Embrace Home Loans 是一家知名的抵押贷款机构，在美国 50 个州和哥伦比亚特区均有执照，该公司希望优化其在数字和直邮渠道上的营销支出。该公司希望最大限度地提高营销支出，并增加所有营销渠道的收入。挑战在于在 Embrace 的整个运营规模上做到这一点，这是一项艰巨的任务。该公司需要一个可以管理数百个 Jupyter 笔记本并对数百万行数据运行 SQL 查询的解决方案。该解决方案还需要确保 Embrace 客户数据的安全，其中包括基于风险和基于标准的安全协议来保护所有数据。

花旗风险投资公司是花旗银行的创新部门，它不断寻找技术和金融服务领域的新兴趋势，以帮助解决花旗及其客户面临的挑战。自 2010 年成立以来，花旗风险投资公司已投资了 100 多家不同的公司，以增强花旗的产品和服务。然而，该组织正在寻求能够更有效地解决花旗及其客户挑战的创新。他们对人工智能和机器学习领域特别感兴趣，他们认为这是金融行业的游戏规则改变者。他们正在寻找一种可以同时赋能数据科学家和业务用户的解决方案，自动化大部分建模过程，并腾出时间专注于解决复杂的业务问题。

Sanlam 是非洲最大的非银行金融机构，其存在的目的是让几代人拥有财务安全、繁荣和自信。然而，该公司在数据科学运营方面面临着挑战。他们使用的开源 AI 选项操作起来很麻烦，而且缺乏对业务利益相关者和合规性的关键可解释性。这阻碍了他们推动销售和客户保留等关键业务价值杠杆的能力。该公司需要一种更精简、更透明的 AI 解决方案，以帮助他们改善运营并实现更好的结果。

房地美是 1970 年由美国国会特许成立的一家支持美国住房金融体系的公司，该公司在实现有意义的预测和关键洞察以指导业务决策方面一直面临挑战。该公司与数十万客户合作，挖掘了近 4 TB 的数据。然而，他们发现商业智能和手动实践无法有效扩展到如此庞大的客户群和数据量。随着市场和经济条件的变化，房地美必须保持灵活性，并不断履行其对经济适用房的承诺。在非结构化和半结构化数据的海洋中，实现有意义的预测和关键洞察以指导业务决策是一项挑战。

Cegid 是一家提供云服务和管理软件解决方案的法国科技公司，它面临的挑战是在更短的时间内创建更多模型，同时尽量减少所需的技术技能和资源。该公司为 150 个国家/地区的 35 万客户提供服务，收入为 6.32 亿欧元。Cegid 的预测分析团队面临着满足频繁收购带来的不断增长的需求的压力。该团队的任务是解决越来越多的业务挑战，包括预测发票付款的可能性以及客户添加服务的倾向。

MAPFRE 是一家西班牙保险公司，业务遍及 100 多个国家，每年创造 273 亿欧元的收入。该公司的分析团队负责提供高级分析，帮助制定定价、销售、留存、承保等方面的决策。然而，鉴于对数据洞察的需求，该团队发现很难跟上大量传入请求并快速交付价值。该团队需要加快上市时间以应对新的业务挑战。

AUTOproff 是欧洲领先的数字经销商对经销商交易公司，在扩大业务规模方面面临挑战。该公司在 2021 年拍卖了超过 10 万辆汽车，难以在向客户承诺的 20 分钟内提供汽车价值估算。这项任务完全依赖于一支技术娴熟的汽车专业人员团队。随着公司的发展，扩大规模的需求变得越来越重要。挑战在于实现汽车价值估算流程的自动化，以加快客户的周转时间，并让数据科学家和估算师腾出时间专注于工作中更有价值的部分。

医疗保健 AI 公司 Decode Health 一直依靠预测分析来利用数据发现新事物。然而，在早期，建模是一项缓慢的手动任务。分析一个数据集可能需要两到三周的时间，需要两到三名数据团队成员全天候工作。这种繁琐的手动工作包括大量时间准备数据、等待模型、重新校准和再次等待。该公司需要一种可以简化此流程并更快、更经济高效地提供准确结果的解决方案。

