AWS świętuje 5 lat innowacji z Amazon SageMaker

W ciągu zaledwie 5 lat skorzystały z niego dziesiątki tysięcy klientów Amazon Sage Maker tworzyć miliony modeli, trenować modele z miliardami parametrów i generować setki miliardów miesięcznych prognoz.

Zalążki zmiany paradygmatu uczenia maszynowego (ML) istniały przez dziesięciolecia, ale dzięki łatwej dostępności praktycznie nieskończonej mocy obliczeniowej, ogromnej proliferacji danych i szybkiemu postępowi technologii ML, klienci z różnych branż mają teraz dostęp do jego transformacyjnych korzyści. Aby wykorzystać tę szansę i przenieść ML z laboratorium badawczego w ręce organizacji, AWS stworzył Amazon SageMaker. W tym roku świętujemy 5-lecie Amazon SageMaker, naszej flagowej w pełni zarządzanej usługi ML, która została uruchomiona na AWS re:Invent 2017 i stała się jedną z najszybciej rozwijających się usług w historii AWS.

AWS uruchomiła Amazon SageMaker, aby przełamać bariery w ML i zdemokratyzować dostęp do najnowocześniejszych technologii. Dziś ten sukces mógł wydawać się nieunikniony, ale w 2017 r. ML nadal wymagało specjalistycznych umiejętności posiadanych zwykle przez ograniczoną grupę programistów, badaczy, doktorów lub firmy, które zbudowały swoją działalność wokół ML. Wcześniej programiści i analitycy danych musieli najpierw wizualizować, przekształcać i wstępnie przetwarzać dane do formatów, których algorytmy mogłyby używać do trenowania modeli, co wymagało ogromnych ilości mocy obliczeniowej, długich okresów szkolenia i dedykowanych zespołów do zarządzania środowiskami, które często obejmowały wiele procesorów graficznych. włączone serwery — i zdrowa ilość ręcznego dostrajania wydajności. Ponadto wdrożenie wyszkolonego modelu w aplikacji wymagało innego zestawu specjalistycznych umiejętności w zakresie projektowania aplikacji i systemów rozproszonych. Wraz ze wzrostem zbiorów danych i zmiennych firmy musiały powtarzać ten proces, aby uczyć się i ewoluować na podstawie nowych informacji, ponieważ starsze modele stawały się przestarzałe. Te wyzwania i bariery sprawiły, że ML była poza zasięgiem większości z wyjątkiem dobrze finansowanych organizacji i instytucji badawczych.

Świt nowej ery w uczeniu maszynowym

Dlatego wprowadziliśmy Amazon SageMaker, naszą flagową usługę zarządzaną przez ML, która umożliwia programistom, analitykom danych i analitykom biznesowym szybkie i łatwe przygotowywanie danych oraz tworzenie, trenowanie i wdrażanie wysokiej jakości modeli ML na dużą skalę. W ciągu ostatnich 5 lat dodaliśmy ponad 250 nowych funkcji i możliwości, w tym pierwsze na świecie zintegrowane środowisko programistyczne (IDE) dla ML, debugery, monitory modeli, profilery, AutoML, magazyn funkcji, możliwości bez kodu i pierwsze specjalnie zaprojektowane narzędzie do ciągłej integracji i ciągłego dostarczania (CI/CD), które sprawia, że ​​ML jest mniej złożona i bardziej skalowalna w chmurze i na urządzeniach brzegowych.

W 2021 r. posunęliśmy demokratyzację jeszcze bardziej, aby ML znalazła się w zasięgu większej liczby użytkowników. Amazon SageMaker umożliwia większej liczbie grup osób tworzenie modeli ML, w tym środowiska bez kodu w Płótno Amazon SageMaker dla analityków biznesowych bez doświadczenia w ML, a także bezkonfiguracyjne i bezpłatne środowisko ML, umożliwiające studentom szybsze uczenie się i eksperymentowanie z ML.

Dzisiaj klienci mogą wprowadzać innowacje z Amazon SageMaker za pomocą wyboru narzędzi — IDE dla analityków danych i interfejsu bez kodu dla analityków biznesowych. Mogą uzyskiwać dostęp, oznaczać i przetwarzać duże ilości danych strukturalnych (danych tabelarycznych) i danych niestrukturalnych (zdjęć, wideo i audio) dla ML. Dzięki Amazon SageMaker klienci mogą skrócić czas szkolenia z godzin do minut dzięki zoptymalizowanej infrastrukturze. Wreszcie klienci mogą zautomatyzować i standaryzować praktyki operacji uczenia maszynowego (MLOps) w całej organizacji, aby budować, szkolić, wdrażać i zarządzać modelami na dużą skalę.

