Image

WHITEPAPER AUS UNSEREM KUNDENCASE MIT DOKOKI

Machine Learning in der Praxis:
Die natürlichen Chancen künstlicher Intelligenz.

Wie können Unternehmen Ihre Visionen mithilfe von Machine Learning umsetzen? Wir wollen hierzu den Fall vom Schweizer Unternehmen DOKOKI vorstellen, welches bei der Entwicklung des Babyphones «Sandy» auf Machine Learning setzte. Mit unseren versierten Fachleuten im Bereich Data Science und tiefgehendem Know-how in Sachen AWS konnte wir die optimale Plattform für das Projekt von DOKOKI entwickeln.

Lade hier unser kostenloses Whitepaper über Machine Learning herunter. Wir gehen hierin den folgenden Fragen nach:

  • Was ist Machine Learning
  • Welche Vorteile hat Machine Learning?
  • Welche Anwendungsmöglichkeiten gibt es?
  • Welche Voraussetzungen müssen erfüllt sein?
  • Wie kann Machine Learning konkret in der Praxis genutzt werden?

Whitepaper kostenlos herunterladen

Image
Image
Kunde

Dokoki

DOKOKI ist ein junges Schweizer Tech-Unternehmen, das einen neuen Meilenstein in der Babyüberwachung setzt. Ihr Ziel: Nähe zwischen Eltern & Baby schaffen, wo dies nicht möglich ist, Ersteltern im Familienalltag unterstützen & Kindern fantastische Abenteuerwelten zeigen.
Partner

AWS

Seit 2014 ist Amazon Web Services (AWS) tief in der Strategie und der Vision von der Axians Amanox AG verankert.  Als AWS Advanced Consulting und Trainings Partner der ersten Stunde unterstützen wir Schweizer Kunden auf ihrem Weg in die Cloud. Seit der Firmengründen (2011) begleiten wir Cloud-Vorhaben, implementieren und entwickeln Cloud-basierte Lösungen.

Weiteres Knowledge Sharing

Image

Vollautomatisierte MLOps-Pipeline - Teil 2

In unserem letzten Beitrag haben wir uns mit dem Training eines Prognosemodells mit SageMaker beschäftigt. In diesem Beitrag erfährst du, wie du die Leistung des Modells überwachen und die Nachschulung automatisieren kannst, um konsistente und zuverlässige Vorhersagen zu gewährleisten.
zum Artikel
Image

Vollautomatisierte MLOps-Pipeline - Teil 1

Im vorigen Blogbeitrag haben wir die Architektur und die Demo einer Pipeline für die Dateneingabe in Amazon SageMaker Feature Store in nahezu Echtzeit vorgestellt. In diesem und dem folgenden Beitrag werden wir die vollständig automatisierte MLOps-Pipeline vorstellen.
zum Artikel
Image

Nahezu Echtzeit-Dateneingabe in den SageMaker Feature Store

Dieser Blog-Beitrag ist der erste Teil einer dreiteiligen Serie über das Testen einer vollautomatischen MLOps-Pipeline für Machine-Learning-Vorhersagen auf Zeitreihendaten in AWS, die nahezu in Echtzeit vorliegen. In diesem ersten Teil konzentrieren wir uns auf die Dateneingabe-Pipeline in den Amazon SageMaker Feature Store.
zum Artikel
Image

AWS AppConfig for Serverless Applications Demo

Wäre es nicht schön, wenn die Applikationskonfiguration von der Infrastrukturkonfiguration und dem Code entkoppelt werden könnte? An dieser Stelle kann AWS AppConfig (eine Komponente von AWS Systems Manager) helfen (Artikel in Englisch)
zum Artikel