AWS 5 سال نوآوری را با آمازون SageMaker جشن گرفت

فقط در 5 سال، ده ها هزار مشتری از آن بهره برده اند آمازون SageMaker برای ایجاد میلیون‌ها مدل، آموزش مدل‌هایی با میلیاردها پارامتر، و تولید صدها میلیارد پیش‌بینی ماهانه.

بذر تغییر پارادایم یادگیری ماشینی (ML) برای دهه‌ها وجود داشت، اما با در دسترس بودن ظرفیت محاسباتی تقریباً بی‌نهایت، تکثیر گسترده داده‌ها و پیشرفت سریع فناوری‌های ML، مشتریان در سراسر صنایع اکنون به تحول آن دسترسی دارند. فواید. برای استفاده از این فرصت و خارج کردن ML از آزمایشگاه تحقیقاتی و به دست سازمان‌ها، AWS Amazon SageMaker را ایجاد کرد. امسال، 5 سالگی Amazon SageMaker را جشن می‌گیریم، سرویس ML پرچم‌دار ما با مدیریت کامل، که در AWS re:Invent 2017 راه‌اندازی شد و تبدیل به یکی از سریع‌ترین خدمات در تاریخ AWS شد.

AWS آمازون SageMaker را برای از بین بردن موانع ML و دموکراتیک کردن دسترسی به فناوری پیشرفته راه اندازی کرد. امروزه، این موفقیت ممکن است اجتناب ناپذیر به نظر برسد، اما در سال 2017، ML همچنان به مهارت‌های تخصصی نیاز داشت که معمولاً توسط گروه محدودی از توسعه‌دهندگان، محققان، دکترا یا شرکت‌هایی که کسب‌وکار خود را حول محور ML ساخته‌اند، در اختیار دارند. پیش از این، توسعه‌دهندگان و دانشمندان داده باید ابتدا داده‌ها را تجسم، تبدیل و پیش پردازش به قالب‌هایی می‌کردند که الگوریتم‌ها می‌توانستند از آنها برای آموزش مدل‌ها استفاده کنند، که به مقادیر عظیمی از توان محاسباتی، دوره‌های آموزشی طولانی و تیم‌های اختصاصی برای مدیریت محیط‌هایی که اغلب شامل چندین GPU بودند نیاز داشت. سرورهای فعال - و مقدار سالم تنظیم عملکرد دستی. علاوه بر این، استقرار یک مدل آموزش دیده در یک برنامه کاربردی نیازمند مجموعه متفاوتی از مهارت های تخصصی در طراحی اپلیکیشن و سیستم های توزیع شده است. همانطور که مجموعه داده ها و متغیرها رشد می کردند، شرکت ها مجبور بودند این فرآیند را تکرار کنند تا از اطلاعات جدید یاد بگیرند و تکامل یابند زیرا مدل های قدیمی قدیمی تر شدند. این چالش‌ها و موانع به این معنی بود که ML برای بسیاری از سازمان‌ها و مؤسسات تحقیقاتی با بودجه کافی دور از دسترس بود.

طلوع عصر جدیدی در یادگیری ماشینی

به همین دلیل است که Amazon SageMaker را معرفی کردیم، سرویس پرچمدار مدیریت ML ما که به توسعه دهندگان، دانشمندان داده و تحلیلگران تجاری امکان می دهد تا به سرعت و به راحتی داده ها را آماده کنند و مدل های ML با کیفیت بالا را در مقیاس بسازند، آموزش دهند و به کار گیرند. در 5 سال گذشته، ما بیش از 250 ویژگی و قابلیت جدید اضافه کرده‌ایم، از جمله اولین محیط توسعه یکپارچه جهان (IDE) برای ML، اشکال‌زداها، مانیتورهای مدل، پروفایل‌ها، AutoML، یک فروشگاه ویژگی، قابلیت‌های بدون کد و اولین ابزار ادغام پیوسته و تحویل مداوم (CI/CD) ساخته شده برای کاهش پیچیدگی و مقیاس پذیری ML در ابر و دستگاه های لبه.

در سال 2021، ما دموکراسی‌سازی را حتی بیشتر از این پیش بردیم تا ML را در دسترس کاربران بیشتری قرار دهیم. Amazon SageMaker گروه های بیشتری از افراد را قادر می سازد تا مدل های ML را ایجاد کنند، از جمله محیط بدون کد در آمازون SageMaker Canvas برای تحلیلگران کسب و کار بدون تجربه ML، و همچنین یک محیط ML بدون راه اندازی و بدون هزینه برای دانش آموزان برای یادگیری و آزمایش سریعتر ML.

