Client
Un fournisseur américain de premier plan en matière de sécurité des couloirs, spécialisé dans le renforcement de la résilience des réseaux énergétiques grâce à une intégration innovante des données AI et multi-sources.
Défi Commercial
- Infrastructure obsolète / évolutivité et performance pour le traitement des données satellite en temps réel.
- Systèmes de stockage fragmentés créent des inefficacités dans la gestion des données.
- Absence d'intégration des données en temps réel limite les capacités d'analyse.
- Flux de travail manuels réduisent le débit et augmentent la complexité.
- Risques de sécurité et de conformité dus à une architecture fragmentée.
Objectif Commercial
- Réduire les pannes de courant en utilisant des analyses géospatiales avancées.
- Atténuer les risques d'incendie et de végétation avec des données satellite.
- Créer une solution de gestion des risques en temps réel.
- Automatiser la classification des risques d'infrastructure pour plus d'efficacité.
- Innover en continu grâce à un laboratoire d'apprentissage automatique géospatial.
Approche
- Analyse de la plateforme de données géospatiales avec AWS et élaboration de plans de modernisation.
- Migration des données des fournisseurs d'images satellite et des systèmes sur site vers les analyses AWS.
- Intégration des applications cloud pour améliorer la performance et l'évolutivité.
- Automatisation de l'ingestion de données en temps réel et programmée à l'aide d'architectures sans serveur.
- Utilisation d'AWS Lambda et Fargate pour le traitement et l'intégration déclenchés par des événements.
- Activation d'analyses avancées avec l'apprentissage automatique géospatial dans SageMaker.
- Stockage des données spatiales dans RDS PostgreSQL pour analyse.
- Création d'une architecture intégrée pour un traitement d'image évolutif et des pipelines ETL.
Composants Technologiques
- Calcul : AWS Lambda, AWS Fargate, AWS Glue
- Stockage : Amazon S3, RDS PostgreSQL
- Traitement des données et analyses : Amazon SageMaker, Jupyter Notebooks
- Gestion des données : MongoDB Atlas, Amazon Redshift
Effets Transformateurs
- Économisé plus de % de coûts avec les plans d'économies AWS et les instances réservées pour EC2 et Fargate.
- Économisé plus de 150 000 $ en coûts de licences en migrant les charges de travail de Cloud ETL vers AWS Glue et Kinesis.
- Réduit le temps de résolution des problèmes de 15% grâce à la surveillance automatisée des charges de travail.
- Activé plus de 10 produits de données géospatiales comme les risques de végétation, le potentiel d'incendie et l'audit d'actifs.
