Az AWS Acceleratorok induló vállalkozásai mesterséges intelligenciát és ML-t használnak a kritikus ügyfélkihívások megoldására

A technológia könyörtelen fejlődése az emberek és a vállalkozások döntési képességét egyaránt javítja. A fizikai világ digitalizálása felgyorsította az adatok három dimenzióját: sebességet, változatosságot és mennyiséget. Ezáltal az információk szélesebb körben elérhetővé váltak, mint korábban, és előrelépést tett lehetővé a problémamegoldás terén. Most, a felhőalapú demokratikus rendelkezésre állás révén az olyan technológiák, mint a mesterséges intelligencia (AI) és a gépi tanulás (ML) képesek növelni az emberek és a gépek döntéshozatalának sebességét és pontosságát.

A döntések gyorsasága és pontossága sehol nem fontosabb, mint a közszférában, ahol a védelmi, egészségügyi, repülési és fenntarthatósági szervezetek olyan kihívásokat oldanak meg, amelyek világszerte érintik a polgárokat. Sok közszférabeli ügyfél látja az AI/ML használatának előnyeit ezeknek a kihívásoknak a megoldásában, de túlterhelhetik őket a különféle megoldások. Az AWS elindította az AWS Accelerators-t, hogy olyan startupokat találjon és fejlesszen, amelyek megfelelnek a közszféra ügyfelek egyedi kihívásainak. Olvasson tovább, ha többet szeretne megtudni az AWS Accelerator startupjaitól származó AI/ML használati eseteiről, amelyek hatással vannak a közszféra ügyfeleire.

Egészségügy

Darabok: Az egészségügyi szolgáltatók több időt szeretnének a betegek gondozásával és kevesebb időt fordítani a papírmunkára. Darabok, an AWS Healthcare Accelerator startup, az AWS segítségével megkönnyíti az elektronikus egészségügyi nyilvántartás (EHR) adatainak bevitelét, kezelését, tárolását, rendszerezését és betekintést az egészséget befolyásoló társadalmi tényezők kezelésére és a betegellátás javítására. A mesterséges intelligencia, a természetes nyelvi feldolgozás (NLP) és a klinikailag felülvizsgált algoritmusok segítségével a Pieces meg tudja adni a kórházi elbocsátási dátumokat, a hazabocsátás várható klinikai és nem klinikai akadályait, valamint a visszafogadás kockázatát. A Pieces szolgáltatások egyszerű nyelvezetű betekintést nyújtanak az egészségügyi szolgáltatók számára, és optimalizálják a betegek klinikai problémáinak egyértelműségét, hogy segítsék az ellátó csapatok hatékonyabb munkáját. Darab szerint, a szoftver 95%-ban pozitív előrejelzést ad a betegek elbocsátását gátló akadályok azonosításában, és egy kórházban bebizonyította, hogy képes átlagosan 2 nappal csökkenteni a betegek kórházi tartózkodását.

Darabok felhasználása Amazon rugalmas számítási felhő (Amazon EC2), Amazon Relációs adatbázis-szolgáltatás (Amazon RDS), és Amazon által kezelt adatfolyam az Apache Kafka számára (Amazon MSK) a streamelt klinikai adatok gyűjtésére és feldolgozására. Darabok felhasználása Amazon Elastic Kubernetes szolgáltatás (Amazon EKS), Amazon OpenSearch szolgáltatásés Amazon által felügyelt munkafolyamatok az Apache Airflow számára (Amazon MWAA) több ML-modellt futtathat a termelésben lévő adatokon nagy méretekben.

PEP egészség: A betegek tapasztalata kulcsfontosságú prioritás, de a betegek visszajelzéseinek összegyűjtése kihívást jelenthet. PEP Health, egy startup a Az AWS Healthcare Accelerator egyesült királyságbeli csoportja, NLP technológiát használ több millió online, nyilvánosan közzétett páciens-megjegyzés elemzésére, pontszámokat generálva, amelyek kiemelik az ünneplésre vagy aggodalomra okot adó területeket, és azonosítják a betegelégedettség javulásának vagy csökkenésének okait. Ezek az adatok felhasználhatók a tapasztalatok javítására, jobb eredmények elérésére és a betegek hangjának demokratizálására.

PEP Health felhasználások AWS Lambda, AWS Fargate, és az Amazon EC2, hogy valós időben nyerjenek információkat több százezer weboldalról. Szabadalmaztatott NLP-modellekkel, amelyeket beépítettek és futtatnak Amazon SageMaker, a PEP Health azonosítja és pontozza az ellátás minősége szempontjából releváns témákat. Ezek az eredmények a PEP Health Patient Experience Platform és ML algoritmusait táplálják, amelyeket a Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker és Amazon Cognito, amelyek lehetővé teszik a kapcsolatok elemzését, és olyan emberek, helyek és dolgok közötti mintákat tárnak fel, amelyek egyébként szétválasztottnak tűnhetnek.

