استارت‌آپ‌ها در سراسر شتاب‌دهنده‌های AWS از هوش مصنوعی و ML برای حل چالش‌های حیاتی مشتری استفاده می‌کنند.

پیشرفت بی امان در فناوری ظرفیت تصمیم گیری انسان ها و شرکت ها را به طور یکسان بهبود می بخشد. دیجیتالی شدن دنیای فیزیکی به سه بعد داده سرعت، تنوع و حجم سرعت بخشیده است. این باعث شده است که اطلاعات بیشتر از قبل در دسترس باشد و امکان پیشرفت در حل مسئله را فراهم کند. در حال حاضر، با در دسترس بودن دموکراتیک شده مبتنی بر ابر، فناوری‌هایی مانند هوش مصنوعی (AI) و یادگیری ماشینی (ML) می‌توانند سرعت و دقت تصمیم‌گیری توسط انسان‌ها و ماشین‌ها را افزایش دهند.

هیچ کجا این سرعت و دقت تصمیم‌گیری‌ها به اندازه بخش عمومی مهم نیست، جایی که سازمان‌ها در سراسر دفاع، مراقبت‌های بهداشتی، هوافضا و پایداری در حال حل چالش‌هایی هستند که بر شهروندان در سراسر جهان تأثیر می‌گذارند. بسیاری از مشتریان بخش عمومی مزایای استفاده از AI/ML را برای مقابله با این چالش ها می بینند، اما می توانند با طیف وسیعی از راه حل ها غرق شوند. AWS شتاب دهنده‌های AWS را راه‌اندازی کرد تا استارت‌آپ‌هایی را با فناوری‌هایی که با چالش‌های منحصربه‌فرد مشتریان بخش عمومی پاسخ می‌دهند، پیدا کرده و توسعه دهند. برای کسب اطلاعات بیشتر در مورد موارد استفاده AI/ML از استارت‌آپ‌های شتابدهنده AWS که بر مشتریان بخش عمومی تأثیر می‌گذارند، ادامه دهید.

بهداشت و درمان

قطعات: ارائه دهندگان مراقبت های بهداشتی می خواهند زمان بیشتری را برای مراقبت از بیماران و زمان کمتری را صرف کارهای اداری کنند. قطعات، یک شتاب دهنده AWS Healthcare Accelerator راه‌اندازی، از AWS برای آسان‌تر کردن ورودی، مدیریت، ذخیره، سازمان‌دهی و کسب بینش از داده‌های پرونده الکترونیک سلامت (EHR) برای پرداختن به عوامل اجتماعی تعیین‌کننده سلامت و بهبود مراقبت از بیمار استفاده می‌کند. با هوش مصنوعی، پردازش زبان طبیعی (NLP) و الگوریتم‌های بررسی شده بالینی، Pieces می‌تواند تاریخ‌های پیش‌بینی‌شده ترخیص از بیمارستان، موانع بالینی و غیر بالینی پیش‌بینی‌شده برای ترخیص و خطر بستری مجدد را ارائه دهد. خدمات Pieces همچنین بینش هایی را به ارائه دهندگان مراقبت های بهداشتی به زبان ساده ارائه می دهد و وضوح مسائل بالینی بیماران را بهینه می کند تا به تیم های مراقبت کمک کند تا کارآمدتر کار کنند. به گزارش Piecesاین نرم افزار 95 درصد پیش بینی مثبتی را در شناسایی موانع ترخیص بیمار ارائه می دهد و در یک بیمارستان توانایی خود را در کاهش اقامت بیماران در بیمارستان به طور متوسط ​​2 روز نشان داده است.

قطعات استفاده می کند ابر محاسبه الاستیک آمازون (Amazon EC2) سرویس پایگاه داده رابطه آمازون (آمازون RDS)، و آمازون پخش جریانی را برای آپاچی کافکا مدیریت کرد (Amazon MSK) برای جمع آوری و پردازش داده های بالینی جریانی. قطعات استفاده می کند سرویس الاستیک کوبرنتز آمازون (Amazon EKS) سرویس جستجوی باز آمازونو آمازون گردش های کاری را برای Apache Airflow مدیریت کرد (Amazon MWAA) برای اجرای چندین مدل ML بر روی داده های تولیدی در مقیاس.

