Die Formula One Group stellt einen Großteil seiner Infrastruktur von lokalen Rechenzentren auf AWS um und nimmt eine Standardisierung auf AWS Machine-Learning-Services, einschließlich Amazon SageMaker, vor.
Durch die Nutzung von innerhalb der letzten 65 Jahren angesammelten Renndaten trainieren Datenwissenschaftler der Formel 1 Deep-Learning-Modelle, die Rennsportprogrognosen ausgeben und die Teams bei der Optimierung von Entscheidungen während des Rennens unterstützen können. Die Modelle können vorhersagen, wann Teams einen Boxenstopp der Fahrzeuge vornehmen sollten, das beste Timing für den Reifenwechsel bestimmen und die Leistung von Fahrern bewerten.
Die Formel 1 verwendet die AWS-Daten-Streaming-, Analyse- und Medien-Services, um über 500 Millionen Fans Einblicke in Entscheidungen von Fahrern und die Fahrzeugleistung zu bieten.
Da die Formel 1 ihre HPC-Verarbeitungslasten in einer skalierbaren Umgebung auf AWS ausführt, kann das Unternehmen Innovationen in Hinblick auf das Formel 1-Rennsporterlebnis, das Fahrzeug-Design und in weiteren Bereichen schaffen, ohne sich dabei Sorgen um Kapazitäten machen zu müssen.
Intuit ist komplett auf AWS umgestiegen und nutzt eine breite Palette von AWS-Services, um die notwendige Flexibilität zu bieten, die für die Bewältigung von stark saisonalen Verkehrsmustern erforderlich ist. Seit 2013 hat Intuit seine Infrastruktur, Anwendungen, Daten und Machine Learning auf AWS umgestellt.
Intuit beschäftigt sich mit Machine Learning, um seinen Kunden mühsame Aufgaben, wie das Einreichen von Steuern, einfach und sogar angenehm zu machen.
Mit Amazon SageMaker konnte Intuit den Kosten- und Zeitaufwand für die Bereitstellung von Machine Learning-Modellen reduzieren. Data Scientists können nun ein Modell erstellen und auf viele Server skalieren, und was früher sechs Monate dauerte, dauert jetzt eine Woche.
Indem Intuit seine Data Scientists unterstützt, können Sie Produkte entwickeln und verbessern, um die Mission des Unternehmens zu erfüllen: Wohlstand für seine Kunden und für die ganze Welt zu schaffen.
MLB hat seit Jahrzehnten statistische Daten zu seinen Spielern und Clubs gesammelt. Ab 2015 wurde schließlich AWS eingesetzt, um Spieltagesstatistiken zur Verbesserung des Fan-Erlebnisses zu erfassen und bereitzustellen.
Mit Amazon SageMaker ermöglicht MLB es Entwicklern und Datenwissenschaftlern, schnell und einfach Machine Learning-Modelle jeder Größenordnung zu erstellen, zu trainieren und zu implementieren.
Dank dieser Modelle kann MLB manuelle und zeitintensive Prozesse im Zusammenhang mit Datenaufzeichnungen und Statistiken, wie das Zählen von Punkten, das Erfassen von Notizen zum Spiel und die Klassifizierung von Pitches, eliminieren.
MLB plant die Arbeit im Amazon ML Solutions Lab und möchte dort Statcast weiter verbessern. Die Nachverfolgungstechnologie Statcast analysiert die Spielerleistung. Damit werden unter anderem die Genauigkeit von Pitchprognosen geprüft und personalisierte Zuschauererlebnisse geschaffen.
MLB schafft weiter Innovationen mit künstlicher Intelligenz. Das Unternehmen plant den Einsatz von Amazon Comprehend für die Erstellung eines Sprachmodells, welches Skripte für Live-Spiele erstellen könnte, das ikonische Kommentatoren simuliert.
Matson hat eine mobile Flagship-Anwendung für die globale Containerverfolgung entwickelt, mit der Kunden ihre Frachtsendungen in Echtzeit verfolgen können. Weitere wertvolle Funktionen in der Anwendung sind die interaktive Suche nach Schiffsplänen, ortsbezogene Hafenplanabfragen und Live-Kamera-Feeds.
Alle mobilen Geräte greifen auf AWS über die Amazon API Gateway zu. Dies ermöglicht hochverfügbare Endpunkte für den Zugriff auf Ressourcen innerhalb von Matsons bestehenden VPCs.
Die Funktionen AWS Lambda sind nach dem Microservice-Muster konzipiert und orientieren sich an spezifischen ozeanbasierten Geschäftskontexten wie Sendungsverfolgung und Schiffsfahrplänen.
AWS Lambda verwaltet sowohl die Konfiguration als auch die Benutzer-Feedback-Konfiguration und die Benutzer-Feedback-Benachrichtigungen von mobilen Geräten. DynamoDB Streams liefert Echtzeit-Benachrichtigungen an das Matson-Kundendienstteam.
Die Kunden von Matson verlassen sich auf eine genaue, aktuelle Containerverfolgung und präzise Schiffsstatusinformationen. Für die Überwachung und Warnmeldungen zu Systemereignissen werden Amazon CloudWatch, Amazon SNS, Amazon SES, AWS Lambda und CloudWatch Logs verwendet.
Matson kann seinen Kunden nun eine serverlose End-to-End-Anwendung zur Verfolgung ihrer Sendungen anbieten und muss keine Infrastruktur warten.
Die Roomba 900-Serie putzt im Haus und kehrt zum Aufladen zur Ladestation zurück.
iRobot verarbeitet die Karte des Hauses, berechnet die zu reinigende Gesamtfläche und den Statuscode für die Reinigungsmission und veröffentlicht die Metadaten im AWS IoT.
iRobot verwendet eine AWS IoT-Regel, um die Nachricht in einen Amazon Kinesis-Stream zu übertragen. Über Kinesis kann iRobot die Daten der Reinigungsmission verarbeiten. Dank Kinesis können mehrere Teams die Daten-Streams erhalten.
AWS Lambda empfängt die Metadaten der Reinigungsmission und analysiert das Format in Amazon DynamoDB. Amazon Kinesis erstellt Batches aus den Missionsdaten und speichert sie in Amazon S3. Amazon S3 wird als iRobot-Data Lake für die Analyse verwendet. Darin werden alle Nachrichtendaten komprimiert und gespeichert. Sobald die Daten in Amazon S3 vorliegen, verwendet iRobot das AWS Analytics Toolset. Mit Amazon Athena kann iRobot Muster in den Daten bestimmen und untersuchen, ohne ständig Rechenressourcen ausführen zu müssen.
Die Reinigungsmission wird in Amazon DynamoDB gespeichert und mit einem bestimmten Roboter und Verbraucher verknüpft.
Der Verbraucher erhält einen Alarm, der ihn über eine erfolgreiche Reinigungsmission des Roomba 900 informiert.
Die IT-Organisation von BP verwaltet SAP-Anwendungen, die von Tausenden Mitarbeitern weltweit für die Lieferkette, Beschaffung, Finanzen und mehr genutzt werden.
Um die Geschwindigkeit zu verbessern und die Kostenflexibilität zu erhöhen, verwendete BP Amazon EC2, um diese Kerngeschäftsanwendungen in die Cloud zu migrieren. Darüber hinaus erstellte Team EC2 X1-Instances, um die Skalierbarkeit zu erhöhen und die Echtzeitanalyse zu unterstützen.
Das Team kann nun Systeme bei Bedarf in Stunden statt in Wochen oder Monaten aufstellen. BP verzeichnet auf breiter Front Leistungssteigerungen, einschließlich