Nowe funkcje dla następnej generacji innowacji

Idąc dalej, AWS nadal intensywnie rozwija nowe funkcje, które mogą pomóc klientom w dalszym rozwoju ML. Na przykład wielomodelowe punkty końcowe Amazon SageMaker (MME) pozwalają klientom wdrażać tysiące modeli ML na jednym punkcie końcowym Amazon SageMaker i obniżać koszty, udostępniając instancje udostępniane za punktem końcowym we wszystkich modelach. Do niedawna MME były obsługiwane tylko przez procesory, ale MME Amazon SageMaker obsługują teraz procesory graficzne. Klienci mogą używać Amazon SageMaker MME do wdrażania modeli uczenia głębokiego na instancjach GPU i zaoszczędzić do 90% kosztów, wdrażając tysiące modeli uczenia głębokiego w jednym wielomodelowym punkcie końcowym. Amazon SageMaker rozszerzył również obsługę zoptymalizowanych obliczeniowo Elastyczna chmura obliczeniowa Amazon (Amazon EC2) instancje obsługiwane przez AWS Graviton 2 i Graviton 3 procesory, które są dobrze dostosowane do wnioskowania opartego na procesorach ML, dzięki czemu klienci mogą wdrażać modele w optymalnym typie wystąpienia dla swoich obciążeń.

Klienci Amazon SageMaker uwalniają moc uczenia maszynowego

Każdego dnia klienci każdej wielkości i ze wszystkich branż zwracają się do Amazon SageMaker, aby eksperymentować, wprowadzać innowacje i wdrażać modele ML w krótszym czasie i przy niższych kosztach niż kiedykolwiek. W rezultacie rozmowy przesuwają się od sztuki tego, co możliwe, do uwolnienia nowych poziomów produktywności dzięki ML. Obecnie klienci tacy jak Capital One i Fannie Mae w usługach finansowych, Philips i AstraZeneca w opiece zdrowotnej i naukach przyrodniczych, Conde Nast i Thomson Reuters w mediach, NFL i Formuła 1 w sporcie, Amazon i Mercado Libre w handlu detalicznym oraz Siemens i Bayer w sektor przemysłowy korzysta z usług ML w AWS w celu przyspieszenia innowacji biznesowych. Dołączają do dziesiątek tysięcy innych klientów Amazon SageMaker korzystających z usługi do zarządzania milionami modeli, trenowania modeli z miliardami parametrów i dokonywania setek miliardów prognoz każdego miesiąca.

Więcej innowacji czeka. Ale w międzyczasie zatrzymujemy się, aby wznieść toast za liczne sukcesy, które osiągnęli nasi klienci.

Thomson Reuters

Thomson Reuters, wiodący dostawca usług informacji biznesowej, wykorzystuje moc Amazon SageMaker, aby tworzyć bardziej intuicyjne usługi dla swoich klientów.

„Nieustannie poszukujemy solidnych rozwiązań opartych na sztucznej inteligencji, które zapewniają długoterminowy pozytywny zwrot z inwestycji” — powiedział Danilo Tommasina, dyrektor ds. inżynierii w Thomson Reuters Labs. „Amazon SageMaker ma kluczowe znaczenie dla naszych prac badawczo-rozwojowych nad sztuczną inteligencją. Pozwala nam to skutecznie wprowadzać badania w kierunku dojrzałych i wysoce zautomatyzowanych rozwiązań. Dzięki Amazon SageMaker Studio badacze i inżynierowie mogą skupić się na rozwiązywaniu problemów biznesowych za pomocą wszystkich narzędzi potrzebnych do ich przepływu pracy ML w jednym środowisku IDE. Wszystkie nasze działania związane z rozwojem ML, w tym tworzenie notatników, zarządzanie eksperymentami, automatyzację potoku ML i debugowanie, wykonujemy bezpośrednio z poziomu Amazon SageMaker Studio”.

