Amazon SageMaker 客戶

「Amazon SageMaker HyperPod 大大地協助我們更有效率地管理和操作我們的運算資源，同時將停機時間降至最低。我們是 Slurm 型 HyperPod 服務的早期採用者，並受益於其易用性和彈性功能，使生產力提高了 35%，並快速擴展了 GenAI 營運規模。作為 Kubernetes 一員，我們現在很高興歡迎 Amazon EKS 推出對 SageMaker HyperPod 的支援。這對我們來說是一個遊戲規則改變者，因為它與我們現有的訓練管道無縫整合，使我們甚至能夠更輕鬆地管理和操作大規模 Kubernetes 叢集。此外，這對我們的最終客戶也有幫助，因為我們現在能夠將此功能封裝並產品化到 GenAI 平台中，使我們的客戶能夠以更簡化的方式執行自己的培訓和微調工作負載。」

Arun Subramaniyan，Articul8 AI 創始人兼執行長

「作為一家快速發展的新創公司和 AI 研究公司，SageMaker HyperPod 中的 Amazon EKS 支援對於加快我們的上市時間起到了作用。透過 SageMaker Hyperpod，我們能夠推出一個穩定、安全的平台，為我們的最終客戶提供容器化高效能運算 (HPC) 應用程式即服務，其中包括頂尖大學 AI 研究專案、AI 新創公司和傳統企業。透過使用 SageMaker HyperPod，我們的客戶和內部團隊不再需要擔心操作和設定 Kubernetes 控制平面，而 SageMaker HyperPod 會提供網路效能和最佳化組態來支援複雜的 HPC 工作負載。透過 SageMaker HyperPod 中的 EKS 支援，我們可以減少在基礎設施管理方面無差異的繁重工作所花費的時間，並將運營成本降低 30% 以上。」

Vamsi Pandari，Observea 創始人

「整個過程都簡化了。使用 SageMaker HyperPod，我們可以利用叢集彈性功能，在發生硬體故障時識別問題並自動從上次儲存的檢查點復原訓練任務。我們以 Kubernetes 作為一般執行緒執行非常多樣化的工作負載，包括應用、推理和訓練。對我們來說，Amazon EKS 搭配 SageMaker HyperPod 就可以運作：節點只需放入我們的叢集即可。」

Nathan Wilce 基礎設施/資料主管，Recursal

「在房屋擁有之旅中整合 AI 與資料科學的過程中，Rocket Mortgage 很榮幸能夠走在最前沿，而 AWS 是關鍵的合作夥伴。藉助 Amazon SageMaker，我們正在變革我們的機器學習運作，進而提升效率和精確度。SageMaker Pipelines 視覺化編輯器可透過我們的自動化驗證管道，來執行新的開放原始碼 LLM，以迅速評估效能。這可將評估新版本所需的時間降至最低，這在快速發展的環境中非常重要。簡便易於讓我們的資料科學團隊可專注於創新，而不是程式碼重寫。」

Rocket 公司技術長 Shawn Malhotra

SatSure 是地理空間決策情報解決方案的全球領導者，該公司使用地球觀測資料和深度學習模型為各種使用案例產生洞見，從全天候作物監測和農場風險評分到土地覆蓋變化偵測、植被管理、火災風險和土地特徵辨識。
 

「我們充分利用 Amazon SageMaker Pipelines 來為應用程式建立模型，在低解析度衛星影像中識別農業農場邊界。透過大型衛星影像資料集，開發最先進的深度學習模型極具挑戰性。我們能夠更加專注於 AI 創新，並減少花費在手動程序上的時間，因為 Pipelines 讓我們能夠自動執行頻繁的資料預處理、模型訓練和模型部署。拖放式 UI 讓團隊中的新加入資料科學家能夠快速提升技能及建置 ML 工作流程，而無需具備特定工作流程協同運作架構方面的專業知識。」

SatSure Ltd. 創辦人兼執行長 Prateep Basu

「為了滿足客戶對高品質資料洞察的需求，我們不斷研究並交付 ML 支援的新功能。全新 Amazon SageMaker Pipelines 拖放式 UI 將為我們的資料科學家提供一種方法，讓他們能夠專注於較難的電腦視覺 (CV) 問題，而不必為 MLOps 而擔憂。我們正在建立 Pipelines，讓資料科學家能夠簡單地在 SageMaker 中註冊其模型，無需與 ML 工程師協調，即可最佳化模型服務環境。多步驟 Pipeline 會自動將註冊的模型部署至 QA 環境中的 Amazon SageMaker Inference 端點，以進行負載測試，並且經 ML 工程師核准後，可部署至生產環境。由於 Amazon SageMaker Pipelines 可輕鬆地與其他 AWS 服務 (CI/CD、訊息服務) 整合，以建置高度自訂的 ML 工作流程，我們的端對端 ML 開發的整體速度得以顯著改善。」

EagleView AI/ML 主管 Garrett Hemann

在 GoDaddy，我們的目標是透過賦予企業家建立業務所需的工具，來幫助他們在日常工作中取得成功。「我們滿足客戶的各種需求。他們經常透過包括電子郵件、聊天和社交媒體在內的多個管道，與他們支援的企業通訊，」GoDaddy 應用 ML 和 AI 副總裁 Jing Xi 表示。「如今，生成式 AI 為小型企業提供令人難以置信的功能和知識，而這些通常都會預留給大型企業，透過讓他們觸手可及，在競爭環境中得到進一步提升。然而，我們的生成式 AI 開發團隊面臨的最大挑戰之一是，設法找出哪個 FM 適合他們的業務應用。對我們來說，能夠根據對客戶最重要的特定標準來輕鬆比較模型，並在模型成本、延遲及模型準確性和效能之間實現適當的平衡非常重要。藉助 Amazon SageMaker 的新模型評估功能，我們可消除模型選擇程序所涉及的複雜性，並輕鬆執行這些新版模型的實驗、開發、部署和管理，藉此來加速從構想到實作所需的時間。我們很高興能夠擴充更多團隊對這項新功能的存取權，以便我們的開發人員可以提高其生產力，並進一步釋放生成式 AI 的力量，進而讓客戶發展其業務。」

「在利用機器學習來提供以客戶為尊的功能以及改善我們內部營運的成本效益方面，GoDaddy 一直處於最前線。我們的 ML 科學家處理了眾多專案，以期實現這些目標。對使用模型註冊表和部署的資料策劃、實驗日誌記錄、模型成品管理和部署的 ML 工作流程進行快速反覆運算，對於創造價值至關重要。我們的 ML 科學家們強烈且明確地要求需要諸如 MLflow 這樣的訂製工具。Amazon SageMaker 為 ML 科學家提供了一個受管和管控平台，可用於端對端 ML 工作流程，並透過在 SageMaker 中使用 MLflow 等產業標準工具，來增加我們的模型開發生命週期。我們會獲得 Amazon SageMaker 模型註冊表等產品的企業級安全性和成熟度，同時還可透過 MLflow 利用產業標準的 ML 實驗追蹤。我們的團隊採用了 SageMaker 的 MLflow，因此降低了維護我們自己的 MLflow 託管執行個體的營運負擔，同時保持了我們的交付速度，並允許增強協作。我們很高興能夠從早期階段開始就一直與 SageMaker 團隊協作，以鞏固此產品系列，同時為我們的 ML 科學家提供價值。」

