyperPod, kami dapat menaikkan skala kapasitas dan menjalankan tugas pelatihan dengan mudah, sehingga kami dapat membuka potensi LLM di berbagai bidang seperti ringkasan dan klasifikasi hukum.”

John Duprey, Distinguished Engineer, Thomson Reuters Labs

Hugging Face

Hugging Face

Hugging Face telah menggunakan SageMaker HyperPod untuk membuat model fondasi terbuka baru yang penting, seperti StarCoder, IDEFICS, dan Zephyr yang telah diunduh jutaan kali. Kemampuan ketahanan dan performa SageMaker HyperPod yang dibangun khusus untuk tujuan tertentu telah memungkinkan tim sains terbuka kami untuk fokus berinovasi dan menerbitkan peningkatan penting pada cara-cara pembuatan model fondasi, alih-alih mengelola infrastruktur. Kami paling terkesan dengan cara SageMaker HyperPod mampu mendeteksi kegagalan perangkat keras ML dan dengan cepat mengganti perangkat keras yang rusak tersebut tanpa mengganggu pelatihan model yang sedang berlangsung. Karena tim kami perlu berinovasi dengan cepat, fitur pemulihan tugas otomatis ini membantu kami meminimalkan gangguan selama proses pelatihan model fondasi sehingga membantu menghemat ratusan jam waktu pelatihan hanya dalam setahun.”

Jeff Boudier, Head of Product di Hugging Face.

Hugging Face

Perplexity AI

“Kami mencari infrastruktur ML yang tepat untuk meningkatkan produktivitas dan mengurangi biaya dalam membangun model bahasa besar dengan performa tinggi. Setelah menjalankan beberapa eksperimen yang berhasil, kami beralih ke AWS dari penyedia cloud lain untuk menggunakan Amazon SageMaker HyperPod. Kami telah menggunakan HyperPod selama empat bulan terakhir untuk membangun dan menyempurnakan LLM guna menenagai mesin jawaban percakapan Perplexity yang memberikan jawaban pertanyaan beserta referensi yang diberikan dalam bentuk kutipan. Karena SageMaker HyperPod memantau kondisi klaster dan memperbaiki kegagalan GPU secara otomatis, developer kami dapat fokus pada pembuatan model, alih-alih menghabiskan waktu untuk mengelola serta mengoptimalkan infrastruktur yang mendasarinya. Data bawaan SageMaker HyperPod dan pustaka paralel model membantu kami mengoptimalkan waktu pelatihan pada GPU serta menggandakan throughput pelatihan. Hasilnya, eksperimen pelatihan kami sekarang dapat berjalan dua kali lebih cepat, yang berarti developer kami dapat melakukan iterasi lebih cepat sehingga pengembangan pengalaman AI generatif baru untuk pelanggan kami juga makin cepat.”

Aravind Srinivas, co-founder dan CEO di Perplexity AI

Hugging Face

Workday

"Lebih dari 10.000 organisasi di seluruh dunia mengandalkan Workday untuk mengelola aset mereka yang paling berharga, yaitu sumber daya manusia dan uang mereka. Kami memberikan solusi transparan yang bertanggung jawab kepada pelanggan dengan memilih model fondasi terbaik yang mencerminkan kebijakan perusahaan kami seputar penggunaan AI yang bertanggung jawab. Untuk tugas-tugas seperti membuat deskripsi pekerjaan yang harus berkualitas tinggi dan mempromosikan kesempatan yang sama, kami menguji kemampuan evaluasi model baru di Amazon SageMaker dan sangat senang dengan kemampuannya dalam mengukur model fondasi di seluruh metrik seperti bias, kualitas, dan performa. Kami berharap dapat menggunakan layanan ini pada masa mendatang untuk membandingkan dan memilih model yang sesuai dengan kriteria AI bertanggung jawab kami yang ketat.”

Shane Luke, vice president of AI and Machine Learning di Workday.
 

Hugging Face

Salesforce

“Di Salesforce, kami memiliki pendekatan ekosistem terbuka untuk model fondasi, dan Amazon SageMaker adalah komponen penting yang membantu kami menskalakan arsitektur dan mempercepat waktu rilis ke pasar. Dengan kemampuan SageMaker Inference baru, kami bisa menempatkan semua model kami ke satu titik akhir SageMaker yang secara otomatis menangani semua alokasi sumber daya dan berbagi sumber daya komputasi, yang mempercepat performa dan mengurangi biaya deployment model fondasi.”

Bhavesh Doshi, vice president of Engineering di Salesforce.
 

Freddy's

Bain & Co

"Salah satu tantangan terbesar bagi Aura adalah mengekstraksi wawasan yang berarti dari sekumpulan besar data profesional yang tidak terstruktur. Dengan menggunakan model bahasa besar melalui Amazon SageMaker Canvas, kami telah mengotomatiskan proses ekstraksi data, yang mengubah cara perusahaan menilai kompetensi tenaga kerja dan struktur organisasi. Pendekatan ini tidak hanya membantu kami menskalakan analisis data, tetapi juga melampaui keterbatasan metode analisis data tradisional, seperti pencocokan kata kunci. Menggunakan persiapan data baru SageMaker Canvas dan kemampuan LLM, Aura mampu menilai dan membandingkan perusahaan secara kuantitatif pada efektivitas struktur, keterampilan tenaga kerja, dan performa terkait hasil keuangan organisasi mereka."

Purna Doddapaneni, CTO of Founder’s Studio dan partner di Bain & Co.

Hugging Face

Wix

“Amazon SageMaker Inference membantu kami melakukan deployment model di beberapa Zona Ketersediaan dan menjalankan prediksi dalam skala besar, baik secara online maupun dalam mode batch.”

Itamar Keller, Research and Development Team Leader, Wix

Hugging Face

Qred

“Dengan platform terpusat yang menggunakan Amazon SageMaker, kepatuhan menjadi lebih sederhana. Menambahkan data sensitif menjadi lebih mudah jika data tersebut terpusat dan aman.”

Lezgin Bakircioglu, Chief Technology Officer, Qred

Stability AI

Stability AI

“Sebagai perusahaan AI generatif sumber terbuka terkemuka, tujuan kami adalah memaksimalkan aksesibilitas AI modern. Kami sedang membangun model fondasi dengan puluhan miliar parameter, yang membutuhkan infrastruktur yang dapat menskalakan performa pelatihan yang dioptimalkan. Dengan infrastruktur terkelola dan pustaka optimisasi SageMaker HyperPod, kami dapat mengurangi waktu dan biaya pelatihan hingga lebih dari 50%. Hal ini membuat pelatihan model kami lebih tangguh dan beperforma untuk membangun model canggih dengan lebih cepat.”

Emad Mostaque, Founder dan CEO - Stability AI

iFood
“Di iFood, kami berusaha untuk memuaskan pelanggan melalui layanan kami menggunakan teknologi, seperti machine learning (ML). Membangun alur kerja yang lengkap dan tanpa hambatan untuk mengembangkan, melatih, dan melakukan deployment model telah menjadi bagian penting dari perjalanan kami untuk menskalakan ML. Amazon SageMaker Pipelines membantu kami dengan cepat membangun beberapa alur kerja ML yang otomatis dapat diskalakan, dan mempermudah deployment serta pengelolaan model kami secara efektif. SageMaker Pipelines memungkinkan kami menjadi lebih efisien dengan siklus pengembangan kami. Kami terus menekankan kepemimpinan kami dalam menggunakan AI/ML untuk memberikan layanan pelanggan yang unggul dan efisiensi dengan semua kemampuan baru Amazon SageMaker ini.”

Sandor Caetano, Chief Data Scientist, iFood

Care.com
“Industri perawatan yang kuat dan suplai yang sesuai dengan permintaan sangat penting untuk pertumbuhan ekonomi dari keluarga individu hingga PDB negara. Kami gembira dengan Amazon SageMaker Pipelines, karena kami yakin Amazon SageMaker Pipelines akan membantu kami menskalakan dengan lebih baik di seluruh ilmu data dan tim pengembangan kami, dengan menggunakan set data terkurasi yang konsisten yang kami dapat gunakan untuk membangun alur model machine learning (ML ) ujung-ke-ujung yang dapat diskalakan dari persiapan data hingga deployment. Dengan diumumkannya kemampuan baru dari Amazon SageMaker, kami dapat mempercepat deployment dan deployment dari model ML kami untuk berbagai aplikasi, membantu pelanggan kami membuat keputusan yang lebih baik melalui rekomendasi langsung yang lebih cepat.”

Clemens Tummeltshammer, Manajer Ilmu Data (Data Science Manager), Care.com

3M
“Menggunakan ML, 3M meningkatkan produk yang telah teruji, seperti ampelas, dan mendorong inovasi di beberapa bidang lain, termasuk pemeliharaan kesehatan. Karena kami berencana untuk menskalakan machine learning ke lebih banyak area 3M, kami melihat jumlah data dan model berkembang pesat – berlipat ganda setiap tahun. Kami sangat antusias mengenai fitur SageMaker baru karena fitur tersebut akan membantu kami menskalakan. Amazon SageMaker Data Wrangler mempermudah penyiapan data untuk pelatihan model, dan Amazon SageMaker Feature Store akan menghilangkan kebutuhan untuk membuat fitur model yang sama berulang kali. Akhirnya, Amazon SageMaker Pipelines akan membantu kami mengotomatiskan persiapan data, pembuatan model, dan deployment model ke dalam alur kerja ujung ke ujung sehingga kami dapat mempercepat waktu ke pasar untuk model kami. Peneliti kami menantikan untuk memanfaatkan kecepatan baru dari sains di 3M.”

David Frazee, Technical Director di 3M Corporate Systems Research Lab

“Dengan Amazon SageMaker JumpStart, kami dapat bereksperimen dengan beberapa model fondasi, memilih model yang paling sesuai dengan kebutuhan kami dalam bidang layanan kesehatan, serta meluncurkan aplikasi ML dengan cepat menggunakan deployment model SageMaker yang sesuai dengan HIPAA. Hal ini memungkinkan kami untuk meningkatkan kecepatan dan skala proses entri data untuk resep dan layanan pelanggan.”

Alexandre Alves, Sr. Principal Engineer, Amazon Pharmacy

Canva
“Di Canva, kami memiliki misi untuk mendukung dunia dalam hal desain dan memudahkan siapa saja untuk menciptakan kreasi yang menakjubkan di berbagai perangkat. Dengan AI generatif, kami dapat membantu pengguna mewujudkan ide-ide mereka dengan friksi minimal. Berkat SageMaker JumpStart, kami dapat mendukung tim untuk memulai dengan AI generatif dan menguji berbagai model fondasi. Dalam hackathon global kami, Canvanauts dapat dengan mudah melakukan deployment berbagai model fondasi dan menjalankan proyek mereka. Hal tersebut menjadi bagian penting dari kesuksesan hackathon kami.”

Nic Wittison, Engineering Lead for AI Products, Canva

Dovetail
“Di Dovetail, kami membantu organisasi meningkatkan kualitas produk dan layanannya melalui kekuatan pemahaman yang lebih mendalam tentang pelanggannya. Dengan Amazon SageMaker JumpStart, kami dapat dengan mudah mengakses, menguji, dan melakukan deployment model fondasi yang mutakhir. Kami menggunakan AI21 Jurassic-2 Mid untuk mengaktifkan ringkasan yang ditingkatkan dan mampu mengintegrasikannya ke dalam aplikasi SaaS kami dalam waktu beberapa minggu, alih-alih memerlukan waktu berbulan-bulan untuk mengimplementasikannya. Pelanggan kami kini dapat secara efisien menyaring dan memahami wawasan dari datanya sambil menjaga privasi data dan jaminan keamanan.”

Chris Manouvrier, Enterprise Architect Manager, Dovetail

Lexitas
“Klien kami memiliki ribuan dokumen hukum, dan proses penguraian dokumen-dokumen ini sangat membosankan serta memakan banyak waktu. Sering kali, tidak ada cara cepat untuk mendapatkan jawaban, seperti memahami siapa yang mengajukan pertanyaan di dalam proses pemerolehan keterangan saksi. Kini, dengan Amazon SageMaker JumpStart, kami dapat mengakses model fondasi yang canggih untuk mendukung produk kami sehingga para pelanggan dapat mengatasi berbagai kasus penggunaan, seperti deteksi kontradiksi dan pencarian semantik dalam ribuan dokumen sekaligus. Sekarang, pengacara dapat memanfaatkan transkrip masa lalu untuk mempersiapkan acara di masa mendatang, sambil tetap mematuhi persyaratan keamanan dan kepatuhan yang ketat.”

