AWS Merayakan 5 Tahun Inovasi dengan Amazon SageMaker

Hanya dalam 5 tahun, puluhan ribu pelanggan telah mengetuk Amazon SageMaker untuk membuat jutaan model, melatih model dengan miliaran parameter, dan menghasilkan ratusan miliar prediksi bulanan.

Benih-benih perubahan paradigma pembelajaran mesin (ML) telah ada selama beberapa dekade, tetapi dengan ketersediaan kapasitas komputasi yang hampir tak terbatas, proliferasi data yang masif, dan kemajuan pesat teknologi ML, pelanggan di seluruh industri kini memiliki akses ke layanan transformasionalnya. manfaat. Untuk memanfaatkan peluang ini dan mengeluarkan ML dari lab penelitian dan masuk ke tangan organisasi, AWS membuat Amazon SageMaker. Tahun ini, kami merayakan peringatan 5 tahun Amazon SageMaker, layanan ML terkelola sepenuhnya unggulan kami, yang diluncurkan di AWS re:Invent 2017 dan kemudian menjadi salah satu layanan dengan pertumbuhan tercepat dalam sejarah AWS.

AWS meluncurkan Amazon SageMaker untuk mendobrak hambatan ML dan mendemokratisasikan akses ke teknologi mutakhir. Saat ini, kesuksesan itu mungkin tampak tak terelakkan, tetapi pada tahun 2017, ML masih membutuhkan keterampilan khusus yang biasanya dimiliki oleh sekelompok pengembang, peneliti, PhD, atau perusahaan terbatas yang membangun bisnis mereka di sekitar ML. Sebelumnya, pengembang dan ilmuwan data harus terlebih dahulu memvisualisasikan, mengubah, dan memproses data terlebih dahulu ke dalam format yang dapat digunakan algoritme untuk melatih model, yang memerlukan daya komputasi dalam jumlah besar, periode pelatihan yang lama, dan tim khusus untuk mengelola lingkungan yang sering mencakup beberapa GPU- server yang diaktifkan—dan sejumlah penyetelan kinerja manual yang sehat. Selain itu, menerapkan model terlatih dalam aplikasi memerlukan serangkaian keterampilan khusus yang berbeda dalam desain aplikasi dan sistem terdistribusi. Ketika kumpulan data dan variabel tumbuh, perusahaan harus mengulangi proses ini untuk belajar dan berevolusi dari informasi baru karena model lama menjadi usang. Tantangan dan hambatan ini membuat ML berada di luar jangkauan sebagian besar orang kecuali untuk organisasi dan lembaga penelitian yang didanai dengan baik.

Fajar era baru dalam pembelajaran mesin

Itulah sebabnya kami memperkenalkan Amazon SageMaker, layanan terkelola ML unggulan kami yang memungkinkan pengembang, ilmuwan data, dan analis bisnis menyiapkan data dengan cepat dan mudah, serta membangun, melatih, dan menerapkan model ML berkualitas tinggi dalam skala besar. Dalam 5 tahun terakhir, kami telah menambahkan lebih dari 250 fitur dan kemampuan baru, termasuk lingkungan pengembangan terintegrasi (IDE) pertama di dunia untuk ML, debugger, monitor model, profiler, AutoML, penyimpanan fitur, kemampuan tanpa kode, dan alat integrasi berkelanjutan dan pengiriman berkelanjutan (CI/CD) pertama yang dibuat khusus untuk membuat ML tidak terlalu rumit dan lebih skalabel di cloud dan perangkat edge.

Pada tahun 2021, kami mendorong demokratisasi lebih jauh untuk menempatkan ML dalam jangkauan lebih banyak pengguna. Amazon SageMaker memungkinkan lebih banyak kelompok orang untuk membuat model ML, termasuk lingkungan tanpa kode di Kanvas Amazon SageMaker untuk analis bisnis tanpa pengalaman ML, serta lingkungan ML tanpa penyiapan dan tanpa biaya bagi siswa untuk belajar dan bereksperimen dengan ML lebih cepat.