امروزه، مشتریان می توانند با استفاده از ابزارهای انتخابی – IDE برای دانشمندان داده و یک رابط بدون کد برای تحلیلگران تجاری، با Amazon SageMaker نوآوری کنند. آن‌ها می‌توانند به مقادیر زیادی از داده‌های ساختاریافته (داده‌های جدولی) و داده‌های بدون ساختار (عکس، ویدیو و صدا) برای ML دسترسی داشته باشند، برچسب‌گذاری کنند و پردازش کنند. با آمازون SageMaker، مشتریان می‌توانند با زیرساخت‌های بهینه‌شده، زمان‌های آموزش را از ساعت‌ها به دقیقه‌ها کاهش دهند. در نهایت، مشتریانی که می‌توانید عملیات یادگیری ماشین (MLOps) را در سراسر سازمان خود برای ساخت، آموزش، استقرار و مدیریت مدل‌ها در مقیاس، خودکار و استاندارد کنید.

ویژگی های جدید برای نسل بعدی نوآوری

با حرکت رو به جلو، AWS همچنان به توسعه تهاجمی ویژگی‌های جدیدی ادامه می‌دهد که می‌تواند به مشتریان کمک کند تا ML را بیشتر پیش ببرند. به عنوان مثال، نقاط پایانی چند مدل آمازون SageMaker (MMEs) به مشتریان اجازه می دهد هزاران مدل ML را در یک نقطه پایانی آمازون SageMaker مستقر کنند و با به اشتراک گذاشتن نمونه های ارائه شده در پشت یک نقطه پایانی در همه مدل ها، هزینه ها را کاهش دهند. تا همین اواخر، MME ها فقط بر روی CPU ها پشتیبانی می شدند، اما MME های Amazon SageMaker اکنون از GPU پشتیبانی می کنند. مشتریان می‌توانند از Amazon SageMaker MME برای استقرار مدل‌های یادگیری عمیق در نمونه‌های GPU استفاده کنند و با استقرار هزاران مدل یادگیری عمیق در یک نقطه پایانی چند مدلی، تا 90 درصد از هزینه را صرفه‌جویی کنند. Amazon SageMaker همچنین پشتیبانی از محاسبات بهینه شده را گسترش داده است ابر محاسبه الاستیک آمازون (Amazon EC2) نمونه هایی که توسط AWS Graviton 2 و Graviton 3 پردازنده‌هایی که برای استنتاج ML مبتنی بر CPU مناسب هستند، بنابراین مشتریان می‌توانند مدل‌هایی را در نوع نمونه بهینه برای بار کاری خود مستقر کنند.

مشتریان آمازون SageMaker در حال آزادسازی قدرت یادگیری ماشین هستند

هر روز، مشتریان در هر اندازه و در همه صنایع به Amazon SageMaker روی می آورند تا مدل های ML را در زمان کمتر و با هزینه کمتر از همیشه آزمایش، نوآوری و استقرار دهند. در نتیجه، مکالمات اکنون از هنر ممکن به رها کردن سطوح جدیدی از بهره‌وری با ML تغییر می‌کنند. امروزه مشتریانی مانند Capital One و Fannie Mae در خدمات مالی، Philips و AstraZeneca در مراقبت های بهداشتی و علوم زندگی، Conde Nast و Thomson Reuters در رسانه، NFL و Formula 1 در ورزش، Amazon و Mercado Libre در خرده فروشی، و Siemens و Bayer در بخش صنعتی از خدمات ML در AWS برای سرعت بخشیدن به نوآوری تجاری استفاده می کند. آنها به ده‌ها هزار مشتری دیگر Amazon SageMaker ملحق می‌شوند که از این سرویس برای مدیریت میلیون‌ها مدل، آموزش مدل‌هایی با میلیاردها پارامتر و انجام صدها میلیارد پیش‌بینی هر ماه استفاده می‌کنند.

نوآوری های بیشتری در انتظار است. اما در این بین، ما درنگ می‌کنیم تا موفقیت‌های بسیاری را که مشتریانمان به دست آورده‌اند، برشته کنیم.

