实例探究.
添加案例
我们的案例数据库覆盖了全球物联网生态系统中的 18,927 家解决方案供应商。
您可以通过筛选条件进行快速浏览。
Download Excel
筛选条件
-
(7)
- (7)
- (2)
- (1)
-
(3)
- (3)
-
(3)
- (2)
- (1)
- (2)
- (1)
- (1)
- (1)
- (1)
- 查看全部 7 行业
- (4)
- (2)
- (1)
- (1)
- (5)
- (2)
- (1)
- (1)
- (1)
- 查看全部 6 用例
- (7)
- (2)
- (2)
- (1)
- (7)
Selected Filters
|
使用 Pachyderm 加速汽车绘图：案例研究
Woven Planet 的自动测绘团队面临着开发汽车级地图的挑战，其详细程度、准确度和精确度远远超出消费级地图。他们需要处理大陆范围内的大量航空和卫星数据，以满足自动驾驶的要求。
|
|
|
|
Epona Science：利用厚皮动物革新赛马运动
Epona Science 是一家专门购买、饲养和鉴定世界上最好的赛马的公司。赛马业是一个传统行业，买家通常依靠血统或值得信赖的饲养者的直觉来选择马匹。然而，Epona Science 认为这些并不是成功的最佳预测因素。他们旨在通过使用机器学习、统计分析和科学来彻底改变这个行业。他们发现，马的整个基因图谱和血统、身高和步态，甚至心脏大小等因素都会对其表现产生重大影响。然而，收集所有这些数据、清理数据、标准化数据并将其转换为机器学习模型可以训练的一致格式是一项重大挑战。这些数据来自世界各地的各种来源，包括 X 光片、基因图谱和之前比赛的记录。
|
|
|
|
RTL Nederlands 依靠 Pachyderm 的可扩展、数据驱动的机器学习管道，让广播视频内容更容易被发现
RTL Nederlands 隶属于欧洲最大的广播集团，该公司希望利用人工智能 (AI) 让视频内容更有价值，让数百万订阅者更容易发现。该公司每天向数百万电视观众播放节目，同时提供每月在线观看量达数亿次的流媒体内容。收视率是 RTL Nederlands 的关键增长指标之一，但优化视频资产的价值和可发现性是一项极其耗费人力的工作。这使其非常适合自动化，该团队应用机器学习来优化其视频平台的关键方面，例如创建缩略图和预告片、为这些预告片选择合适的缩略图以及在视频流中插入广告内容。
|
|
|
|
SeerAI 如何利用 Pachyderm 提供时空数据和分析
SeerAI 的旗舰产品 Geodesic 是世界上第一个经过优化的去中心化平台，可从行星级时空数据中获取见解和分析。处理时空数据是一项挑战。由于它涉及全球性问题，因此数据集规模庞大——通常需要数 PB 的图像。数据本身可能来自不同的来源，需要能够从去中心化数据模型加载和管理。最后，这些数据通常是异构的和非结构化的，因此非常复杂且难以处理。SeerAI 设计 Geodesic 是为了不断发展知识和数据关系，以便它最终可以回答几乎所有问题。在这种规模下，控制数据摄取、ML 作业调度、模型交互和数据版本控制可能极其复杂。
|
|
|
|
顶级医疗保健提供商利用 Pachyderm 可扩展的数据驱动机器学习管道，从海量临床数据中获取切实可行的医疗见解
美国顶级营利性托管医疗服务提供商之一，其附属计划覆盖八分之一的美国人，希望利用人工智能 (AI) 获取长期洞察，并从索赔和电子健康记录数据中做出更详细的健康预测。其数据存储量非常庞大，超过 50 TB 的数据覆盖了该公司在全美数千万会员。他们正在挖掘这些数据，以根据特定患者特征的过往结果确定治疗效果。但是，将这些潜在的洞察交到医疗服务提供商手中是一项挑战。在实验室中进行小规模实施是一回事，大规模提供机器学习则是另一回事。当工程主管加入 AI 团队时，他们拥有一个基于 Apache Airflow 的非常复杂的数据传输管道。虽然它可以运行，但它一次只能扩展到一个管道或容器实例之外。
|
|
|
|
Pachyderm 如何帮助 Adarga 分析大量信息
Adarga 是一家 AI 软件开发公司，为组织提供构建和维护动态情报图的能力。其 AI 分析平台以人类无法实现的速度处理大量非结构化数据，例如报告、全球新闻提要、演示文稿、视频、音频文件等。该软件提取上下文中的重要事实，并以易于理解的方式呈现它们，以快速解锁可操作的见解并实现更自信的决策。然而，该公司在开发、训练、生产化和扩展必要的数据模型方面面临挑战。他们需要一种能够推动数据一致性、理解沿袭并实现模型扩展的解决方案。
|
|
|
|
风险思维：Riskthinking.AI 如何利用机器学习为不确定的世界带来确定性
Riskthinking.AI 是一家专门衡量气候变化财务风险的公司，在接手 CovidWisdom 项目时，该公司正处于加强内部 AI 基础设施的早期阶段。该项目响应了加拿大政府的号召，旨在评估主要疫情政策对经济的影响。该项目的挑战在于预测实施社会层面应对措施（如封锁）的最佳方式，同时将对日常生活和经济的损害降至最低。然而，该团队意识到，他们有预测未来的专家，但没有构建 AI 架构的专家。他们让数据科学家使用笔记本电脑工作，通过 VPN 将数据拉取和推送到远程工作点，甚至构建自己的 Docker 容器。他们需要从临时转向 MLOps。
|
|