Saat ini, pelanggan dapat berinovasi dengan Amazon SageMaker melalui pilihan alat—IDE untuk ilmuwan data dan antarmuka tanpa kode untuk analis bisnis. Mereka dapat mengakses, memberi label, dan memproses sejumlah besar data terstruktur (data tabular) dan data tidak terstruktur (foto, video, dan audio) untuk ML. Dengan Amazon SageMaker, pelanggan dapat mengurangi waktu pelatihan dari jam ke menit dengan infrastruktur yang dioptimalkan. Terakhir, pelanggan Anda dapat mengotomatiskan dan menstandarkan praktik operasi pembelajaran mesin (MLOps) di seluruh organisasi mereka untuk membangun, melatih, menerapkan, dan mengelola model dalam skala besar.

Fitur baru untuk inovasi generasi berikutnya

Ke depan, AWS terus secara agresif mengembangkan fitur baru yang dapat membantu pelanggan membawa ML lebih jauh. Misalnya, titik akhir multi-model (MME) Amazon SageMaker memungkinkan pelanggan untuk menerapkan ribuan model ML pada titik akhir Amazon SageMaker tunggal dan menurunkan biaya dengan berbagi instans yang disediakan di belakang titik akhir di semua model. Sampai saat ini, MME hanya didukung pada CPU, tetapi, MME Amazon SageMaker sekarang mendukung GPU. Pelanggan dapat menggunakan Amazon SageMaker MME untuk menerapkan model pembelajaran mendalam pada instans GPU dan menghemat hingga 90% biaya dengan menerapkan ribuan model pembelajaran mendalam ke titik akhir multi-model tunggal. Amazon SageMaker juga telah memperluas dukungan untuk komputasi yang dioptimalkan Cloud komputasi elastis Amazon Instans (Amazon EC2) didukung oleh AWS Graviton 2 dan Graviton 3 prosesor, yang sangat cocok untuk inferensi ML berbasis CPU, sehingga pelanggan dapat menerapkan model pada jenis instans yang optimal untuk beban kerja mereka.

Pelanggan Amazon SageMaker melepaskan kekuatan pembelajaran mesin

Setiap hari, pelanggan dari semua ukuran dan di semua industri beralih ke Amazon SageMaker untuk bereksperimen, berinovasi, dan menerapkan model ML dalam waktu yang lebih singkat dan dengan biaya lebih rendah dari sebelumnya. Akibatnya, percakapan kini beralih dari seni kemungkinan ke tingkat produktivitas baru dengan ML. Saat ini, pelanggan seperti Capital One dan Fannie Mae di bidang jasa keuangan, Philips dan AstraZeneca di bidang kesehatan dan ilmu kehidupan, Conde Nast dan Thomson Reuters di bidang media, NFL dan Formula 1 di bidang olahraga, Amazon dan Mercado Libre di bidang ritel, serta Siemens dan Bayer di bidang sektor industri menggunakan layanan ML di AWS untuk mempercepat inovasi bisnis. Mereka bergabung dengan puluhan ribu pelanggan Amazon SageMaker lainnya yang menggunakan layanan untuk mengelola jutaan model, melatih model dengan miliaran parameter, dan membuat ratusan miliar prediksi setiap bulan.

Lebih banyak inovasi menunggu. Namun sementara itu, kami berhenti sejenak untuk bersulang atas banyak keberhasilan yang telah dicapai pelanggan kami.

Thomson Reuters

Thomson Reuters, penyedia layanan informasi bisnis terkemuka, memanfaatkan kekuatan Amazon SageMaker untuk menciptakan layanan yang lebih intuitif bagi pelanggan mereka.

“Kami terus mencari solusi berbasis AI yang solid yang memberikan pengembalian investasi jangka panjang yang positif,” kata Danilo Tommasina, Direktur Teknik di Thomson Reuters Labs. “Amazon SageMaker adalah pusat dari pekerjaan R&D AI kami. Ini memungkinkan kami untuk secara efektif membawa penelitian ke dalam solusi yang matang dan sangat otomatis. Dengan Amazon SageMaker Studio, peneliti dan insinyur dapat fokus pada pemecahan masalah bisnis dengan semua alat yang diperlukan untuk alur kerja ML mereka dalam satu IDE. Kami melakukan semua aktivitas pengembangan ML kami, termasuk notebook, manajemen eksperimen, otomatisasi pipeline ML, dan debugging langsung dari dalam Amazon SageMaker Studio.”