工程機器學習總監 Karthik Iyer

「在 KBC Bank，我們相信，為我們的資料科學家提供合適的工具對於推動創新至關重要。其中一種有效的創新方法是透過持續實驗，這樣一來，我們即能探索新想法並改進我們的模型。MLflow 提供了一個強大的平台，可用於管理和記錄實驗。將其作為受管服務會增強我們資料科學家的使用者體驗，同時簡化我們的機器學習平台的設定和維護。」

MLOps 工程師 Thiago Alves

「為有效管理越來越多的 ML 實驗，並確保成功部署模型，擁有一個可靠的系統來追蹤實驗和註冊模型至關重要。MLflow 針對此目的提供了一個有效的解決方案，且由於其允許無縫追蹤所有 ML 實驗的細節，因此我們的程式碼應用程式需要對我們的程式碼庫進行最小的修改。如此一來，即有助於選擇 Wallapop 的最佳模型，並確保精簡且高效的 ML 開發流程。因此，在 AWS 中直接整合和管理這個平台可以讓我們的團隊專注於 ML 解決方案的實際價值，而不是執行此類服務所需的所有繁重任務。」

機器學習工程師 Martí Jordà Roca

「Amazon SageMaker 讓我們能夠輕鬆建立大規模的分散式機器學習模型。我們可以在 Amazon SageMaker 中無縫自動化大部分開發，而無需倚賴手動流程。我們需要一種可靠的方式來追蹤自動化訓練工作的表現，以便我們可以訓練任務、找到最佳模型，並將其部署到生產中。與 MLflow 整合即可讓我們能夠實現這一目標，而無需自己設定和管理 MLflow 所需的任何繁重工作。這就進一步增強了我們的工作流程，提供了穩健的功能來比較模型和模型註冊，進而顯著改善了我們的開發和部署效率。」

資料架構師 Eyal Trabelsi

「Amazon SageMaker with MLflow 透過與 SageMaker 進行簡單而高效的整合來追蹤和管理實驗和模型品質，從而提供了巨大價值。MLflow 與 Amazon SageMaker 的原生整合讓我們的模型追蹤和促銷任務更輕鬆。作為受管服務，我們不必擔心底層基礎設施，因此能夠專注於改進模型及加速開發週期。」

管理資料科學家 Sumeet Kishnani

「Thomson Reuters 30 多年來在 AI 開發方面始終位居要角，我們致力於提供實質性的解決方案，協助客戶更妥善地存取值得信賴的資訊，以期能更快實現目標。為了加速我們在生成式 AI 方面的創新，除了與 LLM 供應商合作以外，我們也利用自身獨特的專有內容和人類專業知識，更有效地探索自訂模型的訓練。SageMaker HyperPod 的分散式訓練程式庫可協助我們提高大規模模型訓練的效能。此外，其恢復能力讓我們的基礎架構監控和管理更為省時。在 SageMaker HyperPod 上訓練我們的基礎模型可以加快上市時程，並協助我們適時為客戶提供優質的解決方案。」

Thomson Reuters AI 與實驗室主管 Joel Hron

「我們能夠使用 Amazon SageMaker HyperPod 來滿足我們的大型語言模型訓練需求。在 SageMaker HyperPod 上使用 Amazon EKS，我們能夠擴展容量並輕鬆執行訓練任務，從而使我們能夠在法律摘要和分類等領域中發揮 LLM 的優勢。」

John Duprey，Thomson Reuters Labs 傑出工程師

「Aura 最大的挑戰之一，是從龐大的非結構化專業資料庫中擷取有意義的見解。透過 Amazon SageMaker Canvas 使用大型語言模型，我們將資料擷取程序自動化，改變了公司評估員工能力和組織結構的方式。此方法不僅協助我們擴展資料分析，也得以不再受限於傳統的資料分析方法，例如關鍵字比對。利用 SageMaker Canvas 新的資料準備和 LLM 功能，Aura 得以在組織結構的有效性、員工技能以及財務結果效能等方面對公司進行量化的評分與基準測試。」

Founder’s Studio CTO 兼 Bain & Co. 合夥人 Purna Doddapaneni

「作為領先的開放原始碼生成式 AI 公司，我們的目標是將現代 AI 的可存取性最大化。我們著手建置具有數百億個參數的基礎模型，而這些模型需要能夠擴展最佳化訓練效能的基礎架構。透過 SageMaker HyperPod 的受管基礎架構和最佳化程式庫，我們可以將訓練時間和成本降低 50% 以上。據此，我們的模型訓練更具彈性和效能，而能夠更快速地建置最先進的模型。」

Stability AI 創辦人兼 CEO Emad Mostaque

「透過 Amazon SageMaker JumpStart，我們能夠嘗試多種基礎模型、選擇最符合我們醫療保健需求的模型，並使用 SageMaker 符合 HIPAA 的模型部署快速啟動 ML 應用程式。這使我們能夠提高處方和客戶服務的資料輸入流程的速度和規模。」

Alexandre Alves, Sr.Amazon Pharmacy 首席工程師

「透過 Amazon SageMaker JumpStart，我們能夠嘗試多種基礎模型、選擇最符合我們醫療保健需求的模型，並使用 SageMaker 符合 HIPAA 的模型部署快速啟動 ML 應用程式。這使我們能夠提高處方和客戶服務的資料輸入流程的速度和規模。」

Alexandre Alves, Sr.Amazon Pharmacy 首席工程師

「我們使用 Amazon SageMaker 在平台上建置和部署演算法，以大規模加速人工智慧計劃的進程。我們建立全新的大規模機器學習和 AI 演算法，並將它們部署在這個平台上，以解決複雜問題並讓客戶的事業更加成功。」

– Intuit 首席資料長 Ashok Srivastava

GE Healthcare 利用硬體、軟體和生物科技的資料和分析，為供應商和病患提供更好的成效，以改革醫療保健產業。 

「Amazon SageMaker 可讓 GE Healthcare 存取功能強大的人工智慧工具和服務來提升改進的病患照護。Amazon SageMaker 的可擴充性及其與原生 AWS 服務整合的能力為我們提供了巨大的價值。我們很熱切的期盼 GE Health Cloud 與 Amazon SageMaker 之間的持續合作，能夠為醫療保健供應商合作夥伴帶來更好的成效，並提供更好的病患照護服務。」

– GE Healthcare 首席 AI 工程師 Sharath Pasupunuti

ADP 是一家提供人力資本管理 (HCM) 解決方案的全球領先技術公司。ADP DataCloud 利用 ADP 來自於超過 3 千多萬員工筆無與倫比的人力資料，提供切實可行的洞見，協助高層主管做出即時決策，以更好地管理其業務。

「留住和吸引人才是很困難的，這就是為什麼我們繼續使用人工智慧功能增強 ADP DataCloud，以協助雇主維持強大的團隊。我們使用 AWS 機器學習 (包括 Amazon SageMaker)，以快速識別人力模式並在發生之前預測結果，例如員工流失或薪酬增加的影響。透過將 AWS 作為人工智慧和機器學習的主要平台，我們將部署機器學習模型的時間從 2 週縮短到 1 天。」

Jack Berkowitz，ADP, Inc. 的產品開發資深副總裁

BASF Digital Farming 的使命是讓農民做出更明智的決策，為解決養活不斷增長的世界人口帶來的挑戰做出貢獻，同時減少對環境的影響。

「Amazon SageMaker 和相關的 AWS 技術支援快速實驗，並提供簡單易用的功能和 API，從而降低採用 ML 的准入門檻。透過這種方式，我們可以快速釋放 ML 使用案例的全部價值潛力。」