Jason Primuth, Chief Innovation Officer, Lexitas

Tyson
“Di Tyson Foods, kami terus mencari cara baru untuk menggunakan machine learning (ML) dalam proses produksi guna meningkatkan produktivitas. Kami menggunakan model klasifikasi untuk mengindentifikasi produk dari lini produksi yang memerlukan label kemasan. Namun, model klasifikasi gambar perlu dilatih ulang dengan gambar baru dari lapangan secara berkala. Amazon SageMaker JumpStart memungkinkan ilmuwan data kami untuk membagikan model ML dengan teknisi dukungan sehingga mereka dapat melatih model ML dengan data baru tanpa menulis kode apa pun. Hal ini mempercepat waktu masuk pasar solusi ML, meningkatkan perbaikan berkelanjutan, dan menambah produktivitas.”

Rahul Damineni, Specialist Data Scientist, Tyson Foods

Mission Automate
“Berkat Amazon SageMaker JumpStart, kami dapat meluncurkan solusi ML dalam beberapa hari untuk memenuhi kebutuhan prediksi machine learning dengan lebih cepat dan lebih andal.”

Alex Panait, CEO, Mission Automate

Mycase
“Berkat Amazon SageMaker JumpStart, kami dapat memiliki titik awal yang lebih baik sehingga kami dapat melakukan deployment solusi ML untuk kasus penggunaan kami sendiri hanya dalam 4-6 minggu, alih-alih 3-4 bulan.”

Gus Nguyen, Software Engineer, MyCase

Pivotree
“Dengan Amazon SageMaker JumpStart, kami dapat membangun aplikasi ML, seperti deteksi anomali otomatis atau klasifikasi objek dengan lebih cepat dan meluncurkan solusi dari bukti konsep hingga produksi dalam beberapa hari.”

Milos Hanzel, Platform Architect, Pivotree  

Bundesliga
Fakta Pertandingan Bundesliga, yang didukung oleh AWS, memberikan pengalaman penggemar yang lebih menarik selama pertandingan sepak bola untuk penggemar Bundesliga di seluruh dunia. Dengan Amazon SageMaker Clarify, Bundesliga sekarang dapat secara interaktif menjelaskan beberapa komponen utama yang mendasari dalam menentukan apa yang membuat model ML memprediksi nilai xGoals tertentu. Mengetahui atribusi fitur masing-masing dan menjelaskan hasil akan membantu dalam debugging model serta meningkatkan kepercayaan diri dalam algoritme ML, yang menghasilkan prediksi dengan kualitas lebih tinggi.
 
"Amazon SageMaker Clarify terintegrasi secara mulus dengan platform digital Bundesliga Match Facts lainnya dan merupakan bagian penting dari strategi jangka panjang kami untuk menstandarkan alur kerja ML di Amazon SageMaker. Dengan menggunakan teknologi inovatif AWS, seperti machine learning, untuk memberikan wawasan yang lebih mendalam dan memberikan pemahaman yang lebih baik kepada penggemar tentang keputusan sepersekian detik yang dibuat di lapangan, Bundesliga Match Facts memungkinkan pemirsa untuk mendapatkan wawasan yang lebih dalam tentang keputusan utama di setiap pertandingan."

Andreas Heyden, Wakil Presiden Eksekutif Inovasi Digital (Executive Vice President of Digital Innovations), DFL Group

“Dengan Amazon SageMaker JumpStart, Slack dapat mengakses model dasar canggih untuk mendukung Slack AI, sekaligus memprioritaskan keamanan dan privasi. Pelanggan Slack kini dapat melakukan penelusuran dengan lebih cerdas, merangkum percakapan secara instan, dan menjadi paling produktif.”

Jackie Rocca, VP Product, AI di Slack

capcom
CAPCOM adalah perusahaan game Jepang yang terkenal dengan banyak judul game seperti seri Monster Hunter dan Street Fighter. Untuk menjaga kepuasan pelanggan, CAPCOM diperlukan untuk memastikan kualitas game serta mengidentifikasi kemungkinan churn dan trennya.
 
"Kombinasi AutoGluon dan Amazon SageMaker Clarify memungkinkan model churn pelanggan untuk memprediksi churn pelanggan dengan akurasi 94%. SageMaker Clarify membantu kami memahami perilaku model dengan memberikan kemampuan untuk menjelaskan melalui nilai SHAP. Dengan SageMaker Clarify, kami telah mengurangi biaya komputasi nilai SHAP hingga 50% dibandingkan dengan penghitungan lokal. Solusi bersama ini memberi kami kemampuan untuk lebih memahami model dan meningkatkan kepuasan pelanggan pada tingkat akurasi yang lebih tinggi dengan penghematan biaya yang signifikan."

Masahiro Takamoto, Head of Data Group, CAPCOM

DOMO
Domo adalah Cloud Bisnis yang mentransformasikan cara pengelolaan bisnis dengan menghasilkan BI Modern untuk Semua. Dengan Domo, proses penting yang memerlukan waktu berminggu-minggu, berbulan-bulan, atau bahkan lebih, sekarang dapat dilakukan dengan cepat, dalam hitungan menit atau detik, pada skala yang luar biasa.
 
"Domo menawarkan rangkaian solusi ilmu data yang mudah digunakan serta dipahami oleh semua orang dalam organisasi. Dengan Clarify, pelanggan kami mendapatkan wawasan penting tentang cara model AI mereka membuat prediksi. Kombinasi Clarify dan Domo membantu meningkatkan kecepatan dan kecerdasan AI bagi pelanggan dengan memberikan kekuatan AI kepada semua orang di seluruh bisnis dan ekosistem mereka."

Ben Ainscough, Ph.D., Kepala AI dan Ilmu Data (Head of AI and Data Science), Domo

Varo

Varo Bank adalah bank digital yang berbasis di AS dan menggunakan AI/ML untuk membantu membuat keputusan berbasis risiko dengan cepat, untuk memberikan produk dan layanan inovatif kepada pelanggan.

"Varo memiliki komitmen yang kuat terhadap kemampuan menjelaskan dan transparansi model ML dan kami senang melihat hasil dari Amazon SageMaker Clarify dalam memajukan upaya ini."

Sachin Shetty, Head of Data Science, Varo Money

Aurora

LG AI Research bertujuan untuk memimpin era AI berikutnya menggunakan Amazon SageMaker untuk melatih dan melakukan deployment model ML lebih cepat.

“Kami baru-baru ini memulai debut Tilda, artis AI yang didukung oleh EXAONE, sistem AI super raksasa yang dapat memproses 250 juta set data pasangan gambar-teks definisi tinggi. AI multimodalitas memungkinkan Tilda untuk membuat gambar baru dengan sendirinya, dengan kemampuannya untuk menjelajah melampaui bahasa yang dia pahami. Amazon SageMaker sangat penting dalam mengembangkan EXAONE karena kemampuan penskalaan dan pelatihan terdistribusinya. Secara khusus, karena komputasi besar-besaran yang diperlukan untuk melatih AI super raksasa ini, pemrosesan paralel yang efisien sangat penting. Kami juga perlu terus mengelola data berskala besar dan bersikap fleksibel untuk merespons data yang baru diperoleh. Menggunakan pelatihan model dan pustaka pelatihan terdistribusi Amazon SageMaker, kami mengoptimalkan pelatihan terdistribusi dan melatih model 59% lebih cepat—tanpa modifikasi besar pada kode pelatihan kami.”

Seung Hwan Kim, Wakil Presiden dan Pemimpin Lab Visi (Vice President and Vision Lab Leader), LG AI Research

Aurora
“Di AI21 Labs, kami membantu bisnis dan developer menggunakan model bahasa mutakhir untuk menyusun ulang cara pengguna mereka berinteraksi dengan teks, tanpa memerlukan keahlian NLP. Platform developer kami, AI21 Studio, menyediakan akses ke pembuatan teks, ringkasan pintar, dan bahkan pembuatan kode, semuanya berdasarkan rangkaian model bahasa besar kami. Model Jurassic-Grande (TM) kami yang baru saja terlatih dengan 17 miliar parameter dilatih menggunakan Amazon SageMaker. Amazon SageMaker membuat proses pelatihan model lebih mudah dan lebih efisien, dan bekerja sempurna dengan pustaka DeepSpeed. Hasilnya, kami dapat menskalakan tugas pelatihan terdistribusi dengan mudah ke ratusan GPU Nvidia A100. Model Grande memberikan kualitas pembuatan teks setara dengan model parameter 178 miliar kami yang jauh lebih besar, dengan biaya inferensi yang jauh lebih rendah. Hasilnya, klien kami yang menggunakan Jurassic-Grande dalam produksi dapat melayani jutaan pengguna secara langsung setiap hari, dan menikmati keuntungan dari unit ekonomi yang ditingkatkan tanpa mengorbankan pengalaman pengguna.” 

Dan Padnos, Wakil Presiden Arsitektur (Vice President Architecture), AI21 Labs

Aurora

Dengan bantuan Amazon SageMaker dan pustaka paralel data terdistribusi Amazon SageMaker (SMDDP), Torc.ai, pemimpin kendaraan otonom sejak 2005, mengomersialkan truk tanpa pengemudi untuk transit jarak jauh yang aman dan berkelanjutan di industri pengangkutan.

“Tim saya sekarang dapat dengan mudah menjalankan tugas pelatihan terdistribusi skala besar menggunakan pelatihan model Amazon SageMaker dan pustaka paralel data terdistribusi Amazon SageMaker (SMDDP), yang melibatkan terabita data pelatihan dan model dengan jutaan parameter. Pelatihan model terdistribusi Amazon SageMaker dan SMDDP telah membantu kami melakukan pensakaan secara efektif tanpa harus mengelola infrastruktur pelatihan. Pelatihan model terdistribusi Amazon SageMaker dan SMDDP mengurangi waktu kami untuk melatih model dari beberapa hari menjadi beberapa jam sehingga kami dapat memampatkan siklus desain kami dan membawa kemampuan kendaraan otonom baru ke armada kami dengan lebih cepat dari sebelumnya.”

Derek Johnson, Wakil Presiden Rekayasa (Vice President of Engineering), Torc.ai

Aurora

Sophos, pemimpin dunia dalam solusi dan layanan keamanan siber generasi mendatang, menggunakan Amazon SageMaker untuk melatih model ML-nya dengan lebih efisien.

“Teknologi canggih kami mendeteksi dan menghilangkan file yang disisipi malware. Namun, penggunaan model XGBoost untuk memproses set data berukuran beberapa terabita sangat memakan waktu dan terkadang mustahil dengan ruang memori yang terbatas. Dengan pelatihan terdistribusi Amazon SageMaker, kami dapat berhasil melatih model XGBoost ringan dengan disk (hingga 25 kali lebih kecil) dan memori (hingga lima kali lebih kecil) yang jauh lebih kecil dari pendahulunya. Dengan penyesuaian model otomatis Amazon SageMaker dan pelatihan terdistribusi pada Instans Spot, kami dapat memodifikasi dan melatih ulang model dengan cepat dan lebih efektif tanpa menyesuaikan infrastruktur pelatihan yang mendasari yang diperlukan untuk menskalakan ke luar ke set data sebesar itu.”

Konstantin Berlin, Kepala Kecerdasan Buatan (Head of Artificial Intelligence), Sophos

Baca blog berikut »

Aurora
" Machine learning dan simulasi canggih Aurora dalam skala besar merupakan fondasi untuk mengembangkan teknologi kami dengan aman dan cepat, dan AWS memberikan performa tinggi yang kami butuhkan untuk mempertahankan kemajuan kami. Dengan skala yang hampir tidak terbatas, AWS mendukung jutaan pengujian virtual untuk memvalidasi kemampuan Driver Aurora sehingga dapat dengan aman menavigasi kasus edge mengemudi dunia nyata yang tak terhitung jumlahnya." 

