其他行业 · AI应用
Itaú利用Amazon Web Services提升ML解决方案的市场速度和生产力
Itaú（拉丁美洲最大银行）面临机器学习部署流程冗长的问题，通常需要长达六个月。为此，该机构采用Amazon SageMaker Studio，简化了ML工作流程，将开发时间显著缩短至3-5天。迁移到AWS不仅加快了模型部署速度，还为超过3,200名用户提供了可扩展且高效的ML基础设施。结果，Itaú的生产力显著提升，运营成本降低，为金融领域的更大创新奠定了基础。
模型部署时间
3-5 days
来源披露
Amazon SageMaker Studio用户数
3,200+
来源披露
ML模型部署等待列表
已消除
来源披露
01
业务背景
Itaú（拉丁美洲最大银行）面临机器学习部署流程冗长的问题，通常需要长达六个月。为此，该机构采用Amazon SageMaker Studio，简化了ML工作流程，将开发时间显著缩短至3-5天。迁移到AWS不仅加快了模型部署速度，还为超过3,200名用户提供了可扩展且高效的ML基础设施。结果，Itaú的生产力显著提升，运营成本降低，为金融领域的更大创新奠定了基础。
02
遇到的问题
Itaú的本地机器学习基础设施部署缓慢、成本高昂且无法扩展，数据科学家需要等待长达6个月才能获得计算资源，导致超过100个ML模型排队等待部署，严重影响业务竞争力和效率。
03
AI 解决方案
Itaú于2020年选择AWS作为战略云提供商，采用Amazon SageMaker Studio作为集成开发环境，结合AWS Glue进行数据集成，利用SageMaker的端点、批量转换和异步推理等功能部署模型，并通过Amazon CloudWatch进行监控，从而显著简化了ML工作流程，实现了标准化的可扩展ML基础设施，并每周与AWS团队协作优化架构与安全。
- 1使用AWS Glue发现、准备和集成多源数据
- 2在Amazon SageMaker Studio中启动实验并开发模型
- 3通过SageMaker Endpoints、Batch Transform等工具部署模型
- 4利用Amazon CloudWatch监控模型性能与运行状态
04
实施结果
模型部署时间：3-5 days（从最多6个月缩短至3-5天）
Amazon SageMaker Studio用户数：3,200+
ML模型部署等待列表：已消除（不再有部署等待列表）
05
风险与边界
未披露
“At the end of the day, we can deliver faster. We have improved standardization and integration, and we can use AWS to continue improving.”
Rodrigo Fernandes Mello · Distinguished Data Scientist, Itaú
信息来源
1 个来源页面内容为结构化改写；关键结论应可追溯到以下材料。