BASF Digital Farming GmbH 資料自動化經理 Christian Kerkhoff

Cerner Corporation 是一間全球性健康與技術公司，提供各種健康資訊技術 (HIT) 解決方案、服務、裝置和硬體。

「能夠在各種臨床、財務和營運體驗中推動人工智慧和機器學習創新，Cerner 倍感自豪。透過 Cerner 的機器學習生態系統和 Cerner 自然語言處理所建立的新功能，以及與 AWS 的合作，我們正在為所有客戶加速實作可擴展的創新。Cerner 期望透過 AI/ML 為客戶創造價值，Amazon SageMaker 則是實現這一願景的重要因素。此外，Amazon SageMaker 讓 Cerner 能夠充分利用 TensorFlow 和 PyTorch 等不同框架，以及與各種 AWS 服務整合。」

Sasanka Are 博士，Cerner 副總裁

Dow Jones & Co. 是全球新聞和商業資訊供應商，透過報紙、網站、行動應用程式、影片、電子報、雜誌、專屬資料庫、會議和電台，將內容交付給消費者和組織。

「Dow Jones 持續專注將機器學習整合到產品和服務，而 AWS 一直都是最佳的合作夥伴。AWS 團隊在最近舉辦的機器學習程式設計馬拉松準備期間，為參賽者提供 Amazon SageMaker 和 Amazon Rekognition 的培訓，並為所有團隊提供全天候支援。我們的團隊因此開發出一些很好的機器學習運用構想，而我們將持續在 AWS 上開發其中的許多想法。這個活動取得空前的成功，也是合作關係的最佳典範。」

– Dow Jones 集團產品和技術總監 Ramin Beheshti

Advanced Microgrid Solutions (AMS) 是一家能源平台和服務公司，致力於透過促進潔淨能源資產的部署和優化，加速全球轉換成潔淨能源經濟。NEM 使用現貨市場，各方每 5 分鐘爭取消耗/供應能源。這需要在幾分鐘內預測需求預測並提出動態出價，同時處理大量市場數據。為了解決這個挑戰，AMS 在 Amazon SageMaker 上使用 TensorFlow 構建了一個深度學習模型。他們利用 Amazon SageMaker 的自動模型調校來發現最佳模型參數並在短短幾週內構建模型。該模型改善了淨計量電價中所有能源產品的市場預測，並藉此大幅提升效率。

ProQuest 是全球最大資料庫系統，收藏內容包括期刊、電子書、初級資料、論文、新聞和影片，並打造出強大的工作流程解決方案，協助圖書館取得和增加其收藏。有 150 個國家/地區的各類型圖書館採用 ProQuest 產品和服務，包括學術圖書館、幼兒園至高中的學校圖書館、公共圖書館、企業圖書館和政府圖書館。

「我們正在與 AWS 協作來為圖書館讀者打造更引人入勝的影片使用者體驗，為他們的搜尋傳回更具有相關性的結果。透過使用 AWS ML Solutions Lab，我們已使用 Amazon SageMaker 測試不同的演算法，使用超參數優化微調模型，以及自動化機器學習 (ML) 模型的部署。我們對目前為止的結果感到滿意，目前正在考量將 ML 技術用於其他產品。」

- ProQuest 調查工具、服務與平台部副總裁 Allan Lu

Celgene 是一家全球生物製藥公司，致力於改善全球病患的生或。其專注於為罹患癌症、免疫炎症及其他具有未滿足醫療需要的病患探索、研製創新療法並將其商業化。

「在 Celgene，我們的願景是提供真正具有創新性和改變生命的治療方法並改善全球病患的生活。透過使用 Amazon SageMaker 和 Apache MXNet，構建和訓練深度學習模型來開發解決方案和程序比以往更快、更輕鬆，且我們能夠輕鬆加大工作力度來探索療法和生產藥物。使用 SageMaker 和 Amazon EC2 P3 執行個體加快了我們訓練模型和生產力的速度，讓我們的團隊能夠專注於突破性的研究和探索工作上。」

– Celgene 總監 Lance Smith

Atlas Van Lines 是北美第二大貨運公司，由一群搬家和倉儲業企業家於 1948 年成立。該組織成立的唯一目的就是在東岸和西岸之間進行搬運，並遵守業界的黃金規則。除了穩定的業務量，Atlas 擁有超越業界最嚴格的代理品質要求。

在搬家巔峰季節，Atlas 代理網路會跨多個市場一起合作，以滿足客戶需求。過去，他們預測可負擔的工作量時，需要花費很多體力和人力。他們依賴多年累積的智慧和直覺來預估資源。Atlas 擁有 2011 年之前的歷史資料，且希望可以根據未來的市場需求，動態地調整產量和價格。

Atlas 與 APN 核心諮詢合作夥伴 Pariveda Solutions 合作，在長途搬運業中尋找主動管理產量和價格的可能性。Pariveda 準備資料、開發並評估機器學習模型，然後微調效能。他們使用 Amazon SageMaker 訓練和優化模型，然後使用 Amazon SageMaker 的模組化特性匯出，再使用 Amazon EC2 執行。

Edmunds.com 是購車網站，每月為 2 千萬名訪客提供持續更新的詳細車輛資訊。

「我們有一個策略計劃，打算將機器學習技術提供給我們所有的工程師。Amazon SageMaker 是協助我們達成此目標的關鍵，它可協助工程師輕鬆建立、訓練和部署大規模的機器學習模型和演算法。我們等不及要看 Edmunds 如何使用 SageMaker，幫助我們的客戶在整個組織內找到創新的解決方案。」

– Edmunds.com 資訊長 Stephen Felisan

Hotels.com 是全球頂尖的住宿品牌，以 41 種語言運作 90 個本地化網站。

「在 Hotels.com，我們致力於快速採用最新技術，並隨時保持創新。Amazon SageMaker 的分散式培訓、優化演算法和內建超參數功能，可讓我的團隊透過龐大的資料集快速建立更準確的模型，並大幅縮減將模型移至生產的時間。只要使用 API 呼叫就能輕鬆搞定。Amazon SageMaker 可大幅降低機器學習的複雜性，讓我們快速為客戶提供更好的使用體驗。」

– Hotels.com 和 Expedia Affiliate Network 副總裁暨資料科學長 Matt Frye

Formosa Plastics Corporation 是一家不斷成長、垂直整合的塑料樹脂和石油化工產品供應商。Formosa Plastics 提供一條完整的聚氯乙烯、聚乙烯以及聚丙烯樹脂、苛性鈉及其他石油化工產品線，可提供客戶需要的一致性、效能和品質。

「Formosa Plastics 是台灣頂尖的石油化工產品公司之一，位列全球領先的塑料製造商行列。我們決定探索機器學習來實現更準確的瑕疵偵測和降低手動人工成本，我們將 AWS 視為優先的雲端供應商來協助我們實現這一目標。AWS ML Solutions Lab 在該程序的每一步 (從定義商業使用案例的探索研討會到建置和選擇適當的 ML 模型，再到實際部署) 都與我們通力合作。使用 Amazon SageMaker，機器學習解決方案將我們員工花在手動檢查上的時間減少了一半。在 Solutions Lab 的鼎力協助下，我們現在能夠隨著條件的變更自行進一步優化 SageMaker 模型。」

