AWS-kiihdyttimien startup-yritykset käyttävät tekoälyä ja ML:ää ratkaistakseen kriittisiä asiakashaasteita

Tekniikan säälimätön kehitys parantaa niin ihmisten kuin yritystenkin päätöksentekokykyä. Fyysisen maailman digitalisointi on nopeuttanut tiedon kolmea ulottuvuutta: nopeutta, vaihtelua ja määrää. Tämä on tuonut tietoa entistä laajemmin saataville, mikä on mahdollistanut edistyksen ongelmanratkaisussa. Nyt pilvipohjaisen demokratisoidun saatavuuden ansiosta teknologiat, kuten tekoäly (AI) ja koneoppiminen (ML), pystyvät lisäämään ihmisten ja koneiden päätöksenteon nopeutta ja tarkkuutta.

Tämä päätösten nopeus ja tarkkuus ei ole missään tärkeämpää kuin julkisella sektorilla, jossa puolustus-, terveydenhuolto-, ilmailu- ja kestävän kehityksen organisaatiot ratkaisevat haasteita, jotka vaikuttavat kansalaisiin kaikkialla maailmassa. Monet julkisen sektorin asiakkaat näkevät AI/ML:n käytön edut näiden haasteiden ratkaisemisessa, mutta he voivat olla yllättyneitä ratkaisujen valikoimasta. AWS julkaisi AWS Acceleratorsin löytääkseen ja kehittääkseen startuppeja teknologioilla, jotka vastaavat julkisen sektorin asiakkaiden ainutlaatuisiin haasteisiin. Lue lisää saadaksesi lisätietoja AWS Acceleratorin startup-yritysten tekoälyn/ML:n käyttötapauksista, jotka vaikuttavat julkisen sektorin asiakkaisiin.

Terveydenhuolto

Osia: Terveydenhuollon tarjoajat haluavat viettää enemmän aikaa potilaiden hoitamiseen ja vähemmän aikaa paperityöhön. Kappaleet, an AWS Healthcare Accelerator käynnistys, käyttää AWS:ää helpottaakseen sähköisen terveysrekisterin (EHR) tietojen syöttämistä, hallintaa, tallentamista, järjestämistä ja ymmärtämistä, jotta voidaan käsitellä terveyteen vaikuttavia sosiaalisia tekijöitä ja parantaa potilaiden hoitoa. Tekoälyn, luonnollisen kielen käsittelyn (NLP) ja kliinisesti tarkistettujen algoritmien avulla Pieces voi tarjota arvioidut sairaalasta lähtöpäivät, odotettavissa olevat kliiniset ja ei-kliiniset kotiutumisen esteet ja takaisinottoriskin. Pieces-palvelut tarjoavat myös näkemyksiä terveydenhuollon tarjoajille selkeällä kielellä ja optimoivat potilaiden kliinisten ongelmien selkeyden auttaakseen hoitotiimiä työskentelemään tehokkaammin. Piecesin mukaan, ohjelmisto tarjoaa 95 % positiivisen ennusteen potilaan kotiuttamisen esteiden tunnistamisessa, ja yhdessä sairaalassa se on osoittanut kykynsä vähentää potilaiden sairaalassaoloja keskimäärin kahdella päivällä.

Palaset käyttötarkoitukset Amazonin elastinen laskentapilvi (Amazon EC2), Amazon Relational Database -palvelu (Amazon RDS) ja Amazon hallinnoi suoratoistoa Apache Kafkalle (Amazon MSK) suoratoistettujen kliinisten tietojen keräämiseen ja käsittelyyn. Palaset käyttötarkoitukset Amazonin elastisten kuberneettien palvelu (Amazon EKS), Amazon OpenSearch-palveluja Amazonin hallinnoidut työnkulut Apache Airflowlle (Amazon MWAA) käyttää useita ML-malleja tuotantotiedoilla mittakaavassa.

PEP Terveys: Potilaskokemus on ensisijainen tavoite, mutta potilaiden palautteen kerääminen voi olla haaste. PEP Health, startup-yritys AWS Healthcare Acceleratorin Yhdistyneen kuningaskunnan kohortti, käyttää NLP-tekniikkaa miljoonien verkossa julkaistujen, julkisesti julkaistujen potilaiden kommenttien analysoimiseen, luoden pisteitä, jotka tuovat esiin juhla- tai huolenaiheet, ja tunnistaa syitä potilastyytyväisyyden paranemiseen tai heikkenemiseen. Näitä tietoja voidaan käyttää parantamaan kokemuksia, saavuttamaan parempia tuloksia ja demokratisoimaan potilaan ääntä.

