Startups in AWS Accelerators nutzen KI und ML, um unternehmenskritische Kundenherausforderungen zu lösen

Der unablässige technologische Fortschritt verbessert die Entscheidungsfähigkeit von Menschen und Unternehmen gleichermaßen. Die Digitalisierung der physischen Welt hat die drei Dimensionen von Daten beschleunigt: Geschwindigkeit, Vielfalt und Volumen. Dadurch wurden Informationen breiter verfügbar gemacht als zuvor, was Fortschritte bei der Problemlösung ermöglichte. Mit der Cloud-fähigen demokratisierten Verfügbarkeit können Technologien wie künstliche Intelligenz (KI) und maschinelles Lernen (ML) jetzt die Geschwindigkeit und Genauigkeit der Entscheidungsfindung von Menschen und Maschinen erhöhen.

Nirgendwo ist diese Geschwindigkeit und Genauigkeit von Entscheidungen wichtiger als im öffentlichen Sektor, wo Organisationen aus den Bereichen Verteidigung, Gesundheitswesen, Luft- und Raumfahrt und Nachhaltigkeit Herausforderungen lösen, die Bürger auf der ganzen Welt betreffen. Viele Kunden des öffentlichen Sektors sehen die Vorteile des Einsatzes von KI/ML zur Bewältigung dieser Herausforderungen, können jedoch mit der Bandbreite an Lösungen überfordert sein. AWS hat AWS Accelerators eingeführt, um Startups mit Technologien zu finden und zu entwickeln, die den einzigartigen Herausforderungen von Kunden des öffentlichen Sektors gerecht werden. Lesen Sie weiter, um mehr über KI/ML-Anwendungsfälle von Startups im AWS Accelerator zu erfahren, die sich auf Kunden des öffentlichen Sektors auswirken.

Gesundheitswesen

Stücke: Gesundheitsdienstleister möchten mehr Zeit für die Patientenversorgung und weniger Zeit für den Papierkram aufwenden. Stücke, ein AWS Healthcare Accelerator Startup, verwendet AWS, um die Eingabe, Verwaltung, Speicherung, Organisation und Gewinnung von Erkenntnissen aus elektronischen Patientenaktendaten (EHR) zu vereinfachen, um soziale Determinanten der Gesundheit zu berücksichtigen und die Patientenversorgung zu verbessern. Mit KI, Verarbeitung natürlicher Sprache (NLP) und klinisch geprüften Algorithmen kann Pieces prognostizierte Krankenhausentlassungsdaten, erwartete klinische und nicht-klinische Entlassungsbarrieren und das Risiko einer Wiederaufnahme bereitstellen. Pieces-Services bieten Gesundheitsdienstleistern auch Einblicke in verständlicher Sprache und optimieren die Klarheit der klinischen Probleme der Patienten, um Pflegeteams bei der effizienteren Arbeit zu unterstützen. Nach Stücken, liefert die Software eine zu 95 % positive Vorhersage bei der Identifizierung von Hindernissen für die Entlassung von Patienten und hat in einem Krankenhaus gezeigt, dass sie die Krankenhausaufenthalte von Patienten im Durchschnitt um 2 Tage reduzieren kann.

Stücke verwendet Amazon Elastic Compute-Cloud (Amazon EC2), Relationaler Amazon-Datenbankdienst (Amazon RDS) und Amazon Managed Streaming für Apache Kafka (Amazon MSK) zum Sammeln und Verarbeiten gestreamter klinischer Daten. Stücke verwendet Amazon Elastic Kubernetes-Service (Amazon-EKS), Amazon OpenSearch-Dienst und Von Amazon verwaltete Workflows für Apache Airflow (Amazon MWAA), um mehrere ML-Modelle auf Daten in der Produktion im großen Maßstab auszuführen.

PEP-Gesundheit: Patientenerfahrung ist eine Schlüsselpriorität, aber das Sammeln von Patientenfeedback kann eine Herausforderung sein. PEP Health, ein Startup in der UK-Kohorte des AWS Healthcare Accelerator, verwendet NLP-Technologie, um Millionen von öffentlich geposteten Online-Patientenkommentaren zu analysieren, Bewertungen zu erstellen, die Bereiche hervorheben, die Anlass zur Freude oder Sorge geben, und die Gründe für die Verbesserung oder Verringerung der Patientenzufriedenheit zu ermitteln. Diese Daten können verwendet werden, um Erfahrungen zu verbessern, bessere Ergebnisse zu erzielen und die Stimme des Patienten zu demokratisieren.

