Startup di seluruh AWS Accelerators menggunakan AI dan ML untuk menyelesaikan tantangan pelanggan yang sangat penting

Kemajuan teknologi tanpa henti meningkatkan kapasitas pengambilan keputusan manusia dan perusahaan. Digitalisasi dunia fisik telah mempercepat tiga dimensi data: kecepatan, variasi, dan volume. Ini telah membuat informasi lebih banyak tersedia daripada sebelumnya, memungkinkan kemajuan dalam pemecahan masalah. Sekarang, dengan ketersediaan demokratisasi berbasis cloud, teknologi seperti kecerdasan buatan (AI) dan pembelajaran mesin (ML) dapat meningkatkan kecepatan dan akurasi pengambilan keputusan oleh manusia dan mesin.

Tidak ada kecepatan dan keakuratan keputusan yang lebih penting daripada di sektor publik, di mana organisasi di seluruh pertahanan, perawatan kesehatan, kedirgantaraan, dan keberlanjutan memecahkan tantangan yang berdampak pada warga di seluruh dunia. Banyak pelanggan sektor publik melihat manfaat menggunakan AI/ML untuk mengatasi tantangan ini, tetapi dapat kewalahan dengan berbagai solusi. AWS meluncurkan AWS Accelerators untuk menemukan dan mengembangkan startup dengan teknologi yang memenuhi tantangan unik pelanggan sektor publik. Baca terus untuk mempelajari lebih lanjut tentang kasus penggunaan AI/ML dari startup di AWS Accelerator yang memberikan dampak bagi pelanggan sektor publik.

Kesehatan

Potongan-potongan: Penyedia layanan kesehatan ingin menghabiskan lebih banyak waktu untuk merawat pasien dan lebih sedikit waktu untuk mengurus dokumen. Potongan, dan Akselerator Perawatan Kesehatan AWS startup, menggunakan AWS untuk mempermudah memasukkan, mengelola, menyimpan, mengatur, dan mendapatkan wawasan dari data Electronic Health Record (EHR) untuk mengatasi determinan sosial kesehatan dan meningkatkan perawatan pasien. Dengan AI, pemrosesan bahasa alami (NLP), dan algoritme yang ditinjau secara klinis, Pieces dapat memberikan proyeksi tanggal pulang dari rumah sakit, antisipasi hambatan klinis dan non-klinis untuk pemulangan, dan risiko masuk kembali. Layanan potongan juga memberikan wawasan kepada penyedia layanan kesehatan dalam bahasa sederhana dan mengoptimalkan kejelasan masalah klinis pasien untuk membantu tim perawatan bekerja lebih efisien. Menurut Potongan, perangkat lunak ini memberikan prediksi positif 95% dalam mengidentifikasi hambatan untuk pemulangan pasien, dan di satu rumah sakit, telah menunjukkan kemampuannya untuk mengurangi masa inap pasien di rumah sakit rata-rata 2 hari.

Potongan menggunakan Cloud komputasi elastis Amazon (Amazon EC2), Layanan Database Relasional Amazon (Amazon RDS), dan Amazon Managed Streaming untuk Apache Kafka (Amazon MSK) untuk mengumpulkan dan memproses data klinis yang dialirkan. Potongan menggunakan Layanan Amazon Elastic Kubernetes (Amazon EKS), Layanan Pencarian Terbuka Amazon, dan Alur Kerja Terkelola Amazon untuk Apache Airflow (Amazon MWAA) untuk menjalankan beberapa model ML pada data dalam produksi dalam skala besar.

Kesehatan PEP: Pengalaman pasien adalah prioritas utama, tetapi mengumpulkan umpan balik pasien dapat menjadi tantangan. PEP Health, sebuah startup di Kohort UK AWS Healthcare Accelerator, menggunakan teknologi NLP untuk menganalisis jutaan komentar pasien online yang diposting secara publik, menghasilkan skor yang menyoroti area untuk perayaan atau perhatian, dan mengidentifikasi alasan untuk meningkatkan atau menurunkan kepuasan pasien. Data ini dapat digunakan untuk meningkatkan pengalaman, mendorong hasil yang lebih baik, dan mendemokratisasi suara pasien.

