Hogyan használja a Sleepme az Amazon SageMaker-t az automatizált hőmérséklet-szabályozáshoz, hogy valós időben maximalizálja az alvásminőséget

Újra kiadta Platón

Követő: 0

Ez egy vendégbejegyzés, amelyet Trey Robinsonnal, a Sleepme Inc. műszaki igazgatójával közösen írtunk.

Sleepme piacvezető az alváshőmérséklet-kezelési és -figyelő termékek terén, beleértve a Dolgok Internetére (IoT) képes alváskövető szenzorcsomagot, amely pulzusszám-, légzésszám-, ágy- és környezeti hőmérséklet-, páratartalom- és nyomásérzékelőkkel van felszerelve.

A Sleepme egy intelligens fedőmatrac-rendszert kínál, amely ütemezhető az ágy hűtésére vagy fűtésére a társalkalmazás segítségével. A rendszer párosítható egy alváskövetővel, amely betekintést gyűjt, mint például a pulzusszám, a légzésszám, a szoba páratartalma, az ébredési idők, valamint az, hogy a felhasználó mikor feküdt és feküdt ki. Egy adott alvási munkamenet végén összesíti az alváskövető betekintést az alvási szakasz adataival együtt, hogy alvásminőségi pontszámot hozzon létre.

Ez az intelligens fedőmatrac úgy működik, mint egy termosztát az ágyban, és lehetővé teszi az ügyfelek számára, hogy szabályozzák alvási klímáját. A Sleepme termékek segítenek lehűteni a testhőmérsékletet, ami összefügg a mély álomba eséssel, míg a melegség csökkentheti az elesés és az elalvás valószínűségét.

Ebben a bejegyzésben megosztjuk, hogyan használta a Sleepme Amazon SageMaker kifejlesztett egy gépi tanulási (ML) modellt, amely az alvási pontszám maximalizálása érdekében hőmérsékletet ajánl.

„Az AI bevezetése új utakat nyit az ügyfelek alvási élményének javításában. Ezeket a változtatásokat a Sleepme termékcsaládban hajtják végre, lehetővé téve az ügyfél számára, hogy a telepítés során kihasználja az új funkciók műszaki és marketing értékét."

– Trey Robinson, a Sleepme technológiai igazgatója.

ML használata az alvás javítására valós időben

A Sleepme egy tudományvezérelt szervezet, amely tudományos tanulmányokat, nemzetközi folyóiratokat és élvonalbeli kutatásokat használ, hogy ügyfelei számára a legújabb alvás-egészségügyi és jólléti eredményeket hozza el. A Sleepme alvástudományi információkat nyújt róluk .

A Sleepme arról beszél, hogy az amerikaiaknak csak 44%-a számol be nyugodt éjszakai alvásról szinte minden este, és hogy a felnőttek 35%-a kevesebb, mint 7 órát alszik éjszakánként. A teljes éjszakai alvás segít energikusabbnak érezni magát, és bizonyítottan jótékony hatással van az elmére, a súlyra és a szívre. Ez az emberek hatalmas populációját képviseli, akiknek lehetősége van arra, hogy javítsa alvását és egészségét.

A Sleepme lehetőséget látott arra, hogy javítsa a felhasználók alvását azáltal, hogy megváltoztatja a felhasználó alvási környezetét az éjszaka folyamán. A környezeti adatok, például a hőmérséklet és a páratartalom rögzítésével, valamint személyre szabott felhasználói adatokkal, például nyugtalanság, pulzusszám és alvási ciklus összekapcsolásával a Sleepme megállapította, hogy képesek megváltoztatni a felhasználó környezetét a pihenés optimalizálása érdekében. Ez a használati eset olyan ML modellt igényelt, amely valós idejű következtetéseket szolgált.

A Sleepme-nek olyan könnyen elérhető következtetési modellre volt szüksége, amely alacsony késleltetésű ajánlásokat ad. Az új funkciók és termékek ügyfelei számára történő szállítására összpontosítva a Sleepme-nek olyan készen álló megoldásra volt szüksége, amely nem igényel infrastruktúra-kezelést.

E kihívások megoldása érdekében a Sleepme az Amazon SageMakerhez fordult.