- Formosa Plastics Corporation 助理副總裁 Bill Lee

Voodoo 是一家領先業界的行動遊戲公司，擁有超過 20 億次遊戲下載量和超過 4 億的每月作用中的使用者 (MAU)。他們執行自己的廣告平台，並使用機器學習來提高向使用者顯示廣告出價的準確性和品質。

「在 Voodoo，我們需要持續讓數百萬名且不斷增長的玩家基礎積極參與。透過在 AWS 上標準化機器學習和人工智慧工作負載，我們能夠以所需的速度和規模反覆運算，從而繼續發展我們的業務並吸引玩家。使用 Amazon SageMaker，我們可以即時決定應該向玩家顯示哪個廣告，每天會有超過 3,000 萬名使用者叫用 1 億多次端點，即代表每天有近 10 億次的預測。藉由 AWS Machine Learning，我們能夠在小型團隊的支援下，在不到一周的時間內將精確的模型投入生產，並且在團隊和業務增長的情況下，我們能夠持續建置模型。」

Aymeric Roffé，Voodoo 的科技長

Regit 的前身是 Motoring.co.uk，是一間汽車技術廠，也是英國最頂尖的汽車駕駛線上服務。他們根據汽車牌照交付數位汽車管理服務，並提供駕駛資訊豐富的提醒，像是交通部 (MOT) 稅金、保險和回收。

Regit 與 APN 進階諮詢合作夥伴 Peak Business Insight 合作，運用可同時處理類別和變數資料的「類別機器學習模型」，以預測使用者換車的可能性，進而提升 Regit 的銷售量。

Peak 使用 Amazon SageMaker 等 AWS 服務進行即時導入、建模和資料輸出。Amazon SageMaker 一天可為 Regit 處理 5,000 個 API 請求，無縫擴展和調整相關資料需求，以及管理潛在客戶分數結果的交付。同時，Amazon Redshift 和 Amazon Elastic Compute Cloud (Amazon EC2) 執行個體可有效率且持續地優化模型效能和結果。與 Peak 合作之後，Regit 能夠預測 250 萬個使用者當中有哪些會換車和換車的時機。這表示他們可以更個人化且更具有針對性的方法服務客戶，讓客服中心增加超過四分之一的收入。

Move, Inc. 網路包含 realtor.com®、Doorsteps® 和 Moving.com™，可為消費者和房地產專業人員提供各種網站系列的房地產資訊、工具和專業服務，以及行動體驗。

「我們相信在 realtor.com® 工具集中加入 Amazon SageMaker 是一項重大變革，能夠讓我們在消費者的自有房產旅程中提供協助。」訓練和優化模型等過去耗時的機器學習工作流程，現在可以更有效率並由更多的開發人員完成，讓我們的資料科學家和分析師專注在為使用者建立更豐富的體驗。」

– Move, Inc. 首席資料長兼資深副總裁 Vineet Singh

Grammarly 演算法結合自然語言處理和進階機器學習技術，在多種裝置平台上提供寫作幫助，每天協助數百萬人更有效率地進行通訊。

「Amazon SageMaker 讓我們可以在分散式訓練環境開發 TensorFlow 模型。我們工作流程的預先處理程序也與 Amazon EMR 整合，可從 Amazon S3 取得資料、使用 EMR 和 Jupyter 筆記本的 Spark 篩選，然後使用相同的筆記本在 Amazon SageMaker 進行訓練。SageMaker 也可靈活地滿足我們不同的生產需求。我們可以在 SageMaker 本身執行推論，或者如果只需要模型，可從 S3 下載，然後針對 iOS 和 Android 客戶執行行動裝置實作推論。」

– Grammarly 技術主管 Stanislav Levental

Slice Labs 位於紐約，其業務範圍遍及全球，是第一家隨需保險雲端平台服務商。Slice 為 B2C 市場提供個人的隨需保險服務，此外也鎖定 B2B 市場提供服務，讓公司能研發直覺式的數位保險產品。

「Slice 深刻了解客戶的保險需求日新月異，我們也因為 AWS 廣泛的服務範圍、靈活性，以及在保險產業的卓越聲譽，而選擇 AWS 做為我們的首選雲端平台。我們使用多種 AWS 服務來支援業務，例如 AWS Machine Learning 可根據客戶的需求，協助他們找到最適合的保險方案。我們與希望建立及推出智慧型保險產品的保險業者及科技公司合作，過程中，我們使用 AWS 省下了大量成本，並擁有極度出色的生產力優勢。例如，我們的採購時間減少了 98%，從 47 天縮減為 1 天。我們很高興能不斷開拓市場版圖，並持續使用 AWS 的雲端技術。」

Slice Labs 運籌長 Philippe Lafreniere

DigitalGlobe 是全世界高解析度地球影像、資料及分析的龍頭供應商之一，每天需要處理大量資料。

「DigitalGlobe 是全世界高解析度地球影像、資料及分析的龍頭供應商之一，每天需要處理大量資料。DigitalGlobe 讓人們可以輕鬆在 100 PB 的完整影像庫（存放在 AWS 雲端）中尋找、存取和執行運算，以便在衛星影像套用深度學習。我們打算透過 Amazon SageMaker，利用託管的 Jupyter 筆記本使用數 PB 的地球觀察影像資料集訓練模型，如此一來，DigitalGlobe 地理空間大數據平台 (GBDX) 使用者只要按下按鈕、建立模型，即可將其大規模部署到單一可擴展分散式環境中。」

Maxar Technologies 首席技術官和 DigitalGlobe 創辦人 Walter Scott 博士

Intercom 推出首重傳訊功能的產品，能順暢地與其他公司的網站和行動應用程式整合在一起，協助這些公司獲得客戶、與客戶交流，並支援客戶。這家公司於 2011 年創立，在舊金山、倫敦、芝加哥和都柏林都設有辦公室。

「我們的 Intercom 團隊日益擴大，本團隊是由資料科學家和資料導向工程師所組成，常希望能夠快速反覆運算，並探索資料驅動型產品的全新解決方案。在採用 Amazon SageMaker 之前，我們試過各式各樣的選項來打造產品，但每個選項都存在棘手之處，像是程式碼難以共用、在大型資料集上測試的速度緩慢，以及我們自行管理硬體時會發生問題。好在 SageMaker 及時出現，並為我們解決所有疑難雜症。我們特別利用 SageMaker 來開發搜尋平台用的演算法以及機器學習功能，而且我們發現 SageMaker 託管的 Jupyter Notebook 可讓我們快速建置和反覆運算。關鍵是，SageMaker 是受管服務，這讓我的團隊可以專注於手邊的工作。對 Intercom 來說，Amazon SageMaker 是極具價值的服務，隨著公司成長，我們迫不及待要繼續採用更多功能。」

– Intercom 機器學習部門資深資料科學家 Kevin McNally

「我們已開始使用 Amazon SageMaker，且在 AWS ML 解決方案團隊和解決方案架構團隊的協助下，我們透過「創新日」(Innovation Day) 加快發展勢頭，也產生了相當深遠的影響力。我們已數次壯大自己的 AI 團隊，以充分利用 AWS 技術提供的新優勢。我們根據尚未發生的天氣設定價格，從而以全新方式獲益。我們已與 AWS 密不可分，包括在 S3 中儲存我們的資料，使用 Lambda 執行，以及除了 SageMaker 之外的 Step Function。此外，得益於與 AWS ML Solutions Lab 的牢固合作夥伴關係，我們現在自給自足，能夠在我們建置的模型上重複利用並繼續提升我們的業務。」

