Le startup di AWS Accelerators utilizzano l'intelligenza artificiale e il machine learning per risolvere le sfide mission-critical dei clienti

Il progresso incessante della tecnologia sta migliorando la capacità decisionale degli esseri umani e delle imprese. La digitalizzazione del mondo fisico ha accelerato le tre dimensioni dei dati: velocità, varietà e volume. Ciò ha reso le informazioni più ampiamente disponibili rispetto a prima, consentendo progressi nella risoluzione dei problemi. Ora, con la disponibilità democratizzata del cloud, tecnologie come l’intelligenza artificiale (AI) e l’apprendimento automatico (ML) sono in grado di aumentare la velocità e l’accuratezza del processo decisionale da parte di esseri umani e macchine.

Da nessuna parte questa velocità e accuratezza delle decisioni sono più importanti che nel settore pubblico, dove le organizzazioni della difesa, della sanità, dell’aerospaziale e della sostenibilità stanno risolvendo sfide che hanno un impatto sui cittadini di tutto il mondo. Molti clienti del settore pubblico riconoscono i vantaggi derivanti dall’utilizzo dell’intelligenza artificiale/ML per affrontare queste sfide, ma possono sentirsi sopraffatti dalla gamma di soluzioni. AWS ha lanciato AWS Accelerators per trovare e sviluppare startup con tecnologie in grado di soddisfare le sfide specifiche dei clienti del settore pubblico. Continua a leggere per saperne di più sui casi d'uso di AI/ML delle startup in AWS Accelerator che stanno avendo un impatto per i clienti del settore pubblico.

SANITARIETÀ

pezzi: Gli operatori sanitari vogliono dedicare più tempo alla cura dei pazienti e meno alle pratiche burocratiche. Pezzi, un AWS Healthcare Accelerator startup, utilizza AWS per semplificare l'inserimento, la gestione, l'archiviazione, l'organizzazione e l'acquisizione di informazioni dai dati delle cartelle cliniche elettroniche (EHR) per affrontare i determinanti sociali della salute e migliorare l'assistenza ai pazienti. Con l’intelligenza artificiale, l’elaborazione del linguaggio naturale (NLP) e algoritmi revisionati clinicamente, Pieces può fornire date di dimissione ospedaliera previste, barriere cliniche e non cliniche previste alla dimissione e rischio di riammissione. I servizi Pieces forniscono inoltre approfondimenti agli operatori sanitari in un linguaggio semplice e ottimizzano la chiarezza dei problemi clinici dei pazienti per aiutare i team sanitari a lavorare in modo più efficiente. Secondo Pezzi, il software fornisce una previsione positiva del 95% nell'identificazione degli ostacoli alla dimissione dei pazienti e, in un ospedale, ha dimostrato la sua capacità di ridurre la degenza ospedaliera dei pazienti in media di 2 giorni.

Usi dei pezzi Cloud di calcolo elastico di Amazon (Amazon EC2), Servizio di database relazionale Amazon (Amazon RDS) e Streaming gestito da Amazon per Apache Kafka (Amazon MSK) per la raccolta e l'elaborazione dei dati clinici in streaming. Usi dei pezzi Servizio Amazon Elastic Kubernetes (Amazon EKS), Servizio Amazon OpenSearche Flussi di lavoro gestiti da Amazon per Apache Airflow (Amazon MWAA) per eseguire più modelli ML sui dati in produzione su larga scala.

PEP Salute: L’esperienza del paziente è una priorità fondamentale, ma raccogliere il feedback dei pazienti può essere una sfida. PEP Health, una startup nel Gruppo britannico di AWS Healthcare Accelerator, utilizza la tecnologia NLP per analizzare milioni di commenti dei pazienti online e pubblicati pubblicamente, generando punteggi che evidenziano aree di interesse o preoccupazione e identificando le ragioni per il miglioramento o il calo della soddisfazione del paziente. Questi dati possono essere utilizzati per migliorare le esperienze, ottenere risultati migliori e democratizzare la voce del paziente.