تامسون رویترز

تامسون رویترز، ارائه دهنده پیشرو خدمات اطلاعات تجاری، از قدرت Amazon SageMaker برای ایجاد خدمات بصری تر برای مشتریان خود بهره می برد.

دانیلو توماسینا، مدیر مهندسی آزمایشگاه تامسون رویترز، گفت: «ما به طور مداوم به دنبال راه‌حل‌های مبتنی بر هوش مصنوعی هستیم که بازدهی مثبت درازمدت سرمایه‌گذاری را ارائه می‌دهد. آمازون SageMaker در کار تحقیق و توسعه هوش مصنوعی ما نقش اساسی دارد. این به ما اجازه می دهد تا به طور موثر تحقیقات را در راه حل های بالغ و بسیار خودکار بیاوریم. با آمازون SageMaker Studio، محققان و مهندسان می توانند بر حل مشکلات تجاری با تمام ابزارهای مورد نیاز برای گردش کار ML خود در یک IDE تمرکز کنند. ما تمام فعالیت‌های توسعه ML خود، از جمله نوت‌بوک‌ها، مدیریت آزمایش، اتوماسیون خط لوله ML و اشکال‌زدایی را مستقیماً از داخل Amazon SageMaker Studio انجام می‌دهیم.

Salesforce

Salesforce، پلتفرم CRM پیشرو در جهان، اخیراً ادغام‌های جدیدی را اعلام کرد که امکان استفاده از Amazon SageMaker را در کنار انیشتین، فناوری هوش مصنوعی Salesforce فراهم می‌کند.

راهول اورادکار، EVP انیشتین گفت: Salesforce Einstein اولین هوش مصنوعی جامع برای CRM است و به هر شرکتی این امکان را می‌دهد تا از طریق مجموعه یکپارچه فناوری‌های هوش مصنوعی برای فروش، بازاریابی، تجارت، خدمات و فناوری اطلاعات، باهوش‌تر و پیش‌بینی‌تر در مورد مشتریان خود باشد. و خدمات داده یکپارچه در Salesforce. یکی از بزرگترین چالش‌هایی که امروزه شرکت‌ها با آن مواجه هستند این است که داده‌های آن‌ها ذخیره می‌شوند. گردآوری داده ها برای ارائه تعامل با مشتری در زمان واقعی در تمام نقاط تماس و به دست آوردن بینش تجاری معنی دار دشوار است. ادغام Salesforce و Amazon SageMaker که توسط Genie، پلتفرم اطلاعات مشتری در زمان واقعی Salesforce پشتیبانی می‌شود، تیم‌های داده را قادر می‌سازد تا به داده‌های مشتری یکپارچه و هماهنگ برای ساخت و آموزش مدل‌های ML در Amazon SageMaker دسترسی داشته باشند. و پس از استقرار، این مدل‌های Amazon SageMaker می‌توانند با انیشتین برای تقویت پیش‌بینی‌ها و بینش‌ها در پلتفرم Salesforce استفاده شوند. همانطور که هوش مصنوعی در حال تکامل است، ما به ارتقای انیشتین با مدل سازی خودت (BYOM) ادامه می دهیم تا با توسعه دهندگان و دانشمندان داده در جایی که کار می کنند ملاقات کنیم.

هوش مصنوعی متا

Meta AI یک آزمایشگاه هوش مصنوعی است که متعلق به Meta Platforms Inc است.

Geeta Chauhan، مدیر مهندسی هوش مصنوعی کاربردی در Meta AI گفت: «هوش مصنوعی متا با AWS همکاری کرده است تا torch.distributed را تقویت کند تا به توسعه‌دهندگان کمک کند آموزش خود را با استفاده از آمازون SageMaker و نمونه‌های مبتنی بر Trainium مقیاس کنند. با این پیشرفت‌ها، ما شاهد کاهش زمان آموزش برای مدل‌های بزرگ بر اساس آزمایش‌هایمان بوده‌ایم. ما از دیدن آموزش های توزیع شده توسط PyTorch برای سرعت بخشیدن به نوآوری ML از Amazon SageMaker خوشحالیم.

