Las empresas emergentes de AWS Accelerators utilizan IA y ML para resolver los desafíos de misión crítica de los clientes

El avance incesante de la tecnología está mejorando la capacidad de toma de decisiones de los seres humanos y las empresas por igual. La digitalización del mundo físico ha acelerado las tres dimensiones de los datos: velocidad, variedad y volumen. Esto ha hecho que la información esté más disponible que antes, lo que ha permitido avances en la resolución de problemas. Ahora, con la disponibilidad democratizada habilitada para la nube, tecnologías como la inteligencia artificial (AI) y el aprendizaje automático (ML) pueden aumentar la velocidad y la precisión de la toma de decisiones por parte de humanos y máquinas.

En ninguna parte es más importante esta velocidad y precisión de las decisiones que en el sector público, donde las organizaciones de defensa, atención médica, aeroespacial y sustentabilidad están resolviendo desafíos que afectan a los ciudadanos de todo el mundo. Muchos clientes del sector público ven los beneficios de usar AI/ML para abordar estos desafíos, pero pueden sentirse abrumados con la gama de soluciones. AWS lanzó AWS Accelerators para encontrar y desarrollar nuevas empresas con tecnologías que cumplan con los desafíos únicos de los clientes del sector público. Siga leyendo para obtener más información sobre los casos de uso de IA/ML de nuevas empresas en AWS Accelerator que están teniendo un impacto en los clientes del sector público.

Healthcare

Piezas: Los proveedores de atención médica quieren dedicar más tiempo al cuidado de los pacientes y menos al papeleo. piezas, un Acelerador de asistencia sanitaria de AWS startup, utiliza AWS para facilitar el ingreso, la administración, el almacenamiento, la organización y la obtención de información de los datos de registros médicos electrónicos (EHR, por sus siglas en inglés) para abordar los determinantes sociales de la salud y mejorar la atención al paciente. Con IA, procesamiento de lenguaje natural (NLP) y algoritmos revisados ​​clínicamente, Pieces puede proporcionar fechas de alta hospitalaria proyectadas, barreras clínicas y no clínicas anticipadas para el alta y riesgo de readmisión. Los servicios de Pieces también brindan información a los proveedores de atención médica en un lenguaje sencillo y optimizan la claridad de los problemas clínicos de los pacientes para ayudar a los equipos de atención a trabajar de manera más eficiente. Según Piezas, el software ofrece una predicción positiva del 95 % en la identificación de barreras para el alta del paciente y, en un hospital, ha demostrado su capacidad para reducir las estancias hospitalarias de los pacientes en un promedio de 2 días.

Usos de las piezas Nube informática elástica de Amazon (Amazon EC2), Servicio de base de datos relacional de Amazon (Amazon RDS) y Streaming administrado por Amazon para Apache Kafka (Amazon MSK) para recopilar y procesar datos clínicos transmitidos. Usos de las piezas Servicio Amazon Elastic Kubernetes (Amazon EKS), Servicio Amazon OpenSearchy Flujos de trabajo administrados por Amazon para Apache Airflow (Amazon MWAA) para ejecutar múltiples modelos de ML en datos en producción a escala.

PEP Salud: La experiencia del paciente es una prioridad clave, pero recopilar comentarios de los pacientes puede ser un desafío. PEP Salud, una startup en el Grupo del Reino Unido de AWS Healthcare Accelerator, utiliza la tecnología NLP para analizar millones de comentarios de pacientes en línea y publicados públicamente, generando puntajes que resaltan áreas de celebración o preocupación e identificando las razones para mejorar o disminuir la satisfacción del paciente. Estos datos se pueden utilizar para mejorar las experiencias, generar mejores resultados y democratizar la voz del paciente.