PEP Health verwendet AWS Lambda, AWS Fargate, und Amazon EC2, um Informationen in Echtzeit von Hunderttausenden von Webseiten aufzunehmen. Mit proprietären NLP-Modellen, die erstellt und ausgeführt werden Amazon Sage Maker, PEP Health identifiziert und bewertet Themen, die für die Qualität der Versorgung relevant sind. Diese Ergebnisse werden in die Patient Experience Platform und ML-Algorithmen von PEP Health eingespeist, die von Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker und anderen entwickelt und betrieben werden Amazon Cognito, die Beziehungsanalysen ermöglichen und Muster zwischen Personen, Orten und Dingen aufdecken, die ansonsten unzusammenhängend erscheinen könnten.

„Durch den Beschleuniger konnte PEP Health seinen Betrieb mit der Einführung von AWS Lambda erheblich skalieren, um mehr Kommentare schneller und kostengünstiger zu sammeln. Darüber hinaus konnten wir mit Amazon SageMaker weitere Erkenntnisse für Kunden gewinnen.“

– Mark Lomax, CEO von PEP Health.

Verteidigung und Raum

Mondaußenposten: Lunar Outpost war Teil der Die erste Kohorte des AWS Space Accelerator im Jahr 2021. Das Unternehmen beteiligt sich an Missionen zum Mond und entwickelt MAP-Rover (Mobile Autonomous Platform), die in der Lage sein werden, die extremen Umgebungen anderer Planetenkörper zu überleben und zu navigieren. Um erfolgreich unter Bedingungen zu navigieren, die auf der Erde nicht zu finden sind, nutzt Lunar Outpost umfassend Robotersimulationen, um KI-Navigationsalgorithmen zu validieren.

Lunar Outpost verwendet AWS RoboMaker, Amazon EC2, Amazon Elastic Container-Registrierung (Amazon ECR), Amazon Simple Storage-Service (Amazon S3), Amazon Virtual Private Cloud (Amazon VPC), Lambda, AWS CodeBuild und Amazon QuickSight Rover durch den Einsatz von Mondsimulationen zu testen. Während Lunar Outpost Navigationstechnologien für die Mondoberfläche entwickelt, werden Simulationsinstanzen hochgefahren. Diese Simulationen werden während Mondmissionen verwendet, um menschliche Bediener zu unterstützen und das Risiko zu verringern. Daten, die von der Mondoberfläche zurückgestreamt werden, werden in ihre Simulation importiert und geben einen Echtzeit-Überblick über die Aktivitäten des Rovers. Die Simulation von digitalen MAP-Rovern ermöglicht Probeläufe von Navigationstrajektorien, ohne den physischen Rover zu bewegen, wodurch die Risiken der Bewegung von Rovern im Weltraum drastisch reduziert werden.

Adarga: Adarga, Teil der erste AWS Defense Accelerator-Kohorte, stellt eine KI-gesteuerte Informationsplattform bereit, um Risiken und Chancen für die Vorbereitung und den Einsatz des Theatereintritts schnell zu verstehen. Adarga verwendet KI, um Einblicke zu finden, die in großen Mengen unstrukturierter Daten wie Nachrichten, Präsentationen, Berichten, Videos und mehr verborgen sind.

Adarga verwendet Amazon EC2, OpenSearch Service, Amazonas-Aurora, Amazon DocumentDB (mit MongoDB-Kompatibilität), Amazon Übersetzen, und SageMaker. Adarga nimmt Informationen in Echtzeit auf, übersetzt fremdsprachige Dokumente und transkribiert Audio- und Videodateien in Text. Zusätzlich zu SageMaker verwendet Adarga proprietäre NLP-Modelle, um Details wie Personen, Orte und Dinge zu extrahieren und zu klassifizieren, und setzt Begriffsklärungstechniken ein, um die Informationen zu kontextualisieren. Diese Details werden in ein dynamisches Intelligenzbild für Kunden abgebildet. Die ML-Algorithmen von Adarga ermöglichen zusammen mit den AI/ML-Services von AWS Beziehungsanalysen und decken Muster auf, die ansonsten unzusammenhängend erscheinen könnten.

„Wir sind stolz darauf, Teil dieser bahnbrechenden Initiative zu sein, während wir weiterhin eng mit AWS und einem breiteren Ökosystem von Technologieunternehmen zusammenarbeiten, um bahnbrechende Fähigkeiten für die Verteidigung bereitzustellen, die durch die Hyperscale-Cloud ermöglicht werden.“

– Robert Bassett-Cross, CEO, Adarga

Nachhaltige Städte

SmartHelio: In der kommerziellen Solarparkindustrie ist es entscheidend, den Zustand der installierten Solarinfrastruktur zu bestimmen. SmartHelio kombiniert Physik und SageMaker, um Modelle zu erstellen, die den aktuellen Zustand von Solaranlagen bestimmen, Vorhersagen darüber treffen, welche Anlagen ausfallen werden, und proaktiv bestimmen, welche Anlagen zuerst gewartet werden müssen.