شرکت تایسون فودز

تایسون فودز، یکی از بزرگترین تولیدکنندگان و بازاریابان گوشت در جهان، به آمازون سیج میکر متکی است. Amazon SageMaker Ground Truthو پانوراما AWS برای بهبود کارایی

بارت میلر، مدیر ارشد فناوری نوظهور در شرکت تایسون فودز گفت: «تعالی عملیاتی یک اولویت کلیدی در تایسون فودز است. ما از بینایی کامپیوتری که توسط ML در AWS پشتیبانی می‌شود، برای بهبود کارایی تولید، خودکارسازی فرآیندها و بهبود زمان‌بر یا بهبود استفاده می‌کنیم. وظایف مستعد خطا ما با آزمایشگاه راه‌حل‌های یادگیری ماشین آمازون برای ایجاد یک مدل پیشرفته تشخیص شی با استفاده از Amazon SageMaker Ground Truth و AWS Panorama همکاری کردیم. با این راه‌حل، بینش‌های تقریباً هم‌زمان دریافت می‌کنیم که به ما کمک می‌کند تا موجودی مورد نیاز خود را تولید کنیم و در عین حال ضایعات را به حداقل برسانیم.»

دریافت رمز عبور

اتوکد یک نرم افزار تجاری طراحی و پیش نویس به کمک کامپیوتر از Autodesk است. اتوکد برای بهینه سازی فرآیند طراحی مولد خود به Amazon SageMaker متکی است.

دانیا الحسن، مدیر مدیریت محصول اتوکد گفت: «ما می‌خواستیم با ارائه راهنمایی‌ها و بینش‌های شخصی‌سازی شده و در لحظه استفاده از آن‌ها، مشتریان اتوکد را برای کارآمدتر کردن توانمند کنیم و اطمینان حاصل کنیم که زمانی که آنها در اتوکد صرف می‌کنند تا حد امکان سازنده است. ، در Autodesk. آمازون SageMaker ابزاری ضروری بود که به ما کمک کرد تا دستورات پیشگیرانه و توصیه‌های میانبر را به کاربران خود ارائه دهیم و به آنها امکان دستیابی به نتایج طراحی جدید قدرتمند را می‌داد.

Torc.ai

با کمک Amazon SageMaker و Amazon SageMaker کتابخانه موازی داده توزیع شده (SMDDP)، Torc.ai، یک رهبر خودروهای خودران از سال 2005، کامیون های خودران را برای حمل و نقل ایمن، پایدار و طولانی در صنعت حمل و نقل تجاری تجاری می کند.

درک جانسون، معاون گفت: «تیم من اکنون می‌تواند به راحتی کارهای آموزشی توزیع‌شده در مقیاس بزرگ را با استفاده از آموزش مدل Amazon SageMaker و کتابخانه داده‌های موازی توزیع‌شده Amazon SageMaker (SMDDP) که شامل ترابایت داده‌های آموزشی و مدل‌هایی با میلیون‌ها پارامتر است، اجرا کند. رئیس بخش مهندسی در Torc.ai. «امازون SageMaker آموزش مدل توزیع شده و SMDDP به ما کمک کرده‌اند تا بدون نیاز به مدیریت زیرساخت‌های آموزشی، یکپارچه مقیاس کنیم. این زمان ما را برای آموزش مدل‌ها از چند روز به چند ساعت کاهش داد و به ما امکان داد چرخه طراحی خود را فشرده کنیم و قابلیت‌های جدید خودروهای خودران را سریع‌تر از همیشه به ناوگان خود بیاوریم.

تحقیقات هوش مصنوعی ال جی

LG AI Research قصد دارد با استفاده از Amazon SageMaker برای آموزش و استقرار سریع‌تر مدل‌های ML، عصر بعدی هوش مصنوعی را رهبری کند.

سئونگ هوان کیم، معاون رئیس و سرپرست آزمایشگاه ویژن در تحقیقات هوش مصنوعی ال‌جی گفت: «ما اخیراً تیلدا، هنرمند هوش مصنوعی مجهز به EXAONE، یک سیستم هوش مصنوعی فوق‌العاده غول‌پیکر را معرفی کردیم که می‌تواند ۲۵۰ میلیون مجموعه داده جفت تصویر-متن با وضوح بالا را پردازش کند. هوش مصنوعی چند وجهی به تیلدا اجازه می دهد تا به تنهایی تصویر جدیدی ایجاد کند، با توانایی خود برای کاوش فراتر از زبانی که درک می کند. آمازون SageMaker در توسعه EXAONE ضروری بود، زیرا مقیاس بندی و قابلیت های آموزشی توزیع شده آن. به طور خاص، با توجه به محاسبات عظیم مورد نیاز برای آموزش این هوش مصنوعی فوق العاده غول پیکر، پردازش موازی کارآمد بسیار مهم است. ما همچنین نیاز به مدیریت مداوم داده های در مقیاس بزرگ و انعطاف پذیری برای پاسخ به داده های تازه به دست آمده داشتیم. با استفاده از آموزش مدل آمازون SageMaker و کتابخانه‌های آموزشی توزیع‌شده، آموزش توزیع‌شده را بهینه‌سازی کردیم و مدل را 250 درصد سریع‌تر آموزش دادیم - بدون تغییرات عمده در کد آموزشی ما.

