Bei TRI arbeiten wir daran, eine Zukunft aufzubauen, in der sich jeder frei bewegen kann. Die P3-Instances der vorherigen Generation haben uns geholfen, unsere Zeit zum Trainieren von Modellen für ML von Tagen auf Stunden zu verkürzen und wir freuen uns auf die Verwendung von P4d-Instances, da der zusätzliche GPU-Speicher und effizientere Float-Formate es unserem Team für Machine Learning ermöglichen, mit komplexeren Modellen noch schneller zu trainieren.

Bei TRI-AD arbeiten wir daran, eine Zukunft aufzubauen, in der jeder die Freiheit hat, sich zu bewegen und zu erkunden, mit dem Fokus darauf, Verletzungen und Todesfälle durch Fahrzeuge durch adaptives Fahren und Smart City zu reduzieren. Durch den Einsatz von Amazon-EC2-P4d-Instances konnten wir unsere Trainingszeit für die Objekterkennung im Vergleich zu GPU-Instances der vorherigen Generation um 40 % reduzieren, ohne dass vorhandene Codes geändert werden mussten.

Durch den Einsatz von Amazon-EC2-P4d-Instances konnten wir unsere Trainingskosten im Vergleich zu GPU-Instances der vorherigen Generation sofort senken, sodass wir die Anzahl der Teams erhöhen konnten, die am Modelltraining arbeiten. Die Netzwerkverbesserungen in P4d ermöglichten es uns, effizient auf Dutzende von Instances zu skalieren, was uns erhebliche Agilität verlieh, Modelle schnell zu optimieren, neu zu trainieren und in Testfahrzeugen oder Simulationsumgebungen für weitere Tests bereitzustellen.

Bei GE Healthcare bieten wir Klinikern Tools, die ihnen helfen, Daten zu aggregieren, KI und Analysen auf diese Daten anzuwenden und Erkenntnisse zu gewinnen, die die Patientenergebnisse verbessern, die Effizienz steigern und Fehler vermeiden. Unsere medizinischen Bildgebungsgeräte erzeugen riesige Datenmengen, die von unseren Datenwissenschaftlern verarbeitet werden müssen. Bei früheren GPU-Clustern würde es Tage dauern, komplexe KI-Modelle wie Progressive GANs für Simulationen zu trainieren und die Ergebnisse anzuzeigen. Durch die Verwendung der neuen P4d-Instances wurde die Verarbeitungszeit von Tagen auf Stunden reduziert. Wir haben bei Trainingsmodellen mit verschiedenen Bildgrößen eine zwei- bis dreimal höhere Geschwindigkeit festgestellt, während wir mit einer höheren Batchgröße eine bessere Leistung und mit einem schnelleren Modellentwicklungszyklus eine höhere Produktivität erzielen.

Bei HEAVY.AI arbeiten wir daran, eine Zukunft aufzubauen, in der Datenwissenschaft und Analytik zusammenlaufen, um Datensilos aufzubrechen und zu verschmelzen. Kunden nutzen ihre enormen Datenmengen, die Standort und Zeit beinhalten können, um sich nicht nur ein vollständiges Bild davon zu machen, was passiert, sondern auch wann und wo dies passiert und zwar durch eine granulare Visualisierung von räumlichen und zeitlichen Daten. Unsere Technologie ermöglicht es, sowohl den Wald als auch die Bäume zu sehen. Durch den Einsatz von Amazon-EC2-P4d-Instances konnten wir die Kosten für die Bereitstellung unserer Plattform im Vergleich zu GPU-Instances der vorherigen Generation deutlich senken und so massive Datensätze kostengünstig skalieren. Die Netzwerkverbesserungen von A100 haben unsere Effizienz bei der Skalierung auf Milliarden von Datenzeilen erhöht und es unseren Kunden ermöglicht, noch schneller Erkenntnisse zu gewinnen.

Bei Zenotech entwickeln wir die Werkzeuge, die es Designern ermöglichen, effizientere und umweltfreundlichere Produkte zu entwickeln. Wir arbeiten branchenübergreifend und unsere Tools bieten durch den Einsatz von groß angelegten Simulationen bessere Erkenntnisse für die Produktleistung.“ „Der Einsatz von AWS-P4d-Instances ermöglicht es uns, unsere Simulationen 3,5-mal schneller auszuführen als mit der vorherigen GPU-Generation. Diese Beschleunigung verkürzt unsere Lösungszeit erheblich und ermöglicht es unseren Kunden, Designs schneller auf den Markt zu bringen oder Simulationen mit höherer Genauigkeit durchzuführen, als dies bisher möglich war.

Bei PathWise Solutions Group LLC ermöglicht unser Produkt Versicherungsunternehmen, Rückversicherern und Pensionskassen den Zugang zu Technologien der nächsten Generation, um die wichtigsten Versicherungsherausforderungen von heute wie Machine Learning, Hedge-Strategietests, regulatorische und finanzielle Berichterstattung, Geschäftsplanung und Wirtschaftsprognosen und die Entwicklung neuer Produkte und Preise schnell zu lösen“. Durch den Einsatz von Amazon-EC2-P4d-Instances sind wir zum ersten Mal in der Lage, erstaunliche Geschwindigkeitsverbesserungen für Berechnungen mit einfacher und doppelter Genauigkeit gegenüber GPU-Instances der vorherigen Generation für die anspruchsvollsten Berechnungen zu erzielen. Geschwindigkeit zählt und wir bieten unseren Kunden dank der neuen Instances von AWS weiterhin einen sinnvollen Mehrwert und die neueste Technologie.

Unsere Mission bei Rad AI ist es, den Zugang zu und die Qualität der Gesundheitsversorgung für alle zu verbessern. Mit einem Fokus auf den Workflow der medizinischen Bildgebung spart Rad AI Radiologen Zeit, reduziert das Vorkommen von Burnout und verbessert die Genauigkeit. „Wir verwenden KI, um radiologische Workflows zu automatisieren und die radiologische Berichterstattung zu optimieren. Mit den neuen EC2-P4d-Instances haben wir eine schnellere Inferenz und die Möglichkeit gesehen, Modelle 2,4 Mal schneller mit höherer Genauigkeit zu trainieren als bei P3-Instances der vorherigen Generation. Dies ermöglicht eine schnellere und genauere Diagnose und einen besseren Zugriff auf hochwertigen Radiologie-Services, die von unseren Kunden in den gesamten USA angeboten werden.