„A gyorsító révén a PEP Health jelentősen bővíteni tudta működését az AWS Lambda bevezetésével, hogy gyorsabban és olcsóbban gyűjtsön több megjegyzést. Ezenkívül az Amazon SageMaker segítségével további betekintést nyerhetünk az ügyfelek számára.”

– Mark Lomax, a PEP Health vezérigazgatója.

Védelem és tér

Hold előőrs: A Lunar Outpost része volt a Az AWS Space Accelerator induló csoportja 2021-ben. A cég Holdra irányuló küldetésekben vesz részt, és olyan mobil autonóm platform (MAP) rovereket fejleszt, amelyek képesek lesznek túlélni és eligazodni más bolygótestek szélsőséges környezetében. Ahhoz, hogy sikeresen navigálhasson olyan körülmények között, amelyek a Földön nem találhatók meg, a Lunar Outpost széles körben alkalmaz robotszimulációkat az AI navigációs algoritmusok érvényesítésére.

Lunar Outpost felhasználások AWS RoboMaker, Amazon EC2, Amazon Elastic Container Registry (Amazon ECR), Amazon egyszerű tárolási szolgáltatás (Amazon S3), Amazon Virtual Private Cloud (Amazon VPC), Lambda, AWS CodeBuildés Amazon QuickSight hogy holdszimulációk bevetésével teszteljék a rovereket. Miközben a Lunar Outpost navigációs technológiákat fejleszt a Hold felszínére, szimulációs példányokat pörögnek fel. Ezeket a szimulációkat a holdi küldetések során fogják használni az emberi kezelők segítésére és a kockázat csökkentésére. A Hold felszínéről visszasugárzott adatokat importálják a szimulációjukba, így valós idejű képet adnak a rover tevékenységeiről. A digitális MAP-roverek szimulációja lehetővé teszi a navigációs pályák próbafuttatását a fizikai rover mozgatása nélkül, így drámai módon csökkenti a roverek térben való mozgásának kockázatát.

Adarga: Adarga, része a Az első AWS Defense Accelerator kohorszAI által vezérelt intelligens platformot szállít, hogy gyorsan megértse a színházba való belépésre való felkészülés és telepítés kockázatait és lehetőségeit. Az Adarga a mesterséges intelligencia segítségével nagy mennyiségű, strukturálatlan adatban, például hírekben, prezentációkban, riportokban, videókban és egyebekben rejtett betekintéseket keres.

Az Adarga az Amazon EC2-t, az OpenSearch szolgáltatást használja, Amazon Aurora, Amazon DocumentDB (MongoDB-kompatibilitással), Amazon Translateés a SageMaker. Az Adarga valós időben feldolgozza az információkat, lefordítja az idegen nyelvű dokumentumokat, valamint átírja az audio- és videofájlokat szöveggé. A SageMaker mellett az Adarga szabadalmaztatott NLP-modelleket is használ a részletek, például emberek, helyek és dolgok kinyerésére és osztályozására, és egyértelműsítési technikákat alkalmaz az információk kontextusba helyezésére. Ezek a részletek dinamikus intelligenciaképet képeznek az ügyfelek számára. Az Adarga ML algoritmusai az AWS AI/ML szolgáltatásokkal együtt lehetővé teszik a kapcsolatelemzést, feltárva azokat a mintákat, amelyek egyébként szétkapcsoltnak tűnhetnek.

„Büszkék vagyunk arra, hogy részesei lehetünk ennek az úttörő kezdeményezésnek, mivel továbbra is szorosan együttműködünk az AWS-szel és a technológiai játékosok szélesebb ökoszisztémájával, hogy a védelemben játékmódosító képességeket biztosítsunk a hiperskálás felhő segítségével.”

– Robert Bassett-Cross, vezérigazgató, Adarga

Fenntartható városok

SmartHelio: A kereskedelmi napelemes mezőgazdasági ágazaton belül kritikus fontosságú a telepített szoláris infrastruktúra állapotának meghatározása. A SmartHelio a fizikát és a SageMaker-t ötvözi, hogy olyan modelleket hozzon létre, amelyek meghatározzák a napelemes eszközök jelenlegi állapotát, előrejelzéseket építenek arra, hogy mely eszközök fognak meghibásodni, és proaktívan meghatározzák, hogy mely eszközöket kell először szervizelni.

