Geospatial Data Modernization Solution​

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.