Salesforce

Salesforce, platform CRM terkemuka di dunia, baru-baru ini mengumumkan integrasi baru yang memungkinkan penggunaan Amazon SageMaker bersama Einstein, teknologi AI Salesforce.

“Salesforce Einstein adalah AI komprehensif pertama untuk CRM dan memungkinkan setiap perusahaan menjadi lebih cerdas dan lebih prediktif tentang pelanggan mereka melalui serangkaian teknologi AI terintegrasi untuk penjualan, pemasaran, perdagangan, layanan, dan TI,” kata Rahul Auradkar, EVP Einstein dan Layanan Data Terpadu di Salesforce. “Salah satu tantangan terbesar yang dihadapi perusahaan saat ini adalah data mereka tertutup. Sulit untuk menyatukan data untuk memberikan keterlibatan pelanggan secara real time di semua titik kontak dan mendapatkan wawasan bisnis yang berarti. Didukung oleh Genie, platform data pelanggan real-time Salesforce, integrasi Salesforce dan Amazon SageMaker memungkinkan tim data dengan akses tanpa batas ke data pelanggan terpadu dan harmonis untuk membangun dan melatih model ML di Amazon SageMaker. Dan setelah diterapkan, model Amazon SageMaker ini dapat digunakan dengan Einstein untuk memperkuat prediksi dan wawasan di seluruh Platform Salesforce. Seiring berkembangnya AI, kami terus meningkatkan Einstein dengan membawa model Anda sendiri (BYOM) untuk bertemu dengan pengembang dan ilmuwan data di tempat mereka bekerja.”

Meta AI

Meta AI adalah laboratorium kecerdasan buatan milik Meta Platforms Inc.

“Meta AI telah berkolaborasi dengan AWS untuk meningkatkan torch.distributed guna membantu pengembang menskalakan pelatihan mereka menggunakan Amazon SageMaker dan instans berbasis Trainium,” kata Geeta Chauhan, Manajer Rekayasa AI Terapan di Meta AI. “Dengan peningkatan ini, kami telah melihat pengurangan waktu pelatihan untuk model besar berdasarkan pengujian kami. Kami senang melihat Amazon SageMaker mendukung pelatihan terdistribusi PyTorch untuk mempercepat inovasi ML.”

Tyson Makanan Inc.

Tyson Foods Inc., salah satu pengolah dan pemasar daging terbesar di dunia, mengandalkan Amazon SageMaker, Kebenaran Dasar Amazon SageMaker, dan Panorama AWS untuk meningkatkan efisiensi.

“Keunggulan operasional adalah prioritas utama di Tyson Foods,” kata Barret Miller, Manajer Senior Teknologi Berkembang di Tyson Foods Inc. “Kami menggunakan visi komputer yang diberdayakan oleh ML di AWS untuk meningkatkan efisiensi produksi, mengotomatiskan proses, dan meningkatkan waktu atau tugas yang rawan kesalahan. Kami berkolaborasi dengan Amazon Machine Learning Solutions Lab untuk membuat model deteksi objek tercanggih menggunakan Amazon SageMaker Ground Truth dan AWS Panorama. Dengan solusi ini, kami menerima wawasan hampir real-time yang membantu kami menghasilkan inventaris yang kami butuhkan sambil meminimalkan pemborosan.”

Autodesk

AutoCAD adalah desain berbantuan komputer komersial dan aplikasi perangkat lunak penyusunan dari Autodesk. AutoCAD mengandalkan Amazon SageMaker untuk mengoptimalkan proses desain generatifnya.

“Kami ingin memberdayakan pelanggan AutoCAD untuk menjadi lebih efisien dengan memberikan tip dan wawasan penggunaan yang dipersonalisasi pada saat itu juga, memastikan waktu yang mereka habiskan di AutoCAD seproduktif mungkin,” kata Dania El Hassan, Direktur Manajemen Produk untuk AutoCAD , di Autodesk. “Amazon SageMaker adalah alat penting yang membantu kami memberikan perintah proaktif dan rekomendasi pintasan kepada pengguna kami, memungkinkan mereka mencapai hasil desain baru yang kuat.”