محصولات آب مولر

Mueller Water Products دریچه های مهندسی شده، شیرهای آتش نشانی، محصولات اتصال و تعمیر لوله، محصولات اندازه گیری، راه حل های تشخیص نشت و غیره را تولید می کند. از آمازون SageMaker برای توسعه راه حل ML ابتکاری برای تشخیص سریعتر نشت آب استفاده کرد.

دیو جانستون، مدیر زیرساخت هوشمند در محصولات آبی مولر گفت: «ما در ماموریتی هستیم که تا سال 7.7 2027 میلیارد گالن از اتلاف آب را نجات دهیم. به لطف مدل‌های ML ساخته شده در Amazon SageMaker، ما دقت EchoShore-DX، سیستم تشخیص ناهنجاری مبتنی بر آکوستیک خود را بهبود بخشیده‌ایم. در نتیجه، ما می‌توانیم در صورت وقوع نشتی سریع‌تر به مشتریان خدمات اطلاع دهیم. این راه حل در سال 675 حدود 2021 میلیون گالن آب صرفه جویی کرده است. ما هیجان زده هستیم که همچنان به استفاده از خدمات AWS ML برای ارتقاء بیشتر مجموعه فناوری خود و ادامه راندمان و پایداری با مشتریان خدمات شهری خود ادامه دهیم."

کواوا

Canva، سازنده ابزار محبوب طراحی و انتشار آنلاین، برای اجرای سریع به قدرت Amazon SageMaker متکی است.

گرگ رودت، رئیس پلتفرم‌های داده در Canva، گفت: «برای اینکه Canva در مقیاس رشد کند، به ابزاری نیاز داشتیم که به ما کمک کند ویژگی‌های جدید را بدون هیچ تأخیر یا مشکلی راه‌اندازی کنیم. سازگاری Amazon SageMaker به ما این امکان را می‌دهد تا وظایف بیشتری را با منابع کمتر مدیریت کنیم و در نتیجه حجم کاری سریع‌تر و کارآمدتر را به همراه داشته باشیم. این به تیم مهندسی ما اطمینان داد که ویژگی‌هایی که راه‌اندازی می‌کنند در مقیاس مورد استفاده قرار می‌گیرند. با آمازون SageMaker، ما مدل متن به تصویر خود را در 2 هفته با استفاده از زیرساخت قدرتمند مدیریت شده به کار بردیم و مشتاقانه منتظریم تا در آینده نزدیک این ویژگی را برای میلیون ها کاربر خود گسترش دهیم.

الهام بخشیدن

Inspire، یک سرویس اطلاعاتی مراقبت های بهداشتی مصرف کننده محور، به Amazon SageMaker برای ارائه بینش های عملی برای مراقبت، درمان و نتایج بهتر متکی است.

برایان لو، مدیر اجرایی و بنیانگذار اینسپایر، گفت: «موتور توصیه محتوای ما محرک اصلی ارزش پیشنهادی ما است. ما از آن برای هدایت کاربران خود (که با شرایط خاص زندگی می کنند) به پست ها یا مقالات مرتبط و خاص استفاده می کنیم. با آمازون SageMaker، ما به راحتی می‌توانیم مدل‌های یادگیری عمیق را بسازیم، آموزش دهیم و اجرا کنیم. راه حل پیچیده ML ما - بر اساس Amazon SageMaker - به ما کمک می کند تا توانایی موتور توصیه محتوای خود را برای پیشنهاد محتوای مرتبط به 2 میلیون کاربر ثبت شده، با استفاده از کتابخانه ما با 1.5 میلیارد کلمه در 3,600 شرط بهبود دهیم. آمازون SageMaker ما را قادر ساخته است تا بیماران و مراقبان را با محتوا و منابع شخصی‌سازی‌شده‌تر، از جمله اطلاعات بیماری‌های نادر و مسیرهای درمانی، به‌طور دقیق متصل کنیم.

