AWS célèbre 5 ans d'innovation avec Amazon SageMaker

En seulement 5 ans, des dizaines de milliers de clients ont exploité Amazon Sage Maker pour créer des millions de modèles, entraîner des modèles avec des milliards de paramètres et générer des centaines de milliards de prédictions mensuelles.

Les germes d'un changement de paradigme d'apprentissage automatique (ML) étaient là depuis des décennies, mais avec la disponibilité immédiate d'une capacité de calcul pratiquement infinie, une prolifération massive de données et l'avancement rapide des technologies ML, les clients de tous les secteurs ont désormais accès à ses solutions transformationnelles. avantages. Pour exploiter cette opportunité et sortir le ML du laboratoire de recherche et le mettre entre les mains des organisations, AWS a créé Amazon SageMaker. Cette année, nous célébrons le 5e anniversaire d'Amazon SageMaker, notre service phare de ML entièrement géré, qui a été lancé lors d'AWS re:Invent 2017 et est devenu l'un des services à la croissance la plus rapide de l'histoire d'AWS.

AWS a lancé Amazon SageMaker pour éliminer les obstacles au ML et démocratiser l'accès aux technologies de pointe. Aujourd’hui, ce succès aurait pu paraître inévitable, mais en 2017, le ML nécessitait encore des compétences spécialisées généralement possédées par un groupe limité de développeurs, de chercheurs, de docteurs ou d’entreprises qui bâtissaient leur activité autour du ML. Auparavant, les développeurs et les data scientists devaient d'abord visualiser, transformer et prétraiter les données dans des formats que les algorithmes pouvaient utiliser pour former des modèles, ce qui nécessitait d'énormes quantités de puissance de calcul, de longues périodes de formation et des équipes dédiées pour gérer des environnements qui s'étendaient souvent sur plusieurs GPU. serveurs activés et une bonne quantité de réglage manuel des performances. De plus, le déploiement d'un modèle entraîné au sein d'une application nécessitait un ensemble différent de compétences spécialisées en conception d'applications et en systèmes distribués. À mesure que les ensembles de données et les variables augmentaient, les entreprises ont dû répéter ce processus pour apprendre et évoluer à partir de nouvelles informations, à mesure que les anciens modèles devenaient obsolètes. Ces défis et obstacles signifiaient que le ML était hors de portée pour la plupart, à l'exception des organisations et des instituts de recherche bien financés.

L’aube d’une nouvelle ère dans l’apprentissage automatique

C'est pourquoi nous avons lancé Amazon SageMaker, notre service phare géré de ML qui permet aux développeurs, aux data scientists et aux analystes commerciaux de préparer rapidement et facilement des données, ainsi que de créer, former et déployer des modèles ML de haute qualité à grande échelle. Au cours des 5 dernières années, nous avons ajouté plus de 250 nouvelles fonctionnalités et capacités, notamment le premier environnement de développement intégré (IDE) au monde pour le ML, des débogueurs, des moniteurs de modèles, des profileurs, AutoML, un magasin de fonctionnalités, des fonctionnalités sans code et le premier outil d'intégration continue et de livraison continue (CI/CD) spécialement conçu pour rendre le ML moins complexe et plus évolutif dans le cloud et sur les appareils de pointe.

En 2021, nous avons poussé encore plus loin la démocratisation pour mettre le ML à la portée d’un plus grand nombre d’utilisateurs. Amazon SageMaker permet à davantage de groupes de personnes de créer des modèles de ML, y compris l'environnement sans code dans Toile Amazon SageMaker pour les analystes commerciaux sans expérience en ML, ainsi qu'un environnement ML sans configuration et sans frais permettant aux étudiants d'apprendre et d'expérimenter le ML plus rapidement.