Chris Urmson, CEO, Aurora

Tonton video »

Hyundai
"Kami menggunakan model penglihatan komputer untuk melakukan segmentasi adegan, yang penting untuk memahami adegan. Dulu Aurora membutuhkan waktu 57 menit untuk melatih model untuk satu zaman, yang memperlambat kami. Menggunakan pustaka paralelisme data Amazon SageMaker dan dengan bantuan Amazon ML Solutions Lab, kami dapat melatih dalam 6 menit dengan kode pelatihan yang dioptimalkan pada instans 5ml.p3.16xlarge. Dengan pengurangan waktu pelatihan 10x lipat, kami dapat menghabiskan lebih banyak waktu untuk menyiapkan data selama siklus pengembangan." 

Jinwook Choi, Rekayasawan Riset Senior (Senior Research Engineer), Hyundai Motor Company

Baca blog »

Latent Space
“Di Latent Space, kami sedang membangun mesin permainan neural-render yang dengannya siapa pun dapat berkreasi secepat pikiran. Didorong oleh kemajuan dalam pemodelan bahasa, kami bekerja untuk menggabungkan pemahaman semantik teks dan gambar untuk menentukan apa yang akan dihasilkan. Fokus kami saat ini adalah memanfaatkan pengambilan informasi untuk menambah pelatihan model skala besar karena kami memiliki alur ML yang canggih. Penyiapan ini menghadirkan tantangan di atas pelatihan terdistribusi karena ada banyak sumber data dan model yang dilatih pada saat yang bersamaan. Dengan demikian, kami memanfaatkan kemampuan pelatihan terdistribusi baru di Amazon SageMaker untuk menskalakan pelatihan secara efisien untuk model generatif besar.”

Sarah Jane Hong, Rekan Pendiri/Kepala Staf Sains (Cofounder/Chief Science Officer), Latent Space

Baca blog »

musixmatch
“Musixmatch menggunakan Amazon SageMaker untuk membangun pemrosesan bahasa alami (NLP) dan model pemrosesan audio dan bereksperimen dengan Hugging Face yang menggunakan Amazon SageMaker. Kami memilih Amazon SageMaker karena memungkinkan ilmuwan data untuk membangun, melatih, dan menyetel model secara berulang dengan cepat tanpa harus khawatir mengelola infrastruktur yang mendasarinya, yang berarti ilmuwan data dapat bekerja lebih cepat dan mandiri. Seiring pertumbuhan perusahaan, semakin besar pula kebutuhan kami untuk melatih dan menyetel model NLP yang lebih besar dan lebih kompleks. Kami selalu mencari cara untuk mempercepat waktu pelatihan sekaligus menurunkan biaya pelatihan, itulah sebabnya kami sangat tertarik dengan Amazon SageMaker Training Compiler. SageMaker Training Compiler menyediakan cara yang lebih efisien untuk menggunakan GPU selama proses pelatihan dan, dengan integrasi tanpa batas antara SageMaker Training Compiler, PyTorch, dan pustaka tingkat tinggi, seperti Hugging Face sehingga kami telah melihat peningkatan yang signifikan dalam waktu pelatihan model berbasis transformer kami, dari hitungan minggu ke hitungan hari, serta biaya pelatihan yang lebih rendah.”

Loreto Parisi, Direktur Rekayasa Kecerdasan Buatan (Artificial Intelligence Engineering Director), Musixmatch

AT&T

AT&T Cybersecurity meningkatkan deteksi ancaman yang membutuhkan prediksi mendekati waktu nyata menggunakan titik akhir multimodel Amazon SageMaker.

“Titik akhir multimodel Amazon SageMaker tidak hanya hemat biaya, tetapi juga memberi kami sedikit peningkatan performa yang bagus yang dimulai dari penyederhanaan cara menyimpan model kami.”

Matthew Schneid Chief Architect - AT&T

Baca selengkapnya »
Forethought

Forethought Technologies, penyedia solusi AI generatif untuk layanan pelanggan, mengurangi biaya hingga 80 persen menggunakan Amazon SageMaker.

“Dengan bermigrasi ke titik akhir multimodel Amazon SageMaker, kami mengurangi biaya hingga 66% sekaligus memberikan latensi yang lebih baik dan waktu respons yang lebih baik bagi pelanggan.”

Jad Chamoun, Director of Core Engineering - Forethought Technologies

Baca selengkapnya »
Bazaarvoice

Bazaarvoice mengurangi biaya inferensi ML sebesar 82% menggunakan Inferensi Nirserver SageMaker.

“Dengan Inferensi Nirserver SageMaker, kami dapat melakukan ML secara efisien dalam skala besar, dengan cepat mengeluarkan banyak model dengan biaya yang wajar dan dengan biaya tambahan operasional yang rendah.”

Lou Kratz, Rekayasawan Riset Utama (Principal Research Engineer), Bazaarvoice

Baca selengkapnya »
Tapjoy

Tapjoy menggunakan Amazon SageMaker untuk melakukan deployment Model ML dalam hitungan hari, alih-alih bulan.

“Kami telah beralih dari proses yang memakan waktu sekitar tiga hingga enam bulan untuk melatih, membangun, dan melakukan deployment model. Sekarang dengan SageMaker, kami bisa melakukannya hanya dalam waktu satu minggu, atau bahkan mungkin lebih cepat.”

Nick Reffitt, Vice President of Data Science and Engineering - Tapjoy

Baca selengkapnya »
Zendesk

Zendesk melakukan host ribuan model ML di titik akhir multimodal Amazon SageMaker (MME) untuk fitur Makro yang Direkomendasikan dan mencapai penghematan biaya sebesar 90% dalam hal inferensi jika dibandingkan dengan titik akhir khusus.

“Kami melakukan deployment ribuan model ML yang disesuaikan untuk lebih dari 100 rb pelanggan kami menggunakan titik akhir multimodel Amazon SageMaker (MME). Dengan SageMaker MME, kami membangun kemampuan inferensi multipenghuni dan ramah SaaS untuk meng- host beberapa model per titik akhir sehingga mengurangi biaya inferensi hingga 90% dibandingkan dengan titik akhir khusus.”

Chris Hausler, Kepala AI/ML (Head of AI/ML), Zendesk

Baca selengkapnya »

Amazon Pharmacy

“Dengan Amazon SageMaker JumpStart, kami dapat bereksperimen dengan beberapa model fondasi, memilih model yang paling sesuai dengan kebutuhan kami dalam bidang layanan kesehatan, serta meluncurkan aplikasi ML dengan cepat menggunakan deployment model SageMaker yang sesuai dengan HIPAA. Hal ini memungkinkan kami untuk meningkatkan kecepatan dan skala proses entri data untuk resep dan layanan pelanggan.”

Alexandre Alves, Sr. Principal Engineer, Amazon Pharmacy

Intuit

“Dengan Amazon SageMaker, kami dapat mempercepat inisiatif Kecerdasan Buatan dalam skala besar dengan membangun dan melakukan deployment algoritma kami pada platform. Kami akan membuat machine learning serta algoritme AI baru berskala besar dan menerapkannya pada platform ini untuk memecahkan berbagai masalah rumit yang dapat memberi pelanggan kami kemampuan yang luar biasa."

Ashok Srivastava, Chief Data Officer - Intuit

GE Healthcare

Memanfaatkan data dan analitik di seluruh perangkat keras, perangkat lunak, dan bioteknologi, GE Healthcare mentransformasi pemeliharaan kesehatan dengan memberikan hasil yang lebih baik bagi penyedia dan pasien. 

“Amazon SageMaker memungkinkan GE Healthcare untuk mengakses alat dan layanan kecerdasan buatan yang canggih untuk meningkatkan perawatan pasien. Skalabilitas Amazon SageMaker dan kemampuannya untuk berintegrasi dengan Layanan AWS native, menambah nilai yang sangat besar untuk kami. Kami sangat senang melihat bagaimana kolaborasi berkelanjutan kami antara GE Health Cloud dan Amazon SageMaker akan mendorong hasil yang lebih baik untuk partner penyedia layanan kesehatan kami dan memberikan perawatan pasien yang lebih baik.”

Sharath Pasupunuti, AI Engineering Leader - GE Healthcare

ADP, Inc.

ADP adalah perusahaan teknologi global terkemuka yang menyediakan berbagai solusi manajemen modal manusia (HCM). ADP DataCloud memanfaatkan data tenaga kerja yang tidak tertandingi dari ADP dari lebih dari 30 juta karyawan untuk menghadirkan wawasan yang dapat ditindaklanjuti, yang dapat membantu eksekutif mengambil keputusan real-time untuk mengelola bisnis mereka dengan lebih baik.

“Mempertahankan dan menarik talenta tidaklah mudah, itulah mengapa kami terus menyempurnakan ADP DataCloud dengan kemampuan kecerdasan buatan untuk membantu para pemberi kerja mempertahankan tim yang tangguh. Kami menggunakan AWS Machine Learning, termasuk Amazon SageMaker, untuk dengan cepat mengidentifikasi pola tenaga kerja dan memprediksi hasil sebelum terjadi. Misalnya, keluar-masuknya karyawan atau dampak kenaikan kompensasi. Dengan memanfaatkan AWS sebagai platform utama kami dalam hal kecerdasan buatan dan machine learning, kami mengurangi waktu untuk melakukan deployment pada model machine learning dari 2 minggu menjadi hanya 1 hari.”

Jack Berkowitz, SVP Product Development – ADP, Inc.

BASF Digital Farming

BASF Digital Farming memiliki misi untuk memberdayakan petani agar membuat keputusan yang lebih cerdas dan berkontribusi untuk memecahkan tantangan dalam menyediakan makanan kepada populasi dunia yang terus bertambah, sekaligus mengurangi jejak lingkungan.

“Amazon SageMaker dan Teknologi AWS terkait mendukung eksperimen cepat dan menyediakan fungsionalitas dan API yang mudah digunakan, yang dapat menurunkan penghalang masuknya adopsi ML. Dengan cara ini, kami dapat membuka potensi nilai penuh dari kasus penggunaan ML dengan cepat.”

Dr. Christian Kerkhoff, Manajer Otomatisasi Data (Manager Data Automation) - BASF Digital Farming GmbH

Cerner

Cerner

Cerner Corporation adalah perusahaan kesehatan dan teknologi global yang menyuplai berbagai solusi, layanan, perangkat, dan perangkat keras teknologi informasi kesehatan (HIT).

“Dengan bangga, Cerner mendorong inovasi kecerdasan buatan dan machine learning di berbagai bidang, termasuk kesehatan, keuangan, dan pengalaman operasional. Melalui berbagai kemampuan baru yang dibuat oleh Ekosistem Machine Learning Cerner dan Pemrosesan Bahasa Alami Cerner, dan diwujudkan oleh kolaborasi dengan AWS, kami mempercepat inovasi yang dapat diskalakan bagi semua klien. Amazon SageMaker merupakan komponen penting yang memberi Cerner kesempatan untuk mewujudkan tujuan kami memberikan nilai bagi klien melalui kecerdasan buatan (AI)/ML. Selain itu, Amazon SageMaker memberi Cerner kemampuan untuk memanfaatkan berbagai kerangka kerja, seperti TensorFlow dan PyTorch, serta kemampuan untuk berintegrasi dengan berbagai layanan AWS.”

Sasanka Are, PhD, Vice President - Cerner

600x400-dow-jones_logo.jpg

Dow Jones

Dow Jones & Co. adalah penyedia informasi berita dan bisnis global, yang menghadirkan konten kepada konsumen dan organisasi melalui surat kabar, situs web, aplikasi seluler, video, buletin, majalah, basis data kepemilikan, konferensi, dan radio.

“Saat Dow Jones terus fokus untuk mengintegrasikan machine learning ke dalam berbagai produk dan layanan kami, AWS telah menjadi mitra yang luar biasa. Sebelum Machine Learning Hackathon yang diselenggarakan baru-baru ini, tim AWS memberikan pelatihan seputar Amazon SageMaker dan Amazon Rekognition untuk para peserta, dan menawarkan dukungan tanpa henti kepada semua tim. Hasilnya, tim kami mengembangkan beberapa ide hebat untuk menerapkan machine learning, banyak di antaranya akan terus kami kembangkan di AWS. Acara ini sukses besar, dan menjadi contoh dari kemitraan yang luar biasa.”