resMed

ResMed ارائه دهنده پیشرو راه حل های متصل به ابر برای افراد مبتلا به آپنه خواب، COPD، آسم و سایر بیماری های مزمن است. در سال 2014، ResMed MyAir را راه‌اندازی کرد، یک پلتفرم و اپلیکیشن مدیریت درمانی شخصی‌سازی شده برای بیماران برای ردیابی خواب درمانی.

بدری رغوان، معاون علوم داده در ResMed گفت: «قبل از آمازون SageMaker، همه کاربران MyAir بدون در نظر گرفتن شرایطشان، پیام‌های یکسانی را از برنامه دریافت می‌کردند. آمازون SageMaker ما را قادر به تعامل با بیماران از طریق MyAir بر اساس دستگاه ResMed خاصی که آنها استفاده می‌کنند، ساعات بیداری آنها و سایر داده‌های متنی را فراهم کرده است. ما از چندین ویژگی Amazon SageMaker برای آموزش خطوط لوله مدل و انتخاب انواع استقرار، از جمله استنتاج‌های تقریباً واقعی و دسته‌ای، برای ارائه محتوای مناسب استفاده می‌کنیم. آمازون SageMaker ما را قادر ساخته است تا با استقرار مدل‌ها به‌جای ماه‌ها، در چند روز یا چند هفته به هدف خود در تعبیه قابلیت‌های ML در سراسر جهان دست یابیم.

خطا

Verisk بینش‌های تحلیلی مبتنی بر داده‌های متخصص را ارائه می‌کند که به کسب‌وکار، مردم و جوامع کمک می‌کند قوی‌تر، انعطاف‌پذیرتر و پایدارتر شوند. از Amazon SageMaker برای ساده‌سازی گردش‌های کاری ML استفاده می‌کند.

جفری سی تیلور، رئیس Verisk 26D Visual گفت: «Verisk و Vexcel برای ذخیره و پردازش مقادیر عظیمی از داده‌ها در AWS، از جمله داده‌های تصاویر هوایی با وضوح فوق‌العاده بالا Vexcel که در 3 کشور در سراسر جهان گرفته شده است، همکاری نزدیکی دارند. هوش. آمازون SageMaker به ما کمک می‌کند تا کار تیم‌های ML و MLOps را ساده‌سازی کنیم و به ما این امکان را می‌دهد تا بر روی خدمت به نیازهای مشتریانمان، از جمله سهامداران اموال واقعی در بیمه، املاک، ساخت‌وساز و فراتر از آن تمرکز کنیم.

Smartocto BV

با کمک آمازون SageMaker، Smartocto BV تجزیه و تحلیل محتوایی را که توسط ML هدایت می شود به 350 اتاق خبر و شرکت رسانه ای در سراسر جهان ارائه می دهد.

ایلیا سوزا، مدیر ارشد داده در Smartocto گفت: «از آنجایی که تجارت در حال گسترش بود، ما نیاز داشتیم که استقرار مدل‌های ML خود را ساده کنیم، زمان ورود به بازار را کاهش دهیم و عرضه محصول خود را گسترش دهیم. با این حال، ترکیب راه‌حل‌های منبع باز و ابری برای میزبانی خودکار بارهای کاری ML ما به طور فزاینده‌ای برای مدیریت زمان‌بر بود. ما مدل‌های ML خود را به نقاط پایانی Amazon SageMaker منتقل کردیم و در کمتر از 3 ماه، Smartify را راه‌اندازی کردیم، یک راه‌حل جدید بومی AWS. Smartify از Amazon SageMaker برای ارائه تحلیل‌های سرمقاله پیش‌بینی در زمان واقعی استفاده می‌کند که به مشتریان کمک می‌کند محتوای خود را بهبود بخشند و مخاطبان خود را گسترش دهند.

Visuallfabriq

Visuallfabriq یک راه حل مدیریت درآمد با قابلیت های کاربردی هوش مصنوعی را به برخی از شرکت های پیشرو در زمینه کالاهای بسته بندی مصرفی ارائه می دهد. از Amazon SageMaker برای بهبود عملکرد و دقت مدل‌های ML در مقیاس استفاده می‌کند.