Aujourd'hui, les clients peuvent innover avec Amazon SageMaker grâce à un choix d'outils : des IDE pour les data scientists et une interface sans code pour les analystes commerciaux. Ils peuvent accéder, étiqueter et traiter de grandes quantités de données structurées (données tabulaires) et de données non structurées (photo, vidéo et audio) pour le ML. Avec Amazon SageMaker, les clients peuvent réduire les temps de formation de quelques heures à quelques minutes grâce à une infrastructure optimisée. Enfin, les clients peuvent automatiser et standardiser les pratiques d'opérations d'apprentissage automatique (MLOps) dans l'ensemble de leur organisation pour créer, former, déployer et gérer des modèles à grande échelle.

De nouvelles fonctionnalités pour la prochaine génération d’innovation

À l'avenir, AWS continue de développer de manière agressive de nouvelles fonctionnalités qui peuvent aider les clients à aller plus loin dans le ML. Par exemple, les points de terminaison multimodèles (MME) Amazon SageMaker permettent aux clients de déployer des milliers de modèles ML sur un seul point de terminaison Amazon SageMaker et de réduire les coûts en partageant les instances provisionnées derrière un point de terminaison sur tous les modèles. Jusqu'à récemment, les MME n'étaient prises en charge que sur les processeurs, mais les MME Amazon SageMaker prennent désormais en charge les GPU. Les clients peuvent utiliser Amazon SageMaker MME pour déployer des modèles de Deep Learning sur des instances GPU et économiser jusqu'à 90 % des coûts en déployant des milliers de modèles de Deep Learning sur un seul point de terminaison multimodèle. Amazon SageMaker a également étendu la prise en charge des applications optimisées pour le calcul. Cloud de calcul élastique Amazon Instances (Amazon EC2) alimentées par AWS Graviton 2 et Graviton 3 processeurs, qui sont bien adaptés à l'inférence ML basée sur le processeur, afin que les clients puissent déployer des modèles sur le type d'instance optimal pour leurs charges de travail.

Les clients d'Amazon SageMaker libèrent la puissance du machine learning

Chaque jour, des clients de toutes tailles et de tous secteurs se tournent vers Amazon SageMaker pour expérimenter, innover et déployer des modèles de ML en moins de temps et à un coût plus faible que jamais. En conséquence, les conversations passent désormais de l’art du possible à la libération de nouveaux niveaux de productivité avec le ML. Aujourd'hui, des clients tels que Capital One et Fannie Mae dans les services financiers, Philips et AstraZeneca dans les soins de santé et les sciences de la vie, Condé Nast et Thomson Reuters dans les médias, NFL et Formule 1 dans le sport, Amazon et Mercado Libre dans le commerce de détail, et Siemens et Bayer dans le secteur industriel utilise les services ML sur AWS pour accélérer l'innovation commerciale. Ils rejoignent des dizaines de milliers d'autres clients Amazon SageMaker qui utilisent le service pour gérer des millions de modèles, former des modèles avec des milliards de paramètres et réaliser des centaines de milliards de prédictions chaque mois.

D’autres innovations vous attendent. Mais en attendant, nous prenons une pause pour porter un toast aux nombreux succès remportés par nos clients.

Thomson Reuters

Thomson Reuters, l'un des principaux fournisseurs de services d'informations commerciales, exploite la puissance d'Amazon SageMaker pour créer des services plus intuitifs pour ses clients.

« Nous recherchons continuellement des solutions solides basées sur l'IA qui offrent un retour sur investissement positif à long terme », a déclaré Danilo Tommasina, directeur de l'ingénierie chez Thomson Reuters Labs. « Amazon SageMaker est au cœur de notre travail de R&D en IA. Cela nous permet de transformer efficacement la recherche en solutions matures et hautement automatisées. Avec Amazon SageMaker Studio, les chercheurs et les ingénieurs peuvent se concentrer sur la résolution des problèmes commerciaux avec tous les outils nécessaires à leur flux de travail ML dans un seul IDE. Nous effectuons toutes nos activités de développement ML, y compris les blocs-notes, la gestion des expériences, l'automatisation du pipeline ML et le débogage directement depuis Amazon SageMaker Studio.