PEP Health: تجربه بیمار یک اولویت کلیدی است، اما جمع آوری بازخورد بیمار می تواند یک چالش باشد. PEP Health، یک استارتاپ در گروه AWS Healthcare Accelerator در بریتانیا، از فناوری NLP برای تجزیه و تحلیل میلیون‌ها نظرات بیمار به صورت آنلاین و پست شده عمومی استفاده می‌کند، امتیازهایی ایجاد می‌کند که زمینه‌های جشن یا نگرانی را برجسته می‌کند، و دلایل بهبود یا کاهش رضایت بیمار را شناسایی می‌کند. از این داده ها می توان برای بهبود تجربیات، به دست آوردن نتایج بهتر و دموکراتیزه کردن صدای بیمار استفاده کرد.

موارد مصرف PEP Health AWS لامبدا, AWS Fargateو آمازون EC2 برای دریافت اطلاعات در زمان واقعی از صدها هزار صفحه وب. با مدل های اختصاصی NLP ساخته شده و اجرا می شود آمازون SageMaker، PEP Health موضوعات مرتبط با کیفیت مراقبت را شناسایی و امتیاز می دهد. این نتایج الگوریتم‌های پلتفرم تجربه بیمار PEP Health و الگوریتم‌های ML را که توسط Lambda، Fargate، Amazon EC2، Amazon RDS، SageMaker، و Cognito آمازون، که تجزیه و تحلیل رابطه را امکان پذیر می کند و الگوهایی را بین افراد، مکان ها و چیزهایی که ممکن است در غیر این صورت جدا به نظر می رسد، آشکار کند.

از طریق شتاب دهنده، PEP Health توانست با معرفی AWS Lambda عملیات خود را به طور قابل توجهی افزایش دهد تا نظرات بیشتری را سریعتر و مقرون به صرفه تر جمع آوری کند. علاوه بر این، ما توانسته‌ایم از Amazon SageMaker برای کسب اطلاعات بیشتر برای مشتریان استفاده کنیم.

– مارک لومکس، مدیرعامل PEP Health.

دفاع و فضا

پاسگاه قمری: پاسگاه قمری بخشی از این بود گروه افتتاحیه AWS Space Accelerator در سال 2021. این شرکت در ماموریت‌هایی به ماه شرکت می‌کند و در حال توسعه مریخ نوردهای متحرک پلتفرم خودمختار (MAP) است که قادر به زنده ماندن و حرکت در محیط‌های شدید دیگر اجرام سیاره‌ای هستند. برای پیمایش موفقیت‌آمیز در شرایطی که روی زمین یافت نمی‌شوند، Lunar Outpost از شبیه‌سازی‌های رباتیک برای اعتبارسنجی الگوریتم‌های ناوبری هوش مصنوعی استفاده گسترده‌ای می‌کند.

از پاسگاه قمری استفاده می کند AWS RoboMakerآمازون EC2، رجیستری ظروف الاستیک آمازون (Amazon ECR) سرویس ذخیره سازی ساده آمازون (Amazon S3) ابر خصوصی مجازی آمازون (Amazon VPC)، لامبدا، AWS CodeBuildو آمازون QuickSight برای آزمایش مریخ نوردها با استقرار شبیه سازی های ماه. همانطور که Lunar Outpost فناوری های ناوبری را برای سطح ماه توسعه می دهد، نمونه های شبیه سازی چرخانده می شوند. این شبیه‌سازی‌ها در طول مأموریت‌های ماه برای کمک به اپراتورهای انسانی و کاهش خطر استفاده خواهند شد. داده‌هایی که از سطح ماه بازگردانده می‌شوند به شبیه‌سازی آن‌ها وارد می‌شوند و نمای لحظه‌ای از فعالیت‌های مریخ نورد ارائه می‌دهند. شبیه سازی مریخ نوردهای دیجیتال MAP امکان اجرای آزمایشی مسیرهای ناوبری را بدون حرکت مریخ نورد فیزیکی فراهم می کند و خطرات حرکت مریخ نوردها در فضا را به طور چشمگیری کاهش می دهد.