Salesforce

Salesforce, wiodąca na świecie platforma CRM, ogłosiła niedawno nowe integracje, które umożliwią korzystanie z Amazon SageMaker wraz z Einstein, technologią AI Salesforce.

„Salesforce Einstein to pierwsza wszechstronna sztuczna inteligencja dla CRM i umożliwia każdej firmie inteligentniejsze i bardziej przewidywalne podejście do swoich klientów dzięki zintegrowanemu zestawowi technologii sztucznej inteligencji dla sprzedaży, marketingu, handlu, usług i IT” – powiedział Rahul Auradkar, wiceprezes firmy Einstein i ujednolicone usługi danych w Salesforce. „Jednym z największych wyzwań, przed jakimi stają dziś firmy, jest silosowanie ich danych. Trudno jest zebrać dane, aby zapewnić zaangażowanie klientów w czasie rzeczywistym we wszystkich punktach kontaktu i zebrać znaczące informacje biznesowe. Oparta na Genie, platformie danych klientów w czasie rzeczywistym Salesforce, integracja Salesforce i Amazon SageMaker umożliwia zespołom danych bezproblemowy dostęp do ujednoliconych i zharmonizowanych danych klientów w celu budowania i trenowania modeli ML w Amazon SageMaker. Po wdrożeniu te modele Amazon SageMaker mogą być używane z Einsteinem do prognozowania i analizowania danych na platformie Salesforce. Wraz z ewolucją sztucznej inteligencji nadal ulepszamy Einsteina za pomocą modelowania typu Bring-your-own-Modeling (BYOM), aby spotkać się z programistami i analitykami danych tam, gdzie pracują”.

Meta sztuczna inteligencja

Meta AI to laboratorium sztucznej inteligencji należące do Meta Platforms Inc.

„Meta AI współpracowała z AWS, aby ulepszyć torch.distributed, aby pomóc programistom skalować szkolenia za pomocą instancji opartych na Amazon SageMaker i Trainium” — powiedział Geeta Chauhan, kierownik ds. inżynierii stosowanej sztucznej inteligencji w Meta AI. „Dzięki tym ulepszeniom zaobserwowaliśmy skrócenie czasu uczenia dużych modeli na podstawie naszych testów. Cieszymy się, że Amazon SageMaker wspiera rozproszone szkolenia PyTorch w celu przyspieszenia innowacji w zakresie ML”.

Tyson Foods Inc.

Tyson Foods Inc., jeden z największych na świecie przetwórców i sprzedawców mięsa, polega na Amazon SageMaker, Amazon SageMaker Ground Prawda, Panorama AWS w celu poprawy wydajności.

„Doskonałość operacyjna jest kluczowym priorytetem w Tyson Foods” – powiedział Barret Miller, Senior Manager of Emerging Technology w Tyson Foods Inc. zadania podatne na błędy. Współpracowaliśmy z Amazon Machine Learning Solutions Lab, aby stworzyć najnowocześniejszy model wykrywania obiektów przy użyciu Amazon SageMaker Ground Truth i AWS Panorama. Dzięki temu rozwiązaniu otrzymujemy informacje w czasie zbliżonym do rzeczywistego, które pomagają nam tworzyć potrzebne zapasy przy jednoczesnej minimalizacji odpadów”.

Autodesk

AutoCAD to komercyjna, wspomagana komputerowo aplikacja do projektowania i kreślenia firmy Autodesk. AutoCAD polega na Amazon SageMaker, aby zoptymalizować proces projektowania generatywnego.

„Chcieliśmy umożliwić klientom AutoCAD zwiększenie wydajności poprzez dostarczanie spersonalizowanych, natychmiastowych wskazówek dotyczących użytkowania i spostrzeżeń, dzięki czemu czas, który spędzają w AutoCAD jest tak produktywny, jak to tylko możliwe” — powiedział Dania El Hassan, dyrektor ds. zarządzania produktem w AutoCAD. w firmie Autodesk. „Amazon SageMaker był niezbędnym narzędziem, które pomogło nam zapewnić naszym użytkownikom proaktywne zalecenia dotyczące poleceń i skrótów, umożliwiając im osiągnięcie nowych, potężnych wyników projektowania”.