Salesforce

Salesforce, la première plateforme CRM au monde, a récemment annoncé de nouvelles intégrations qui permettront d'utiliser Amazon SageMaker aux côtés d'Einstein, la technologie d'IA de Salesforce.

« Salesforce Einstein est la première IA complète pour CRM et permet à chaque entreprise de devenir plus intelligente et plus prédictive concernant ses clients grâce à un ensemble intégré de technologies d'IA pour les ventes, le marketing, le commerce, les services et l'informatique », a déclaré Rahul Auradkar, vice-président exécutif d'Einstein. et services de données unifiés chez Salesforce. « L’un des plus grands défis auxquels les entreprises sont aujourd’hui confrontées est le cloisonnement de leurs données. Il est difficile de rassembler des données pour garantir l'engagement des clients en temps réel sur tous les points de contact et obtenir des informations commerciales significatives. Propulsée par Genie, la plateforme de données client en temps réel de Salesforce, l'intégration de Salesforce et Amazon SageMaker permet aux équipes de données d'accéder de manière transparente aux données client unifiées et harmonisées pour créer et former des modèles ML dans Amazon SageMaker. Et une fois déployés, ces modèles Amazon SageMaker peuvent être utilisés avec Einstein pour alimenter des prédictions et des informations sur la plateforme Salesforce. À mesure que l’IA évolue, nous continuons d’améliorer Einstein avec la modélisation BYOM (Bring-your-own-modeling) pour rencontrer les développeurs et les data scientists là où ils travaillent.

Méta IA

Meta AI est un laboratoire d'intelligence artificielle appartenant à Meta Platforms Inc.

« Meta AI a collaboré avec AWS pour améliorer torch.distributed afin d'aider les développeurs à faire évoluer leur formation à l'aide d'instances basées sur Amazon SageMaker et Trainium », a déclaré Geeta Chauhan, responsable de l'ingénierie de l'IA appliquée chez Meta AI. « Grâce à ces améliorations, nous avons constaté une réduction du temps de formation pour les grands modèles sur la base de nos tests. Nous sommes ravis de voir Amazon SageMaker prendre en charge la formation distribuée PyTorch pour accélérer l'innovation ML.

Aliments Tyson Inc.

Tyson Foods Inc., l'un des plus grands transformateurs et distributeurs de viande au monde, s'appuie sur Amazon SageMaker, Vérité au sol Amazon SageMakeret une Panorama AWS pour améliorer l'efficacité.

« L'excellence opérationnelle est une priorité clé chez Tyson Foods », a déclaré Barret Miller, directeur principal des technologies émergentes chez Tyson Foods Inc. « Nous utilisons la vision par ordinateur optimisée par le ML sur AWS pour améliorer l'efficacité de la production, automatiser les processus et améliorer les processus chronophages ou tâches sujettes aux erreurs. Nous avons collaboré avec Amazon Machine Learning Solutions Lab pour créer un modèle de détection d'objets de pointe à l'aide d'Amazon SageMaker Ground Truth et d'AWS Panorama. Grâce à cette solution, nous recevons des informations en temps quasi réel qui nous aident à produire l'inventaire dont nous avons besoin tout en minimisant le gaspillage.

Autodesk

AutoCAD est un logiciel commercial de conception et de dessin assisté par ordinateur d'Autodesk. AutoCAD s'appuie sur Amazon SageMaker pour optimiser son processus de conception générative.

« Nous voulions permettre aux clients d'AutoCAD d'être plus efficaces en leur fournissant des conseils et des informations d'utilisation personnalisés et instantanés, afin de garantir que le temps qu'ils passent dans AutoCAD soit aussi productif que possible », a déclaré Dania El Hassan, directrice de la gestion des produits pour AutoCAD. , chez Autodesk. « Amazon SageMaker était un outil essentiel qui nous a aidé à fournir des recommandations proactives de commandes et de raccourcis à nos utilisateurs, leur permettant ainsi d'obtenir de nouveaux résultats de conception puissants.