凤凰城儿童医院是美国最大的儿科医疗系统之一。38 年来，它为儿童和家庭提供世界一流的住院、门诊、创伤、急诊和紧急护理。该组织一直走在创新的前沿，被公认为美国顶级儿童医院之一。凤凰城儿童医院希望利用分析来改善临床和运营决策。然而，手动构建一个模型花了大半年的时间。该医疗保健系统知道，有一定比例的患有其他健康问题的儿童实际上可能患有未确诊的营养不良。如果他们能够识别营养不良病例，他们就可以进行干预并影响结果。

Carbon Digital Bank 是一家服务于服务水平较低的非洲市场的金融机构，需要一种方法来快速确定没有信用记录的个人的信用风险。该银行还希望赋予其数据科学团队权力，以应对额外的业务挑战。该银行致力于数据优先战略，并将人工智能视为其决策不可或缺的一部分。然而，评估客户的信用价值是一项重大挑战。该银行需要加快每月数十万份贷款申请的决策速度。

一家领先的美国金融科技公司在印度设有开发中心，在监控其众多正在进行的项目的流程合规性方面面临困难。该公司缺乏集中的可视性来评估整个企业项目的合规性。手动跟踪每个提交、拉取请求 (PR) 和同行批准是行不通的。跟踪开发人员是否使用预定义的工具和程序进行版本控制、源代码管理、同行评审等也很困难。

该公司是一家领先的媒体和娱乐实体，业务遍及 150 多个国家/地区，在管理其应用程序方面面临挑战，包括新推出的基于订阅的流媒体应用程序。该公司的内部 DevOps 团队负责管理这些应用程序，但该公司希望提高性能可见性、确定需要改进的领域并评估客户体验。然而，他们缺乏衡量 DevOps 成功的标准框架，只能依靠每月的手动报告来了解团队的健康和绩效。这种方法在分析 DevOps 数据和指标方面存在局限性。此外，频繁出现错误和解决问题的时间较长导致客户体验不佳。

一家领先的美国无线和电信服务提供商希望改善呼叫中心的性能、提高客户满意度并更深入地了解其呼叫中心代表的活动。为了实现这一目标，这家财富 50 强公司希望全天候分析呼叫中心代表的桌面活动。客户希望在代表值班时实时监控桌面活动。从运营角度来看，这意味着创建一个集中式系统，运营人员将能够跟踪空闲时间、跟踪使用哪些网站的时间、跟踪 Outlook 使用情况以及跟踪桌面上使用的各种应用程序。客户还希望跟踪代理在值班、未值班以及在值班并让客户等待时的桌面活动。

该客户是一家总部位于美国的财富 100 强宽带连接公司和有线电视运营商，为 3000 多万客户提供服务，其现有数据工作流程面临着多项技术和业务挑战。他们从多个来源接收数据，这些数据被输入到 SFTP 服务器中。执行 ETL 后，数据由 Informatica 工作负载读取并保存到他们的 Teradata 数据仓库中。然后，业务分析师访问这些数据并运行查询以收集见解。客户希望进行向云的战略转变，以增强可扩展性、降低成本、提高查询性能、实现统一视图、简化管理、与其他云原生服务无缝集成，并自动化 CI/CD 的工作流程。

一家领先的媒体和娱乐公司，业务遍及 150 多个国家，员工人数超过 3000 人，在管理其应用程序方面面临多项挑战。除了需要频繁更新的现有应用程序外，他们最近还推出了一款基于订阅的流媒体应用程序。其内部 DevOps 团队负责管理这些应用程序，但该公司希望提高对性能的可见性，确定需要改进的领域，优化成本并评估客户体验。他们缺乏衡量 DevOps 成功的标准框架，只能依靠每月的手动报告来了解团队的健康状况和绩效。他们在分析 DevOps 数据和指标方面也面临限制。频繁出现的错误和较长的解决问题时间导致客户体验不佳。

客户是一家大型电信公司，提供全国性电信服务，需要一套能够对文本数据进行实时、多语言分类和情绪分析的系统。他们正在寻找一种解决方案，能够以极高的吞吐量存储、索引和查询 PB 级数据。关键要求包括能够提取和解析大量数据 [250M (15 TB) 条记录/天]，这些记录类型各异，例如网络日志、电子邮件、聊天和文件。他们还需要以极高的准确率（四个九）应用实时多语言分类和情绪分析，存储元数据和原始二进制数据以供查询，并满足冷数据 5 秒的查询 SLA。