- Kinect Energy Group 首席商業分析師 Andrew Stypa

Frame.io 是所有影片處理工作的中心。Frame.io 是影片檢閱的領導者並與全球 700,000 多家客戶協作，從自由職業者到企業，整個產業的影片專業人士都可在這裡檢閱、核准和提供影片。

「作為全球使用者可以存取的雲端原生影片檢閱和協作平台，我們必須為客戶提供一流的安全性。透過 Amazon SageMaker 內建的異常偵測模型，我們能夠利用機器學習來快速識別、偵測以及封鎖任何不想要的 IP 請求，以確保客戶的媒體始終保持安全和受到保護。開始使用 Amazon SageMaker、隨著時間的推移進行維護、在我們的平台上進行擴展，以及根據具體的工作流程而調整，一切是如此的簡單容易。另外，在 SageMaker 的 Jupyter 筆記本協助下，我們已經能夠試驗不同的模型，以提高精確度和召回率，讓 Frame.io 更加安全。」

– Frame.io 副總裁兼資訊安全主管 Abhinav Srivastava

Cookpad 是日本最大的食譜共享服務供應商，在日本每月有 6,000 萬名使用者，在全球每月則有 9,000 萬名使用者。

「越來越多使用者要求更易於使用的 Cookpad 食譜服務，我們的資料科學家將建置更多機器學習模型，以優化使用者體驗。在嘗試降低訓練任務反覆次數以獲得最佳效能時，我們在部署 ML 推論端點上遭遇到很大的困難，也因此拖慢了開發程序。為了自動化 ML 模型部署，讓資料科學家可自行部署模型，我們使用 Amazon SageMaker 推論 API，並證明 Amazon SageMaker 可免除應用程式工程師部署 ML 模型的需要。我們預計在生產時使用 Amazon SageMaker 自動化此程序。」 

– Cookpad 研發工程師 Yoichiro Someya

Fabulyst 是一間專注於時尚商務的印度新創公司，透過人工智慧為購物者提供更積極和個人化的體驗，並為零售商提供更好的轉換。

「Fabulyst 透過將庫存商品與使用者的特定個人化查詢 (例如，適合他們的體型或膚色) 相匹配，使購物者更容易找到完美的購買。與此同時，我們透過使用電腦視覺，根據社交媒體、搜尋、部落格等資料來預測月度趨勢，並在零售客戶目錄中自動標記這些趨勢，幫助零售商實現更有效的轉換。Fabulyst 藉由 AWS 提供一流的解決方案，包括 Amazon SageMaker，以處理支援我們產品的眾多預測。依靠 SageMaker 和其他 AWS 服務，我們能夠保證為使用者帶來價值，例如零售商增量收入增加 10％，並且對我們每次提供卓越成效的能力充滿信心。」

Komal Prajapati，Fabulyst 創始人兼執行長

Terragon Group 是一家數據和營銷技術企業，透過洞察力為非洲的行動受眾提供服務，為企業創造價值。多年來，Terragon Group 已成為服務於本地和跨國品牌的行動空間領導者，事業遍及多個地區。在適當的時刻向正確的使用者提供正確的廣告訊息需要個人化，Terragon 使用數據、洞察和人工智慧幫助企業服務非洲的合適受眾。

「Amazon SageMaker 為我們提供端對端機器學習工作流程，無需架設任何相關基礎設施。我們的資料科學和機器學習團隊能夠在短短幾小時內，快速進行從資料探索到模型訓練和生產等操作。對於一間位於非洲、工程人才稀缺的企業來說，沒有其他方法能夠在不到 90 天的時間內建置和部署 ML 模型，以解決現實生活中的問題。」

- Terragon Group 首席技術官 Deji Balogun

SmartNews 是日本最大的新聞應用程式，為全球超過 1,100 萬月作用中使用者提供重要資訊。借助機器學習技術，SmartNews 可以幫助使用者獲得最相關和最有趣的新聞。SmartNews 的機器學習演算法能評估數百萬篇文章、社交訊號和人際互動，以提供目前最重要的 0.01% 篇故事。

「我們採用 AWS 技術探索高品質的新聞並將其傳送到全世界以完成我們的使命，特別是 Amazon SageMaker，該服務協助我們加快開發週期，為客戶提供最佳的服務。使用 Amazon SageMaker 對我們的新聞策劃方法有很大幫助，包括使用深度學習進行文章分類、預測生命時間值以及文字和影像的綜合建模。我們期待透過 AWS 的 Amazon SageMaker 和其他 AI 解決方案實現更高的目標。」

- SmartNews, Inc. 聯合創始人兼聯合首席執行官 Kaisei Hamamoto

Pioneer 是一間跨國企業，專門從事數位娛樂，包括汽車電子和行動服務。Pioneer 以「讓更多的人聽到更感動的聲音」為公司理念，為客戶提供有助於提升日常生活品質的產品和服務。

「利用 Amazon SageMaker 和模型訓練功能，如自動模型調校，我們可以開發高度準確的機器學習模型，並繼續確保客戶的隱私。我們也希望同時對演算法和預先訓練的模型利用 AWS Marketplace for Machine Learning，來建置獲利平台。」

- Pioneer 資訊服務工程部總經理 Kazuhiro Miyamoto

Dely 正在營運日本最好的烹飪影片服務 Kurashiru。Dely 每天都在努力提供影響世界的烹飪服務。Kurashiru 每天幫助許多人，介紹各種美味的食物食譜，為餐桌上的烹飪影片增添色彩。數以千萬計的人在日本觀看和收聽每月食譜服務。

「自從我們推出受歡迎的 Kurashiru 服務以來，在兩年半內我們的行動應用程式下載量超過了 1500 萬次。我們認為，使用機器學習等進階技術，在適當的時間為使用者提供正確的內容十分重要。為實現這一目標，我們使用 Amazon SageMaker 幫助我們在 90 天內建置和部署機器學習模型。我們還透過內容個人化，將點擊率提高了 15%。」

- Dely, Inc. 首席技術官 Masato Otake

Ayla Networks 是一家總部位於舊金山的 IoT 平台即服務軟體公司，為消費者和商業市場開發解決方案。

「在 Ayla Networks，我們發現客戶主要是在 AWS 基礎設施上運行，因為其可擴充性和可靠性得到了實證。特別是我們看到商業製造商在使用 Amazon SageMaker 從 Ayla Cloud 中利用設備效能資料。借助 Amazon SageMaker 和我們的 Ayla IQ 產品，企業可以發現深入資訊和異常情況，從而提高產品和服務品質，甚至能夠預測機器故障並在發生之前進行補救。此解決方案可讓我們的客戶保持平穩運行，使其業務能夠持續成長、生產和擴展，而不必擔心。」

- Ayla Networks 全球行銷副總裁 Prashanth Shetty

FreakOut 是一間致力於數位廣告的領先業界的技術公司。該公司提供透過網際網路廣告進行即時廣告庫存交易的產品，以及提供瀏覽 Web 的資料分析。FreakOut 利用機器學習預測點選率 (CTR) 和轉換率 (CVR)。

「我們正在將機器學習訓練環境從現場部署移轉至 Amazon SageMaker。Amazon SageMaker 為我們的業務提供了更具可擴展性的解決方案。使用 Amazon SageMaker 的自動模型調校功能，我們可以根據需求實現最佳化和估計高度準確的模型。」

