In che modo Sleepme utilizza Amazon SageMaker per il controllo automatizzato della temperatura per massimizzare la qualità del sonno in tempo reale

Ripubblicato da Platone

Seguaci: 0

Questo è un guest post scritto in collaborazione con Trey Robinson, CTO di Sleepme Inc.

Dormimi è un leader nel settore dei prodotti per la gestione e il monitoraggio della temperatura del sonno, tra cui una suite di sensori per il monitoraggio del sonno abilitati per Internet of Things (IoT) dotati di sensori di frequenza cardiaca, frequenza respiratoria, temperatura del letto e ambiente, umidità e pressione.

Sleepme offre un sistema di coprimaterasso intelligente che può essere programmato per raffreddare o riscaldare il letto utilizzando l'applicazione complementare. Il sistema può essere associato a un rilevatore del sonno che raccoglie informazioni come frequenza cardiaca, frequenza respiratoria, umidità nella stanza, orari di sveglia e quando l'utente era dentro e fuori dal letto. Alla fine di una determinata sessione di sonno, aggregherà le informazioni del tracker del sonno, insieme ai dati sulla fase del sonno, per produrre un punteggio sulla qualità del sonno.

Questo coprimaterasso intelligente funziona come un termostato per il tuo letto e offre ai clienti il controllo del loro clima durante il sonno. I prodotti Sleepme ti aiutano a raffreddare la temperatura corporea, che è collegata al cadere in un sonno profondo, mentre il caldo può ridurre la probabilità di addormentarsi e rimanere addormentati.

In questo post, condividiamo l'utilizzo di Sleepme Amazon Sage Maker per sviluppare una prova di concetto del modello di apprendimento automatico (ML) che consiglia le temperature per massimizzare il punteggio del sonno.

“L'adozione dell'intelligenza artificiale apre nuove strade per migliorare l'esperienza del sonno dei clienti. Queste modifiche saranno implementate nella linea di prodotti Sleepme, consentendo al cliente di sfruttare il valore tecnico e di marketing delle nuove funzionalità durante l'implementazione.

– Trey Robinson, Chief Technology Officer di Sleepme.

Utilizzo di ML per migliorare il sonno in tempo reale

Sleepme è un'organizzazione guidata dalla scienza che utilizza studi scientifici, riviste internazionali e ricerche all'avanguardia per offrire ai clienti le ultime novità in termini di salute e benessere del sonno. Sleepme fornisce informazioni sulla scienza del sonno sul loro sito web.

Sleepme discute di come solo il 44% degli americani riporti una notte di sonno ristoratore quasi ogni notte e che il 35% degli adulti dorma meno di 7 ore a notte. Dormire una notte intera ti aiuta a sentirti più energico e ha comprovati benefici per la mente, il peso e il cuore. Ciò rappresenta un'enorme popolazione di persone con opportunità per migliorare il proprio sonno e la propria salute.

Sleepme ha visto l'opportunità di migliorare il sonno dei propri utenti modificando l'ambiente di sonno dell'utente durante la notte. Catturando dati ambientali come temperatura e umidità e collegandoli a dati utente personalizzati come irrequietezza, frequenza cardiaca e ciclo del sonno, Sleepme ha determinato di essere in grado di modificare l'ambiente dell'utente per ottimizzare il proprio riposo. Questo caso d'uso richiedeva un modello ML che fornisse inferenza in tempo reale.

Sleepme aveva bisogno di un modello di inferenza altamente disponibile che fornisse raccomandazioni a bassa latenza. Con l'obiettivo di fornire nuove funzionalità e prodotti per i propri clienti, Sleepme aveva bisogno di una soluzione pronta all'uso che non richiedesse la gestione dell'infrastruttura.

Per affrontare queste sfide, Sleepme si è rivolto ad Amazon SageMaker.

Utilizzo di Amazon SageMaker per creare un modello ML per i consigli sulla temperatura del sonno

SageMaker accelera la distribuzione dei carichi di lavoro ML semplificando il processo di creazione ML. Fornisce una serie di funzionalità ML che vengono eseguite su un'infrastruttura gestita su AWS. Ciò riduce il sovraccarico operativo e la complessità associati allo sviluppo ML.

