Les startups des accélérateurs AWS utilisent l'IA et le ML pour résoudre les défis clients critiques

Les progrès technologiques incessants améliorent la capacité de prise de décision des humains et des entreprises. La numérisation du monde physique a accéléré les trois dimensions des données : la vitesse, la variété et le volume. Cela a rendu l’information plus largement disponible qu’auparavant, permettant ainsi de progresser dans la résolution des problèmes. Désormais, grâce à la disponibilité démocratisée du cloud, des technologies telles que l'intelligence artificielle (IA) et l'apprentissage automatique (ML) sont capables d'augmenter la vitesse et la précision de la prise de décision par les humains et les machines.

Nulle part cette rapidité et cette précision des décisions ne sont plus importantes que dans le secteur public, où des organisations des domaines de la défense, de la santé, de l'aérospatiale et du développement durable résolvent des défis qui ont un impact sur les citoyens du monde entier. De nombreux clients du secteur public voient les avantages de l’utilisation de l’IA/ML pour relever ces défis, mais peuvent être submergés par la gamme de solutions. AWS a lancé AWS Accelerators pour trouver et développer des startups dotées de technologies qui répondent aux défis uniques des clients du secteur public. Lisez la suite pour en savoir plus sur les cas d'utilisation de l'IA/ML des startups de l'AWS Accelerator qui ont un impact sur les clients du secteur public.

Système de santé

Pièces: Les prestataires de soins de santé veulent consacrer plus de temps à s'occuper des patients et moins de temps à s'occuper de la paperasse. Des morceaux, un Accélérateur de soins de santé AWS startup, utilise AWS pour faciliter la saisie, la gestion, le stockage, l'organisation et l'obtention d'informations à partir des données des dossiers de santé électroniques (DSE) afin de répondre aux déterminants sociaux de la santé et d'améliorer les soins aux patients. Grâce à l'IA, au traitement du langage naturel (NLP) et aux algorithmes examinés cliniquement, Pieces peut fournir les dates de sortie projetées de l'hôpital, les obstacles cliniques et non cliniques anticipés à la sortie et le risque de réadmission. Les services Pieces fournissent également des informations aux prestataires de soins de santé dans un langage simple et optimisent la clarté des problèmes cliniques des patients pour aider les équipes soignantes à travailler plus efficacement. Selon les pièces, le logiciel fournit une prévision positive de 95 % dans l'identification des obstacles à la sortie des patients et, dans un hôpital, a montré sa capacité à réduire les séjours hospitaliers des patients en moyenne de 2 jours.

Utilisations des pièces Cloud de calcul élastique Amazon (Amazon EC2), Service de base de données relationnelle Amazon (Amazon RDS), et Amazon Managed Streaming pour Apache Kafka (Amazon MSK) pour la collecte et le traitement des données cliniques en streaming. Utilisations des pièces Service Amazon Elastic Kubernetes (Amazon EKS), Service Amazon OpenSearchet Flux de travail gérés par Amazon pour Apache Airflow (Amazon MWAA) pour exécuter plusieurs modèles ML sur des données en production à grande échelle.

PPE Santé: L'expérience des patients est une priorité clé, mais recueillir les commentaires des patients peut être un défi. PEP Health, une startup du Cohorte britannique d'AWS Healthcare Accelerator, utilise la technologie PNL pour analyser des millions de commentaires de patients en ligne et publiés publiquement, générant des scores qui mettent en évidence les domaines de célébration ou de préoccupation et identifiant les raisons de l'amélioration ou du déclin de la satisfaction des patients. Ces données peuvent être utilisées pour améliorer les expériences, obtenir de meilleurs résultats et démocratiser la voix des patients.

Usages de la PEP Santé AWS Lambda, AWSFargate, et Amazon EC2 pour ingérer des informations en temps réel provenant de centaines de milliers de pages Web. Avec des modèles NLP propriétaires construits et exécutés sur Amazon Sage Maker, PEP Health identifie et note les thèmes pertinents pour la qualité des soins. Ces résultats alimentent la plateforme d'expérience patient de PEP Health et les algorithmes ML construits et optimisés par Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker et Amazon Cognito, qui permettent d'analyser les relations et de découvrir des modèles entre des personnes, des lieux et des choses qui autrement pourraient sembler déconnectés.