Usi PEP Health AWS Lambda, AWS Fargatee Amazon EC2 per acquisire informazioni in tempo reale da centinaia di migliaia di pagine Web. Con modelli NLP proprietari costruiti e utilizzati Amazon Sage Maker, PEP Health identifica e assegna un punteggio ai temi rilevanti per la qualità dell’assistenza. Questi risultati alimentano la Patient Experience Platform di PEP Health e gli algoritmi ML realizzati e gestiti da Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker e Amazzonia Cognito, che consentono l'analisi delle relazioni e scoprono modelli tra persone, luoghi e cose che altrimenti potrebbero sembrare sconnessi.

“Grazie all’acceleratore, PEP Health è stata in grado di ampliare significativamente le proprie operazioni con l’introduzione di AWS Lambda per raccogliere più commenti in modo più rapido ed economico. Inoltre, abbiamo potuto utilizzare Amazon SageMaker per ricavare ulteriori informazioni per i clienti."

– Mark Lomax, CEO di PEP Health.

Difesa e spazio

Avamposto lunare: L'avamposto lunare faceva parte del Il gruppo inaugurale di AWS Space Accelerator nel 2021. L'azienda prende parte a missioni sulla Luna e sta sviluppando rover Mobile Autonomous Platform (MAP) che saranno in grado di sopravvivere e navigare negli ambienti estremi di altri corpi planetari. Per navigare con successo in condizioni che non possono essere trovate sulla Terra, Lunar Outpost fa ampio uso di simulazioni robotiche per convalidare gli algoritmi di navigazione AI.

Usi dell'avamposto lunare AWS Robomaker, Amazon EC2, Registro dei contenitori Amazon Elastic (Raccolta Amazon), Servizio di archiviazione semplice Amazon (Amazon S3), Cloud privato virtuale di Amazon (Amazon VPC), Lambda, AWSCodeBuilde Amazon QuickSight testare i rover implementando simulazioni lunari. Mentre Lunar Outpost sviluppa tecnologie di navigazione per la superficie lunare, vengono create istanze di simulazione. Queste simulazioni verranno utilizzate durante le missioni lunari per assistere gli operatori umani e ridurre i rischi. I dati trasmessi dalla superficie lunare verranno importati nella loro simulazione, fornendo una visione in tempo reale delle attività del rover. La simulazione dei rover MAP digitali consente di eseguire prove di traiettorie di navigazione senza spostare il rover fisico, riducendo drasticamente i rischi di spostare i rover nello spazio.

Adarga: Adarga, parte del il primo gruppo di AWS Defense Accelerator, sta fornendo una piattaforma di intelligence basata sull'intelligenza artificiale per comprendere rapidamente i rischi e le opportunità per la preparazione e l'implementazione dell'ingresso in sala. Adarga utilizza l'intelligenza artificiale per trovare informazioni nascoste all'interno di grandi volumi di dati non strutturati, come notizie, presentazioni, report, video e altro ancora.

Adarga utilizza Amazon EC2, OpenSearch Service, Amazon Aurora, Amazon DocumentDB (con compatibilità MongoDB), Amazon Traduttoree SageMaker. Adarga acquisisce informazioni in tempo reale, traduce documenti in lingua straniera e trascrive file audio e video in testo. Oltre a SageMaker, Adarga utilizza modelli NLP proprietari per estrarre e classificare dettagli, come persone, luoghi e cose, implementando tecniche di disambiguazione per contestualizzare le informazioni. Questi dettagli vengono mappati in un quadro di intelligence dinamica per i clienti. Gli algoritmi ML di Adarga, insieme ai servizi AI/ML di AWS, consentono l'analisi delle relazioni, scoprendo modelli che altrimenti potrebbero sembrare sconnessi.

“Siamo orgogliosi di far parte di questa iniziativa pionieristica mentre continuiamo a lavorare a stretto contatto con AWS e un ecosistema più ampio di attori tecnologici per fornire capacità rivoluzionarie alla difesa, rese possibili dal cloud su vasta scala”.

– Robert Bassett-Cross, CEO, Adarga

Città sostenibili

Smart Helio: Nel settore dei parchi solari commerciali, è fondamentale determinare lo stato di salute delle infrastrutture solari installate. SmartHelio combina fisica e SageMaker per costruire modelli che determinano lo stato attuale delle risorse solari, costruiscono previsioni su quali risorse falliranno e determinano in modo proattivo quali risorse riparare per prime.