آدارگا: آدارگا، بخشی از اولین گروه شتاب دهنده دفاعی AWS، در حال ارائه یک پلت فرم هوشمند مبتنی بر هوش مصنوعی برای درک سریع خطرات و فرصت ها برای آماده سازی و استقرار ورود به سالن است. Adarga از هوش مصنوعی برای یافتن بینش های مدفون در حجم زیادی از داده های بدون ساختار، مانند اخبار، ارائه ها، گزارش ها، ویدئوها و موارد دیگر استفاده می کند.

Adarga از Amazon EC2، OpenSearch Service، آمازون شفق قطبی, Amazon DocumentDB (با سازگاری MongoDB), ترجمه آمازونو SageMaker. Adarga اطلاعات را در زمان واقعی دریافت می کند، اسناد زبان خارجی را ترجمه می کند و فایل های صوتی و تصویری را به متن رونویسی می کند. علاوه بر SageMaker، Adarga از مدل‌های NLP اختصاصی برای استخراج و طبقه‌بندی جزئیات، مانند افراد، مکان‌ها و چیزها، استفاده می‌کند و از تکنیک‌های ابهام‌زدایی برای ایجاد زمینه اطلاعات استفاده می‌کند. این جزئیات در یک تصویر هوشمند پویا برای مشتریان ترسیم شده است. الگوریتم‌های ML آدارگا، همراه با سرویس‌های AWS AI/ML، تجزیه و تحلیل رابطه را امکان‌پذیر می‌سازد، و الگوهایی را که ممکن است در غیر این صورت به نظر قطعی به نظر برسد، آشکار می‌کنند.

ما مفتخریم که بخشی از این ابتکار پیشگام هستیم زیرا به همکاری نزدیک با AWS و اکوسیستم گسترده‌تری از بازیکنان فناوری ادامه می‌دهیم تا قابلیت‌های تغییر بازی را به دفاع ارائه دهیم، که توسط ابر مقیاس بزرگ فعال می‌شود.

– رابرت باست کراس، مدیر عامل شرکت آدارگا

شهرهای پایدار

SmartHelio: در صنعت مزرعه خورشیدی تجاری، تعیین سلامت زیرساخت های خورشیدی نصب شده بسیار مهم است. SmartHelio فیزیک و SageMaker را برای ساخت مدل‌هایی ترکیب می‌کند که سلامت فعلی دارایی‌های خورشیدی را تعیین می‌کنند، پیش‌بینی می‌کنند که کدام دارایی‌ها از کار می‌افتند، و به طور فعال تعیین می‌کنند که کدام دارایی‌ها ابتدا خدمات ارائه می‌کنند.

راه حل SmartHelio که بر اساس AWS ساخته شده است، فیزیک فتوولتائیک و سیستم های قدرت فوق العاده پیچیده را تجزیه و تحلیل می کند. یک دریاچه داده در آمازون S3 میلیاردها نقطه داده را ذخیره می‌کند که به صورت بلادرنگ از سرورهای کنترل نظارت و جمع‌آوری داده (SCADA) در مزارع خورشیدی، دستگاه‌های اینترنت اشیا (IoT) یا سیستم‌های مدیریت محتوای شخص ثالث (CMS) پخش می‌شوند. بستر، زمینه. SmartHelio از SageMaker برای اجرای مدل‌های یادگیری عمیق برای تشخیص الگوها، تعیین کمیت سلامت مزرعه خورشیدی و پیش‌بینی زیان‌های مزرعه در زمان واقعی استفاده می‌کند و بینش‌های هوشمندانه‌ای را فوراً به مشتریان خود ارائه می‌دهد.

پس از انتخاب شدن برای اولین گروه شتاب دهنده شهرهای پایدار AWS، SmartHelio چندین خلبان را با مشتریان جدید ایمن کرد. به گفته مدیر اجرایی گوویندا آپادیای، «شتاب دهنده AWS به ما در معرض دید جهانی بازارها، مربیان، مشتریان بالقوه و سرمایه گذاران قرار داد.»