PEP Kesehatan menggunakan AWS Lambda, Fargate AWS, dan Amazon EC2 untuk menyerap informasi secara real time dari ratusan ribu halaman web. Dengan model NLP berpemilik yang dibangun dan dijalankan Amazon SageMaker, PEP Health mengidentifikasi dan menilai tema yang relevan dengan kualitas perawatan. Hasil ini memberi makan PEP Health's Patient Experience Platform dan algoritme ML yang dibuat dan didukung oleh Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker, dan Amazon Kognito, yang memungkinkan analisis hubungan dan mengungkap pola antara orang, tempat, dan hal-hal yang mungkin tampak tidak terhubung.

“Melalui akselerator, PEP Health dapat meningkatkan skala operasinya secara signifikan dengan diperkenalkannya AWS Lambda untuk mengumpulkan lebih banyak komentar dengan lebih cepat dan lebih terjangkau. Selain itu, kami dapat menggunakan Amazon SageMaker untuk mendapatkan wawasan lebih lanjut bagi pelanggan.”

– Mark Lomax, CEO Kesehatan PEP.

Pertahanan dan luar angkasa

Pos terdepan bulan: Lunar Outpost adalah bagian dari Kohort perdana AWS Space Accelerator pada tahun 2021. Perusahaan ini mengambil bagian dalam misi ke Bulan dan sedang mengembangkan penjelajah Mobile Autonomous Platform (MAP) yang akan mampu bertahan dan menavigasi lingkungan ekstrem dari badan planet lain. Agar berhasil menavigasi dalam kondisi yang tidak dapat ditemukan di Bumi, Lunar Outpost menggunakan banyak simulasi robot untuk memvalidasi algoritme navigasi AI.

Lunar Outpost menggunakan Pembuat Robo AWS, Amazon EC2, Registry Kontainer Elastis Amazon (ECR Amazon), Layanan Penyimpanan Sederhana Amazon (Amazon S3), Cloud Pribadi Virtual Amazon (VPC Amazon), Lambda, Pembuatan Kode AWS, dan Amazon QuickSight untuk menguji rover dengan menggunakan simulasi bulan. Saat Lunar Outpost mengembangkan teknologi navigasi untuk permukaan bulan, contoh simulasi berputar. Simulasi ini akan digunakan selama misi bulan untuk membantu operator manusia dan mengurangi risiko. Data yang dialirkan kembali dari permukaan bulan akan diimpor ke simulasi mereka, memberikan tampilan real-time dari aktivitas rover. Simulasi rover MAP digital memungkinkan uji coba lintasan navigasi tanpa memindahkan rover fisik, secara dramatis mengurangi risiko pemindahan rover di luar angkasa.

Adarga: Adarga, bagian dari kohort AWS Defense Accelerator pertama, menghadirkan platform kecerdasan berbasis AI untuk memahami risiko dan peluang dengan cepat untuk persiapan dan penerapan entri teater. Adarga menggunakan AI untuk menemukan wawasan yang terkubur dalam volume besar data tidak terstruktur, seperti berita, presentasi, laporan, video, dan banyak lagi.

Adarga menggunakan Amazon EC2, Layanan OpenSearch, Amazon Aurora, Amazon DocumentDB (dengan kompatibilitas MongoDB), Amazon Terjemahan, dan Pembuat Sage. Adarga mencerna informasi secara real time, menerjemahkan dokumen bahasa asing, dan menyalin file audio dan video ke dalam teks. Selain SageMaker, Adarga menggunakan model NLP eksklusif untuk mengekstrak dan mengklasifikasikan detail, seperti orang, tempat, dan benda, menggunakan teknik disambiguasi untuk mengontekstualisasikan informasi. Detail ini dipetakan ke dalam gambaran intelijen dinamis untuk pelanggan. Algoritme ML Adarga, bersama dengan layanan AWS AI/ML, memungkinkan analisis hubungan, mengungkap pola yang mungkin tampak terputus.

“Kami bangga menjadi bagian dari inisiatif perintis ini karena kami terus bekerja sama dengan AWS dan ekosistem pemain teknologi yang lebih luas untuk menghadirkan kemampuan yang mengubah permainan untuk pertahanan, yang dimungkinkan oleh cloud hyperscale.”

– Robert Bassett-Cross, CEO Adarga

Kota yang berkelanjutan

CerdasHelio: Dalam industri pertanian tenaga surya komersial, sangat penting untuk menentukan kesehatan infrastruktur tenaga surya yang terpasang. SmartHelio menggabungkan fisika dan SageMaker untuk membangun model yang menentukan kesehatan aset surya saat ini, membangun prediksi aset mana yang akan gagal, dan menentukan secara proaktif aset mana yang harus diservis terlebih dahulu.