La soluzione di SmartHelio, basata su AWS, analizza la fisica fotovoltaica e i sistemi di alimentazione incredibilmente complessi. Un data Lake su Amazon S3 archivia miliardi di punti dati trasmessi in tempo reale da server SCADA (Supervisory Control and Data Acquisition) su parchi solari, dispositivi Internet of Things (IoT) o sistemi di gestione dei contenuti (CMS) di terze parti piattaforme. SmartHelio utilizza SageMaker per eseguire modelli di deep learning per riconoscere modelli, quantificare lo stato di salute degli impianti solari e prevedere le perdite agricole in tempo reale, fornendo istantaneamente informazioni intelligenti ai propri clienti.

Dopo essere stato selezionato per il primo Gruppo di AWS Sustainable Cities Accelerator, SmartHelio si è assicurato diversi progetti pilota con nuovi clienti. Nelle parole del CEO Govinda Upadhyay, "AWS Accelerator ci ha dato esposizione globale a mercati, mentori, potenziali clienti e investitori".

automatico: Automotus utilizza la tecnologia di visione artificiale per offrire agli automobilisti la possibilità di vedere in tempo reale se è disponibile spazio sul marciapiede, riducendo significativamente il tempo impiegato nella ricerca di parcheggio. Automotus aiuta città e aeroporti a gestire e monetizzare i propri cordoli utilizzando una flotta di sensori di visione artificiale alimentati da AWS IoT Greengrass. I sensori di Automotus caricano i dati di addestramento su Amazon S3, dove un flusso di lavoro basato su Lambda indicizza i dati di esempio per creare set di dati complessi per l'addestramento di nuovi modelli e il miglioramento di quelli esistenti.

Automotus utilizza SageMaker per automatizzare e containerizzare il processo di formazione del modello di visione artificiale, i cui risultati vengono distribuiti all'edge utilizzando un processo semplice e automatizzato. Equipaggiati con questi modelli addestrati, i sensori Automotus inviano i metadati al cloud utilizzando AWS IoT Core, scoprendo informazioni granulari sulle attività al marciapiede e consentendo la fatturazione e l'applicazione completamente automatizzate. Con un cliente, Automotus ha aumentato l'efficienza dei controlli e le entrate di oltre il 500%, con un conseguente aumento del 24% del fatturato dei parcheggi e una riduzione del 20% del traffico.

Qual è il futuro dell'AI/ML e delle startup?

I clienti hanno abbracciato l’intelligenza artificiale/ML per risolvere un ampio spettro di sfide, a testimonianza del progresso della tecnologia e della maggiore fiducia che i clienti hanno nell’utilizzo dei dati per migliorare il processo decisionale. AWS Accelerators mira a continuare l'accelerazione e l'adozione di soluzioni AI/ML aiutando i clienti a fare brainstorming e condividere dichiarazioni di problemi critici, nonché a trovare e connettere startup con questi clienti.

Sei interessato a promuovere soluzioni per il bene pubblico attraverso la tua startup? O hai una sfida che necessita di una soluzione dirompente? Entra in contatto oggi stesso con il team di venture capital e start-up del settore pubblico mondiale di AWS per saperne di più sugli acceleratori AWS e sulle altre risorse disponibili per promuovere innovazioni nel processo decisionale.

---

Circa gli autori

Swami Shivasubramanian è vicepresidente dei dati e dell'apprendimento automatico presso AWS. In questo ruolo, Swami supervisiona tutti i servizi AWS Database, Analytics e AI e Machine Learning. La missione del suo team è aiutare le organizzazioni a far funzionare i propri dati con una soluzione di dati end-to-end completa per archiviare, accedere, analizzare, visualizzare e prevedere.

Manpreet Mattu è Global Head for Venture Capital e Startups Business Development per il settore pubblico mondiale presso Amazon Web Services (AWS). Ha 15 anni di esperienza in investimenti di capitale di rischio e acquisizioni in segmenti tecnologici e non tecnologici all'avanguardia. Oltre alla tecnologia, gli interessi di Manpreet spaziano dalla storia, alla filosofia e all'economia. È anche un corridore di resistenza.