PEP Salud usos AWS Lambda, AWS Fargatey Amazon EC2 para ingerir información en tiempo real de cientos de miles de páginas web. Con modelos patentados de PNL creados y ejecutados Amazon SageMaker, PEP Salud identifica y puntúa temas relevantes para la calidad de la atención. Estos resultados alimentan la plataforma de experiencia del paciente de PEP Health y los algoritmos de aprendizaje automático desarrollados y desarrollados por Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker y Cognito Amazonas, que permiten el análisis de relaciones y descubren patrones entre personas, lugares y cosas que, de otro modo, podrían parecer desconectados.

“A través del acelerador, PEP Health pudo escalar sus operaciones de manera significativa con la introducción de AWS Lambda para recopilar más comentarios de manera más rápida y económica. Además, hemos podido usar Amazon SageMaker para obtener más información para los clientes”.

– Mark Lomax, Director Ejecutivo de Salud de PEP.

Defensa y espacio

Puesto avanzado lunar: Lunar Outpost era parte de la Grupo inaugural de AWS Space Accelerator en 2021. La compañía participa en misiones a la Luna y está desarrollando rovers de Plataforma Autónoma Móvil (MAP) que serán capaces de sobrevivir y navegar en los entornos extremos de otros cuerpos planetarios. Para navegar con éxito en condiciones que no se pueden encontrar en la Tierra, Lunar Outpost hace un uso extensivo de simulaciones robóticas para validar algoritmos de navegación de IA.

Usos del puesto avanzado lunar AWS RoboMakerAmazon EC2 Registro de contenedores elásticos de Amazon (Amazon ECR), Servicio de almacenamiento simple de Amazon (Amazon S3), Nube privada virtual de Amazon (Amazon VPC), Lambda, Construcción de código AWSy Amazon QuickSight para probar rovers mediante el despliegue de simulaciones lunares. A medida que Lunar Outpost desarrolla tecnologías de navegación para la superficie lunar, se aceleran las instancias de simulación. Estas simulaciones se utilizarán durante las misiones lunares para ayudar a los operadores humanos y disminuir el riesgo. Los datos transmitidos desde la superficie lunar se importarán a su simulación, brindando una vista en tiempo real de las actividades del rover. La simulación de rovers MAP digitales permite carreras de prueba de trayectorias de navegación sin mover el rover físico, lo que reduce drásticamente los riesgos de mover rovers en el espacio.

Adarga: Adarga, parte de la primera cohorte de AWS Defense Accelerator, ofrece una plataforma de inteligencia impulsada por IA para comprender rápidamente los riesgos y las oportunidades para la preparación y el despliegue de la entrada al teatro. Adarga usa IA para encontrar información oculta en grandes volúmenes de datos no estructurados, como noticias, presentaciones, informes, videos y más.

Adarga utiliza Amazon EC2, OpenSearch Service, Aurora amazónica, Amazon DocumentDB (con compatibilidad con MongoDB), Traductor de Amazony SageMaker. Adarga ingiere información en tiempo real, traduce documentos en idiomas extranjeros y transcribe archivos de audio y video a texto. Además de SageMaker, Adarga utiliza modelos de NLP patentados para extraer y clasificar detalles, como personas, lugares y cosas, implementando técnicas de desambiguación para contextualizar la información. Estos detalles se mapean en una imagen de inteligencia dinámica para los clientes. Los algoritmos de ML de Adarga, junto con los servicios de IA/ML de AWS, permiten el análisis de relaciones y descubren patrones que, de otro modo, podrían parecer desconectados.

“Estamos orgullosos de ser parte de esta iniciativa pionera a medida que continuamos trabajando en estrecha colaboración con AWS y un ecosistema más amplio de jugadores tecnológicos para ofrecer capacidades innovadoras para la defensa, habilitadas por la nube de hiperescala”.

– Robert Bassett-Cross, director ejecutivo, Adarga

Ciudades sostenibles

SmartHelio: Dentro de la industria de granjas solares comerciales, es fundamental determinar la salud de la infraestructura solar instalada. SmartHelio combina la física y SageMaker para construir modelos que determinan el estado actual de los activos solares, generar predicciones sobre qué activos fallarán y determinar de manera proactiva qué activos reparar primero.

