Soluzione per la modernizzazione dei dati geospaziali

Cliente

Un importante fornitore americano di intelligenza sulla sicurezza dei corridoi, specializzato nel rafforzare la resilienza delle reti energetiche attraverso l'innovativa intelligenza artificiale e l'integrazione di dati multi-sorgente.

Sfida aziendale

• Infrastruttura obsoleta/ scalabilità e prestazioni per l'elaborazione dei dati satellitari in tempo reale.
• Sistemi di archiviazione frammentati creano inefficienze nella gestione dei dati.
• Mancanza di integrazione dei dati in tempo reale limita le capacità analitiche.
• Flussi di lavoro manuali riducono il throughput e aumentano la complessità.
• Rischi di sicurezza e conformità derivano da un'architettura frammentata.

Obiettivo aziendale

• Ridurre le interruzioni di corrente utilizzando analisi geospaziali avanzate.
• Mitigare i rischi di incendi e vegetazione con dati satellitari.
• Creare una soluzione di gestione del rischio in tempo reale.
• Automatizzare la classificazione dei rischi infrastrutturali per aumentare l'efficienza.
• Innovare continuamente attraverso un laboratorio ML geospaziale.

Approccio

• Analizzato la piattaforma di dati geospaziali con AWS e sviluppato blueprint di modernizzazione.
• Migrato i dati dai fornitori di immagini satellitari e dai sistemi on-prem a AWS analytics.
• Integrate applicazioni cloud per migliorare le prestazioni e la scalabilità.
• Automatizzata l'ingestione di dati in tempo reale e programmata utilizzando architetture serverless.
• Utilizzato AWS Lambda e Fargate per l'elaborazione e integrazione basate su eventi.
• Abilitato analisi avanzate con GeoSpatial Machine Learning in SageMaker.
• Archiviato i dati spaziali in RDS PostgreSQL per l'analisi.
• Creata un'architettura integrata per l'elaborazione di immagini scalabile e pipeline ETL.

Componenti tecnologici

• Calcolo: AWS Lambda, AWS Fargate, AWS Glue
• Archiviazione: Amazon S3, RDS PostgreSQL
• Elaborazione dati e analisi: Amazon SageMaker, Jupyter Notebooks
• Gestione dei dati: MongoDB Atlas, Amazon Redshift

Effetti trasformazionali

• Ottenuti oltre % di risparmi sui costi con i piani di risparmio AWS e le istanze riservate per i carichi di lavoro EC2 e Fargate
• Risparmiati oltre 150K$ in costi di licenza migrando i carichi di lavoro da Cloud ETL a AWS Glue e Kinesis
• Ridotto il tempo di risoluzione dei problemi del 15% grazie al monitoraggio automatizzato dei carichi di lavoro
• Abilitati oltre 10 prodotti di dati geospaziali come il rischio vegetativo, il potenziale di incendio e l'audit delle risorse