« Grâce à l'accélérateur, PEP Health a pu étendre considérablement ses opérations avec l'introduction d'AWS Lambda pour collecter davantage de commentaires plus rapidement et à moindre coût. De plus, nous avons pu utiliser Amazon SageMaker pour obtenir des informations supplémentaires pour les clients.

– Mark Lomax, PDG de PEP Santé.

Défense et espace

Avant-poste lunaire: Lunar Outpost faisait partie du Première cohorte d'AWS Space Accelerator en 2021. L'entreprise participe à des missions sur la Lune et développe des rovers Mobile Autonomous Platform (MAP) qui seront capables de survivre et de naviguer dans les environnements extrêmes d'autres corps planétaires. Pour naviguer avec succès dans des conditions introuvables sur Terre, Lunar Outpost utilise largement des simulations robotiques pour valider les algorithmes de navigation de l'IA.

L'avant-poste lunaire utilise AWS Robo Maker, Amazon EC2, Registre des conteneurs élastiques Amazon (AmazonECR), Service de stockage simple Amazon (Amazon S3), Cloud privé virtuel Amazon (Amazon VPC), Lambda, Création de code AWSet Amazon QuickSight tester les rovers en déployant des simulations lunaires. À mesure que Lunar Outpost développe des technologies de navigation pour la surface lunaire, des instances de simulation sont lancées. Ces simulations seront utilisées lors des missions lunaires pour assister les opérateurs humains et réduire les risques. Les données renvoyées depuis la surface lunaire seront importées dans leur simulation, donnant une vue en temps réel des activités du rover. La simulation des rovers numériques MAP permet d’effectuer des essais de trajectoires de navigation sans déplacer le rover physique, réduisant ainsi considérablement les risques liés au déplacement des rovers dans l’espace.

Adarga: Adarga, une partie du première cohorte AWS Defense Accelerator, propose une plateforme de renseignement basée sur l'IA pour comprendre rapidement les risques et les opportunités en matière de préparation et de déploiement de l'entrée sur le théâtre. Adarga utilise l'IA pour trouver des informations enfouies dans de grands volumes de données non structurées, telles que des actualités, des présentations, des rapports, des vidéos, etc.

Adarga utilise Amazon EC2, OpenSearch Service, Amazon Aurora, Amazon DocumentDB (avec compatibilité MongoDB), Amazon Traduireet SageMaker. Adarga ingère des informations en temps réel, traduit des documents en langues étrangères et transcrit des fichiers audio et vidéo en texte. En plus de SageMaker, Adarga utilise des modèles NLP propriétaires pour extraire et classer des détails, comme des personnes, des lieux et des objets, en déployant des techniques de désambiguïsation pour contextualiser les informations. Ces détails sont cartographiés dans une image d’intelligence dynamique pour les clients. Les algorithmes ML d'Adarga, associés aux services AWS AI/ML, permettent d'analyser les relations et de découvrir des modèles qui pourraient autrement sembler déconnectés.

« Nous sommes fiers de faire partie de cette initiative pionnière alors que nous continuons à travailler en étroite collaboration avec AWS et un écosystème plus large d'acteurs technologiques pour fournir des capacités révolutionnaires à la défense, rendues possibles par le cloud hyperscale. »

– Robert Bassett-Cross, PDG, Adarga

Villes durables

SmartHelio: Au sein de l'industrie des parcs solaires commerciaux, il est essentiel de déterminer la santé de l'infrastructure solaire installée. SmartHelio combine la physique et SageMaker pour construire des modèles qui déterminent la santé actuelle des actifs solaires, établir des prévisions sur les actifs qui tomberont en panne et déterminer de manière proactive quels actifs entretenir en premier.