Torc.ai

Dengan bantuan Amazon SageMaker dan perpustakaan paralel data terdistribusi (SMDDP) Amazon SageMaker, Torc.ai, pemimpin kendaraan otonom sejak tahun 2005, mengkomersialkan truk swakemudi untuk transit jarak jauh yang aman, berkelanjutan, di industri pengangkutan.

“Tim saya sekarang dapat dengan mudah menjalankan pekerjaan pelatihan terdistribusi skala besar menggunakan pelatihan model Amazon SageMaker dan perpustakaan paralel data terdistribusi (SMDDP) Amazon SageMaker, yang melibatkan terabyte data pelatihan dan model dengan jutaan parameter,” kata Derek Johnson, Wakil Presiden Teknik di Torc.ai. “Amazon SageMaker mendistribusikan pelatihan model dan SMDDP telah membantu kami menskalakan dengan mulus tanpa harus mengelola infrastruktur pelatihan. Ini mengurangi waktu kami untuk melatih model dari beberapa hari menjadi beberapa jam, memungkinkan kami untuk mengompresi siklus desain kami dan menghadirkan kemampuan kendaraan otonom baru ke armada kami lebih cepat dari sebelumnya.”

Penelitian AI LG

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

“Kami baru-baru ini memulai debutnya Tilda, artis AI yang didukung oleh EXAONE, sistem AI super raksasa yang dapat memproses 250 juta kumpulan data pasangan gambar-teks definisi tinggi,” kata Seung Hwan Kim, Wakil Presiden dan Pemimpin Vision Lab di LG AI Research. “AI multi-modalitas memungkinkan Tilda untuk membuat gambar baru dengan sendirinya, dengan kemampuannya untuk menjelajah di luar bahasa yang dirasakannya. Amazon SageMaker sangat penting dalam mengembangkan EXAONE, karena penskalaan dan kemampuan pelatihannya yang terdistribusi. Secara khusus, karena komputasi besar yang diperlukan untuk melatih AI super raksasa ini, pemrosesan paralel yang efisien sangat penting. Kami juga perlu terus mengelola data berskala besar dan fleksibel untuk merespons data yang baru diperoleh. Dengan menggunakan pelatihan model Amazon SageMaker dan perpustakaan pelatihan terdistribusi, kami mengoptimalkan pelatihan terdistribusi dan melatih model 59% lebih cepat—tanpa modifikasi besar pada kode pelatihan kami.”

Produk Air Mueller

Mueller Water Products memproduksi katup rekayasa, hidran kebakaran, sambungan pipa dan produk perbaikan, produk pengukuran, solusi pendeteksi kebocoran, dan banyak lagi. Itu menggunakan Amazon SageMaker untuk mengembangkan solusi ML inovatif untuk mendeteksi kebocoran air lebih cepat.

“Kami sedang dalam misi untuk menghemat 7.7 miliar galon air yang hilang pada tahun 2027,” kata Dave Johnston, Direktur Smart Infrastructure di Mueller Water Products. “Berkat model ML yang dibangun di Amazon SageMaker, kami telah meningkatkan presisi EchoShore-DX, sistem deteksi anomali berbasis akustik kami. Hasilnya, kami dapat memberi tahu pelanggan utilitas lebih cepat ketika terjadi kebocoran. Solusi ini telah menghemat sekitar 675 juta galon air pada tahun 2021. Kami bersemangat untuk terus menggunakan layanan AWS ML untuk lebih meningkatkan portofolio teknologi kami dan terus mendorong efisiensi dan keberlanjutan dengan pelanggan utilitas kami.”

Canva

Canva, pembuat alat desain dan penerbitan online populer, mengandalkan kekuatan Amazon SageMaker untuk implementasi yang cepat.