Jelle Verstraaten، سرپرست تیم پیش‌بینی تقاضا، هوش مصنوعی و مدیریت رشد درآمد در Visuallfabriq گفت: «ما می‌خواستیم پشته فناوری خود را برای بهبود عملکرد و مقیاس‌پذیری و آسان‌تر کردن مدل‌ها برای افزودن، به‌روزرسانی و آموزش مجدد تطبیق دهیم. "بزرگترین تاثیر مهاجرت به Amazon SageMaker بهبود عملکرد قابل توجهی برای راه حل ما بوده است. با اجرای استنباط بر روی سرورهای اختصاصی، به جای سرورهای وب، راه حل ما کارآمدتر است و هزینه ها ثابت و شفاف است. ما زمان پاسخگویی سرویس پیش‌بینی تقاضای خود را - که تأثیر یک اقدام تبلیغاتی بر حجم فروش خرده‌فروش را پیش‌بینی می‌کند - تا 200% بهبود دادیم و یک راه‌حل مقیاس‌پذیر را به کار بردیم که به مداخله دستی کمتری نیاز دارد و ورود مشتری جدید را تسریع می‌کند.

شرکت Sophos

Sophos، رهبر جهانی در راه‌حل‌ها و خدمات امنیت سایبری نسل بعدی، از Amazon SageMaker برای آموزش کارآمدتر مدل‌های ML خود استفاده می‌کند.

کنستانتین برلین، رئیس هوش مصنوعی در Sophos گفت: «فناوری قدرتمند ما فایل‌هایی را که به طرز حیله‌ای با بدافزار آلوده شده‌اند شناسایی و حذف می‌کند. با این حال، استفاده از مدل‌های XGBoost برای پردازش مجموعه داده‌های چند ترابایتی بسیار زمان‌بر بود و گاهی اوقات با فضای محدود حافظه ممکن نبود. با آموزش توزیع شده آمازون SageMaker، ما می توانیم با موفقیت یک مدل سبک وزن XGBoost را آموزش دهیم که روی دیسک بسیار کوچکتر (تا 25 برابر کوچکتر) و حافظه (تا پنج برابر کوچکتر) از مدل قبلی خود است. با استفاده از تنظیم خودکار مدل Amazon SageMaker و آموزش توزیع شده در موارد Spot، ما می‌توانیم به سرعت و موثرتر مدل‌ها را تغییر داده و مجدداً آموزش دهیم، بدون اینکه زیرساخت‌های آموزشی زیربنایی مورد نیاز برای مقیاس‌بندی به چنین مجموعه‌های داده بزرگی را تنظیم کنیم.

دانشگاه نورث وسترن

دانشجویان دانشگاه نورث وسترن در برنامه کارشناسی ارشد علوم در هوش مصنوعی (MSAI) بازدیدی از Amazon SageMaker Studio Lab قبل از استفاده از آن در طول هکاتون

محمد علم، معاون مدیر برنامه MSAI، گفت: «آسانی استفاده از آزمایشگاه استودیو آمازون SageMaker به دانش‌آموزان این امکان را می‌دهد تا به سرعت آموخته‌های خود را برای ایجاد راه‌حل‌های خلاقانه به کار گیرند. "ما انتظار داشتیم دانش آموزان در طول مسابقه کوتاه 5 ساعته به طور طبیعی به موانعی برخورد کنند. در عوض، آنها نه تنها با تکمیل تمام پروژه‌ها، بلکه با ارائه ارائه‌های چشمگیر که در آن مفاهیم پیچیده ML را برای مشکلات مهم دنیای واقعی به کار می‌بردند، فراتر از انتظارات ما بودند.

موسسه پلی تکنیک Rensselaer

موسسه پلی تکنیک Rensselaer (RPI)، یک دانشگاه تحقیقاتی فناوری نیویورک، از Amazon SageMaker Studio برای کمک به دانش آموزان برای یادگیری سریع مفاهیم ML استفاده می کند.