Ramin Beheshti, Group Chief Product dan Technology Officer - Dow Jones

Advanced Microgrid Solutions

Advanced Microgrid Solutions

Advanced Microgrid Solutions (AMS) merupakan sebuah perusahaan platform dan layanan energi yang memiliki misi untuk mempercepat transformasi skala dunia menuju ekonomi energi bersih dengan memfasilitasi penerapan dan optimalisasi aset energi bersih. NEM menggunakan pasar spot, tempat semua pihak yang terlibat menawar untuk menggunakan/menyuplai energi setiap 5 menit. Untuk itu mereka perlu memprediksi prakiraan permintaan dan menghasilkan tawaran dinamis dalam hitungan menit, sekaligus memproses data pasar dalam jumlah masif. Untuk mengatasi tantangan ini, AMS membangun model pembelajaran mendalam menggunakan TensorFlow di Amazon SageMaker. Mereka memanfaatkan penyetelan model otomatis Amazon SageMaker untuk menemukan parameter model terbaik dan membangun model mereka hanya dalam hitungan minggu. Model mereka menunjukkan peningkatan dalam prakiraan pasar di seluruh produk energi dalam pemeteran energi netto, yang akan diubah menjadi efisiensi yang signifikan.

ProQuest

ProQuest

ProQuest mengkurasi koleksi jurnal, ebook, sumber utama, disertasi, berita, dan video terbesar di dunia – dan membangun solusi alur kerja yang andal untuk membantu banyak pustaka mendapatkan dan mengembangkan koleksi mereka. Produk dan layanan ProQuest digunakan di pustaka akademik, K-12, publik, korporasi, dan pemerintahan di 150 negara.

“Kami berkolaborasi dengan AWS untuk membangun pengalaman pengguna video yang lebih menarik untuk para patron pustaka, memungkinkan pencarian mereka untuk memberikan hasil yang lebih relevan. Dengan bekerja dengan AWS ML Solutions Lab, kami menguji berbagai algoritme berbeda menggunakan Amazon SageMaker, menyetel model menggunakan optimalisasi hiperparameter, dan mengotomatiskan penerapan model machine learning (ML). Kami sangat puas dengan hasilnya sejauh ini, dan sedang mempertimbangkan teknologi ML untuk produk lainnya.”

Allan Lu, Vice President, Research Tools, Services & Platforms - ProQuest

Celgene

Celgene merupakan sebuah perusahaan biofarmasi yang berkomitmen untuk meningkatkan hidup pasien di seluruh dunia. Perusahaan ini berfokus pada penemuan, pengembangan, dan komersialisasi terapi inovatif untuk pasien penderita kanker, inflamasi sistem imun, dan kebutuhan medis lainnya yang belum tertangani.

“Di Celgene, visi kami adalah menghadirkan penanganan yang benar-benar inovatif dan mengubah hidup, serta meningkatkan kehidupan pasien di seluruh dunia. Dengan Amazon SageMaker dan Apache MXNet, membangun dan melatih model pembelajaran mendalam untuk mengembangkan solusi dan proses telah makin cepat dan mudah dibandingkan sebelumnya, dan kami mampu dengan mudah menskalakan upaya kami untuk menemukan penanganan dan memproduksi obat-obatan. Menggunakan SageMaker dan instans Amazon EC2 P3 telah mempercepat waktu kami dalam melatih model dan produktivitas, memungkinkan tim kami berfokus pada riset dan penemuan yang inovatif.”

Lance Smith, Director - Celgene

Atlas Van Lines

Atlas Van Lines adalah perusahaan jasa pindahan jarak jauh terbesar kedua di Amerika Utara, yang didirikan pada tahun 1948 oleh sekelompok wirausahawan di industri jasa pindahan dan penyimpanan. Organisasi ini dikembangkan dengan satu sasaran, berpindah antar-pesisir sekaligus mematuhi aturan utama dalam bisnis. Di samping jejaknya yang luar biasa, Atlas menawarkan persyaratan kualitas agen yang ketat yang melampaui persyaratan industri.

Selama puncak musim pindahan, jaringan agen Atlas bekerja sama di berbagai pasar untuk memenuhi permintaan pelanggan. Secara tradisional, kemampuan mereka untuk memperkirakan kapasitas bersifat manual dan menggunakan banyak tenaga kerja. Mereka mengandalkan pengetahuan dan insting sumber daya yang berasal dari pengalaman selama bertahun-tahun. Atlas memiliki data historis mulai tahun 2011 dan seterusnya, dan ingin menemukan cara untuk menyesuaikan kapasitas dan harga secara dinamis berdasarkan permintaan pasar di masa depan.

Atlas bekerja sama dengan Pariveda Solutions, Mitra Konsultasi Premier APN, untuk membantu mewujudkan peluang manajemen kapasitas dan harga yang proaktif di industri jasa pindahan jangka panjang. Pariveda menyiapkan data, mengembangkan, dan mengevaluasi model machine learning, serta menyetel performanya. Mereka menggunakan Amazon SageMaker untuk melatih dan mengoptimalkan model, kemudian mengekspornya menggunakan sifat modular Amazon SageMaker untuk berjalan menggunakan Amazon EC2.

Edmunds

Edmunds

Edmunds.com adalah sebuah situs web belanja mobil yang terus memperbarui informasi tentang kendaraan untuk 20 juta pengunjung setiap bulannya.

“Kami memiliki sebuah inisiatif strategis untuk menempatkan machine learning di tangan semua teknisi kami. Amazon SageMaker menjadi kunci dalam membantu kami mencapai sasaran ini, memudahkan teknisi membangun, melatih, dan menerapkan model dan algoritme machine learning sesuai skala. Kami sangat senang melihat bagaimana Edmunds akan menggunakan SageMaker untuk berinovasi solusi baru di seluruh organisasi kami untuk para pelanggan kami.”

Stephen Felisan, Chief Information Officer - Edmunds.com

Hotels.com

Hotels.com

Hotels.com adalah merek penginapan global terkemuka yang mengoperasikan 90 situs web yang dilokalkan dalam 41 bahasa.

“Di Hotels.com, kami selalu tertarik untuk bergerak lebih cepat, untuk memanfaatkan teknologi termutakhir dan tetap inovatif. Dengan Amazon SageMaker, pelatihan yang didistribusikan, algoritme yang dioptimalkan, dan fitur hiperparameter bawaan diharapkan dapat membuat tim saya membangun model yang lebih akurat dengan cepat pada rangkaian data terbesar kami, mengurangi lamanya waktu yang diperlukan bagi kami untuk beralih dari model ke produksi. Hanya berupa panggilan API. Amazon SageMaker akan mengurangi kompleksitas machine learning secara signifikan, yang memungkinkan kami menciptakan pengalaman yang lebih baik dan cepat bagi pelanggan kami.”

Matt Fryer, VP dan Chief Data Science Officer - Hotels.com dan Expedia Affiliate Network

Formosa Plastics

Formosa Plastics Corporation adalah penyuplai resin plastik dan petrokimia yang terintegrasi secara vertikal dan sedang berkembang. Formosa Plastics menawarkan lini lengkap polivinil klorida, polietilena, dan resin polipropilena, soda tajam, dan petrokimia lainnya yang menghadirkan konsistensi, performa, dan kualitas yang diinginkan pelanggan.

"Formosa Plastics adalah salah satu perusahaan petrokimia teratas di Taiwan, dan berada di jajaran produsen plastik terkemuka di dunia. Kami memutuskan untuk menjelajahi machine learning guna memungkinkan deteksi kerusakan yang lebih akurat dan mengurangi biaya tenaga kerja manual. Kami pun berpaling ke AWS sebagai penyedia cloud pilihan untuk membantu kami melakukannya. AWS ML Solutions Lab bekerja sama dengan kami melalui setiap langkah proses, mulai dari lokakarya penemuan untuk menentukan kasus penggunaan bisnis, pembangunan dan pemilihan model ML yang sesuai, hingga deployment aktual. Dengan menggunakan Amazon SageMaker, solusi machine learning mengurangi waktu yang karyawan kami habiskan untuk melakukan pemeriksaan manual hingga separuhnya. Dengan bantuan Solutions Lab, kini kami mampu mengoptimalkan sendiri model SageMaker ke depannya sesuai perubahan kondisi.”

Bill Lee, Assistant Vice President - Formosa Plastics Corporation

Voodoo

Voodoo adalah perusahaan game seluler terkemuka dengan lebih dari 2 miliar unduhan game dan lebih dari 400 juta pengguna aktif per bulan (MAU). Mereka menjalankan platform periklanannya sendiri dan menggunakan machine learning untuk meningkatkan akurasi dan kualitas tawaran iklan yang ditampilkan kepada pengguna.

"Di Voodoo, kami perlu memastikan jutaan (dan terus bertambah) basis pemain tetap berinteraksi dengan aktif. Dengan menstandarkan beban kerja machine learning dan kecerdasan buatan di AWS, kami mampu mengulang pada kecepatan dan skala yang kami butuhkan untuk terus mengembangkan bisnis dan melibatkan para pemain game kami. Dengan menggunakan Amazon SageMaker, kami dapat memutuskan secara waktu nyata kapan sebaiknya iklan ditampilkan kepada pemain dan meminta titik akhir lebih dari 100 juta kali dengan lebih dari 30 juta pengguna setiap harinya, yang mewakili hampir satu miliar prediksi per hari. Dengan AWS Machine Learning, kami mampu menempatkan model yang akurat ke dalam produksi dalam waktu kurang dari seminggu, didukung oleh sebuah tim kecil, dan telah mampu terus-menerus membangun menggunakan machine learning seiring pertumbuhan tim dan bisnis kami.”

Aymeric Roffé, Chief Technology Officer – Voodoo

Regit

Dulu bernama Motoring.co.uk, Regit adalah firma teknologi otomotif dan layanan online terkemuka di Inggris untuk para pengguna kendaraan bermotor. Perusahaan ini menghadirkan layanan manajemen mobil digital yang didasarkan pada pelat registrasi mobil, dan memberi pengemudi pengingat informatif, seperti pajak Kementerian Transportasi (MOT), asuransi, dan penarikan produk.

Regit bekerja sama dengan Peak Business Insight, Partner Konsultasi Lanjutan APN untuk menerapkan “model Machine Learning Berkategori” yang menangani data kategori dan variabel secara simultan untuk memberi prediksi mengenai kemungkinan pengguna mengganti mobil, yang menghasilkan penjualan untuk Regit.

Peak menggunakan layanan AWS seperti Amazon SageMaker untuk penyerapan real-time, pemodelan, dan output data. Amazon SageMaker menangani 5.000 permintaan API dalam sehari untuk Regit, menskalakan dan menyesuaikan dengan mulus ke persyaratan data yang relevan, serta mengelola pengiriman hasil penentuan skor prospek. Sementara itu, Amazon Redshift dan instans Amazon Elastic Compute Cloud (Amazon EC2) secara efisien dan kontinu mengoptimalkan performa model dan hasil. Bersama Peak, Regit telah mampu memprediksi yang mana dari 2,5 juta penggunanya yang akan mengganti mobil dan kapan. Ini berarti mereka dapat melayani pelanggan dengan cara yang lebih dipersonalisasi dan bertarget, meningkatkan pendapatan pusat panggilan lebih dari seperempatnya.

Realtor.com

Realtor.com

Jaringan Move, Inc. yang meliputi realtor.com®, Doorsteps®, dan Moving.com™, memberikan informasi, alat, dan keterampilan profesional real estate untuk jajaran keluarga situs web dan pengalaman seluler untuk konsumen dan profesional real estate.

“Kami meyakini bahwa Amazon SageMaker menjadi penambahan yang mentransformasi rangkaian alat realtor.com® saat kami mendukung konsumen dalam perjalanan mereka untuk memiliki rumah. Akur kerja machine learning yang secara historis memakan banyak waktu, seperti melatih dan mengoptimalkan model, dapat dilakukan dengan efisiensi yang jauh lebih baik, dan dengan kumpulan pengembang yang lebih besar, memberdayakan ilmuwan data dan analis kami untuk berfokus pada menciptakan pengalaman paling kaya bagi pelanggan kami."