Ecolab 是水、卫生和感染预防解决方案领域的全球领导者，该公司希望为水系统、工业机械和其他应用开发预测风险模型。该公司的机器学习之旅始于 2016 年，当时的一个项目是使用现有传感器数据开发细菌生长风险模型。然而，在生产中构建、部署和维护机器学习模型的过程既复杂又具有挑战性。该公司需要一个数据科学协作平台，将其庞大的、地理上分散的团队聚集在一起，同时高效利用云计算资源。Ecolab 的机器学习模型部署遵循“重写和部署”模式，其中模型开发独立于应用程序开发人员进行。这种方法导致部署时间平均超过 12 个月。

欧洲生命科学旗舰实验室 EMBL 的研究人员希望利用深度学习来增强传统微生物学方法。他们的目标是重建构成细胞生命周期的复杂生物现象。由于细胞生命周期的复杂性和传统微生物学方法的局限性，这是一个重大挑战。EMBL 在欧洲设有六个站点，拥有 80 多个独立研究小组，涵盖分子生物学的各个领域。挑战在于开发一种解决方案，可以准确模拟细胞生命周期并提供对复杂生物过程的洞察。

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 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。

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。

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。

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。

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。

Wayve 是一家总部位于伦敦的公司，致力于开发自动驾驶汽车的人工智能软件，该公司在 GPU 资源方面面临着巨大挑战。他们的车队学习循环（在部署到车队之前，连续进行数据收集、整理、模型训练、重新模拟和授权模型）消耗了大量的 GPU 资源。然而，尽管几乎 100% 的 GPU 资源都分配给了研究人员，但资源利用率却不到 45%。这是因为 GPU 是静态分配给研究人员的，这意味着当研究人员不使用分配给他们的 GPU 时，其他人无法访问它们。这造成了一种假象，即用于模型训练的 GPU 已满负荷，而实际上许多 GPU 处于闲置状态。

该公司是面部识别技术领域的全球领导者，但在 GPU 利用率方面面临诸多挑战。由于 GPU 资源的静态分配，他们无法在团队和项目之间成功共享资源，从而导致瓶颈和无法访问的基础设施。缺乏对可用资源的可见性和管理，导致他们的工作进度变慢。尽管现有硬件的利用率很低，但可见性问题和瓶颈使得他们似乎需要额外的硬件，从而导致成本增加。该公司正在考虑额外的 GPU 投资，计划的硬件购买成本超过 100 万美元。

伦敦医学影像与人工智能中心（价值型医疗保健）的人工智能硬件面临多项挑战。尽管研究人员有需求，但 GPU 总利用率低于 30%，部分 GPU 仍有大量空闲时间。系统多次超载，需要运行作业的 GPU 数量超过可用数量。可见性和调度不佳导致延迟和浪费，需要大量 GPU 的大型实验有时无法开始，因为仅使用少量 GPU 的小型作业无法满足其资源需求。

Exscientia plc 是一家由人工智能驱动的药物研发组织，其模型的准确性和稳定性至关重要。该公司的模型部署流程非常独特，因为它是完全自动化的，因此无需人工干预即可交付、监控和重新训练数千个模型。然而，随着 Exscientia 扩大其覆盖范围和目标，它需要企业级规模的解决方案。该团队正在寻找额外的运营效率和其他方法来调试和稳定模型。现有的开源部署解决方案和推理平台已无法满足他们日益增长的需求。

美国领先的零售银行 Capital One 的机器学习 (ML) 部署流程面临严重延迟。数据科学团队严重依赖工程部门来测试、部署或升级模型。这导致长达一个月的滞后时间，并且需要重新部署整个应用程序才能更新现有模型。只有使用更多的开发人员资源和人力才能扩大项目规模，这进一步加剧了本已不堪重负的团队的压力。该银行需要一种强大、可扩展且灵活的方法来部署 ML 模型，以支持其数百万客户和移动银行应用程序的用户。

Noitso 是一家位于丹麦哥本哈根的公司，专门从事数据科学、数据收集和预测分析。他们利用数据科学和人工智能为客户提供信用评级、记分卡和风险概况。然而，他们在部署模型时面临挑战。这些模型需要很长时间才能投入生产，而且缺乏可解释性和监控性。他们无法确定何时需要重新训练模型，而且必须在固定的一段时间后进行，而不是在必要时进行。这种方法是保持准确预测和防止数据漂移等问题的唯一方法。