PEP Healthin käyttö AWS Lambda, AWS-veljeskunta, ja Amazon EC2:n avulla reaaliajassa tietoa sadoilta tuhansilta verkkosivuilta. Patentoiduilla NLP-malleilla, jotka on rakennettu ja toimivat Amazon Sage Maker, PEP Health tunnistaa ja pisteyttää hoidon laatuun liittyvät teemat. Nämä tulokset syöttävät PEP Healthin Patient Experience Platform -alustaa ja ML-algoritmeja, jotka ovat rakentaneet ja käyttävät Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker ja Amazon Cognito, jotka mahdollistavat suhdeanalyysin ja paljastavat ihmisten, paikkojen ja asioiden välisiä malleja, jotka muutoin saattavat tuntua irrallisilta.

"Kiihdyttimen avulla PEP Health pystyi skaalaamaan toimintaansa merkittävästi AWS Lambdan käyttöönoton myötä kerätäkseen enemmän kommentteja nopeammin ja edullisemmin. Lisäksi olemme voineet käyttää Amazon SageMakeria saadaksemme lisätietoa asiakkaille."

– Mark Lomax, PEP Healthin toimitusjohtaja.

Puolustus ja avaruus

Kuun etuvartio: Lunar Outpost oli osa AWS Space Acceleratorin avajaisryhmä Vuonna 2021. Yhtiö osallistuu tehtäviin Kuuhun ja kehittää Mobile Autonomous Platform (MAP) -kulkijoita, jotka pystyvät selviytymään ja navigoimaan muiden planeettojen äärimmäisissä ympäristöissä. Navigoidakseen onnistuneesti olosuhteissa, joita ei löydy maapallolta, Lunar Outpost käyttää laajalti robottisimulaatioita validoidakseen tekoälyn navigointialgoritmeja.

Lunar Outpost käyttää AWS RoboMaker, Amazon EC2, Amazonin elastisten säiliörekisteri (Amazon ECR), Amazonin yksinkertainen tallennuspalvelu (Amazon S3), Amazonin virtuaalinen yksityinen pilvi (Amazon VPC), Lambda, AWS CodeBuildja Amazon QuickSight testata rovereita käyttämällä kuusimulaatioita. Kun Lunar Outpost kehittää navigointiteknologioita kuun pinnalle, simulaatioita kehitetään. Näitä simulaatioita käytetään kuulentojen aikana ihmisten auttamiseksi ja riskin vähentämiseksi. Kuun pinnalta takaisin striimattu data tuodaan heidän simulaatioihinsa, mikä antaa reaaliaikaisen kuvan roverin toiminnasta. Digitaalisten MAP-mönkijöiden simulointi mahdollistaa navigointiratojen koeajon ilman fyysistä roveria liikuttamatta, mikä vähentää merkittävästi riskiä liikkua avaruudessa.

Adarga: Adarga, osa ensimmäinen AWS Defense Accelerator -kohortti, toimittaa tekoälyyn perustuvan älykkyysalustan, joka ymmärtää nopeasti riskit ja mahdollisuudet teatteriesityksen valmisteluun ja käyttöönottoon. Adarga käyttää tekoälyä löytääkseen oivalluksia, jotka on haudattu suuriin määriin jäsentämätöntä dataa, kuten uutisia, esityksiä, raportteja, videoita ja paljon muuta.

Adarga käyttää Amazon EC2:ta, OpenSearch Serviceä, Amazon Aurora, Amazon DocumentDB (MongoDB-yhteensopivuuden kanssa), Amazon Käännäja SageMaker. Adarga kerää tietoa reaaliajassa, kääntää vieraskielisiä asiakirjoja ja litteroi ääni- ja videotiedostoja tekstiksi. SageMakerin lisäksi Adarga käyttää patentoituja NLP-malleja yksityiskohtien, kuten ihmisten, paikkojen ja asioiden, poimimiseen ja luokittelemiseen, ja se käyttää yksiselitteistämistekniikoita tietojen kontekstualisoimiseksi. Nämä tiedot on kartoitettu asiakkaille dynaamiseksi älykuvaksi. Adargan ML-algoritmit yhdessä AWS AI/ML -palvelujen kanssa mahdollistavat suhdeanalyysin ja paljastavat kuvioita, jotka muuten näyttävät katkenneilta.

"Olemme ylpeitä voidessamme olla osa tätä uraauurtavaa aloitetta, kun jatkamme tiivistä yhteistyötä AWS:n ja laajemman teknologiapelaajien ekosysteemin kanssa tarjotaksemme puolustukseen uusia ominaisuuksia hyperscale-pilven avulla."

– Robert Bassett-Cross, toimitusjohtaja, Adarga

Kestävät kaupungit

SmartHelio: Kaupallisen aurinkosähköteollisuuden alalla on ratkaisevan tärkeää määrittää asennetun aurinkoenergiainfrastruktuurin kunto. SmartHelio yhdistää fysiikan ja SageMaker-mallit rakentaakseen malleja, jotka määrittävät aurinkovoimaloiden tämänhetkisen kunnon, rakentavat ennusteita, mitkä laitteet epäonnistuvat, ja määrittävät ennakoivasti, mitkä omaisuuserät huolletaan ensin.