Torc.ai

Z pomocą Amazon SageMaker i równoległej biblioteki danych rozproszonych Amazon SageMaker (SMDDP), Torc.ai, lider w dziedzinie pojazdów autonomicznych od 2005 roku, komercjalizuje autonomiczne samochody ciężarowe dla bezpiecznego, trwałego transportu długodystansowego w branży towarowej.

„Mój zespół jest teraz w stanie łatwo uruchamiać rozproszone zadania szkoleniowe na dużą skalę przy użyciu szkolenia modelu Amazon SageMaker i biblioteki równoległej danych rozproszonych Amazon SageMaker (SMDDP), obejmującej terabajty danych szkoleniowych i modele z milionami parametrów” — powiedział Derek Johnson, Vice Prezes ds. inżynierii w Torc.ai. „Uczenie modelu rozproszonego Amazon SageMaker i SMDDP pomogły nam płynnie skalować bez konieczności zarządzania infrastrukturą szkoleniową. Skróciło to nasz czas na szkolenie modeli z kilku dni do kilku godzin, co pozwoliło nam skrócić cykl projektowy i wprowadzić do naszej floty nowe możliwości pojazdów autonomicznych szybciej niż kiedykolwiek”.

Badania LG AI

LG AI Research ma na celu wprowadzenie nowej ery sztucznej inteligencji, wykorzystując Amazon SageMaker do szybszego trenowania i wdrażania modeli ML.

„Niedawno zadebiutowaliśmy Tilda, artystka wykorzystująca sztuczną inteligencję, korzystającą z EXAONE, supergigantycznego systemu sztucznej inteligencji, który może przetwarzać 250 milionów zestawów danych par obraz-tekst w wysokiej rozdzielczości” – powiedział Seung Hwan Kim, wiceprezes i kierownik laboratorium Vision w LG AI Research. „Multimodalna sztuczna inteligencja pozwala Tildzie samodzielnie stworzyć nowy obraz, z jej zdolnością do eksploracji poza językiem, który postrzega. Amazon SageMaker był niezbędny w rozwoju EXAONE, ze względu na jego skalowanie i możliwości rozproszonego szkolenia. W szczególności, ze względu na ogromne obliczenia wymagane do trenowania tej supergigantycznej sztucznej inteligencji, bardzo ważne jest wydajne przetwarzanie równoległe. Musieliśmy również stale zarządzać danymi na dużą skalę i elastycznie reagować na nowo pozyskane dane. Korzystając z bibliotek szkoleń modelu Amazon SageMaker i bibliotek szkoleń rozproszonych, zoptymalizowaliśmy szkolenie rozproszone i przeszkoliliśmy model o 59% szybciej — bez większych modyfikacji naszego kodu szkoleniowego”.

Produkty do wody Mueller

Mueller Water Products produkuje specjalnie zaprojektowane zawory, hydranty przeciwpożarowe, produkty do podłączania i naprawy rur, produkty pomiarowe, rozwiązania do wykrywania wycieków i wiele innych. Wykorzystał Amazon SageMaker do opracowania innowacyjnego rozwiązania ML do szybszego wykrywania wycieków wody.

„Mamy misję zaoszczędzenia 7.7 miliarda galonów wody do 2027 roku” – powiedział Dave Johnston, dyrektor ds. infrastruktury inteligentnej w Mueller Water Products. „Dzięki modelom ML zbudowanym na Amazon SageMaker poprawiliśmy precyzję EchoShore-DX, naszego akustycznego systemu wykrywania anomalii. Dzięki temu możemy szybciej informować odbiorców mediów o wystąpieniu wycieku. Szacuje się, że to rozwiązanie zaoszczędziło 675 milionów galonów wody w 2021 roku. Cieszymy się, że nadal korzystamy z usług AWS ML w celu dalszego ulepszania naszego portfolio technologii i dalszego zwiększania wydajności i zrównoważonego rozwoju wśród naszych klientów użyteczności publicznej”.

Canva

Canva, twórca popularnego narzędzia do projektowania i publikowania online, polega na możliwościach Amazon SageMaker w celu szybkiego wdrożenia.