Vineet Singh, Chief Data Officer dan Senior Vice President - Move, Inc.

Grammarly

Grammarly

Algoritme Grammarly membantu jutaan orang berkomunikasi dengan lebih efektif setiap harinya dengan menawarkan bantuan menulis pada beberapa platform di seluruh perangkat, melalui kombinasi teknologi pemrosesan bahasa alami dan machine learning lanjutan.

“Amazon SageMaker memungkinkan kami mengembangkan model TensorFlow dalam sebuah lingkungan pelatihan terdistribusi. Alur kerja kami juga terintegrasi dengan Amazon EMR untuk prapemrosesan, sehingga bisa mendapatkan data kami dari Amazon S3, yang difilter dengan EMR dan Spark dari notebook Jupyter, lalu melatihnya di Amazon SageMaker dengan notebook yang sama. SageMaker juga fleksibel untuk berbagai persyaratan produksi kami. Kami dapat menjalankan inferensi di SageMaker, atau jika kami hanya perlu modelnya, kami mengunduhnya dari S3 dan menjalankan inferensi implementasi perangkat seluler kami untuk pelanggan iOS dan Android.”

Stanislav Levental, Technical Lead - Grammarly

Slice Labs

Slice Labs, berbasis di New York dengan operasional di seluruh dunia, merupakan penyedia platform cloud asuransi sesuai permintaan pertama. Slice melayani pasar B2C dengan penawaran asuransi sesuai permintaan individual, serta pasar B2B dengan memberi perusahaan kesempatan untuk membangun produk asuransi digital yang intuitif.

“Di Slice, kami sangat menyadari sifat kebutuhan asuransi pelanggan yang terus berubah, dan kami telah memilih AWS sebagai platform cloud andalan kami karena opsi layanannya yang luas, fleksibilitas, dan reputasinya yang kuat di kalangan penyedia asuransi. Kami menggunakan berbagai layanan AWS untuk mendukung bisnis kami, termasuk AWS Machine Learning untuk membantu menghubungkan pelanggan dengan opsi asuransi terbaik sesuai kebutuhan mereka. Dalam pekerjaan kami dengan penyedia asuransi dan perusahaan teknologi untuk membangun dan meluncurkan produk asuransi cerdas, kami telah melihat manfaat penghematan biaya dan produktivitas yang luar biasa dengan AWS. Sebagai contoh, kami telah mengurangi waktu pengadaan sebesar 98%, dari 47 hari menjadi 1 hari. Kami tidak sabar ingin meneruskan ekspansi kami secara geografis dan dalam hal penggunaan cloud kami bersama AWS."

Philippe Lafreniere, Chief Growth Officer - Slice Labs

DigitalGlobe

DigitalGlobe

Sebagai penyedia pencitraan, data, dan analisis Bumi resolusi tinggi terkemuka di dunia, DigitalGlobe bekerja dengan data yang sangat banyak setiap harinya.

“Sebagai penyedia pencitraan, data, dan analisis Bumi resolusi tinggi terkemuka di dunia, DigitalGlobe bekerja dengan data yang sangat banyak setiap harinya. DigitalGlobe memudahkan orang-orang menemukan, mengakses, dan menjalankan komputasi terhadap seluruh pustaka citra 100PB kami, yang disimpan dalam AWS Cloud, untuk menerapkan deep learning pada pencitraan satelit. Kami berencana menggunakan Amazon SageMaker untuk melatih model terhadap petabita set data pencitraan pengamatan Bumi menggunakan notebook Jupyter yang di- hosting, sehingga pengguna Platform Big Data Geospatial (GBDX) DigitalGlobe cukup menekan tombol, membuat model, dan melakukan deployment semuanya dalam satu lingkungan terdistribusi yang dapat diskalakan sesuai kebutuhan.”

Dr. Walter Scott, Chief Technology Officer - Maxar Technologies dan pendiri DigitalGlobe

Intercom

Intercom

Produk yang mengutamakan perpesanan dari Intercom terintegrasi dengan mulus dengan situs web dan aplikasi seluler banyak perusahaan lainnya untuk membantu mereka mendapatkan, melibatkan, dan mendukung pelanggan. Didirikan pada tahun 2011, perusahaan ini memiliki kantor di San Fransisco, London, Chicago, dan Dublin.

“Di Intercom, kami memiliki tim yang terus berkembang, terdiri dari para ilmuwan data dan teknisi yang berorientasi pada data, dan sering kali kami ingin mengulang dengan cepat dan menjelajahi solusi baru untuk produk yang didukung data. Sebelum Amazon SageMaker, kami mencoba banyak opsi berbeda untuk membangun produk ini, tetapi masing-masing memiliki tantangan – berbagi kode sulit dilakukan, pengujian pada kumpulan data besar lamban, pengadaan dan pengelolaan perangkat keras di kami sendiri pun menjadi masalah. SageMaker hadir dan mengatasi semua masalah tersebut untuk kami. Kami menggunakannya terutama untuk mengembangkan algoritme untuk platform pencarian dan fitur machine learning kami, dan ternyata notebook Jupyter yang di- hosting SageMaker memungkinkan kami membangun dan mengulang dengan cepat. Secara krusial, fakta bahwa SageMaker adalah sebuah layanan terkelola memungkinkan tim saya berfokus pada tugas yang sedang mereka kerjakan. Amazon SageMaker adalah layanan yang luar biasa bermanfaat bagi kami di Intercom, dan kami tidak sabar ingin melanjutkan menggunakan lebih banyak lagi seiring pertumbuhan perusahaan kami."

Kevin McNally, Senior Data Scientist Machine Learning - Intercom

Kinect Energy Group

Kinect Energy Group

Kinect Energy Group adalah anak perusahaan World Fuel Services, perusahaan Fortune 100 yang menyediakan layanan nasihat pengadaan energi, menyuplai pemenuhan, serta solusi manajemen transaksi dan pembayaran untuk pelanggan komersial dan industrial, terutama dalam industri penerbangan, kelautan, dan transportasi darat. Kinect Energy adalah penyedia energi Nordic utama dan bergantung pada sumber daya energi alam yang dimungkinkan oleh iklim berangin di wilayah ini.

Bisnis ini baru-baru ini melompat maju dengan mulai digunakannya sejumlah layanan AI/ML dari AWS. Dengan Amazon SageMaker, perusahaan dapat memprediksi tren cuaca yang akan datang, dan harga listrik bulan-bulan berikutnya, memungkinkan perdagangan energi jangka panjang yang mewakili pendekatan berpikiran ke depan terkemuka di industri.

“Kami mulai menggunakan Amazon SageMaker dan dengan bantuan dari Tim Solusi ML serta Tim Arsitektur Solusi AWS, kami mengambil momentum dalam Hari Inovasi dan sejak saat itu, dampaknya sangat luar biasa. Kami telah beberapa kali mengembangkan tim AI kami sendiri untuk sepenuhnya memanfaatkan keunggulan baru yang diberikan oleh teknologi AWS. Kami diuntungkan oleh cara baru ini dengan menetapkan harga berdasarkan cuaca yang belum terjadi. Kami bergerak 'sepenuhnya' bersama AWS, termasuk menyimpan data kami di S3, menggunakan Lambda untuk eksekusi, dan langkah fungsi disamping SageMaker. Di samping itu juga, berkat kemitraan berkomitmen dengan AWS ML Solutions Lab, kini kami mampu mengulang sendiri model yang telah kami bangun dan terus meningkatkan bisnis kami.”

Andrew Stypa, Lead Business Analyst - Kinect Energy Group

Frame.io

Frame.io

Frame.io adalah hub Anda untuk semua hal yang berhubungan dengan video. Pemimpin dalam ulasan dan kolaborasi video dengan lebih dari 700.000 pelanggan di seluruh dunia, Frame.io menjadi tempat para profesional video dari seluruh spektrum — mulai dari pekerja lepas hingga korporasi — datang untuk melakukan ulasan, menyetujui, dan mengirim video.

“Sebagai platform ulasan dan kolaborasi video cloud native yang dapat diakses oleh pengguna di seluruh dunia, sangat penting bagi kami untuk menyediakan keamanan terbaik di kelas bagi para pelanggan kami. Dengan model deteksi anomali yang dibangun dalam Amazon SageMaker, kami mampu memanfaatkan machine learning untuk dengan cepat mengidentifikasi, mendeteksi, dan memblokir permintaan IP yang tidak diinginkan guna memastikan media klien kami tetap aman dan terlindungi sepanjang waktu. Mulai menggunakan Amazon SageMaker, memeliharanya seiring waktu, menskalakannya di seluruh platform, dan menyesuaikannya dengan alur kerja spesifik sejauh ini mudah dilakukan dan sederhana. Selain itu, dengan bantuan notebook Jupyter di SageMaker, kami dapat bereksperimen dengan berbagai model untuk meningkatkan presisi dan menarik produk dengan cara yang menjadikan Frame.io jauh lebih aman.”

Abhinav Srivastava, VP dan Head of Information Security - Frame.io

Cookpad

Cookpad

Cookpad adalah layanan berbagi resep terbesar di Jepang, dengan sekitar 60 juta pengguna aktif setiap bulan di Jepang dan sekitar 90 juta pengguna aktif setiap bulan di seluruh dunia.

“Dengan meningkatnya permintaan untuk penggunaan layanan resep Cookpad yang lebih mudah, para ilmuwan data kami akan membangun lebih banyak model machine learning demi mengoptimalkan pengalaman pengguna. Mencoba meminimalkan jumlah pengulangan tugas pelatihan demi performa terbaik, kami menyadari tantangan besar dalam penerapan titik akhir inferensi ML, yang selama ini memperlambat proses pengembangan. Untuk mengotomatiskan penerapan model ML sehingga ilmuwan data dapat menerapkan model sendiri, kami menggunakan API inferensi Amazon SageMaker dan membuktikan bahwa Amazon SageMaker akan menghilangkan kebutuhan teknisi aplikasi untuk menerapkan model ML. Kami mengantisipasi mengotomatiskan proses ini dengan Amazon SageMaker dalam produksi.” 

Yoichiro Someya, Research Engineer - Cookpad

Fabulyst

Fabulyst

Fabulyst adalah perusahaan startup yang berpusat di India dan berfokus pada perdagangan fesyen yang memungkinkan pengalaman yang lebih positif dan lebih dipersonalisasi bagi pembeli dan konversi yang lebih baik bagi peritel melalui AI.

“Fabulyst memudahkan pembeli menemukan pembelian yang sempurna dengan mencocokkan item dalam inventaris dengan kueri khusus pengguna yang dipersonalisasi (misalnya, menyesuaikan dengan tipe tubuh atau warna kulit mereka). Pada saat bersamaan, kami membantu pengecer mendapatkan konversi yang lebih efektif dengan menggunakan penglihatan komputer untuk memprakirakan tren bulanan berdasarkan data dari media sosial, pencarian, blog, dan lain-lain, serta penandaan otomatis pada tren tersebut dalam katalog pelanggan pengecer kami. Fabulyst menggunakan AWS untuk menghadirkan solusi terbaik di kelasnya, termasuk Amazon SageMaker untuk menangani banyak prediksi yang mendukung penawaran kami. Mengandalkan SageMaker dan layanan AWS lainnya, kami mampu menjamin nilai bagi pelanggan kami – seperti kenaikan 10% dalam pendapatan tambahan bagi peritel – dan keyakinan dalam kemampuan kami menghadirkan hasil yang luar biasa setiap saat.”

Komal Prajapati, Founder & CEO - Fabulyst

Terragon Group

Terragon Group

Terragon Group adalah bisnis teknologi data dan pemasaran yang membuka nilai untuk banyak bisnis menggunakan wawasan untuk menjangkau audiensi seluler di Afrika. Selama bertahun-tahun, Terragon Group telah menjadi pemimpin dalam ruang seluler yang melayani merek lokal dan multinasional, menjangkau beberapa geografi. Menyampaikan pesan iklan yang tepat kepada pengguna yang tepat di saat yang tepat memerlukan personalisasi dan Terragon menggunakan data, wawasan, serta kecerdasan buatan untuk membantu bisnis menjangkau audiensi yang tepat di Afrika.