Sleepme ha scelto SageMaker per le funzionalità che fornisce nella formazione dei modelli, nel processo di distribuzione degli endpoint e nella gestione dell'infrastruttura. Il seguente diagramma illustra la loro architettura AWS.

Sleepme si concentra sulla fornitura di nuovi prodotti e funzionalità per i propri clienti. Non volevano dedicare le proprie risorse a un lungo processo di formazione del modello ML.

Formazione del modello di SageMaker ha permesso a Sleepme di utilizzare i propri dati storici per sviluppare rapidamente un modello proprietario di machine learning. SageMaker Model Training fornisce dozzine di algoritmi di addestramento integrati e centinaia di modelli pre-addestrati, aumentando l'agilità di Sleepme nella creazione di modelli. Gestendo le istanze di calcolo sottostanti, SageMaker Model Training ha consentito a Sleepme di concentrarsi sul miglioramento delle prestazioni del modello.

Questo modello ML doveva apportare modifiche all'ambiente del sonno in tempo reale. Per raggiungere questo obiettivo, Sleepme ha utilizzato a SageMaker Inferenza in tempo reale per gestire l'hosting del proprio modello. Questo endpoint riceve i dati dal coprimaterasso intelligente e dal rilevatore del sonno di Sleepme per fornire una raccomandazione sulla temperatura per il sonno dell'utente in tempo reale. Inoltre, con l'opzione per il ridimensionamento automatico dei modelli, l'inferenza di SageMaker ha offerto a Sleepme la possibilità di aggiungere o rimuovere istanze per soddisfare la domanda.

SageMaker fornisce anche a Sleepme funzioni utili man mano che il loro carico di lavoro si evolve. Potrebbero usare prove d'ombra per valutare le prestazioni del modello delle nuove versioni prima che vengano distribuite ai clienti, Registro dei modelli SakeMaker per gestire le versioni del modello e automatizzare la distribuzione del modello e Monitoraggio del modello SageMaker per monitorare la qualità del loro modello in produzione. Queste funzionalità offrono a Sleepme l'opportunità di portare i propri casi d'uso ML a un livello superiore, senza sviluppare autonomamente nuove funzionalità.

Conclusione

Con Amazon SageMaker, Sleepme è stato in grado di creare e distribuire un modello ML personalizzato in poche settimane che identifica la regolazione della temperatura consigliata, che i dispositivi Sleepme rispecchiano nell'ambiente dell'utente.

I dispositivi IoT Sleepme acquisiscono i dati relativi al sonno e ora possono apportare modifiche al letto di un cliente in pochi minuti. Questa capacità si è rivelata un fattore di differenziazione aziendale. Ora, il sonno degli utenti può essere ottimizzato per fornire un sonno di qualità superiore in tempo reale.

Per ulteriori informazioni su come creare rapidamente modelli ML, fare riferimento a Modelli di treno o iniziare con il Console SageMaker.

Informazioni sugli autori

Tre Robinson è stato un ingegnere del software mobile e focalizzato sull'IoT alla guida di team come CTO di Sleepme Inc e Direttore dell'ingegneria presso Passport Inc. Nel corso degli anni ha lavorato su dozzine di app mobili, back-end e progetti IoT. Prima di trasferirsi a Charlotte, NC, Trey è cresciuto a Ninety Six, nella Carolina del Sud, e ha studiato informatica alla Clemson University.

In che modo Sleepme utilizza Amazon SageMaker per il controllo automatizzato della temperatura per massimizzare la qualità del sonno in tempo reale PlatoBlockchain Data Intelligence. Ricerca verticale. Ai. Benon Boyadjian è un Solutions Architect nel gruppo Private Equity di Amazon Web Services. Benon lavora direttamente con le società di private equity e le loro società in portafoglio, aiutandole a sfruttare AWS per raggiungere obiettivi aziendali e aumentare il valore aziendale.