„Aby Canva rozwijała się na dużą skalę, potrzebowaliśmy narzędzia, które pomogłoby nam uruchamiać nowe funkcje bez żadnych opóźnień i problemów” — powiedział Greg Roodt, szef ds. platform danych w Canva. „Zdolność adaptacyjna Amazon SageMaker pozwoliła nam zarządzać większą liczbą zadań przy mniejszej ilości zasobów, co skutkuje szybszym i bardziej wydajnym obciążeniem pracą. Dało to naszemu zespołowi inżynierów pewność, że wprowadzane przez nich funkcje będą skalowane do ich przypadku użycia. Dzięki Amazon SageMaker wdrożyliśmy nasz model tekstu na obraz w ciągu 2 tygodni przy użyciu wydajnej infrastruktury zarządzanej i nie możemy się doczekać rozszerzenia tej funkcji na miliony naszych użytkowników w najbliższej przyszłości”.

Inspirować

Inspire, zorientowana na konsumenta usługa informacyjna dotycząca opieki zdrowotnej, opiera się na Amazon SageMaker, aby dostarczać praktycznych spostrzeżeń dla lepszej opieki, leczenia i wyników.

„Nasz silnik rekomendacji treści jest głównym motorem naszej propozycji wartości” — powiedział Brian Loew, dyrektor generalny i założyciel Inspire. „Używamy go, aby kierować naszych użytkowników (którzy żyją w określonych warunkach) do odpowiednich i konkretnych postów lub artykułów. Dzięki Amazon SageMaker możemy łatwo budować, szkolić i wdrażać modele głębokiego uczenia. Nasze zaawansowane rozwiązanie ML — oparte na Amazon SageMaker — pomaga nam ulepszyć zdolność naszego silnika rekomendacji treści do sugerowania odpowiedniej treści 2 milionom zarejestrowanych użytkowników, czerpiąc z naszej biblioteki 1.5 miliarda słów na 3,600 warunkach. Amazon SageMaker umożliwił nam dokładne łączenie pacjentów i opiekunów z bardziej spersonalizowanymi treściami i zasobami, w tym informacjami o rzadkich chorobach i ścieżkami leczenia”.

ResMed

ResMed to wiodący dostawca rozwiązań połączonych z chmurą dla osób z bezdechem sennym, POChP, astmą i innymi chorobami przewlekłymi. W 2014 roku firma ResMed uruchomiła MyAir, platformę i aplikację do spersonalizowanego zarządzania terapią, umożliwiającą pacjentom śledzenie terapii snu.

„Przed Amazon SageMaker wszyscy użytkownicy MyAir otrzymywali te same wiadomości z aplikacji w tym samym czasie, niezależnie od ich stanu”, powiedział Badri Raghavan, wiceprezes Data Science w ResMed. „Amazon SageMaker umożliwił nam interakcję z pacjentami za pośrednictwem MyAir w oparciu o używane przez nich urządzenie ResMed, ich godziny czuwania i inne dane kontekstowe. Korzystamy z kilku funkcji Amazon SageMaker, aby trenować potoki modelowania i wybierać typy wdrożeń, w tym wnioski w czasie zbliżonym do rzeczywistego i wsadowe, w celu dostarczania dostosowanej treści. Amazon SageMaker umożliwił nam osiągnięcie naszego celu polegającego na osadzeniu możliwości uczenia maszynowego na całym świecie poprzez wdrażanie modeli w ciągu dni lub tygodni zamiast miesięcy”.

Verisk

Verisk zapewnia specjalistyczne analizy oparte na danych, które pomagają firmom, ludziom i społeczeństwom stać się silniejszymi, bardziej odpornymi i zrównoważonymi. Wykorzystuje Amazon SageMaker do usprawnienia przepływów pracy ML.

„Verisk i Vexcel ściśle współpracują, aby przechowywać i przetwarzać ogromne ilości danych w AWS, w tym dane ze zdjęć lotniczych Vexcel o ultrawysokiej rozdzielczości, które są rejestrowane w 26 krajach na całym świecie”, powiedział Jeffrey C. Taylor, prezes Verisk 3D Visual Inteligencja. „Amazon SageMaker pomaga nam usprawnić pracę zespołów ML i MLOps, pozwalając nam skupić się na zaspokajaniu potrzeb naszych klientów, w tym interesariuszy nieruchomości w ubezpieczeniach, nieruchomościach, budownictwie i nie tylko”.

Smartocto BV

Z pomocą Amazon SageMaker, Smartocto BV dostarcza analizę treści kierowaną przez ML do 350 redakcji i firm medialnych na całym świecie.