“Amazon SageMaker memberi kami alur kerja machine learning menyeluruh tanpa membutuhkan pemasangan infrastruktur utama. Ilmu data dan tim machine learning kami dapat dengan cepat beralih dari eksplorasi data ke pelatihan model dan produksi hanya dalam waktu beberapa jam. Untuk bisnis yang berbasis di Afrika dengan bakat teknik yang langka, tidak ada cara lain bagi kami untuk dapat membangun dan melakukan deployment pada model ML yang memecahkan masalah kurang dari 90 hari.”

Deji Balogun, CTO - Terragon Group

SmartNews

SmartNews

SmartNews adalah aplikasi berita terbesar di Jepang yang menghadirkan informasi berkualitas kepada lebih dari 11 juta pengguna aktif setiap bulannya di dunia. Dengan teknologi machine learning, SmartNews membantu pengguna mendapatkan berita-berita paling relevan dan paling menarik. Algoritme machine learning di SmartNews mengevaluasi jutaan artikel, sinyal sosial, dan interaksi manusia untuk menghadirkan 0,01% berita terpopuler, yang paling penting, saat ini juga.

"Misi kami untuk menemukan dan menghadirkan kisah-kisah berkualitas kepada dunia didukung oleh AWS, dan terutama oleh Amazon SageMaker, yang telah membantu kami mempercepat siklus pengembangan untuk melayani pelanggan kami. Menggunakan Amazon SageMaker sangat membantu kami dalam metode kurasi berita, termasuk klasifikasi artikel menggunakan deep learning, memprediksi Life Time Value, dan menyusun pemodelan untuk teks dan gambar. Kami menantikan pencapaian target yang lebih tinggi dengan Amazon SageMaker dan solusi AI lainnya dari AWS.”

Kaisei Hamamoto, Rekan Pendiri dan Rekan CEO - SmartNews, Inc.

Pioneer

Pioneer

Pioneer adalah perusahaan multinasional yang mengkhususkan diri dalam hiburan digital, termasuk elektronik mobil dan layanan mobilitas. Pioneer digerakkan oleh filosofi perusahaannya "Gerakkan Hati dan Sentuh Jiwa", serta menyediakan produk dan layanan untuk pelanggannya yang dapat membantu keseharian mereka.

“Dengan memanfaatkan Amazon SageMaker dan fitur pelatihan model seperti Penyetelan Model Otomatis, kami dapat mengembangkan model machine learning yang sangat akurat, dan terus memastikan privasi pelanggan kami terjaga. Kami juga menantikan untuk memanfaatkan AWS Marketplace untuk machine learning untuk model algoritme dan model yang dilatih sebelumnya, guna membangun platform monetisasi."

Kazuhiro Miyamoto, Manajer Umum Departemen Teknik Layanan Informasi - Pioneer

dely

Dely

Dely menjalankan layanan video memasak terbaik di Jepang, Kurashiru. Setiap harinya, Kurashiru berupaya menyajikan layanan kuliner yang berdampak pada dunia. Kurashiru membantu banyak orang per hari dengan memperkenalkan berbagai resep makanan lezat yang mewarnai meja makan dengan video memasak. Puluhan juta orang menonton dan mendengarkan layanan resep bulanan ini di Jepang.

“Kami melampaui 15 juta unduhan aplikasi seluler dalam waktu 2,5 tahun sejak meluncurkan layanan Kurashiru yang populer. Kami yakin bahwa konten yang tepat harus dihadirkan kepada pengguna di saat yang tepat menggunakan teknologi lanjutan seperti machine learning. Untuk mencapainya, kami menggunakan Amazon SageMaker yang membantu kami membangun dan melakukan deployment pada model machine learning di produksi dalam 90 hari. Kami juga menaikkan nilai tingkat klik sebesar 15% dengan personalisasi konten”.

Masato Otake, CTO - Dely, Inc.

Ayla Networks

Ayla Networks

Ayla Networks adalah perusahaan perangkat lunak platform-as-a-service IoT yang berbasis di San Fransisco dan mengembangkan solusi untuk pasar konsumen dan komersial.

“Di Ayla Networks, kami menemukan bahwa pelanggan kami utamanya menjalankan infrastruktur AWS karena skalabilitas dan keandalannya yang telah terbukti. Secara khusus, kami melihat bahwa produsen komersial menggunakan Amazon SageMaker untuk memanfaatkan data performa peralatan dari Ayla Cloud. Dengan Amazon SageMaker dan produk Ayla IQ kami, bisnis dapat membuka wawasan dan anomali yang menghasilkan produk dan kualitas layanan yang lebih baik, bahkan sejauh ini hingga memprediksi kegagalan mesin dan memperbaikinya sebelum terjadi. Solusi ini memastikan pelanggan tetap dapat menjalankan operasional dengan mulus agar bisnis mereka terus dapat berkembang, memproduksi, dan menskalakan tanpa rasa khawatir.”

Prashanth Shetty, VP Global Marketing - Ayla Networks

FreakOut

FreakOut

FreakOut adalah perusahaan teknologi terkemuka yang berfokus pada periklanan digital. Perusahaan ini menawarkan berbagai produk untuk transaksi inventaris real-time dalam periklanan internet serta analisis data untuk penjelajahan web. FreakOut memanfaatkan machine learning untuk prediksi tingkat klik (CTR) dan tingkat konversi (CVR).

“Kami sedang dalam proses memigrasikan lingkungan pelatihan machine learning kami dari on-premise ke Amazon SageMaker. Amazon SageMaker menawarkan solusi yang lebih dapat diskalakan bagi bisnis kami. Dengan fitur Penyetelan Model Otomatis dari Amazon SageMaker, kami dapat mengoptimalkan dan memperkirakan model yang sangat akurat untuk persyaratan kami."

Jiro Nishiguchi, CTO - FreakOut

Wag!

Wag!

"Di Wag!, kami harus memenuhi kebutuhan penawaran dan permintaan di marketplace dua sisi. Kami melihat peluang untuk menggunakan machine learning — yang didukung oleh AWS — untuk memprediksi permintaan membawa anjing berjalan-jalan dari pelanggan kami. Dengan menstandarkan aplikasi machine learning kami di AWS, kami mampu memenuhi kebutuhan bisnis kami yang terus berkembang dengan mengulang dengan kecepatan dan skala yang jauh ditingkatkan, terlepas dari sumber daya teknis yang terbatas. Menggunakan Amazon SageMaker, kami dapat mempercepat eksperimentasi machine learning, mengompres 45 hari waktu komputasional untuk melatih model menjadi 3 hari.”

Dave Bullock, VP of Technology of Engineering and Operations - Wag Labs Inc.

Print

Infoblox

Infoblox adalah pemimpin dalam layanan jaringan cloud terkelola yang aman, didesain untuk mengelola dan mengamankan inti jaringan, yang disebut DNS, DHCP, dan manajemen alamat IP (bersama-sama disebut DDI).

"Di Infoblox, kami membangun layanan analitik keamanan DNS dengan Amazon SageMaker yang mendeteksi aktor berbahaya yang membuat homograf untuk meniru target nama domain dengan nilai tinggi dan menggunakannya untuk menjatuhkan malware, melakukan phishing pada informasi pengguna, dan menyerang reputasi merek. AWS adalah standar korporasi untuk cloud, dan kami dapat memanfaatkan beberapa fitur yang ditawarkan oleh SageMaker untuk mempercepat pengembangan model ML. Menggunakan kemampuan Penyetelan Model Otomatis SageMaker, kami menskalakan eksperimentasi dan meningkatkan akurasi kami hingga 96,9%. Berkat SageMaker, detektor homograf IDN, bagian dari layanan analitik keamanan kami, telah mengidentifikasi lebih dari 60 juta resolusi domain homograf, dan terus menemukan jutaan lainnya setiap bulan, yang membantu pelanggan kami mendeteksi penyalahgunaan merek lebih cepat."

Femi Olumofin, Analytics Architect - Infoblox

NerdWallet

NerdWallet

NerdWallet, perusahaan keuangan pribadi yang berbasis di San Francisco, menyediakan ulasan dan perbandingan produk keuangan, yang meliputi kartu kredit, perbankan, investasi, pinjaman, dan asuransi.

"NerdWallet mengandalkan ilmu data dan ML untuk menghubungkan pelanggan dengan produk keuangan yang dipersonalisasi. Kami memilih untuk menstandarkan beban kerja ML kami di AWS karena memungkinkan kami memodernkan praktik rekayasa ilmu data kami dengan cepat, menghilangkan hambatan, dan mempercepat waktu pengiriman. Dengan Amazon SageMaker, ilmuwan data kami dapat menghabiskan waktu lebih lama pada sasaran strategis dan memfokuskan lebih banyak energi pada keunggulan kompetitif kami—wawasan kami mengenai masalah yang sedang coba kami pecahkan untuk pengguna.”

Ryan Kirkman, Senior Engineering Manager - NerdWallet

Splice

Splice

Splice adalah platform kreatif untuk musisi, dibangun oleh musisi, untuk memberdayakan seniman dalam membebaskan potensi kreatif mereka yang sesungguhnya. Perusahaan startup pembuatan musik berbasis langganan ini didirikan pada 2013 dan kita melayani lebih dari 3 juta musisi yang menjelajahi katalog dalam pencarian suara yang sempurna.

Seiring pertumbuhan katalog suara dan prasetel kami, tantangan menemukan suara yang tepat pun makin besar. Itulah mengapa Splice berinvestasi dalam membangun kemampuan pencarian dan penemuan terbaik di kelasnya. Dengan menstandarkan beban kerja ML kami di AWS, kami membuat penawaran yang lebih baru dan beriorientasi pada pengguna, dengan tujuan untuk makin memudahkan musisi terhubung dengan suara yang mereka cari. Sejak Similar Sounds diluncurkan, kami telah melihat peningkatan hampir 10 persen dalam konversi pencarian. Dengan memanfaatkan Amazon SageMaker, kami membuat pelengkap yang sempurna untuk pencarian berbasis teks - memungkinkan pengguna kami menemukan dan menavigasi katalog dengan cara yang tidak mungkin dilakukan sebelumnya.”

Alejandro Koretzky, Kepala Machine Learning & Teknisi Entitas Utama - Splice

Audeosoft

Audeosoft

"Sebelum memulai perjalanan machine learning, kami hanya memiliki kemampuan untuk mencari teks daftar riwayat hidup (CV), tetapi kami memiliki kekurangan untuk mengenali karakter optik sehingga tidak semua CV dapat dicari. Dengan Amazon Textract, kami kini dapat mengekstraksi konten dalam semua jenis dokumen dan memiliki kompetensi untuk mengindeks semua file yang diunggah dalam klaster Elasticsearch. Sekarang setiap dokumen yang diunggah dapat dicari menggunakan Elasticsearch, memberi kecepatan pencarian 10 kali lebih cepat dibandingkan pencarian SQL awal. Selain itu, kami mengimplementasikan pemvektoran kata menggunakan Amazon SageMaker untuk menambahkan kata kunci yang berkaitan ke kueri pencarian. Dengan proses ini kami dapat secara akurat mengklasifikasikan dan mengualifikasikan kandidat dan membantu kami menghilangkan kesalahan yang disebabkan penempatan kata sinonim atau alternatif yang digunakan dalam CV. Dengan menggunakan Amazon SageMaker dan Amazon Textract, kami dapat mengirimkan kandidat yang lebih cerdas dan memiliki kualitas lebih baik kepada perekrut. Performa yang stabil, ketersediaan di seluruh dunia, dan keandalan menjadi faktor sukses utama untuk Audeosoft. Saat mengambil keputusan hampir 8 tahun lalu untuk bermitra dengan AWS, kami tahu mereka akan jadi mitra yang sangat hebat untuk masa depan. Dengan memilih AWS sebagai penyedia cloud pilihan, kami memiliki partner yang memiliki motivasi dan keinginan yang sama untuk menciptakan inovasi seperti yang kami lakukan dalam bertahun-tahun ke depan.”