Die auf AWS aufgebaute Lösung von SmartHelio analysiert unglaublich komplexe Photovoltaik-Physik und Energiesysteme. Ein Data Lake auf Amazon S3 speichert Milliarden von Datenpunkten, die in Echtzeit von SCADA-Servern (Supervisory Control and Data Acquisition) auf Solarparks, Internet of Things (IoT)-Geräten oder Content-Management-Systemen (CMS) von Drittanbietern gestreamt werden. Plattformen. SmartHelio verwendet SageMaker, um Deep-Learning-Modelle auszuführen, um Muster zu erkennen, den Zustand von Solarparks zu quantifizieren und Farmverluste in Echtzeit vorherzusagen, um seinen Kunden sofort intelligente Erkenntnisse zu liefern.

Nachdem er für den ersten ausgewählt wurde AWS Sustainable Cities Accelerator-Kohorte, konnte SmartHelio mehrere Piloten mit Neukunden sichern. In den Worten von CEO Govinda Upadhyay: „Der AWS Accelerator verschaffte uns Zugang zu Märkten, Mentoren, potenziellen Kunden und Investoren.“

Automotor: Automotus verwendet Computer-Vision-Technologie, um Fahrern die Möglichkeit zu geben, in Echtzeit zu sehen, ob am Straßenrand Platz ist, wodurch die Zeit für die Suche nach Parkplätzen erheblich reduziert wird. Automotus unterstützt Städte und Flughäfen bei der Verwaltung und Monetarisierung ihrer Bordsteine ​​mithilfe einer Flotte von Computer-Vision-Sensoren powered by AWS IoT Greengrass. Die Sensoren von Automotus laden Trainingsdaten auf Amazon S3 hoch, wo ein von Lambda unterstützter Workflow Beispieldaten indiziert, um komplexe Datensätze zum Trainieren neuer Modelle und zum Verbessern bestehender Modelle zu erstellen.

Automotus verwendet SageMaker, um seinen Trainingsprozess für Computer-Vision-Modelle zu automatisieren und zu containerisieren, dessen Ergebnisse mithilfe eines einfachen, automatisierten Prozesses wieder an der Edge bereitgestellt werden. Ausgestattet mit diesen trainierten Modellen senden Automotus-Sensoren Metadaten an die Cloud AWS IoT-Kern, wodurch granulare Einblicke in Bordsteinaktivitäten gewonnen und eine vollautomatische Abrechnung und Durchsetzung an der Bordsteinkante ermöglicht werden. Mit ein Kunde, Automotus steigerte die Durchsetzungseffizienz und den Umsatz um mehr als 500 %, was zu einem Anstieg des Parkumsatzes um 24 % und einer Verringerung des Verkehrsaufkommens um 20 % führte.

Was kommt als nächstes für KI/ML und Startups?

Kunden haben KI/ML angenommen, um ein breites Spektrum an Herausforderungen zu lösen, was ein Beweis für den Fortschritt der Technologie und das gestiegene Vertrauen der Kunden in die Verwendung von Daten zur Verbesserung der Entscheidungsfindung ist. AWS Accelerators zielen darauf ab, die Beschleunigung und Einführung von KI/ML-Lösungen fortzusetzen, indem sie Kunden beim Brainstorming und Austausch kritischer Problemstellungen unterstützen und Startups mit diesen Kunden finden und verbinden.

Sind Sie daran interessiert, Lösungen für das Gemeinwohl durch Ihr Startup voranzutreiben? Oder haben Sie eine Herausforderung, die eine disruptive Lösung benötigt? Setzen Sie sich noch heute mit dem Team von AWS Worldwide Public Sector Venture Capital und Startups in Verbindung, um mehr über AWS Accelerators und andere verfügbare Ressourcen zu erfahren, um Innovationen für die Entscheidungsfindung voranzutreiben.

---

Über die Autoren

Swami Sivasubramanian ist Vizepräsident für Daten und maschinelles Lernen bei AWS. In dieser Rolle beaufsichtigt Swami alle AWS-Datenbank-, Analyse- und KI- und maschinellen Lerndienste. Die Mission seines Teams besteht darin, Organisationen dabei zu helfen, ihre Daten mit einer vollständigen End-to-End-Datenlösung zum Speichern, Zugreifen, Analysieren, Visualisieren und Vorhersagen zu nutzen.

Manpreet Mattu ist Global Head for Venture Capital and Startups Business Development für den weltweiten öffentlichen Sektor bei Amazon Web Services (AWS). Er verfügt über 15 Jahre Erfahrung mit Venture-Investitionen und Übernahmen in Spitzentechnologie- und Non-Tech-Segmenten. Über die Technik hinaus umfasst Manpreets Interesse Geschichte, Philosophie und Wirtschaft. Außerdem ist er Dauerläufer.