„W miarę rozwoju firmy musieliśmy uprościć wdrażanie naszych modeli ML, skrócić czas wprowadzania produktów na rynek i rozszerzyć naszą ofertę produktów” — powiedział Ilija Susa, dyrektor ds. danych w Smartocto. „Jednak połączenie rozwiązań open source i rozwiązań chmurowych w celu samodzielnego hostowania naszych obciążeń ML było coraz bardziej czasochłonne w zarządzaniu. Przenieśliśmy nasze modele ML do punktów końcowych Amazon SageMaker i w mniej niż 3 miesiące wprowadziliśmy Smartify, nowe rozwiązanie natywne dla AWS. Smartify wykorzystuje Amazon SageMaker do dostarczania predykcyjnych analiz redakcyjnych w czasie zbliżonym do rzeczywistego, co pomaga klientom ulepszać ich treści i poszerzać grono odbiorców”.

Wizualizacja

Visualfabriq oferuje rozwiązanie do zarządzania przychodami z zastosowanymi możliwościami sztucznej inteligencji niektórym wiodącym na świecie firmom zajmującym się pakowaniem towarów konsumpcyjnych. Wykorzystuje Amazon SageMaker do poprawy wydajności i dokładności modeli ML na dużą skalę.

„Chcieliśmy dostosować nasz stos technologiczny, aby poprawić wydajność i skalowalność oraz ułatwić dodawanie, aktualizowanie i przekwalifikowywanie modeli” — powiedział Jelle Verstraaten, kierownik zespołu ds. prognoz popytu, sztucznej inteligencji i zarządzania wzrostem przychodów w Visualfabriq. „Największy wpływ migracji do Amazon SageMaker to znaczna poprawa wydajności naszego rozwiązania. Uruchamiając wnioskowania na serwerach dedykowanych, zamiast na serwerach WWW, nasze rozwiązanie jest wydajniejsze, a koszty spójne i przejrzyste. Poprawiliśmy czas reakcji naszej usługi prognozowania popytu — która przewiduje wpływ akcji promocyjnej na wielkość sprzedaży detalisty — o 200% i wdrożyliśmy skalowalne rozwiązanie, które wymaga mniej ręcznej interwencji i przyspiesza wprowadzanie nowych klientów”.

Sophos

Sophos, światowy lider w dziedzinie rozwiązań i usług cyberbezpieczeństwa nowej generacji, wykorzystuje Amazon SageMaker do bardziej efektywnego szkolenia swoich modeli ML.

„Nasza zaawansowana technologia wykrywa i eliminuje pliki sprytnie zawierające złośliwe oprogramowanie” — powiedział Konstantin Berlin, szef sztucznej inteligencji w Sophos. „Zastosowanie modeli XGBoost do przetwarzania zestawów danych o rozmiarze wielu terabajtów było jednak niezwykle czasochłonne – a czasami po prostu niemożliwe przy ograniczonej przestrzeni pamięci. Dzięki rozproszonemu szkoleniu Amazon SageMaker możemy z powodzeniem trenować lekki model XGBoost, który jest znacznie mniejszy na dysku (do 25 razy mniejszy) i w pamięci (do pięciu razy mniejszy) niż jego poprzednik. Korzystając z automatycznego dostrajania modeli Amazon SageMaker i rozproszonego szkolenia na wystąpieniach Spot, możemy szybko i skuteczniej modyfikować i ponownie trenować modele bez dostosowywania podstawowej infrastruktury szkoleniowej wymaganej do skalowania do tak dużych zbiorów danych”.

Northwestern University

Studenci z Northwestern University w programie Master of Science in Artificial Intelligence (MSAI) zostali oprowadzeni po Laboratorium Amazon SageMaker Studio przed użyciem go podczas hackathonu.

„Łatwa obsługa Amazon SageMaker Studio Lab umożliwiła uczniom szybkie zastosowanie zdobytej wiedzy do tworzenia kreatywnych rozwiązań”, powiedział Mohammed Alam, zastępca dyrektora programu MSAI. „Spodziewaliśmy się, że podczas krótkich 5-godzinnych zawodów uczniowie w naturalny sposób uderzą w niektóre przeszkody. Zamiast tego przeszli nasze oczekiwania, nie tylko kończąc wszystkie projekty, ale także dając imponujące prezentacje, w których zastosowali złożone koncepcje ML do ważnych problemów w świecie rzeczywistym”.