Marcel Schmidt, CTO - Audeosoft

Freshworks

Freshworks

Freshworks adalah katering unicorn B2B SaaS yang berbasis di AS/India dan melayani bisnis ukuran kecil dan menengah (UKM) serta bisnis pasar menengah di seluruh dunia. Freshworks menawarkan portofolio aplikasi yang mudah digunakan tetapi sangat andal untuk alur kerja keterlibatan pelanggan dan keterlibatan karyawan.

"Di Freshworks, kami membangun penawaran AI/ML andalan kami, Keterampilan AI Freddy, dengan model hiperpersonal yang membantu agen menangani kueri pengguna dan menyelesaikan tiket dukungan dengan sukses, tim penjualan dan pemasaran memprioritaskan peluang dan menyelesaikan kesepakatan dengan cepat, dan manajer kesuksesan pelanggan mengurangi risiko gejolak dan mengembangkan bisnis. Kami memilih untuk menstandarkan beban kerja ML kami di AWS karena kami dapat dengan mudah membangun, melatih, dan menerapkan model machine learning yang dioptimalkan untuk kasus penggunaan pelanggan kami. Berkat Amazon SageMaker, kami telah membangun lebih dari 30.000 model untuk 11.000 pelanggan sekaligus mengurangi waktu latihan untuk model ini dari 24 jam menjadi kurang dari 33 menit. Dengan SageMaker Model Monitor, kami dapat melacak pergeseran data dan melatih ulang model untuk memastikan akurasi. Didukung oleh Amazon SageMaker, Keterampilan AI Freddy terus berevolusi dengan tindakan cerdas, wawasan data mendalam, dan percakapan yang didorong oleh tujuan."

Tejas Bhandarkar, Direktur Senior Produk - Platform Freshworks

Veolia

Veolia

Veolia Water Technologies adalah perusahaan desain berpengalaman dan penyedia solusi dan layanan teknologi khusus dalam penanganan air dan limbah air.

"Dalam delapan minggu yang singkat, kami bekerja sama dengan AWS untuk mengembangkan prototipe yang mengantisipasi kapan harus membersihkan atau mengganti membran pemfilteran air di pabrik desalinasi kami. Dengan menggunakan Amazon SageMaker, kami membangun model ML yang mempelajari pola sebelumnya dan memprediksi evolusi indikator yang merusak di masa mendatang. Dengan menstandarkan beban kerja ML kami di AWS, kami mampu mengurangi biaya dan mencegah waktu henti saat meningkatkan kualitas air yang dihasilkan. Hasil ini tidak dapat diwujudkan tanpa pengalaman teknis, kepercayaan, dan dedikasi kedua tim dalam mencapai satu sasaran: pasokan air yang bersih, aman, dan tanpa gangguan."

Aude GIARD, Chief Digital Officer - Veolia Water Technologies

Sportradar

Sportradar

Sportradar, sebuah penyedia data olah raga terkemuka, menghadirkan data olah raga waktu nyata ke lebih dari 65 liga di seluruh dunia. Dalam upaya untuk menghasilkan wawasan yang mutakhir, perusahaan ini bekerja sama dengan Amazon ML Solutions Lab untuk mengembangkan pembuat prediksi gol sepak bola.

“Dengan penuh pertimbangan, kami melemparkan salah satu kemungkinan masalah penglihatan komputer terbesar di Amazon ML Solutions Lab untuk menguji kemampuan AWS Machine Learning, dan saya sangat kagum dengan hasilnya. Tim ini membangun model ML untuk memprediksi gol sepak bola 2 detik sebelum pertandingan yang sedang berlangsung menggunakan Amazon SageMaker. Model ini saja telah membuka pintu menuju banyak peluang bisnis baru untuk kami. Kami menantikan menstandarkan beban kerja ML kami di AWS karena kami dapat membangun, melatih, dan menerapkan model yang mendorong inovasi dalam bisnis kami dan memenuhi persyaratan biaya dan latensi.”  

Ben Burdsall, CTO - Sportradar

Roche

Roche

F. Hoffmann-La Roche AG (Roche) adalah perusahaan ilmu hayati multinasional dari Swiss yang mengkhususkan diri di bidang farmasi dan diagnostik.

“Saya ingin mendorong tim saya untuk mengatur alur kerja ML kami di cloud, sehingga kami bekerja sama dengan Machine Learning Solutions Lab untuk menghasilkan lokakarya Amazon SageMaker, yang menunjukkan cara SageMaker menyederhanakan proses produksi ML untuk para ilmuwan data. Sejak lokakarya, 80% beban kerja ML kami berjalan di AWS yang membantu tim kami mewujudkan model ML untuk berproduksi tiga kali lebih cepat. SageMaker dan tumpukan AWS memberdayakan kami agar menggunakan sumber daya komputasi untuk melatih sesuai permintaan tanpa dibatasi ketersediaan on-premise.”  

Gloria Macia, Ilmuwan Data - Roche

Guru_Logos

Guru

“Di Guru, kami percaya bahwa pengetahuan yang Anda butuhkan untuk melakukan tugas seharusnya menemukan Anda. Kami adalah solusi manajemen pengetahuan yang menangkap informasi paling berharga tim Anda dan mengaturnya ke dalam satu sumber fakta. Kami memanfaatkan AI untuk menyarankan pengetahuan kepada Anda secara waktu nyata di tempat Anda bekerja, memastikan pengetahuan tersebut selalu terverifikasi, dan membantu Anda mengelola seluruh basis pengetahuan Anda dengan lebih baik. Tim ilmu data produk kami yang terus berkembang menghadapi semua tantangan yang dihadapi tim ML dewasa ini — membangun, melatih, dan melakukan deployment pada sistem ML dalam skala besar — dan kami juga mengandalkan Amazon SageMaker sebagai sarana mengatasi beberapa tantangan tersebut. Saat ini kami memanfaatkan Inferensi SageMaker untuk melakukan deployment pada model ML ke produksi dengan lebih cepat, mereka membantu mencapai sasaran nomor satu kami — memberi nilai untuk pelanggan kami.”  

Nabin Mulepati, Staf Teknisi ML - Guru

Operasional Amazon

Operasional Amazon

Sebagai bagian dari komitmen Amazon terhadap keselamatan rekannya selama pandemi COVID-19, tim Operasional Amazon telah melakukan deployment pada solusi ML untuk membantu memastikan protokol pembatasan sosial terus dijalankan dalam lebih dari 1.000 pembangunan operasional di seluruh dunia. Operasional Amazon bekerja sama dengan Amazon Machine Learning Solutions Lab untuk membuat model penglihatan komputer canggih untuk estimasi jarak menggunakan Amazon SageMaker.

“Dengan menstandarkan beban kerja ML kami di AWS dan bekerja dengan para ahli di ML Solutions Lab, kami membuat set model inovatif yang kami perkirakan dapat menghemat hingga 30% dari upaya ulasan manual kami. Menggunakan Amazon SageMaker memberdayakan kami untuk menghabiskan lebih banyak waktu berfokus pada keselamatan dan meningkatkan akurasi dengan mengurangi kebutuhan akan ratusan jam ulasan manual per hari.”

Russell Williams, Director, Software Development - Amazon OpsTech IT

Freddy's

Freddy’s Frozen Custard & Steakburgers

Freddy’s Frozen Custard & Steakburgers adalah restoran cepat saji yang menawarkan kombinasi unik steakburger yang dimasak setelah dipesan, hot dog Vienna Beef, kentang goreng shoestring, dan menu gurih lainnya, serta hidangan kustar beku yang baru dikocok. Didirikan pada tahun 2002 dan berkembang menjadi waralaba pada tahun 2004, Freddy’s kini memiliki hampir 400 restoran di 32 negara bagian.

“Sebelumnya, kami hanya memilih dua restoran yang tampak serupa, tetapi kini kami benar-benar memahami hubungan antara item menu, pelanggan, dan lokasi kami. Amazon SageMaker Autopilot, yang mendukung kemampuan ML baru Domo, telah menjadi faktor pendorong luar biasa bagi tim pemasaran dan pembelian kami untuk mencoba banyak ide baru dan meningkatkan pengalaman pelanggan kami.”

Sean Thompson, Direktur IT (IT Director) – Freddy’s

Freddy's

Vanguard

“Kami senang bahwa ilmuwan data dan teknisi data Vanguard sekarang bisa berkolaborasi dalam satu notebook untuk analitik dan machine learning. Kini Amazon SageMaker Studio memiliki integrasi bawaan dengan Spark, Hive, dan Presto yang semuanya berjalan di Amazon EMR sehingga tim pengembangan kami bisa menjadi lebih produktif. Lingkungan pengembangan tunggal ini akan memungkinkan tim kami untuk fokus membangun, melatih, dan melakukan deployment model machine learning.”

Doug Stewart, Senior Director of Data dan Analytics – Vanguard

Freddy's

Provectus

“Kami telah menantikan fitur untuk membuat dan mengelola klaster Amazon EMR langsung dari Amazon SageMaker Studio sehingga pelanggan kami dapat menjalankan alur kerja Spark, Hive, dan Presto langsung dari notebook Amazon SageMaker Studio. Kami sangat senang bahwa Amazon SageMaker sekarang telah membangun kemampuan ini secara native untuk menyederhanakan pengelolaan tugas Spark dan machine learning. Ini akan membantu teknisi data dan ilmuwan data pelanggan kami berkolaborasi secara lebih efektif untuk melakukan analisis data interaktif, dan mengembangkan pipeline machine learning dengan transformasi data berbasis EMR. “

Stepan Pushkarev, CEO – Provectus

Freddy's

Climate

“Di Climate, kami yakin dapat memberikan informasi yang akurat kepada para petani di dunia untuk membuat keputusan berdasarkan data dan memaksimalkan keuntungan dari setiap hektar. Untuk mencapai hal ini, kami telah berinvestasi dalam teknologi, misalnya alat machine learning untuk membangun model menggunakan entitas terukur yang dikenal sebagai fitur, seperti hasil untuk ladang petani. Dengan Amazon SageMaker Feature Store, kami dapat mempercepat pengembangan model ML dengan tempat penyimpanan fitur pusat untuk mengakses dan menggunakan kembali fitur di beberapa tim dengan mudah. SageMaker Feature Store memudahkan untuk mengakses fitur secara waktu nyata menggunakan toko online atau menjalankan fitur sesuai jadwal menggunakan toko offline untuk kasus penggunaan yang berbeda. Dengan SageMaker Feature Store, kami dapat mengembangkan model ML dengan lebih cepat.”


Atul Kamboj, Senior Data Scientist - iCare, NSW Government Insurance and Care agency, AustraliaDaniel McCaffrey, Vice President, Data and Analytics, Climate

Featured customers - 26

Experian

“Di Experian, kami percaya tanggung jawab kami adalah memberdayakan konsumen agar memahami dan menggunakan kredit dalam kehidupan finansial mereka, dan membantu pemberi pinjaman dalam mengelola risiko kredit. Saat kami terus menerapkan praktik terbaik untuk membangun model keuangan kami, kami mencari solusi yang mempercepat produksi produk yang memanfaatkan machine learning. Amazon SageMaker Feature Store memberi kami cara aman untuk menyimpan dan menggunakan kembali fitur untuk aplikasi ML kami. Kemampuan untuk menjaga konsistensi dalam aplikasi waktu nyata dan batch di beberapa akun adalah persyaratan utama untuk bisnis kami. Menggunakan kemampuan baru Amazon SageMaker Feature Store memungkinkan kami memberdayakan pelanggan kami untuk mengendalikan kredit mereka dan mengurangi biaya dalam ekonomi baru.”

Geoff Dzhafarov, Chief Enterprise Architect, Experian Consumer Services

Freddy's

Dena

“Di DeNA, misi kami adalah memberikan pengaruh dan kesenangan dalam menggunakan internet dan AI/ML. Tujuan utama kami adalah memberikan layanan berbasis nilai dan kami ingin memastikan bahwa bisnis sudah siap untuk mencapai tujuan tersebut. Kami ingin menemukan dan menggunakan kembali fitur di seluruh organisasi dan Amazon SageMaker Feature Store dapat membantu kami dengan cara yang mudah dan efisien untuk menggunakan kembali fitur-fitur untuk aplikasi yang berbeda. Amazon SageMaker Feature Store juga membantu kami mempertahankan definisi fitur standar dan membantu kami dengan metodologi yang konsisten saat kami melatih model dan melakukan deployment model tersebut ke tahap produksi. Dengan kemampuan baru Amazon SageMaker ini, kami dapat melatih dan melakukan deployment model ML lebih cepat, membuat kami tetap berada pada jalur untuk memuaskan pelanggan kami dengan layanan terbaik.”