Torc.ai

Avec l'aide d'Amazon SageMaker et de la bibliothèque Amazon SageMaker Distributed Data Parallel (SMDDP), Torc.ai, leader des véhicules autonomes depuis 2005, commercialise des camions autonomes pour un transport sûr et durable sur de longues distances dans le secteur du fret.

« Mon équipe est désormais en mesure d'exécuter facilement des tâches de formation distribuées à grande échelle à l'aide de la formation de modèles Amazon SageMaker et de la bibliothèque parallèle de données distribuées Amazon SageMaker (SMDDP), impliquant des téraoctets de données de formation et des modèles avec des millions de paramètres », a déclaré Derek Johnson, vice-président. Président de l'ingénierie chez Torc.ai. « La formation sur modèle distribué Amazon SageMaker et le SMDDP nous ont aidés à évoluer de manière transparente sans avoir à gérer l'infrastructure de formation. Cela a réduit notre temps de formation des modèles de plusieurs jours à quelques heures, ce qui nous a permis de compresser notre cycle de conception et d'apporter de nouvelles capacités de véhicules autonomes à notre flotte plus rapidement que jamais.

Recherche LG sur l'IA

LG AI Research vise à ouvrir la voie à la prochaine ère de l'IA en utilisant Amazon SageMaker pour former et déployer des modèles ML plus rapidement.

« Nous avons récemment lancé Tilda, l'artiste IA propulsé par EXAONE, un système d'IA super géant capable de traiter 250 millions d'ensembles de données de paires image-texte haute définition », a déclaré Seung Hwan Kim, vice-président et responsable du laboratoire de vision chez LG AI Research. « L’IA multimodale permet à Tilda de créer elle-même une nouvelle image, grâce à sa capacité à explorer au-delà du langage qu’elle perçoit. Amazon SageMaker a joué un rôle essentiel dans le développement d'EXAONE, en raison de ses capacités d'évolutivité et de formation distribuée. Plus précisément, en raison des calculs massifs requis pour entraîner cette IA super géante, un traitement parallèle efficace est très important. Nous devions également gérer en permanence des données à grande échelle et faire preuve de flexibilité pour répondre aux données nouvellement acquises. Grâce à la formation de modèles Amazon SageMaker et aux bibliothèques de formation distribuées, nous avons optimisé la formation distribuée et entraîné le modèle 59 % plus rapidement, sans modifications majeures de notre code de formation.

Produits d'eau Mueller

Mueller Water Products fabrique des vannes techniques, des bouches d'incendie, des produits de raccordement et de réparation de canalisations, des produits de comptage, des solutions de détection de fuites, et bien plus encore. L'entreprise a utilisé Amazon SageMaker pour développer une solution ML innovante permettant de détecter plus rapidement les fuites d'eau.

«Nous avons pour mission d'économiser 7.7 milliards de gallons d'eau perdue d'ici 2027», a déclaré Dave Johnston, directeur de l'infrastructure intelligente chez Mueller Water Products. « Grâce aux modèles ML construits sur Amazon SageMaker, nous avons amélioré la précision d'EchoShore-DX, notre système de détection d'anomalies acoustique. Nous pouvons ainsi informer plus rapidement les clients des services publics en cas de fuite. Cette solution a permis d'économiser environ 675 millions de gallons d'eau en 2021. Nous sommes ravis de continuer à utiliser les services AWS ML pour améliorer davantage notre portefeuille technologique et continuer à favoriser l'efficacité et la durabilité avec nos clients de services publics.

canva

Canva, créateur du populaire outil de conception et de publication en ligne, s'appuie sur la puissance d'Amazon SageMaker pour une mise en œuvre rapide.