La solution SmartHelio, basée sur AWS, analyse la physique photovoltaïque et les systèmes électriques incroyablement complexes. Un lac de données sur Amazon S3 stocke des milliards de points de données diffusés en temps réel à partir de serveurs de contrôle et d'acquisition de données (SCADA) sur des parcs solaires, des appareils Internet des objets (IoT) ou des systèmes de gestion de contenu (CMS) tiers. plates-formes. SmartHelio utilise SageMaker pour exécuter des modèles d'apprentissage profond afin de reconnaître des modèles, de quantifier l'état des fermes solaires et de prédire les pertes des fermes en temps réel, fournissant ainsi instantanément des informations intelligentes à ses clients.

Après avoir été sélectionné pour la première Cohorte AWS Sustainable Cities Accelerator, SmartHelio a sécurisé plusieurs pilotes avec de nouveaux clients. Selon les mots du PDG Govinda Upadhyay, « l'AWS Accelerator nous a donné une exposition mondiale aux marchés, aux mentors, aux clients potentiels et aux investisseurs ».

Automobile: Automotus utilise la technologie de vision par ordinateur pour donner aux conducteurs la possibilité de voir en temps réel si un espace en bordure de rue est disponible, réduisant ainsi considérablement le temps passé à chercher un parking. Automotus aide les villes et les aéroports à gérer et monétiser leurs bordures de trottoir à l'aide d'une flotte de capteurs de vision par ordinateur alimentés par AWS IoT Greengrass. Les capteurs d'Automotus téléchargent les données de formation sur Amazon S3, où un flux de travail optimisé par Lambda indexe des exemples de données pour créer des ensembles de données complexes permettant de former de nouveaux modèles et d'améliorer ceux existants.

Automotus utilise SageMaker pour automatiser et conteneuriser son processus de formation de modèles de vision par ordinateur, dont les sorties sont déployées vers la périphérie à l'aide d'un processus simple et automatisé. Equipés de ces modèles entraînés, les capteurs Automotus envoient des métadonnées vers le cloud à l'aide de Noyau AWS IoT, découvrant des informations granulaires sur l'activité en bordure de rue et permettant une facturation et une application entièrement automatisées en bordure de rue. Avec un client, Automotus a augmenté l'efficacité du contrôle et les revenus de plus de 500 %, ce qui a entraîné une augmentation de 24 % du chiffre d'affaires du stationnement et une réduction de 20 % du trafic.

Quelle est la prochaine étape pour l’IA/ML et les startups

Les clients ont adopté l'IA/ML pour résoudre un large éventail de défis, ce qui témoigne des progrès de la technologie et de la confiance accrue des clients dans l'utilisation des données pour améliorer la prise de décision. Les accélérateurs AWS visent à poursuivre l'accélération et l'adoption de solutions d'IA/ML en aidant les clients à réfléchir et à partager des énoncés de problèmes critiques, ainsi qu'à trouver et à connecter des startups avec ces clients.

Intéressé à faire progresser des solutions pour le bien public à travers votre startup ? Ou vous avez un défi nécessitant une solution disruptive ? Connectez-vous dès aujourd'hui avec l'équipe AWS Worldwide Public Sector Venture Capital and Startups pour en savoir plus sur les accélérateurs AWS et d'autres ressources disponibles pour stimuler les innovations en matière de prise de décision.

---

À propos des auteurs

Swami Sivasubramanian est vice-président des données et de l'apprentissage automatique chez AWS. Dans ce rôle, Swami supervise tous les services AWS Database, Analytics, AI & Machine Learning. La mission de son équipe est d'aider les organisations à exploiter leurs données avec une solution de données complète et de bout en bout pour stocker, accéder, analyser, visualiser et prévoir.

Manpreet Mattu est le responsable mondial du développement commercial du capital-risque et des startups pour le secteur public mondial chez Amazon Web Services (AWS). Il possède 15 ans d'expérience dans les investissements en capital-risque et les acquisitions dans les segments technologiques de pointe et non technologiques. Au-delà de la technologie, les intérêts de Manpreet s'étendent à l'histoire, à la philosophie et à l'économie. Il est également coureur d'endurance.