Kenshin Yamada, General Manager/AI System Dept System Unit, DeNA

Freddy's

United Airlines

“Di United Airlines, kami menggunakan machine learning (ML) untuk meningkatkan pengalaman pelanggan dengan menyediakan penawaran khusus sehingga memungkinkan pelanggan siap menggunakan Travel Readiness Center. Penggunaan ML kami juga meluas sampai ke operasi bandara, perencanaan jaringan, dan penjadwalan penerbangan. Pascapandemi, Amazon SageMaker berperan penting dalam Travel Readiness Center, sehingga memungkinkan kami menangani sertifikat pengujian COVID dan kartu vaksin dalam volume besar, dengan otomatisasi model berbasis dokumen. Dengan kemampuan tata kelola baru dari Amazon SageMaker, kami telah meningkatkan kontrol dan visibilitas di seluruh model machine learning kami. SageMaker Role Manager menyederhanakan proses pengaturan pengguna secara dramatis dengan memberikan izin dasar dan aktivitas ML untuk setiap persona yang tertaut ke IAM role. Dengan SageMaker Model Cards, tim kami dapat secara proaktif menangkap dan berbagi informasi model untuk peninjauan. Dengan SageMaker Model Dashboard, kami mampu mencari dan melihat model yang telah dilakukan deployment di MARS, platform ML internal kami. Dengan semua kemampuan tata kelola baru ini, kami menghemat banyak waktu dan mampu menaikkan skala.”

Ashok Srinivas, Director of ML Engineering and Ops, United Airlines

Freddy's

Capitec

“Di Capitec, kami memiliki beragam ilmuwan data di seluruh lini produk kami, yang membangun berbagai solusi ML yang berbeda. Para perekayasa ML kami mengelola platform pemodelan terpusat yang dibangun di Amazon SageMaker untuk memberdayakan pengembangan dan deployment seluruh solusi ML ini. Tanpa adanya alat bawaan, melacak upaya pemodelan akan cenderung mengarah pada dokumentasi yang terputus-putus dan kurangnya visibilitas model. Dengan menggunakan SageMaker Model Cards, kami dapat melacak beberapa metadata model dalam lingkungan terpadu, dan SageMaker Model Dashboard memberi kami visibilitas terhadap performa tiap-tiap model. Selain itu, SageMaker Role Manager menyederhanakan proses pengelolaan akses bagi ilmuwan data di berbagai lini produk kami. Masing-masing berkontribusi atas terciptanya tata kelola model yang memadai guna menjamin bahwa para klien akan menjadikan kami sebagai penyedia jasa keuangan.”

Dean Matter, ML Engineer, Capitec Bank

Freddy's

Lenovo

Lenovo™, produsen PC nomor 1 di dunia, baru-baru ini memasukkan Amazon SageMaker ke dalam penawaran pemeliharaan prediktif terbarunya.  Ashok Srinivas, Director of ML Engineering and Ops, United Airlines.

“SageMaker Edge Manager baru akan membantu menghilangkan upaya manual yang diperlukan untuk mengoptimalkan, memantau, dan terus meningkatkan model setelah deployment. Dengan cara tersebut, kami berharap model kami akan berjalan lebih cepat dan menggunakan lebih sedikit memori dibandingkan dengan platform machine learning lainnya yang sebanding. SageMaker Edge Manager memungkinkan kami untuk secara otomatis mengambil sampel data di edge, mengirimkannya dengan aman ke cloud, dan memantau kualitas setiap model pada setiap perangkat secara berkelanjutan setelah deployment. Hal ini memungkinkan kami untuk memantau, meningkatkan, dan memperbarui model dari jarak jauh pada perangkat edge kami di seluruh dunia dan pada saat yang bersamaan menghemat waktu dan biaya kami serta waktu dan biaya pelanggan."

Igor Bergman, Lenovo Vice President, Cloud & Software of PCs and Smart Devices.

Freddy's

Basler AG

Basler AG adalah produsen terkemuka kamera digital dan aksesori berkualitas tinggi untuk industri, kedokteran, transportasi dan berbagai pasar lainnya.

“Basler AG memberikan solusi penglihatan komputer cerdas di berbagai industri, termasuk aplikasi manufaktur, medis, dan retail. Kami sangat antusias untuk memperluas penawaran perangkat lunak kami dengan fitur-fitur baru yang dimungkinkan oleh Amazon SageMaker Edge Manager. Untuk memastikan solusi machine learning kami memiliki performa tinggi dan dapat diandalkan, kami memerlukan alat MLOps edge ke cloud yang dapat diskalakan yang memungkinkan kami untuk terus memantau, memelihara, dan meningkatkan model machine learning pada perangkat edge. SageMaker Edge Manager memungkinkan kami untuk secara otomatis mengambil sampel data di edge, mengirimkannya dengan aman ke cloud, dan memantau kualitas setiap model pada setiap perangkat secara berkelanjutan setelah deployment. Hal ini memungkinkan kami untuk memantau, meningkatkan, dan memperbarui model dari jarak jauh pada perangkat edge kami di seluruh dunia dan pada saat yang bersamaan menghemat waktu dan biaya kami serta waktu dan biaya pelanggan."

Mark Hebbel, Head of Software Solutions di Basler.

NWG_LOGO_HZ_POS_RGB_forpsd

NatWest Group

NatWest Group, sebuah lembaga jasa keuangan besar, menstandarkan pengembangan model ML dan proses deployment mereka di seluruh organisasi sehingga mengurangi siklus penyelesaian dalam pembuatan lingkungan ML yang baru dari 40 hari menjadi 2 hari, serta mempercepat waktu untuk menilai kasus penggunaan ML dari 40 minggu menjadi 16 minggu.

Freddy's

AstraZeneca

“Daripada harus membuat banyak proses manual, kami dapat mengotomatiskan sebagian besar proses pengembangan machine learning hanya dengan Amazon SageMaker Studio." 

Cherry Cabading, Global Senior Enterprise Architect – AstraZeneca

Freddy's

Janssen

Janssen menggunakan layanan AWS, termasuk Amazon SageMaker untuk mengimplementasikan proses MLOps otomatis yang dapat meningkatkan akurasi prediksi model hingga 21 persen dan meningkatkan kecepatan rekayasa fitur hingga sekitar 700 persen, yang membantu Janssen untuk mengurangi biaya sekaligus meningkatkan efisiensi.
Freddy's

Qualtrics

“Amazon SageMaker meningkatkan efisiensi tim MLOps kami dengan menyediakan alat yang diperlukan untuk menguji dan melakukan deployment model machine learning dalam skala besar.”

Samir Joshi, ML Engineer – Qualtrics

Freddy's

Deloitte

“Amazon SageMaker Data Wrangler membuat kami dapat memulai dengan cepat dalam memenuhi kebutuhan penyiapan data dengan beraneka ragam koleksi alat transformasi yang mempercepat proses penyiapan data ML yang diperlukan untuk menghadirkan produk baru ke pasar. Selanjutnya, klien kami mendapatkan manfaat dari tingkat penskalaan model yang dilakukan deployment sehingga kami dapat memberikan hasil yang terukur dan berkelanjutan yang akan memenuhi kebutuhan klien kami dalam hitungan hari, bukan bulan.”

Frank Farrall, Principal, AI Ecosystems and Platforms Leader, Deloitte

Freddy's

NRI

“Sebagai Partner Konsultasi Premier AWS, tim rekayasa kami bekerja sama dengan AWS untuk membangun solusi inovatif guna membantu pelanggan kami agar dapat terus meningkatkan efisiensi operasi mereka. ML adalah inti dari solusi inovatif kami, tetapi alur kerja penyiapan data kami memerlukan teknik penyiapan data canggih yang, oleh karenanya, memerlukan banyak waktu agar dapat dioperasionalkan dalam lingkungan produksi. Dengan Amazon SageMaker Data Wrangler, ilmuwan data kami dapat menyelesaikan setiap langkah alur kerja penyiapan data, termasuk pemilihan, pembersihan, eksplorasi, dan visualisasi data, yang membantu kami mempercepat proses penyiapan data serta menyiapkan data dengan mudah untuk ML. Dengan Amazon SageMaker Data Wrangler, kami dapat menyiapkan data untuk ML secara lebih cepat.”

Shigekazu Ohmoto, Senior Corporate Managing Director, NRI Japan

Freddy's

Equilibrium

“Karena jejak kami di pasar manajemen kesehatan populasi terus meluas ke lebih banyak pembayar layanan kesehatan, penyedia, pengelola manfaat farmasi, dan organisasi kesehatan lainnya, kami membutuhkan sebuah solusi untuk mengotomatiskan proses secara menyeluruh untuk sumber data yang digunakan oleh model ML kami, termasuk data klaim, data pendaftaran, dan data farmasi. Dengan Amazon SageMaker Data Wrangler, kami sekarang dapat mempercepat waktu yang diperlukan untuk mengagregasikan serta menyiapkan data untuk ML menggunakan set alur kerja yang lebih mudah untuk divalidasi dan digunakan kembali. Hal ini secara signifikan mempercepat waktu pengiriman dan kualitas model sehingga meningkatkan efektivitas ilmuwan data kami, dan mengurangi waktu penyiapan data hingga hampir 50%. Selain itu, SageMaker Data Wrangler telah membantu kami menghemat banyak iterasi ML dan waktu GPU secara signifikan sehingga dapat mempercepat seluruh proses ujung ke ujung untuk klien karena kami sekarang dapat membangun data mart dengan ribuan fitur termasuk farmasi, kode diagnosis, kunjungan UGD, rawat inap, serta determinan demografis dan determinan sosial lainnya. Dengan SageMaker Data Wrangler, kami dapat mentransformasikan data dengan efisiensi tinggi untuk membangun set data pelatihan, menghasilkan wawasan data pada set data sebelum menjalankan model ML, dan menyiapkan data dunia nyata untuk inferensi/prediksi dalam skala besar.”

Lucas Merrow, CEO, Equilibrium Point IoT

Freddy's

icare Insurance and Care NSW

iCare adalah lembaga Pemerintah NSW yang menyediakan asuransi kompensasi pekerja kepada lebih dari 329.000 pemberi kerja sektor publik dan privat di NSW, Australia, dan 3,2 juta karyawan mereka. Selain itu, iCare mengasuransikan pembangun dan pemilik rumah, memberikan pengobatan dan perawatan kepada orang-orang yang terluka parah di jalanan NSW; dan melindungi lebih dari 266,6 miliar USD aset Pemerintah NSW, termasuk Sydney Opera House, Sydney Harbour Bridge, sekolah, dan rumah sakit.

“Di Insurance and care (iCare) NSW, visi kami adalah mengubah pendapat orang-orang tentang asuransi dan perawatan. Amazon SageMaker membantu iCare untuk dapat membangun dan melatih model deep learning dalam identifikasi awal pasien alergi debu kronis. Identifikasi awal ini dapat mencegah kondisi yang mengancam nyawa. Berdasarkan penelitian sebelumnya, tanda-tanda silikosis terlewatkan atau tidak dapat dideteksi pada 39% pasien. Diagnosis dengan bantuan AI telah memungkinkan para dokter untuk mengidentifikasi 80% kasus dengan benar dibandingkan dengan 71% diagnosis tanpa bantuan AI. Setelah mengimplementasikan proyek ini, kami menyediakan sumber daya Amazon SageMaker untuk mengembangkan solusi dan proses dalam proyek lain karena telah terbukti lebih cepat dan lebih mudah dari sebelumnya. Selain itu, kami dapat dengan mudah menskalakan upaya kami untuk memberikan perawatan kepada orang-orang di NSW.”

Atul Kamboj, Senior Data Scientist - iCare, NSW Government Insurance and Care agency, Australia