Solusi SmartHelio, dibangun di atas AWS, menganalisis fisika fotovoltaik dan sistem tenaga yang sangat kompleks. Data lake di Amazon S3 menyimpan miliaran titik data yang dialirkan secara real-time dari server Supervisory Control and Data Acquisition (SCADA) di solar farm, perangkat Internet of Things (IoT), atau Sistem Manajemen Konten (CMS) pihak ketiga platform. SmartHelio menggunakan SageMaker untuk menjalankan model pembelajaran mendalam untuk mengenali pola, mengukur kesehatan pertanian tenaga surya, dan memprediksi kerugian pertanian secara real-time, memberikan wawasan cerdas secara instan kepada pelanggannya.

Setelah dipilih untuk yang pertama Kelompok Akselerator Kota Berkelanjutan AWS, SmartHelio mendapatkan beberapa percontohan dengan pelanggan baru. Dalam kata-kata CEO Govinda Upadhyay, “AWS Accelerator memberi kami eksposur global ke pasar, mentor, calon pelanggan, dan investor.”

Otomotif: Automotus menggunakan teknologi computer vision untuk memberikan pengemudi kemampuan untuk melihat secara real time jika ruang trotoar tersedia, secara signifikan mengurangi waktu yang dihabiskan untuk mencari tempat parkir. Automotus membantu kota dan bandara mengelola dan memonetisasi pembatasan mereka menggunakan armada sensor penglihatan komputer yang didukung oleh Rumput Hijau AWS IoT. Sensor Automotus mengunggah data pelatihan ke Amazon S3, tempat alur kerja yang didukung oleh Lambda mengindeks data sampel untuk membuat kumpulan data kompleks untuk melatih model baru dan meningkatkan yang sudah ada.

Automotus menggunakan SageMaker untuk mengotomatisasi dan menyimpan proses pelatihan model visi komputernya, yang outputnya disebarkan kembali ke edge menggunakan proses otomatis yang sederhana. Dilengkapi dengan model terlatih ini, sensor Automotus mengirim metadata ke cloud menggunakan Inti AWS IoT, mengungkap wawasan terperinci tentang aktivitas pembatasan dan mengaktifkan penagihan dan penegakan yang sepenuhnya otomatis di tepi jalan. Dengan satu pelanggan, Automotus meningkatkan efisiensi penegakan hukum dan pendapatan lebih dari 500%, menghasilkan peningkatan 24% dalam omset parkir dan 20% pengurangan lalu lintas.

Apa selanjutnya untuk AI/ML dan startup

Pelanggan telah menggunakan AI/ML untuk memecahkan spektrum tantangan yang luas, yang merupakan bukti kemajuan teknologi dan meningkatnya kepercayaan pelanggan dalam menggunakan data untuk meningkatkan pengambilan keputusan. AWS Accelerators bertujuan untuk melanjutkan akselerasi dan adopsi solusi AI/ML dengan membantu pelanggan melakukan brainstorming dan berbagi pernyataan masalah kritis, serta menemukan dan menghubungkan startup dengan pelanggan ini.

Tertarik untuk memajukan solusi untuk kepentingan publik melalui startup Anda? Atau memiliki tantangan yang membutuhkan solusi yang mengganggu? Terhubung dengan tim AWS Worldwide Public Sector Venture Capital and Startups hari ini untuk mempelajari lebih lanjut tentang AWS Accelerators dan sumber daya lain yang tersedia untuk mendorong inovasi pengambilan keputusan.

---

Tentang penulis

Swami Sivasubramanian adalah Wakil Presiden Data dan Pembelajaran Mesin di AWS. Dalam peran ini, Swami mengawasi semua layanan AWS Database, Analytics, dan AI & Machine Learning. Misi timnya adalah membantu organisasi menempatkan data mereka untuk bekerja dengan solusi data yang lengkap dan menyeluruh untuk disimpan, diakses, dianalisis, dan divisualisasikan, serta diprediksi.

Manpreet Mattu adalah Global Head for Venture Capital and Startups Business Development untuk World Wide Public Sector di Amazon Web Services (AWS). Dia memiliki 15 tahun pengalaman dalam Investasi ventura dan akuisisi di segmen teknologi dan non-teknologi terdepan. Di luar teknologi, minat Manpreet mencakup sejarah, filsafat, dan ekonomi. Dia juga seorang pelari ketahanan.