“Agar Canva tumbuh dalam skala besar, kami membutuhkan alat untuk membantu kami meluncurkan fitur baru tanpa penundaan atau masalah apa pun,” kata Greg Roodt, Kepala Platform Data di Canva. “Kemampuan beradaptasi Amazon SageMaker memungkinkan kami mengelola lebih banyak tugas dengan sumber daya yang lebih sedikit, menghasilkan beban kerja yang lebih cepat dan efisien. Hal ini membuat tim teknisi kami yakin bahwa fitur yang mereka luncurkan akan disesuaikan dengan kasus penggunaan mereka. Dengan Amazon SageMaker, kami menerapkan model teks-ke-gambar kami dalam 2 minggu menggunakan infrastruktur terkelola yang andal, dan kami berharap dapat memperluas fitur ini ke jutaan pengguna kami dalam waktu dekat.”

Mengilhami

Inspire, layanan informasi perawatan kesehatan yang berfokus pada konsumen, mengandalkan Amazon SageMaker untuk memberikan wawasan yang dapat ditindaklanjuti untuk perawatan, perawatan, dan hasil yang lebih baik.

“Mesin rekomendasi konten kami adalah pendorong utama proposisi nilai kami,” kata Brian Loew, Chief Executive Officer dan pendiri Inspire. “Kami menggunakannya untuk mengarahkan pengguna kami (yang hidup dengan kondisi tertentu) ke posting atau artikel yang relevan dan spesifik. Dengan Amazon SageMaker, kita dapat dengan mudah membangun, melatih, dan menerapkan model pembelajaran mendalam. Solusi ML kami yang canggih—berdasarkan Amazon SageMaker—membantu kami meningkatkan kemampuan mesin rekomendasi konten kami untuk menyarankan konten yang relevan kepada 2 juta pengguna terdaftar, menarik 1.5 miliar kata dari perpustakaan kami dengan 3,600 kondisi. Amazon SageMaker telah memungkinkan kami untuk menghubungkan pasien dan perawat secara akurat dengan konten dan sumber daya yang lebih dipersonalisasi—termasuk informasi penyakit langka dan jalur pengobatan.”

RESMed

ResMed adalah penyedia terkemuka solusi cloud-connected untuk orang-orang dengan sleep apnea, COPD, asma, dan kondisi kronis lainnya. Pada tahun 2014, ResMed meluncurkan MyAir, platform dan aplikasi manajemen terapi yang dipersonalisasi, bagi pasien untuk melacak terapi tidur.

“Sebelum Amazon SageMaker, semua pengguna MyAir menerima pesan yang sama dari aplikasi secara bersamaan, terlepas dari kondisinya,” kata Badri Raghavan, Wakil Presiden Ilmu Data di ResMed. “Amazon SageMaker telah memungkinkan kami untuk berinteraksi dengan pasien melalui MyAir berdasarkan perangkat ResMed tertentu yang mereka gunakan, jam bangun mereka, dan data kontekstual lainnya. Kami memanfaatkan beberapa fitur Amazon SageMaker untuk melatih model pipeline dan memilih jenis penerapan, termasuk inferensi batch dan hampir real-time, untuk mengirimkan konten yang disesuaikan. Amazon SageMaker telah memungkinkan kami mencapai tujuan kami untuk menyematkan kemampuan ML di seluruh dunia dengan menerapkan model dalam hitungan hari atau minggu, bukan bulan.”

verisk

Verisk memberikan wawasan analitik berbasis data ahli yang membantu bisnis, orang, dan masyarakat menjadi lebih kuat, lebih tangguh, dan berkelanjutan. Ini menggunakan Amazon SageMaker untuk merampingkan alur kerja ML.

“Verisk dan Vexcel bekerja sama erat untuk menyimpan dan memproses sejumlah besar data di AWS, termasuk data citra udara resolusi ultra-tinggi Vexcel yang diambil di 26 negara di seluruh dunia,” kata Jeffrey C. Taylor, Presiden di Verisk 3D Visual Intelijen. “Amazon SageMaker membantu kami merampingkan pekerjaan yang dilakukan tim ML dan MLOps, memungkinkan kami untuk fokus melayani kebutuhan pelanggan kami, termasuk pemangku kepentingan properti nyata dalam asuransi, real estat, konstruksi, dan seterusnya.”