« Pour que Canva puisse se développer à grande échelle, nous avions besoin d'un outil qui nous aiderait à lancer de nouvelles fonctionnalités sans aucun retard ni problème », a déclaré Greg Roodt, responsable des plateformes de données chez Canva. « L'adaptabilité d'Amazon SageMaker nous a permis de gérer davantage de tâches avec moins de ressources, ce qui s'est traduit par une charge de travail plus rapide et plus efficace. Cela a donné à notre équipe d’ingénieurs l’assurance que les fonctionnalités qu’elles lancent s’adapteront à leur cas d’utilisation. Avec Amazon SageMaker, nous avons déployé notre modèle de conversion texte-image en 2 semaines à l'aide d'une puissante infrastructure gérée, et nous sommes impatients d'étendre cette fonctionnalité à nos millions d'utilisateurs dans un avenir proche.

Inspirer

Inspire, un service d'informations sur les soins de santé centré sur le consommateur, s'appuie sur Amazon SageMaker pour fournir des informations exploitables permettant de meilleurs soins, traitements et résultats.

« Notre moteur de recommandation de contenu est un moteur majeur de notre proposition de valeur », a déclaré Brian Loew, PDG et fondateur d'Inspire. « Nous l'utilisons pour diriger nos utilisateurs (qui vivent dans des conditions particulières) vers des publications ou des articles pertinents et spécifiques. Avec Amazon SageMaker, nous pouvons facilement créer, former et déployer des modèles d'apprentissage profond. Notre solution ML sophistiquée, basée sur Amazon SageMaker, nous aide à améliorer la capacité de notre moteur de recommandation de contenu à suggérer du contenu pertinent à 2 millions d'utilisateurs enregistrés, en puisant dans notre bibliothèque de 1.5 milliard de mots sur 3,600 XNUMX conditions. Amazon SageMaker nous a permis de connecter avec précision les patients et les soignants avec du contenu et des ressources plus personnalisés, notamment des informations sur les maladies rares et des parcours de traitement.

ResMed

ResMed est l'un des principaux fournisseurs de solutions connectées au cloud pour les personnes souffrant d'apnée du sommeil, de BPCO, d'asthme et d'autres maladies chroniques. En 2014, ResMed a lancé MyAir, une plateforme et une application de gestion de thérapie personnalisée, permettant aux patients de suivre leur thérapie du sommeil.

« Avant Amazon SageMaker, tous les utilisateurs de MyAir recevaient les mêmes messages de l'application en même temps, quelle que soit leur condition », a déclaré Badri Raghavan, vice-président de la science des données chez ResMed. « Amazon SageMaker nous a permis d'interagir avec les patients via MyAir en fonction de l'appareil ResMed spécifique qu'ils utilisent, de leurs heures d'éveil et d'autres données contextuelles. Nous profitons de plusieurs fonctionnalités d'Amazon SageMaker pour former des pipelines de modèles et choisir des types de déploiement, y compris des inférences en temps quasi réel et par lots, afin de fournir un contenu personnalisé. Amazon SageMaker nous a permis d'atteindre notre objectif d'intégrer des capacités de ML dans le monde entier en déployant des modèles en quelques jours ou semaines, au lieu de plusieurs mois.

Verisk

Verisk fournit des informations analytiques expertes basées sur des données qui aident les entreprises, les personnes et les sociétés à devenir plus fortes, plus résilientes et plus durables. Il utilise Amazon SageMaker pour rationaliser les flux de travail de ML.

« Verisk et Vexcel travaillent en étroite collaboration pour stocker et traiter d'immenses quantités de données sur AWS, y compris les données d'imagerie aérienne ultra haute résolution de Vexcel capturées dans 26 pays à travers le monde », a déclaré Jeffrey C. Taylor, président de Verisk 3D Visual. Intelligence. « Amazon SageMaker nous aide à rationaliser le travail effectué par les équipes ML et MLOps, nous permettant de nous concentrer sur la satisfaction des besoins de nos clients, y compris les acteurs de l'immobilier dans les domaines de l'assurance, de l'immobilier, de la construction et au-delà.