FreakOut 技術長 Jiro Nishiguchi

「在 Wag!，我們必須滿足雙面市場中的供需需求。我們看到了使用機器學習的機會，其採用 AWS 技術，可預測客戶的遛狗需求。透過在 AWS 上標準化我們的機器學習應用程式，雖然工程資源有限，我們仍能憑藉極大提高速度和規模進行反覆運算來滿足業務需求的持續增長。使用 Amazon SageMaker，我們可以加速機器學習試驗，將模型訓練所需的 45 天運算時間壓縮為 3天。」

Wag Labs Inc. 工程與營運技術副總裁 Dave Bullock

Infoblox 是安全的雲端受管網路服務的領導者，旨在管理和保護聯網核心，即 DNS、DHCP 和 IP 地址管理 (統稱為 DDI)。

「在 Infoblox，我們使用 Amazon SageMaker 建置可偵測惡意人士的 DNS 安全分析服務，這些惡意人士建立同形異義字來模仿高價值的網域名稱目標，並使用它們放置惡意軟體、網路釣魚使用者資訊，以及攻擊品牌聲譽。AWS 是我們雲端的企業標準，我們可以利用 SageMaker 提供的多種功能來加速 ML 模型開發。我們使用 SageMaker 自動模型調校功能，擴大了實驗規模，並將準確性提高至 96.9%。歸功於 SageMaker，我們的 IDN 偽裝偵測器 (我們的安全分析服務的一部分) 已識別超過 6,000 萬個同形異義字網域的解析，並且每個月都會繼續找到數百萬個，這有助於我們的客戶更快地偵測品牌濫用。」

– Infoblox 分析架構師 Femi Olumofin

NerdWallet 是一間位於三藩市的個人理財公司，提供金融產品評論和比較服務，包括信用卡、銀行業務、投資、貸款和保險。

「NerdWallet 依賴資料科學和 ML 來將客戶與個人化金融產品聯繫起來。我們選擇標準化 AWS 上的 ML 工作負載，因為它讓我們能夠快速現代化資料科學工程實務，消除障礙並縮短交付時間。憑藉 Amazon SageMaker，我們的資料科學家可以將更多時間花費在策略追求上，並將更多精力集中於我們的競爭優勢，即我們為使用者所解決的問題方面的洞見。」

– NerdWallet 高級工程經理 Ryan Kirkman

Splice 專為音樂家打造的音樂家創作平台，讓藝術家能夠發揮其真正的創作潛力。這間訂閱型音樂創作新創公司成立於 2013 年，如今吸引了超過 300 萬名音樂家來探索型錄，以尋求完美的聲音。

「隨著我們的聲音和預設型錄日益增長，尋找正確聲音的挑戰也隨之增加。因此，Splice 投資建置了一流的搜尋和探索功能。透過標準化 AWS 上的 ML 工作負載，我們創造面向使用者的全新產品，旨在比以往更輕鬆地將音樂家與其想要的聲音聯繫起來。自 Similar Sounds 發佈以來，我們發現搜索轉換量增長了近 10%。我們充分利用 Amazon SageMaker，為文字型搜尋創造了完美的補充，讓我們的使用者以前所未有的方式探索和導覽我們的型錄。」

– Splice 機器學習主管兼首席工程師 Alejandro Koretzky

「在開始機器學習的旅程前，我們只能搜尋簡歷 (CV) 的文字，但因為我們缺乏光學字元辨識功能，所以不是每份 CV 都能搜尋。有了 Amazon Textract 後，我們現在能夠擷取各種文件中的內容，並且能夠在 Elasticsearch 叢集中編列所有上傳檔案的索引。透過 Elasticsearch，我們現在可以搜尋所有上傳的文件，且與原始的 SQL 搜尋功能相較之下，該搜尋引擎的速度快上 10 倍。此外，我們也可透過 Amazon SageMaker 導入字詞向量功能，以將相關的關鍵字新增至搜尋查詢中。這項程序可讓我們準確分類應試人員且授予其資格，並協助我們排除 CV 中使用之同義詞或替代詞所造成的錯誤。透過 Amazon SageMaker 和 Amazon Textract，我們可為招募人員提供更聰明且水準更高的應試人員。對於 Audeosoft 而言，穩定效能、全球可用性及可靠性皆是重要的成功因素。在大約 8 年前決定與 AWS 合作後，我們便知道未來他們會是優秀的合作夥伴。選擇 AWS 作為首選的雲端供應商後，未來多年我們將擁有與我們具有相同動力和渴望創新的合作夥伴。」

– Audeosoft 技術長 Marcel Schmidt

Freshworks 是一間家位於美國/印度的 B2B SaaS 獨角獸企業，專為全球中小型企業 (SMB) 和中端市場企業提供服務。Freshworks 針對客戶參與和員工參與工作流程，提供一系列簡單易用但功能強大的應用程式。

「在 Freshworks，我們已經建置了旗艦 AI/ML 產品 Freddy AI Skills，其具有超個人化模型，可以協助代理處理使用者查詢並成功解決支援問題，讓銷售和市場團隊優先考慮機會並迅速達成交易，以及讓客戶成功案例經理降低客戶流失風險並發展業務。我們選擇在 AWS 上標準化 ML 工作負載，因為我們可以輕鬆建置、訓練和部署針對客戶使用案例最佳化的機器學習模型。藉助 Amazon SageMaker，我們為 11,000 位客戶建置了 30,000 多個模型，同時將這些模型的訓練時間從 24 小時縮短至不到 33 分鐘。憑藉 SageMaker Model Monitor，我們可以追蹤資料漂移並重新訓練模型以確保準確性。Freddy AI Skills 採用 Amazon SageMaker 技術，透過智慧操作、深度資料洞察和意圖型對話不斷發展。」

– Freshworks Platform 資深產品總監 Tejas Bhandarkar

Veolia Water Technologies 是一家經驗豐富的設計公司，也是提供水源和廢水處理技術解決方案和服務的專業供應商。

「在短短八週內，我們與 AWS 合作開發了一個可以預測海水淡化工廠何時清洗或更換水濾膜的原型。我們使用 Amazon SageMaker 建立 ML 模型，該模型可從之前的模式學習，並預測積垢指標未來演變的方向。透過標準化 AWS 上的 ML 工作負載，我們能夠降低成本並避免停機，同時改善生產水的品質。為達成一致的目標：不間斷生產清潔且安全的供水，如果沒有這兩個團隊的技術經驗、互信和貢獻，就無法實現這些成果。」

– Veolia Water Technologies 數位營運長 Aude GIARD

Sportradar 是首屈一指的運動資料供應商，為全球超過 65 個聯盟提供即時運動資料。為了產生最先進的洞察，該公司和 Amazon ML Solutions Lab 共同合作開發了足球得分預測程式。

「為了測試 AWS 機器學習的能力，我們刻意將最棘手的電腦視覺問題之一交給 Amazon ML Solutions Lab 團隊解決，而我對結果印象非常深刻。該團隊使用 Amazon SageMaker 建立 ML 模型，並在即時比賽提前 2 秒預測是否會進球。僅依靠這種模型就為我們打開了許多新商機的大門。我們期待可以標準化 AWS 上的 ML 工作負載，因為這樣就可以建立、培訓和部署模型，以促進業務創新並滿足成本和延遲要求。」  