Smartocto BV

Dengan bantuan Amazon SageMaker, Smartocto BV menyediakan analitik konten yang digerakkan oleh ML ke 350 ruang redaksi dan perusahaan media di seluruh dunia.

“Karena bisnis sedang berkembang, kami perlu menyederhanakan penerapan model ML kami, mengurangi waktu ke pasar, dan memperluas penawaran produk kami,” kata Ilija Susa, Chief Data Officer di Smartocto. “Namun, kombinasi solusi open-source dan cloud untuk menghosting sendiri beban kerja ML kami semakin memakan waktu untuk dikelola. Kami memigrasikan model ML kami ke titik akhir Amazon SageMaker dan, dalam waktu kurang dari 3 bulan, meluncurkan Smartify, solusi asli AWS baru. Smartify menggunakan Amazon SageMaker untuk menyediakan analitik editorial prediktif hampir secara real time, yang membantu pelanggan meningkatkan konten mereka dan memperluas audiens mereka.”

Visualfabriq

Visualfabriq menawarkan solusi manajemen pendapatan dengan kemampuan kecerdasan buatan yang diterapkan ke beberapa perusahaan barang kemasan konsumen terkemuka di dunia. Ini menggunakan Amazon SageMaker untuk meningkatkan kinerja dan akurasi model ML dalam skala besar.

“Kami ingin mengadaptasi tumpukan teknologi kami untuk meningkatkan kinerja dan skalabilitas serta membuat model lebih mudah untuk ditambahkan, diperbarui, dan dilatih ulang,” kata Jelle Verstraaten, Ketua Tim untuk Perkiraan Permintaan, Kecerdasan Buatan, dan Manajemen Pertumbuhan Pendapatan di Visualfabriq. “Dampak terbesar dari migrasi ke Amazon SageMaker adalah peningkatan kinerja yang signifikan untuk solusi kami. Dengan menjalankan inferensi pada server khusus, alih-alih server web, solusi kami lebih efisien, dan biayanya konsisten dan transparan. Kami meningkatkan waktu respons layanan perkiraan permintaan kami—yang memprediksi dampak tindakan promosi pada volume penjualan pengecer—sebesar 200%, dan menerapkan solusi skalabel yang memerlukan lebih sedikit intervensi manual dan mempercepat orientasi pelanggan baru.”

Sophos

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

“Teknologi canggih kami mendeteksi dan menghilangkan file yang secara licik dicampur dengan malware,” kata Konstantin Berlin, Kepala Kecerdasan Buatan di Sophos. “Mempekerjakan model XGBoost untuk memproses kumpulan data berukuran beberapa terabyte, bagaimanapun, sangat memakan waktu—dan terkadang tidak mungkin dilakukan dengan ruang memori yang terbatas. Dengan pelatihan terdistribusi Amazon SageMaker, kami berhasil melatih model XGBoost ringan yang jauh lebih kecil pada disk (hingga 25 kali lebih kecil) dan dalam memori (hingga lima kali lebih kecil) daripada pendahulunya. Dengan menggunakan penyetelan model otomatis Amazon SageMaker dan pelatihan terdistribusi pada Instans Spot, kami dapat dengan cepat dan lebih efektif memodifikasi dan melatih kembali model tanpa menyesuaikan infrastruktur pelatihan dasar yang diperlukan untuk menskalakan ke set data sebesar itu.”

Northwestern University

Mahasiswa dari Northwestern University dalam program Master of Science in Artificial Intelligence (MSAI) diberikan tur Lab Studio Amazon SageMaker sebelum menggunakannya selama hackathon.

“Kemudahan penggunaan Amazon SageMaker Studio Lab memungkinkan siswa menerapkan pembelajaran mereka dengan cepat untuk membangun solusi kreatif,” kata Mohammed Alam, Wakil Direktur program MSAI. “Kami mengharapkan siswa secara alami menghadapi beberapa rintangan selama kompetisi singkat 5 jam. Sebaliknya, mereka melebihi harapan kami dengan tidak hanya menyelesaikan semua proyek tetapi juga memberikan presentasi yang mengesankan di mana mereka menerapkan konsep ML yang kompleks untuk masalah dunia nyata yang penting.”

