成功案例

iKala Cloud / 成功案例 / Canner 易開科技

透過 Amazon SageMaker,在巨量數據中提前偵測潛在風險

Canner 運用 AWS 提前預測數據成長量,以提早預警使用者進行預防準備
Canner 運用 AWS 提前預測數據成長量,以提早預警使用者進行預防準備
Canner Enterprise | 資料調用管理平台| 數據中台

 

 

Challenge – 預估用量不夠精確,無法掌握未來用量

巨量的數據中台面臨數據成長的 infrastructure 以及管理風險,如何預估不管是 on premise 或是 SaaS 狀態的數據成長量有效提前預警是數據中台的挑戰之一。當用量增加到接近儲存的上限時,系統可能會無法負荷而有延遲等現象,造成使用上的困難。

Canner 運用 Amazon SageMaker 精確預測用量,提前預警使用者做準備

應用 Amazon SageMaker去計算可能的成長量,提早預警使 infrastructure 以及服務使用者可預先準備可能對應措施 Canner 可以在後台查看未來存儲量的預估值,可以提早對過量的資料去思考應變措施,例如去清理整理儲存中心,不要讓資料最後過載,讓系統整個變慢或是無法使用。

 

企業能有效運用 Amazon QuickSight 進行商業分析服務

讓組織內的所有員工隨時在任何裝置上,針對資料建置視覺化的檢視、執行臨機操作分析,以及迅速洞察商業先機。上傳 CSV 和 Excel 檔案;存取現場部署資料庫,例如 SQL Server、MySQL 和 PostgreSQL。QuickSight 讓組織能夠將商業分析功能擴展到數十萬名使用者,並使用強大的記憶體內引擎 (SPICE) 提供快速回應的查詢效能。

 

導入使用 Amazon Kinesis Data Streams ,收集並處理大型串流即時資料記錄

Amazon Kinesis Data Streams 是大規模擴展、持久且低成本的 streaming data service。Kinesis Data Streams 每秒可以做到數十萬個來源連續捕獲數 GB 的數據,例如網站點擊流、數據庫事件流、金融交易、社交媒體源、IT 日誌和位置跟踪事件。收集的數據可在幾毫秒內提供,以允許實時分析用例,例如實時儀表板、實時異常檢測、動態定價。

 

Amazon SageMaker 可用於建置、訓練和部署機器學習模型,用於具有全託管基礎設施、工具和工作流程的任何使用案例

機器學習模型構建包含數據準備,模型構建、訓練、部署,最終才能將模型應用於生產中。通常一個數據科學家在進行上述工作時需要多種工具配合,理解工具細節並打通各類工具。並且在數據預處理環節常需要花費大量時間和精力,完成重複的體力工作,不利於創新。Amazon SageMaker 提供了一個平台改善了這一系列問題。

 

應用服務及架構

公司簡介

Canner 於 2019 年 1 月成立,提供「資料調用」解決方案,透過資料虛擬化技術,讓企業面對異質資料源皆可以一致性、零搬運的調用。同時將分析主導權更貼近業務應用單位,提供自助式工作區,搭配業務性標籤,使用者得以更簡易、快速的完成各式資料應用。

透過 Canner 能夠執行企業內部大數據、高安全、高彈性的數據策略,包含是在數據的介接、轉換產生不同應用單位所需的數據樣貌,到最後提供在不同的業務情境像是 Dashboard,AI 及 Machine Learning,以及各種使用場景的數據使用。

以下是為了能夠滿足段落所需的長度而定義的無意義內文,請自行參酌編排。

更多案例

回到頂端