Rensselaer Polytechnic Institute

Rensselaer Polytechnic Institute (RPI), nowojorski uniwersytet zajmujący się badaniami technologicznymi, korzysta z Amazon SageMaker Studio, aby pomóc studentom w szybkim nauce koncepcji ML.

„RPI jest właścicielem jednego z najpotężniejszych superkomputerów na świecie, ale sztuczna inteligencja ma stromą krzywą uczenia się” – powiedział Mohammed J. Zaki, profesor informatyki. „Potrzebowaliśmy sposobu, aby studenci mogli zacząć oszczędnie. Intuicyjny interfejs Amazon SageMaker Studio Lab umożliwił naszym studentom szybkie rozpoczęcie pracy i zapewnił potężny procesor graficzny, który umożliwia im pracę ze złożonymi modelami głębokiego uczenia się w ich projektach zwieńczenia”.

Instytut Edukacji Zawodowej w Hongkongu

Dział IT Instytutu Kształcenia Zawodowego w Hongkongu (Lee Wai Lee) korzysta z Amazon SageMaker Studio Lab, aby oferować studentom możliwości pracy w rzeczywistych projektach ML.

„Używamy Amazon SageMaker Studio Lab w podstawowych kursach związanych z ML i Pythonem, które dają studentom solidne podstawy w wielu technologiach chmurowych” — powiedział Cyrus Wong, starszy wykładowca. „Amazon SageMaker Studio Lab umożliwia naszym uczniom zdobycie praktycznego doświadczenia w rzeczywistych projektach z zakresu analizy danych, bez ugrzęźnięcia w ustawieniach lub konfiguracjach. W przeciwieństwie do innych dostawców jest to maszyna linuksowa dla studentów, umożliwiająca im wykonanie o wiele więcej ćwiczeń z kodowania.”

MapmyIndie

MapmyIndia, wiodący indyjski dostawca map cyfrowych, oprogramowania geoprzestrzennego i opartych na lokalizacji technologii Internetu rzeczy (IoT), wykorzystuje Amazon SageMaker do tworzenia, szkolenia i wdrażania swoich modeli ML.

„MapmyIndia i nasza globalna platforma, Mappls, oferują solidną, bardzo dokładną i ogólnoświatową sztuczną inteligencję oraz oparte na wizji komputerowej analizy oparte na obrazach satelitarnych i ulic dla wielu zastosowań, takich jak pomiar rozwoju gospodarczego, wzrostu populacji, rolnictwo produkcja, działalność budowlana, wykrywanie znaków drogowych, segmentacja gruntów i wykrywanie zmian dróg” – powiedział Rohan Verma, dyrektor generalny i dyrektor wykonawczy MapmyIndia. „Wyróżnia nas nasza zdolność do tworzenia, trenowania i wdrażania modeli z szybkością i dokładnością. Cieszymy się, że możemy współpracować z AWS w zakresie naszej oferty AI/ML i jesteśmy podekscytowani możliwością szybkiego skalowania tego przez Amazon SageMaker”.

Na pewno

SatSure, indyjski lider w dziedzinie rozwiązań do analizy decyzji wykorzystujących dane z obserwacji Ziemi do generowania spostrzeżeń, polega na Amazon SageMaker, aby przygotowywać i trenować petabajty danych ML.

„Używamy Amazon SageMaker do przetwarzania petabajtów zbiorów danych EO, GIS, finansowych, tekstowych i biznesowych, wykorzystując jego możliwości AI/ML do szybkiego wprowadzania innowacji i skalowania naszych modeli” – powiedział Prateep Basu, dyrektor generalny SatSure. „Korzystamy z AWS od 2017 roku i pomogliśmy instytucjom finansowym udzielać pożyczek ponad 2 milionom rolników w Indiach, Nigerii i na Filipinach, jednocześnie monitorując 1 milion kilometrów kwadratowych tygodniowo”.

Wnioski

Aby rozpocząć korzystanie z Amazon SageMaker, odwiedź aws.amazon.com/sagemaker.

---

O autorze

Ankur Mehrotra dołączył do Amazon w 2008 roku i obecnie jest dyrektorem generalnym Amazon SageMaker. Przed Amazon SageMaker pracował nad budową systemów reklamowych Amazon.com i technologii automatycznego ustalania cen.