Rensselaer Polytechnic Institute

Rensselaer Polytechnic Institute (RPI), universitas riset teknologi New York, menggunakan Amazon SageMaker Studio untuk membantu siswa mempelajari konsep ML dengan cepat.

“RPI memiliki salah satu superkomputer paling kuat di dunia, tetapi AI memiliki kurva pembelajaran yang curam,” kata Mohammed J. Zaki, Profesor Ilmu Komputer. “Kami membutuhkan cara bagi siswa untuk memulai dengan biaya yang efektif. Antarmuka intuitif Amazon SageMaker Studio Lab memungkinkan siswa kami untuk memulai dengan cepat dan menyediakan GPU yang kuat, memungkinkan mereka untuk bekerja dengan model pembelajaran mendalam yang kompleks untuk proyek batu penjuru mereka.”

Institut Pendidikan Kejuruan Hong Kong

Departemen TI Institut Pendidikan Kejuruan Hong Kong (Lee Wai Lee) menggunakan Amazon SageMaker Studio Lab untuk menawarkan kesempatan kepada siswa untuk mengerjakan proyek ML dunia nyata.

“Kami menggunakan Amazon SageMaker Studio Lab dalam kursus dasar terkait ML dan Python yang memberi siswa dasar yang kuat dalam banyak teknologi cloud,” kata Cyrus Wong, Dosen Senior. “Amazon SageMaker Studio Lab memungkinkan siswa kami mendapatkan pengalaman langsung dengan proyek ilmu data dunia nyata, tanpa terjebak dalam penyiapan atau konfigurasi. Tidak seperti vendor lain, ini adalah mesin Linux untuk siswa, memungkinkan mereka untuk melakukan lebih banyak latihan pengkodean.”

PetamyIndia

MapmyIndia, penyedia peta digital, perangkat lunak geospasial, dan teknologi Internet of Things (IoT) berbasis lokasi terkemuka di India, menggunakan Amazon SageMaker untuk membangun, melatih, dan menerapkan model ML-nya.

“MapmyIndia dan platform global kami, Mappls, menawarkan AI yang kuat, sangat akurat, dan di seluruh dunia serta analisis berbasis satelit dan citra jalan berbasis komputer untuk sejumlah kasus penggunaan, seperti mengukur perkembangan ekonomi, pertumbuhan populasi, pertanian output, aktivitas konstruksi, deteksi rambu jalan, segmentasi lahan, dan deteksi perubahan jalan,” kata Rohan Verma, Chief Executive Officer dan Direktur Eksekutif MapmyIndia. “Kemampuan kami untuk membuat, melatih, dan menerapkan model dengan kecepatan dan akurasi membedakan kami. Kami senang bermitra dengan AWS untuk penawaran AI/ML kami dan sangat senang dengan kemampuan Amazon SageMaker untuk menskalakan ini dengan cepat.”

SatTentu

SatSure, pemimpin dalam solusi intelijen keputusan berbasis di India yang menggunakan data observasi Bumi untuk menghasilkan wawasan, mengandalkan Amazon SageMaker untuk menyiapkan dan melatih data ML berukuran petabyte.

“Kami menggunakan Amazon SageMaker untuk mengolah petabyte dataset EO, GIS, keuangan, tekstual, dan bisnis, menggunakan kemampuan AI/ML-nya untuk berinovasi dan menskalakan model kami dengan cepat,” kata Prateep Basu, Chief Executive Officer di SatSure. “Kami telah menggunakan AWS sejak 2017, dan kami telah membantu lembaga keuangan memberikan pinjaman kepada lebih dari 2 juta petani di seluruh India, Nigeria, dan Filipina, sambil memantau 1 juta kilometer persegi setiap minggu.”

Kesimpulan

Untuk memulai dengan Amazon SageMaker, kunjungi aws.amazon.com/sagemaker.

---

tentang Penulis

Ankur Mehrotra bergabung dengan Amazon pada tahun 2008 dan saat ini menjabat sebagai General Manager Amazon SageMaker. Sebelum Amazon SageMaker, dia bekerja membangun sistem periklanan Amazon.com dan teknologi penetapan harga otomatis.