– Sportradar 技術長 Ben Burdsall

F.Hoffmann-La Roche AG (Roche) 是一間瑞士跨國生命科學公司，精專於醫藥和診斷。

「我希望推動我的團隊在雲端中對我們的 ML 工作流程系統化，因此我們與機器學習解決方案實驗室合作開展 Amazon SageMaker 研討會，示範 SageMaker 如何為資料科學家簡化 ML 生產程序。自開展研討會以來，我們 80% 的 ML 工作負載都在 AWS 上執行，這有助於我們的團隊將 ML 模型以三倍的速度更快地投入生產。SageMaker 和 AWS 堆疊讓我們能夠使用運算資源隨需進行訓練，而不受內部部署可用性的約束。」  

Roche 資料科學家 Gloria Macia

「在 Guru，我們認為您開展工作所需的知識應當滿足您的需求。我們提供知識管理解決方案，可以擷取您團隊中最具價值的資訊，並將其整理成單一的事實來源。我們利用 AI 在您的工作地點即時向您推薦知識，確保其經過驗證，並協助您更好地管理整體知識中心。我們不斷壯大的產品資料科學團隊面臨著現代 ML 團隊的所有挑戰，即大規模建置、訓練和部署 ML 系統，我們依靠 Amazon SageMaker 作為克服其中一些挑戰的方式。目前，我們利用 SageMaker Inference 更快地將 ML 模型部署至生產中，這可協助我們實現我們的首要目標，即為客戶提供價值。」  

Guru 機器學習主任工程師 Nabin Mulepati

Amazon 在 COVID-19 疫情期間對保護員工安全的承諾中，Amazon Operations 團隊部署了 ML 解決方案，協助維護全球 1,000 多個營運大樓的社交距離規定。Amazon Operations 與 Amazon Machine Learning Solutions Lab 合作，使用 Amazon SageMaker 建立用於距離估計的最先進電腦視覺模型。

「透過標準化 AWS 上的 ML 工作負載以及與 ML Solutions Lab 的專家合作，我們建立了一組創新的模型，估計可節省高達 30% 的人工審查工作。使用 Amazon SageMaker，每天可以減少數百小時的人工審查需求，讓我們能夠將更多時間專注於安全和提高準確度。」

Amazon OpsTech IT 軟體開發總監 Russell Williams

Freddy’s Frozen Custard & Steakburgers 是一家快速慢食餐廳，提供獨特的套餐組合，有現點現煮的牛排漢堡、維也納牛肉熱狗、炸薯條和其他開胃菜，搭配新鮮現攪的軟香乳凍。Freddy’s 成立於 2002 年，2004 年獲得特許經營權，目前在 32 個州擁有近 400 家餐廳。

「以前，我們只選擇兩家看起來類似的餐廳，但現在我們對菜單品項、客戶和地點之間的關係有了真正的了解。支援 Domo 新 ML 功能的 Amazon SageMaker Autopilot，已經讓我們的行銷和採購團隊嘗試新想法和改善客戶體驗的戰鬥力倍增。」

Freddy’s IT 總監 Sean Thompson

「我們很高興我們的 Vanguard 資料科學家和資料工程師現在可以在單一筆記本中協作進行分析和機器學習。現在 Amazon SageMaker Studio 與 Spark、Hive 和 Presto 進行內建整合，這些內建整合都在 Amazon EMR 上執行，讓我們的開發團隊可以提高生產力。這種單一的開發環境將讓我們的團隊能夠專注於建置、訓練和部署機器學習模型。」

Vanguard 資料與分析資深總監 Doug Stewart

「我們一直在等待直接從 Amazon SageMaker Studio 建立和管理 Amazon EMR 叢集的功能，以便我們的客戶可以直接從 Amazon SageMaker Studio 筆記本執行 Spark、Hive 和 Presto 工作流程。我們很高興 Amazon SageMaker 現在原生建置了此功能來簡化 Spark 和機器學習任務的管理。這將幫助我們客戶的資料工程師和資料科學家更高效地協作，以執行互動式資料分析，並開發以 EMR 為基礎的資料轉換的機器學習管道。」

Provectus 執行長 (CEO) Stepan Pushkarev

「在 Climate，我們的信念是為世界的農民提供準確的資訊，以便作出資料驅動的決策，盡可能提高其從每一英畝土地中獲得的回報。為完成此一目標，我們投資機器學習工具等技術，利用稱為特徵的衡量實體來建置模型，例如種植者的土地產量。藉由 Amazon SageMaker 特徵存放區，我們可透過中央特徵存放區加速 ML 模型的開發，輕鬆存取並重複使用多個團隊的特徵。SageMaker 特徵存放區讓您可輕鬆利用線上商店即時存取特徵，或者利用離線商店依照時間表執行特徵，適合不同使用案例。藉由 SageMaker 特徵存放區，我們得以更快開發 ML 模型。」

Atul Kamboj，資深資料科學家 – 澳洲新南威爾士州政府保險和照護機構 iCare，Climate 資料和分析副總裁 AustraliaDaniel McCaffrey

「在 Experian，我們相信我們有責任在其財務生活中協助消費者瞭解並使用信用，協助貸款人管理信用風險。隨著我們持續實施最佳實務來建置我們的財務模型，我們正在尋找解決方案加速生產利用機器學習的產品。Amazon SageMaker 特徵存放區為我們提供了一種安全的方式，儲存並在我們的 ML 應用程式中重複使用特徵。能夠跨多個帳戶針對即時和批次處理應用程式保持一致性是我們重要的業務要求。利用 Amazon SageMaker 特徵存放區的新功能，我們能夠協助客戶掌控其信用，在新經濟活動中降低成本。」

Geoff Dzhafarov，Experian 消費者服務企業架構長

「在 DeNA，我們的使命是利用網際網路和 AI/ML 提供影響力和歡喜。提供價值型服務是我們的首要目標，我們希望確保我們的業務和服務已準備好實現該目標。我們希望在整個組織中探索並重複使用特徵，Amazon SageMaker Feature Store 可協助我們以一種簡單有效的方式，重複使用不同應用程式的特徵。Amazon SageMaker Feature Store 還可協助我們維護標準特徵的定義，在我們訓練模型並將其部署到生產過程時，透過一致的手法協助我們。藉由 Amazon SageMaker 的這些新功能，我們能夠更快訓練及部署 ML 模型，進而讓我們能夠透過最好的服務來滿足客戶需求。」

DeNA 總經理/AI 系統部門系統單位 Kenshin Yamada

「在 United Airlines，我們使用機器學習 (ML) 來改善客戶體驗，方法為提供個人化優惠，使客戶能夠使用 Travel Readiness Center (旅行就緒中心) 做好準備。我們對 ML 的使用還延伸到了機場營運、網路規劃、航班排程。因我們即將脫離疫情陰霾，Amazon SageMaker 在 Travel Readiness Center (旅行就緒中心) 扮演了關鍵角色，使我們能夠使用以文件為基礎的模型自動化處理大量的 COVID 檢測證明、疫苗接種卡。借助 Amazon SageMaker 的新管理功能，我們提升了對機器學習模型的控制和可見性。SageMaker Role Manager 透過為連接到 IAM 角色的每個角色提供基準許可和 ML 活動，大幅簡化了使用者設定流程。透過 SageMaker Model Cards，我們的團隊可以主動擷取與共享模型資訊以供審查，並且使用 SageMaker Model Dashboard，我們能夠搜尋和檢視部署在 MARS（我們的內部 ML 平台）上的模型。透過這些新的管理功能，我們大幅節省了時間，並且得以縱向擴展。」