محمد جی زکی، پروفسور علوم کامپیوتر، گفت: «RPI صاحب یکی از قدرتمندترین ابررایانه‌های جهان است، اما هوش مصنوعی منحنی یادگیری شدیدی دارد. ما به راهی نیاز داشتیم که دانشجویان بتوانند مقرون به صرفه شروع کنند. رابط بصری آمازون SageMaker Studio Lab به دانش‌آموزان ما این امکان را می‌دهد تا به سرعت شروع کنند و یک GPU قدرتمند ارائه دهند و آنها را قادر می‌سازد تا با مدل‌های یادگیری عمیق پیچیده برای پروژه‌های اصلی خود کار کنند.

موسسه آموزش حرفه ای هنگ کنگ

بخش فناوری اطلاعات مؤسسه آموزش حرفه ای هنگ کنگ (لی وای لی) از آزمایشگاه استودیو آمازون SageMaker استفاده می کند تا به دانش آموزان فرصت هایی برای کار بر روی پروژه های ML در دنیای واقعی ارائه دهد.

Cyrus Wong، مدرس ارشد، گفت: «ما از Amazon SageMaker Studio Lab در دوره‌های اولیه ML و Python استفاده می‌کنیم که به دانش‌آموزان پایه محکمی در بسیاری از فناوری‌های ابری می‌دهد. «آزمایشگاه استودیو آمازون SageMaker به دانش‌آموزان ما این امکان را می‌دهد تا بدون گرفتار شدن در تنظیمات یا پیکربندی‌ها، تجربه عملی با پروژه‌های علم داده در دنیای واقعی داشته باشند. برخلاف سایر فروشندگان، این یک ماشین لینوکس برای دانش‌آموزان است و آنها را قادر می‌سازد تا تمرین‌های کدنویسی بیشتری را انجام دهند."

مباحث

MapmyIndia، ارائه‌دهنده پیشرو در هند در زمینه نقشه‌های دیجیتال، نرم‌افزارهای مکانی و فناوری‌های اینترنت اشیا (IoT) مبتنی بر مکان، از Amazon SageMaker برای ساخت، آموزش و استقرار مدل‌های ML خود استفاده می‌کند.

«MapmyIndia و پلتفرم جهانی ما، Mappls، هوش مصنوعی قوی، بسیار دقیق، و تجزیه و تحلیل مبتنی بر تصاویر ماهواره‌ای و خیابانی مبتنی بر هوش مصنوعی و بینایی رایانه‌ای در سراسر جهان را برای موارد متعددی مانند اندازه‌گیری توسعه اقتصادی، رشد جمعیت، کشاورزی ارائه می‌دهند. روهان ورما، مدیر اجرایی و مدیر اجرایی MapmyIndia گفت: خروجی، فعالیت ساخت‌وساز، تشخیص علائم خیابان، تقسیم‌بندی زمین و تشخیص تغییر جاده. توانایی ما در ایجاد، آموزش و استقرار مدل‌ها با سرعت و دقت ما را متمایز می‌کند. ما خوشحالیم که با AWS برای ارائه‌های AI/ML خود شریک هستیم و از توانایی Amazon SageMaker برای افزایش سریع این میزان هیجان‌زده هستیم.

SatSure

SatSure، یک رهبر مستقر در هند در راه حل های هوشمند تصمیم گیری با استفاده از داده های رصد زمین برای ایجاد بینش، به Amazon SageMaker برای تهیه و آموزش پتابایت داده ML متکی است.

Prateep Basu، مدیر اجرایی SatSure گفت: «ما از Amazon SageMaker برای خرد کردن پتابایت از مجموعه داده‌های EO، GIS، مالی، متنی و تجاری استفاده می‌کنیم و از قابلیت‌های AI/ML آن برای نوآوری و مقیاس‌بندی سریع مدل‌هایمان استفاده می‌کنیم. ما از سال 2017 از AWS استفاده کرده‌ایم و به مؤسسات مالی کمک کرده‌ایم تا به بیش از 2 میلیون کشاورز در سراسر هند، نیجریه و فیلیپین وام بدهند، در حالی که 1 میلیون کیلومتر مربع را به صورت هفتگی نظارت می‌کنند.»

نتیجه

برای شروع کار با آمازون SageMaker، مراجعه کنید aws.amazon.com/sagemaker.

---

درباره نویسنده

آنکور مهروترا در سال 2008 به آمازون پیوست و در حال حاضر مدیر کل آمازون SageMaker است. قبل از آمازون SageMaker، او روی ساخت سیستم های تبلیغاتی Amazon.com و فناوری قیمت گذاری خودکار کار می کرد.