A SmartHelio AWS-re épülő megoldása hihetetlenül összetett fotovoltaikus fizikát és energiarendszereket elemez. Az Amazon S3 adattója több milliárd adatpontot tárol, amelyeket valós idejű adatfolyamként sugároznak a Felügyeleti felügyeleti és adatgyűjtési (SCADA) szerverekről a napelemes farmokon, a dolgok internete (IoT) eszközén vagy harmadik fél tartalomkezelő rendszerein (CMS). platformok. A SmartHelio a SageMaker segítségével mély tanulási modelleket futtat, hogy felismerje a mintákat, számszerűsítse a napelemes gazdaságok állapotát, és valós idejű előrejelzést adjon a gazdaságok veszteségeiről, azonnal intelligens betekintést nyújtva ügyfeleinek.

Miután kiválasztották az elsőre AWS Sustainable Cities Accelerator kohorsz, a SmartHelio számos pilotot szerzett új ügyfelekkel. Govinda Upadhyay vezérigazgató szavaival élve: „az AWS Accelerator globális kitettséget biztosított számunkra a piacok, mentorok, potenciális ügyfelek és befektetők számára.”

Automotus: Az Automotus számítógépes látástechnológiát használ annak érdekében, hogy a járművezetők valós időben lássák, van-e szabad hely a járda előtt, ami jelentősen csökkenti a parkolókereséssel töltött időt. Az Automotus segít a városoknak és repülőtereknek kezelni és bevételt szerezni a járdaszegélyeiken a számítógépes látásérzékelők flottájának segítségével. AWS IoT Greengrass. Az Automotus érzékelői feltöltik a képzési adatokat az Amazon S3-ba, ahol a Lambda által hajtott munkafolyamat mintaadatokat indexel, hogy összetett adatkészleteket hozzon létre az új modellek betanításához és a meglévők fejlesztéséhez.

Az Automotus a SageMaker segítségével automatizálja és konténerbe helyezi számítógépes látásmodelljének képzési folyamatát, amelynek kimenetei egy egyszerű, automatizált folyamat segítségével visszakerülnek a szélekre. Ezekkel a betanított modellekkel felszerelve az Automotus érzékelői metaadatokat küldenek a felhőbe AWS IoT Core, amely részletes betekintést tár fel a tevékenység megfékezésére, és lehetővé teszi a teljesen automatizált számlázást és végrehajtást a járdán. Val vel egy ügyfél, Az Automotus több mint 500%-kal növelte a végrehajtás hatékonyságát és bevételeit, ami a parkolási forgalom 24%-os növekedését és a forgalom 20%-os csökkenését eredményezte.

Mi a következő lépés az AI/ML és az induló vállalkozások számára?

Az ügyfelek az AI/ML-t a kihívások széles spektrumának megoldása érdekében fogadták el, ami a technológia fejlődésének és az ügyfelek megnövekedett bizalmának bizonyítéka, hogy az adatokat a döntéshozatal javítására használják fel. Az AWS Accelerators célja, hogy folytassa az AI/ML megoldások felgyorsítását és elfogadását azáltal, hogy segít az ügyfeleknek ötletelni és megosztani a kritikus problémamegnyilatkozásokat, valamint megtalálni és összekapcsolni az induló vállalkozásokat ezekkel az ügyfelekkel.

Érdekel a közjót szolgáló megoldások fejlesztése induló vállalkozása révén? Vagy olyan kihívása van, amely bomlasztó megoldást igényel? Lépjen kapcsolatba az AWS Worldwide Public Sector Venture Capital and Startups csapatával még ma, hogy többet tudjon meg az AWS Acceleratorokról és a döntéshozatali innovációk ösztönzéséhez rendelkezésre álló egyéb erőforrásokról.

---

A szerzőkről

Swami Sivasubramanian az AWS adat- és gépi tanulásért felelős alelnöke. Ebben a szerepkörben Swami felügyeli az összes AWS-adatbázis, Analytics, valamint AI és gépi tanulási szolgáltatást. Csapata küldetése, hogy segítse a szervezeteket adataik munkába állításában egy teljes, végpontok közötti adatmegoldással, amely tárolja, elérheti, elemzi, vizualizálja és előre jelezheti.

Manpreet Mattu az Amazon Web Services (AWS) kockázati tőke és startup üzletfejlesztési globális vezetője a World Wide Public Sector számára. 15 éves tapasztalattal rendelkezik kockázati befektetések és akvizíciók terén a legmodernebb technológiai és nem technológiai szegmensekben. A technológián túl Manpreet érdeklődése kiterjed a történelemre, a filozófiára és a gazdaságra is. Emellett állóképességi futó is.