La solución de SmartHelio, basada en AWS, analiza sistemas de energía y física fotovoltaica increíblemente complejos. Un lago de datos en Amazon S3 almacena miles de millones de puntos de datos transmitidos en tiempo real desde servidores de control de supervisión y adquisición de datos (SCADA) en granjas solares, dispositivos de Internet de las cosas (IoT) o sistemas de administración de contenido (CMS) de terceros. plataformas SmartHelio utiliza SageMaker para ejecutar modelos de aprendizaje profundo para reconocer patrones, cuantificar el estado de las granjas solares y predecir las pérdidas de las granjas en tiempo real, brindando información inteligente al instante a sus clientes.

Después de ser seleccionado para el primer Cohorte del acelerador de ciudades sostenibles de AWS, SmartHelio aseguró varios pilotos con nuevos clientes. En palabras del director ejecutivo Govinda Upadhyay, "AWS Accelerator nos brindó exposición global a mercados, mentores, clientes potenciales e inversores".

automotor: Automotus utiliza tecnología de visión por computadora para brindar a los conductores la capacidad de ver en tiempo real si hay espacio disponible en la acera, lo que reduce significativamente el tiempo dedicado a buscar estacionamiento. Automotus ayuda a ciudades y aeropuertos a administrar y monetizar sus aceras utilizando una flota de sensores de visión por computadora con tecnología de AWS IoT Greengrass. Los sensores de Automotus cargan datos de entrenamiento en Amazon S3, donde un flujo de trabajo impulsado por Lambda indexa datos de muestra para crear conjuntos de datos complejos para entrenar nuevos modelos y mejorar los existentes.

Automotus utiliza SageMaker para automatizar y organizar en contenedores su proceso de entrenamiento del modelo de visión por computadora, cuyos resultados se implementan de nuevo en el perímetro mediante un proceso simple y automatizado. Equipados con estos modelos entrenados, los sensores Automotus envían metadatos a la nube usando Núcleo de AWS IoT, descubriendo información granular sobre la actividad de la acera y habilitando la facturación y el cumplimiento totalmente automatizados en la acera. Con un cliente, Automotus aumentó la eficiencia de la aplicación y los ingresos en más de un 500 %, lo que resultó en un aumento del 24 % en la rotación de estacionamiento y una reducción del 20 % en el tráfico.

Qué sigue para AI/ML y nuevas empresas

Los clientes han adoptado AI/ML para resolver una amplia gama de desafíos, lo que es un testimonio del avance de la tecnología y la mayor confianza que tienen los clientes en el uso de datos para mejorar la toma de decisiones. Los aceleradores de AWS tienen como objetivo continuar con la aceleración y la adopción de soluciones de IA/ML al ayudar a los clientes a intercambiar ideas y compartir declaraciones de problemas críticos, y a encontrar y conectar nuevas empresas con estos clientes.

¿Está interesado en promover soluciones para el bien público a través de su startup? ¿O tiene un desafío que necesita una solución disruptiva? Conéctese hoy mismo con el equipo de startups y capital de riesgo del sector público mundial de AWS para obtener más información sobre los aceleradores de AWS y otros recursos disponibles para impulsar las innovaciones en la toma de decisiones.

---

Sobre los autores

Swami Sivasubramanian es vicepresidente de datos y aprendizaje automático en AWS. En este rol, Swami supervisa todos los servicios de AWS Database, Analytics, AI & Machine Learning. La misión de su equipo es ayudar a las organizaciones a poner sus datos a trabajar con una solución de datos completa e integral para almacenar, acceder, analizar, visualizar y predecir.

manpreet mattu es el director global de capital de riesgo y desarrollo empresarial de empresas emergentes para el sector público mundial en Amazon Web Services (AWS). Tiene 15 años de experiencia en inversiones de riesgo y adquisiciones en segmentos tecnológicos y no tecnológicos de vanguardia. Más allá de la tecnología, el interés de Manpreet abarca la historia, la filosofía y la economía. También es corredor de resistencia.