SmartHelion AWS:lle rakennettu ratkaisu analysoi uskomattoman monimutkaista aurinkosähköfysiikkaa ja sähköjärjestelmiä. Amazon S3:n datajärvi tallentaa miljardeja datapisteitä, jotka on suoratoistettu reaaliajassa Supervisory Control and Data Acquisition (SCADA) -palvelimista aurinkotiloilla, Internet of Things (IoT) -laitteissa tai kolmannen osapuolen sisällönhallintajärjestelmissä (CMS). alustat. SmartHelio käyttää SageMakeria syvien oppimismallien suorittamiseen kuvioiden tunnistamiseen, aurinkotilojen kunnon kvantifiointiin ja maatilojen tappioiden ennustamiseen reaaliajassa, mikä tarjoaa älykkäitä näkemyksiä asiakkailleen välittömästi.

Ensimmäiseksi valitun jälkeen AWS Sustainable Cities Accelerator -kohortti, SmartHelio sai useita pilotteja uusilla asiakkailla. Toimitusjohtaja Govinda Upadhyayn sanoin: "AWS Accelerator tarjosi meille maailmanlaajuista näkyvyyttä markkinoille, mentoreille, potentiaalisille asiakkaille ja sijoittajille."

Automotus: Automotus käyttää tietokonenäkötekniikkaa antaakseen kuljettajille mahdollisuuden nähdä reaaliajassa, onko ajotilassa tilaa, mikä vähentää merkittävästi pysäköintipaikan etsimiseen kuluvaa aikaa. Automotus auttaa kaupunkeja ja lentokenttiä hallitsemaan ja ansaitsemaan rahaa reunoillaan käyttämällä tietokonenäköantureita, jotka toimivat AWS IoT Vihreä ruoho. Automotuksen anturit lataavat harjoitustiedot Amazon S3:een, jossa Lambdan tuottama työnkulku indeksoi näytetiedot luodakseen monimutkaisia ​​tietojoukkoja uusien mallien harjoittamista ja olemassa olevien parantamista varten.

Automotus käyttää SageMakeria tietokonenäkömallin koulutusprosessin automatisoimiseen ja kontiloimiseen, jonka tulokset viedään takaisin reunaan yksinkertaisella, automatisoidulla prosessilla. Näillä koulutetuilla malleilla varustetut Automotus-anturit lähettävät metatietoja pilveen käyttämällä AWS IoT -ydin, paljastaa tarkkoja näkemyksiä hillitsemistoiminnasta ja mahdollistaa täysin automatisoidun laskutuksen ja täytäntöönpanon rajoissa. Kanssa yksi asiakas, Automotus lisäsi täytäntöönpanon tehokkuutta ja liikevaihtoa yli 500 %, mikä johti 24 %:n kasvuun pysäköintiliikenteessä ja 20 %:n vähennykseen liikenteessä.

Mitä seuraavaksi AI/ML:lle ja startupeille?

Asiakkaat ovat omaksuneet tekoälyn/ML:n ratkaistakseen monenlaisia ​​haasteita, mikä on osoitus teknologian edistymisestä ja asiakkaiden lisääntyneestä luottamuksesta käyttää dataa päätöksenteon parantamiseen. AWS Accelerators pyrkii jatkamaan AI/ML-ratkaisujen nopeuttamista ja käyttöönottoa auttamalla asiakkaita pohtimaan ja jakamaan kriittisiä ongelmailmoituksia sekä löytämään ja yhdistämään startup-yrityksiä näihin asiakkaisiin.

Oletko kiinnostunut edistämään yleishyödyllisiä ratkaisuja startup-yrityksesi kautta? Tai sinulla on haaste, joka kaipaa häiritsevää ratkaisua? Ota yhteyttä AWS:n maailmanlaajuiseen julkisen sektorin riskipääoma- ja startup-tiimiin tänään saadaksesi lisätietoja AWS Acceleratorsista ja muista käytettävissä olevista resursseista päätöksenteon innovaatioiden edistämiseksi.

---

Tietoja kirjoittajista

Swami Sivasubramanian on AWS:n tietojen ja koneoppimisen johtaja. Tässä roolissa Swami valvoo kaikkia AWS-tietokanta-, Analytics- ja tekoäly- ja koneoppimispalveluita. Hänen tiiminsä tehtävänä on auttaa organisaatioita saattamaan tietonsa toimimaan täydellisellä, päästä päähän -ratkaisulla tallentaa, käyttää, analysoida, visualisoida ja ennustaa.

Manpreet Mattu on Amazon Web Services (AWS) -yrityksen maailmanlaajuisen julkisen sektorin riskipääoman ja startup-yritysten kehitysjohtaja. Hänellä on 15 vuoden kokemus pääomasijoituksista ja yritysostoista huipputeknologian ja ei-teknologiasegmenteillä. Tekniikan lisäksi Manpreetin kiinnostus ulottuu historiaan, filosofiaan ja talouteen. Hän on myös kestävyysjuoksija.