Az Amazon SageMaker használata ML modell felépítésére az alvási hőmérséklet ajánlásaihoz

A SageMaker az ML-felépítési folyamat egyszerűsítésével felgyorsítja az ML-munkaterhelések telepítését. ML-képességek készletét biztosítja, amelyek az AWS-en futó felügyelt infrastruktúrán futnak. Ez csökkenti a többletköltséget és az ML fejlesztéssel kapcsolatos bonyolultságot.

A Sleepme a SageMaker-t választotta a modellképzésben, a végpontok telepítési folyamatában és az infrastruktúra kezelésében biztosított képességei miatt. A következő ábra szemlélteti az AWS architektúráját.

A Sleepme arra összpontosít, hogy új termékeket és szolgáltatásokat nyújtson ügyfelei számára. Nem akarták erőforrásaikat egy hosszadalmas ML modell képzési folyamatra fordítani.

SageMaker modell tréning lehetővé tette a Sleepme-nek, hogy előzményadatait felhasználva gyorsan fejlesszen ki egy szabadalmaztatott gépi tanulási modellt. A SageMaker Model Training több tucat beépített betanítási algoritmust és több száz előre betanított modellt kínál, növelve a Sleepme agilitását a modellalkotásban. Az alapul szolgáló számítási példányok kezelésével a SageMaker Model Training lehetővé tette a Sleepme számára, hogy a modell teljesítményének javítására összpontosítson.

Ehhez az ML-modellhez valós időben kellett módosítani az alvási környezetet. Ennek eléréséhez a Sleepme a SageMaker Valós idejű következtetés hogy kezeljék modelljük hosztolását. Ez a végpont adatokat kap a Sleepme intelligens fedőmatracjától és alváskövetőjétől, hogy valós időben javasoljon hőmérsékletet a felhasználó alvásához. Ezenkívül a modellek automatikus méretezésének lehetőségével a SageMaker következtetés lehetőséget kínált a Sleepme-nek, hogy a kereslet kielégítése érdekében példányokat vegyen fel vagy távolítson el.

A SageMaker hasznos funkciókat is biztosít a Sleepme számára, ahogy a munkaterhelésük fejlődik. Használhatnák árnyéktesztek az új verziók modellteljesítményének értékelése az ügyfeleknél történő bevezetés előtt, SakeMaker modellnyilvántartás a modellverziók kezeléséhez és a modelltelepítés automatizálásához, és SageMaker Model Monitoring hogy nyomon kövessék modelljük minőségét a gyártás során. Ezek a funkciók lehetővé teszik a Sleepme számára, hogy új szintre emelje ML használati eseteit anélkül, hogy új képességeket fejlesztene ki.

Következtetés

Az Amazon SageMaker segítségével a Sleepme néhány hét alatt fel tudott építeni és telepíteni egy egyéni ML-modellt, amely azonosítja az ajánlott hőmérséklet-beállítást, amelyet a Sleepme eszközök tükröznek a felhasználó környezetében.

A Sleepme IoT-eszközök rögzítik az alvási adatokat, és percek alatt módosíthatják az ügyfél ágyát. Ez a képesség üzleti megkülönböztető tényezőnek bizonyult. Mostantól a felhasználók alvása optimalizálható, hogy valós időben jobb minőségű alvást biztosítson.

Ha többet szeretne megtudni arról, hogyan készíthet gyorsan ML modelleket, tekintse meg a Vonatmodellek vagy kezdje el a SageMaker konzol.

A szerzőkről

Trey Robinson a Sleepme Inc. műszaki igazgatójaként és a Passport Inc. mérnöki igazgatójaként mobil és IoT-központú szoftvermérnök csapatokat vezetett. Az évek során több tucat mobilalkalmazáson, háttérrendszeren és IoT-projekten dolgozott. Mielőtt Charlotte-ba költözött, Trey a dél-karolinai kilencvenhatban nőtt fel, és számítástechnikát tanult a Clemson Egyetemen.

How Sleepme uses Amazon SageMaker for automated temperature control to maximize sleep quality in real time PlatoBlockchain Data Intelligence. Vertical Search. Ai. Benon Boyadjian megoldástervező az Amazon Web Services Private Equity csoportjában. A Benon közvetlenül együttműködik a magántőke-társaságokkal és portfólióvállalataikkal, segítve őket az AWS-nek az üzleti céljaik elérésében és a vállalati érték növelésében.