خودرو: Automotus از فناوری بینایی کامپیوتری استفاده می‌کند تا به رانندگان این امکان را بدهد که در صورت در دسترس بودن فضای کریدور، در زمان واقعی مشاهده کنند و زمان صرف شده برای جستجوی پارکینگ را به میزان قابل توجهی کاهش می‌دهد. Automotus به شهرها و فرودگاه‌ها کمک می‌کند تا با استفاده از ناوگانی از حسگرهای بینایی رایانه‌ای که توسط ناوگانی از حسگرهای بینایی کامپیوتری کار می‌کنند، محدودیت‌های خود را مدیریت و کسب درآمد کنند. AWS IoT Greengrass. حسگرهای Automotus داده‌های آموزشی را در آمازون S3 آپلود می‌کنند، جایی که یک گردش کار با استفاده از Lambda داده‌های نمونه را برای ایجاد مجموعه داده‌های پیچیده برای آموزش مدل‌های جدید و بهبود مدل‌های موجود نمایه می‌کند.

Automotus از SageMaker برای خودکارسازی و کانتینری کردن فرآیند آموزش مدل بینایی کامپیوتری خود استفاده می کند، که خروجی های آن با استفاده از یک فرآیند ساده و خودکار به لبه باز می گردند. مجهز به این مدل های آموزش دیده، حسگرهای Automotus با استفاده از ابرداده ها را به ابر ارسال می کنند AWS IoT Core، کشف بینش دقیق در مورد فعالیت محدود و فعال کردن صورت‌حساب و اجرای کاملاً خودکار در محدوده. با یک مشتری، Automotus راندمان اجرایی و درآمد را بیش از 500٪ افزایش داد که نتیجه آن افزایش 24٪ در گردش پارکینگ و 20٪ کاهش ترافیک است.

آینده هوش مصنوعی/ML و استارت آپ ها چیست؟

مشتریان AI/ML را برای حل طیف گسترده ای از چالش ها پذیرفته اند، که گواهی بر پیشرفت فناوری و افزایش اعتماد مشتریان به استفاده از داده ها برای بهبود تصمیم گیری است. شتابدهنده های AWS با کمک به مشتریان در طوفان فکری و به اشتراک گذاشتن بیانیه های مشکل مهم و یافتن و اتصال استارتاپ ها با این مشتریان، به شتاب و پذیرش راه حل های AI/ML ادامه می دهند.

آیا علاقه مند به پیشبرد راه حل هایی برای منافع عمومی از طریق استارتاپ خود هستید؟ یا چالشی دارید که نیاز به یک راه حل مخرب دارد؟ امروز با تیم سرمایه‌گذاری مخاطره‌پذیر و استارت‌آپ‌های بخش عمومی جهانی AWS ارتباط برقرار کنید تا درباره شتاب‌دهنده‌های AWS و سایر منابع موجود برای هدایت نوآوری‌های تصمیم‌گیری بیشتر بدانید.

---

درباره نویسندگان

سوامی سیواسوبرامانیان معاون داده و یادگیری ماشین در AWS است. در این نقش، سوامی بر کلیه خدمات پایگاه داده AWS، تجزیه و تحلیل و هوش مصنوعی و یادگیری ماشین نظارت دارد. ماموریت تیم او این است که به سازمان‌ها کمک کند تا داده‌های خود را با یک راه‌حل داده کامل و سرتاسر برای ذخیره‌سازی، دسترسی، تجزیه و تحلیل، تجسم و پیش‌بینی به کار گیرند.

مانپریت ماتو رئیس جهانی سرمایه گذاری خطرپذیر و توسعه کسب و کار استارت آپی برای بخش عمومی جهانی در خدمات وب آمازون (AWS) است. او دارای 15 سال تجربه در سرمایه گذاری های مخاطره آمیز و خرید در بخش های فناوری پیشرفته و غیر فناوری است. فراتر از فناوری، علاقه Manpreet شامل تاریخ، فلسفه و اقتصاد می شود. او همچنین یک دونده استقامتی است.