Smartocto BV

Avec l'aide d'Amazon SageMaker, Smartocto BV fournit des analyses de contenu basées sur le ML à 350 salles de rédaction et sociétés de médias à travers le monde.

« À mesure que l'entreprise se développait, nous devions simplifier le déploiement de nos modèles ML, réduire les délais de mise sur le marché et élargir notre offre de produits », a déclaré Ilija Susa, directeur des données chez Smartocto. « Cependant, la combinaison de solutions open source et cloud pour auto-héberger nos charges de travail de ML prenait de plus en plus de temps à gérer. Nous avons migré nos modèles ML vers les points de terminaison Amazon SageMaker et, en moins de 3 mois, avons lancé Smartify, une nouvelle solution native AWS. Smartify utilise Amazon SageMaker pour fournir des analyses éditoriales prédictives en temps quasi réel, ce qui aide les clients à améliorer leur contenu et à élargir leur audience.

Visualfabriq

Visualfabriq propose une solution de gestion des revenus dotée de capacités d'intelligence artificielle appliquée à certaines des plus grandes entreprises mondiales de biens de consommation emballés. Il utilise Amazon SageMaker pour améliorer les performances et la précision des modèles ML à grande échelle.

« Nous voulions adapter notre pile technologique pour améliorer les performances et l'évolutivité et faciliter l'ajout, la mise à jour et le recyclage des modèles », a déclaré Jelle Verstraaten, chef d'équipe pour la prévision de la demande, l'intelligence artificielle et la gestion de la croissance des revenus chez Visualfabriq. « Le plus grand impact de la migration vers Amazon SageMaker a été une amélioration significative des performances de notre solution. En exécutant des inférences sur des serveurs dédiés, plutôt que sur des serveurs Web, notre solution est plus efficace et les coûts sont cohérents et transparents. Nous avons amélioré de 200 % le temps de réponse de notre service de prévision de la demande, qui prédit l'impact d'une action promotionnelle sur le volume des ventes d'un détaillant, et déployé une solution évolutive qui nécessite moins d'intervention manuelle et accélère l'intégration des nouveaux clients.

Sophos

Sophos, leader mondial des solutions et services de cybersécurité de nouvelle génération, utilise Amazon SageMaker pour former plus efficacement ses modèles ML.

« Notre puissante technologie détecte et élimine les fichiers astucieusement mêlés à des logiciels malveillants », a déclaré Konstantin Berlin, responsable de l'intelligence artificielle chez Sophos. « Cependant, l'utilisation de modèles XGBoost pour traiter des ensembles de données de plusieurs téraoctets prenait extrêmement beaucoup de temps, et parfois tout simplement n'était pas possible avec un espace mémoire limité. Avec la formation distribuée Amazon SageMaker, nous pouvons entraîner avec succès un modèle XGBoost léger qui est beaucoup plus petit sur le disque (jusqu'à 25 fois plus petit) et en mémoire (jusqu'à cinq fois plus petit) que son prédécesseur. Grâce au réglage automatique des modèles d'Amazon SageMaker et à la formation distribuée sur les instances Spot, nous pouvons modifier et recycler les modèles rapidement et plus efficacement sans ajuster l'infrastructure de formation sous-jacente requise pour évoluer vers des ensembles de données aussi volumineux.

Northwestern University

Les étudiants de l'Université Northwestern inscrits au programme de maîtrise ès sciences en intelligence artificielle (MSAI) ont pu visiter Laboratoire Amazon SageMaker Studio avant de l'utiliser lors d'un hackathon.

« La facilité d'utilisation d'Amazon SageMaker Studio Lab a permis aux étudiants d'appliquer rapidement leurs apprentissages pour créer des solutions créatives », a déclaré Mohammed Alam, directeur adjoint du programme MSAI. « Nous nous attendions à ce que les élèves rencontrent naturellement certains obstacles au cours de la courte compétition de 5 heures. Au lieu de cela, ils ont dépassé nos attentes non seulement en réalisant tous les projets, mais également en donnant des présentations impressionnantes dans lesquelles ils ont appliqué des concepts complexes de ML à d'importants problèmes du monde réel.

