其他行业 · AI应用
Nearmap 使用 Amazon SageMaker 扩展复杂计算机视觉分析的机器学习
Nearmap 是一家位置情报提供商，由于管理超过 50 PB 的影像数据，在高效训练机器学习模型方面面临挑战。为解决此问题，他们从本地硬件迁移到 Amazon SageMaker，从而能够动态扩展模型训练流程。这种方法不仅减少了模型训练时间，还促进了并行训练，有效利用了其庞大的数据资源。结果，Nearmap 获得了支持城市规划和促进环境可持续性的宝贵洞察，显著增强了 AI 能力并降低了运营开销。
模型训练效率
训练时间缩短，流程简化
来源披露
城市树冠变化分析能力
阿德莱德十年间相对树冠覆盖率下降9.8%
来源披露
运营开销
管理负担降低
来源披露
01
业务背景
Nearmap 是一家位置情报提供商，由于管理超过 50 PB 的影像数据，在高效训练机器学习模型方面面临挑战。为解决此问题，他们从本地硬件迁移到 Amazon SageMaker，从而能够动态扩展模型训练流程。这种方法不仅减少了模型训练时间，还促进了并行训练，有效利用了其庞大的数据资源。结果，Nearmap 获得了支持城市规划和促进环境可持续性的宝贵洞察，显著增强了 AI 能力并降低了运营开销。
02
遇到的问题
Nearmap拥有超过50 PB的航空影像数据，使用本地硬件进行深度学习模型训练时，需要仔细规划和协调GPU资源，无法灵活扩展多节点训练，限制了大规模并行训练和模型开发效率。
03
AI 解决方案
Nearmap将其机器学习训练工作负载从本地硬件迁移到Amazon SageMaker，使用Amazon SageMaker Model Training直接读取Amazon S3中存储的影像数据，消除了本地数据同步步骤，并实现动态扩展多节点GPU训练、并行运行多个实验。Amazon S3提供了近乎无限的存储容量和全托管安全与维护，降低了运营开销。
04
实施结果
模型训练效率：训练时间缩短，流程简化（支持动态多节点GPU训练与并行实验，无需等待计算资源）
城市树冠变化分析能力：阿德莱德十年间相对树冠覆盖率下降9.8%（能够跨城市、跨国家进行一致的历史对比分析）
运营开销：管理负担降低（存储维护、安全和资源规划由AWS全托管，团队可专注创新）
05
风险与边界
未披露
“Using Amazon SageMaker, our model training process has become much more streamlined, which helps us perform ML at scale.”
Dr. Nagita Mehr Seresht · Senior Director of AI Model R&D, Nearmap
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。