United Airlines ML 工程與操作主管 Ashok Srinivas

「在 Capitec，我們的產品線擁有各式各樣的資料科學家，建置不同的 ML 解決方案。我們的 ML 工程師管理一個建置於 Amazon SageMaker 之上的集中式建模平台，以提升這些 ML 解決方案的開發和部署。在沒有任何內建工具的情況下，追蹤建模工作往往會導致文件不連貫，並且缺乏模型可見性。透過 SageMaker Model Cards，我們可以追蹤統一環境中的大量模型中繼資料，而 SageMaker Model Dashboard 讓我們能夠了解每個模型的效能。此外，SageMaker Role Manager 在不同的生產線中，簡化了資料科學家的管理存取流程。每一點都有助於我們的模型管理足以保證我們的客戶對我們作為金融服務供應商的信任。」

Capitec Bank ML 工程師 Dean Matter

全球頂級電腦製造商 Lenovo™ 近期將 Amazon SageMaker 納入其最新的預測性維護產品中。 United Airlines ML 工程與操作主管 Ashok Srinivas。

「新的 SageMaker Edge Manager 將有助於消除在部署後最佳化、監控及持續改進模型所需的手動工作。藉此，我們的模型可望在執行速度和記憶體耗用量方面，都能優於其他同類機器學習平台。SageMaker Edge Manager 讓我們得以在邊緣自動取樣資料、安全地將資料傳送至雲端，並在部署後持續監控每個裝置上每個模型的品質。這使我們能夠遠端監控、改進及更新世界各地邊緣裝置上的模型，同時為我們和客戶節省時間與成本。」

Lenovo 電腦和智慧型裝置雲端與軟體副總裁 Igor Bergman。

Basler AG 是一家頂尖的高品質數位相機和配件製造商，市場遍及工業、醫藥、運輸等多種產業。

「Basler AG 為多種產業提供智慧型電腦視覺解決方案，包括製造業、醫療業和零售業。我們很高興能透過 Amazon SageMaker Edge Manager 提供的新功能，來擴展我們的軟體產品。為確保機器學習解決方案具備高效能和可靠性，我們的雲端 MLOps 工具需要可擴展的邊緣，讓我們能夠持續監控、維護及改進邊緣裝置上的機器學習模型。SageMaker Edge Manager 讓我們得以在邊緣自動取樣資料、安全地將資料傳送至雲端，並在部署後持續監控每個裝置上每個模型的品質。這使我們能夠遠端監控、改進及更新世界各地邊緣裝置上的模型，同時為我們和客戶節省時間與成本。」

Basler 軟體解決方案主管 Mark Hebbel。

NatWest Group 是一家大型金融服務機構，該機構已標準化內部的所有 ML 模型開發和部署作業程序，將其建立新 ML 環境所需的整備時間從 40 天縮短為 2 天，也讓 ML 使用案例實現價值的時間從 40 週縮短為 16 週。

「我們可以直接在 Amazon SageMaker Studio 內自動進行大多數的機器學習開發程序，而不必建立許多人工作業程序。」 

全球資深企業架構師 Cherry Cabading – AstraZeneca

透過使用 AWS 服務 (包括 Amazon SageMaker 在內)，Janssen 落實了 MLOps 作業程序的自動化，使模型預測的準確度提高百分之 21、特徵工程的速度加快百分之 700 左右，Janssen 不僅得以降低成本，效率也提高了。

「Amazon SageMaker 透過大規模測試和部署機器學習模型所需的工具，提高了我們 MLOps 團隊的效率。」

Qualtrics 的機器學習工程師 Samir Joshi

「Amazon SageMaker Data Wrangler 使我們能夠透過一系列豐富的轉換工具快速滿足我們的資料準備需求。這些轉換工具可加速 ML 資料準備程序，從而加快新產品推向市場的速度。我們的客戶受益於我們擴展部署模型的速度。我們能夠在幾天而不是幾個月內提供可衡量的永續結果，滿足客戶的需求。」

Deloitte 首席合夥人兼人工智慧生態系統和平台主管 Frank Farrall

「作為 AWS 核心級諮詢合作夥伴，我們的工程團隊正在與 AWS 密切合作以建置創新解決方案，來協助我們的客戶不斷提高其營運效率。ML 是我們創新解決方案的核心，但我們的資料準備工作流程涉及複雜的資料準備技術，因此需要花費大量時間才能在生產環境中進行實作。借助 Amazon SageMaker Data Wrangler，我們的資料科學家可以完成資料準備工作流程的每個步驟，包括資料選取、清理、探索和視覺化，這有助於我們加快資料準備程序，並輕鬆準備用於 ML 的資料。藉助 Amazon SageMaker Data Wrangler，我們可以更快地為 ML 準備資料。」

NRI 日本公司資深常務董事 Shigekazu Ohmoto

「隨著我們在人口健康管理市場的足跡涉及更多的醫療支付方、提供者、藥房福利管理者和其他醫療保健組織，我們需要一種解決方案來自動化資料來源的端到端處理程序，這些資料來源為我們的 ML 模型餽送資料，包括索賠資料、註冊資料和藥房資料。藉助 Amazon SageMaker Data Wrangler，我們現在可以使用一組更易於驗證和重複使用的工作流程，來加快 ML 的資料彙總和準備速度。這讓我們極大地縮短了模型的交付時間和品質，提高了資料科學家的效率，並將資料準備時間縮短了近 50%。此外，SageMaker Data Wrangler 協助我們節省了多次 ML 反覆運作和大量的 GPU 時間，加快了我們客戶的整個端到端程序，因為我們現在可以建置具有數千種特徵的資料市集，這些特徵包括藥房、診斷碼、急診室就診、住院以及人口和其他社會決定因素。借助 SageMaker Data Wrangler，我們可以高效地轉換資料以建置訓練資料集，在執行 ML 模型之前產生對資料集的資料洞察，並為推論/預測準備大規模的真實資料。」

Equilibrium Point IoT 執行長 Lucas Merrow

iCare 是新南威爾士州政府機構，為澳洲新南威爾士州 329,000 多名公共和私營部門雇主及其 320 萬名員工提供工人補償保險。此外，iCare 還為建築商和房主提供保險，為新南威爾士州道路上嚴重受傷的人提供治療和護理；並保護新南威爾士州政府超過 2,666 億美元的資產，包括雪梨歌劇院、雪梨海港大橋、學校和醫院。

「在新南威爾士州保險和照護 (iCare)，我們的願景是改變人們對保險和照護的看法。Amazon SageMaker 讓 iCare 能夠建置和訓練深度學習模型，以及儘早識別長期塵埃疾病患者。這種早期識別可預防危及生命的狀況發生。根據之前的研究，39% 的患者錯過或無法檢測到矽肺病的跡象。相較於 71% 的未輔助診斷，AI 輔助診斷讓醫生能夠正確識別 80% 的病例。實作此專案之後，我們將求助 Amazon SageMaker 來開發其他專案中的解決方案和程序，事實證明，這些解決方案和程序比以往更快更容易，我們能夠輕鬆擴展我們的工作，從而為新南威爾士州人民提供照護。」

Atul Kamboj，資深資料科學家 – 澳洲新南威爾士州政府保險和照護機構 iCare