Rensselaer Polytechnic Institute

Le Rensselaer Polytechnic Institute (RPI), une université de recherche technologique de New York, utilise Amazon SageMaker Studio pour aider les étudiants à apprendre rapidement les concepts de ML.

"RPI possède l'un des superordinateurs les plus puissants au monde, mais l'IA a une courbe d'apprentissage abrupte", a déclaré Mohammed J. Zaki, professeur d'informatique. « Nous avions besoin d'un moyen permettant aux étudiants de démarrer de manière rentable. L'interface intuitive d'Amazon SageMaker Studio Lab a permis à nos étudiants de démarrer rapidement et leur a fourni un GPU puissant, leur permettant de travailler avec des modèles d'apprentissage profond complexes pour leurs projets de synthèse.

Institut d'enseignement professionnel de Hong Kong

Le département informatique de l'Institut d'enseignement professionnel de Hong Kong (Lee Wai Lee) utilise Amazon SageMaker Studio Lab pour offrir aux étudiants la possibilité de travailler sur des projets de ML réels.

« Nous utilisons Amazon SageMaker Studio Lab dans les cours de base liés au ML et à Python qui donnent aux étudiants une base solide dans de nombreuses technologies cloud », a déclaré Cyrus Wong, maître de conférences. « Amazon SageMaker Studio Lab permet à nos étudiants d'acquérir une expérience pratique de projets de science des données réels, sans s'enliser dans les configurations. Contrairement à d’autres fournisseurs, il s’agit d’une machine Linux destinée aux étudiants, leur permettant de faire beaucoup plus d’exercices de codage.

MapmyIndia

MapmyIndia, le principal fournisseur indien de cartes numériques, de logiciels géospatiaux et de technologies Internet des objets (IoT) basées sur la localisation, utilise Amazon SageMaker pour créer, former et déployer ses modèles ML.

« MapmyIndia et notre plate-forme mondiale, Mappls, offrent des analyses robustes, très précises et mondiales basées sur l'IA et la vision par ordinateur basées sur l'imagerie satellitaire et l'imagerie routière pour une multitude de cas d'utilisation, tels que la mesure du développement économique, de la croissance démographique, de l'agriculture. production, activité de construction, détection des panneaux de signalisation, segmentation des terrains et détection des changements de route », a déclaré Rohan Verma, PDG et directeur exécutif de MapmyIndia. « Notre capacité à créer, former et déployer des modèles avec rapidité et précision nous distingue. Nous sommes heureux de nous associer à AWS pour nos offres IA/ML et sommes enthousiasmés par la capacité d'Amazon SageMaker à évoluer rapidement.

SatSûr

SatSure, un leader indien des solutions d'intelligence décisionnelle utilisant des données d'observation de la Terre pour générer des informations, s'appuie sur Amazon SageMaker pour préparer et former des pétaoctets de données ML.

« Nous utilisons Amazon SageMaker pour traiter des pétaoctets d'ensembles de données EO, SIG, financières, textuelles et commerciales, en utilisant ses capacités IA/ML pour innover et faire évoluer nos modèles rapidement », a déclaré Prateep Basu, PDG de SatSure. « Nous utilisons AWS depuis 2017 et avons aidé des institutions financières à prêter à plus de 2 millions d'agriculteurs en Inde, au Nigeria et aux Philippines, tout en surveillant 1 million de kilomètres carrés chaque semaine.

Conclusion

Pour démarrer avec Amazon SageMaker, visitez aws.amazon.com/sagemaker.

---

À propos de l’auteur

Ankur Mehrotra a rejoint Amazon en 2008 et est actuellement directeur général d'Amazon SageMaker. Avant Amazon SageMaker, il a travaillé sur la création des systèmes publicitaires et de la technologie de tarification automatisée d'Amazon.com.