详细内容或原文请订阅后点击阅览
使用 Amazon SageMaker HyperPod 加速 Hexagon 的 AI 模型生产
在这篇博文中，我们演示了 Hexagon 如何与 Amazon Web Services 合作，通过使用 Amazon SageMaker HyperPod 的模型训练基础设施预训练最先进的分割模型来扩展其 AI 模型生产。
来源:亚马逊云科技 _机器学习本博文由 Hexagon 的 Johannes Maunz、Tobias Bösch Borgards、Aleksander Cisłak 和 Bartłomiej Gralewicz 共同撰写。
Hexagon 是测量技术领域的全球领导者，为重要行业的构建、导航和创新提供信心。从微米到火星，海克斯康的解决方案可提高航空航天、农业、汽车、建筑、制造和采矿业的生产力、质量、安全性和可持续性。
这些行业中的应用通常依赖于通过 Hexagon 测量技术记录大量高精度点云数据来捕获现实。点云是 3D 空间中数据点的集合，通常表示对象或场景的外表面。点云通常用于 3D 建模、计算机视觉、机器人、自动驾驶车辆和地理空间分析等应用。
Hexagon 为其客户提供专门的 AI 模型，帮助他们确保应用程序的生产力、质量、安全性或可持续性。这些人工智能模型是专门为给定领域构建的，通常侧重于理解构建的环境。
在这篇博文中，我们演示了 Hexagon 如何与 Amazon Web Services 合作，通过使用 Amazon SageMaker HyperPod 的模型训练基础设施预训练最先进的分割模型来扩展其 AI 模型生产。
AI impact and opportunity
下图展示了专门的人工智能模型的实际应用，例如 Hexagon 正在开发的点云分类模型。
第一张图显示了移动测绘道路模型如何支持创建整个城市的数字孪生。
第二个数字是重型施工模型，可实现现场决策。
Hexagon 和 Amazon SageMaker HyperPod：成功案例
解决方案概述
Solution Architecture Diagram