Startups på tvers av AWS Accelerators bruker AI og ML for å løse oppdragskritiske kundeutfordringer

Nådeløse fremskritt innen teknologi forbedrer beslutningsevnen til både mennesker og bedrifter. Digitalisering av den fysiske verden har akselerert de tre dimensjonene av data: hastighet, variasjon og volum. Dette har gjort informasjon mer tilgjengelig enn før, noe som muliggjør fremskritt innen problemløsning. Nå, med sky-aktivert demokratisert tilgjengelighet, er teknologier som kunstig intelligens (AI) og maskinlæring (ML) i stand til å øke hastigheten og nøyaktigheten til beslutningstaking av mennesker og maskiner.

Ingen steder er denne hastigheten og nøyaktigheten av beslutninger viktigere enn i offentlig sektor, der organisasjoner på tvers av forsvar, helsevesen, romfart og bærekraft løser utfordringer som påvirker innbyggere over hele verden. Mange offentlige kunder ser fordelene ved å bruke AI/ML for å møte disse utfordringene, men kan bli overveldet av utvalget av løsninger. AWS lanserte AWS Accelerators for å finne og utvikle startups med teknologier som møter offentlige kunders unike utfordringer. Les videre for å lære mer om AI/ML-brukstilfeller fra oppstarter i AWS Accelerator som har en innvirkning på offentlige kunder.

Helsevesen

Deler: Helsepersonell ønsker å bruke mer tid på å ta vare på pasienter og mindre tid på papirarbeid. Stykker, en AWS Healthcare Accelerator oppstart, bruker AWS for å gjøre det enklere å legge inn, administrere, lagre, organisere og få innsikt fra elektronisk helsejournal (EHR)-data for å adressere sosiale determinanter for helse og forbedre pasientbehandlingen. Med AI, naturlig språkbehandling (NLP) og klinisk gjennomgåtte algoritmer kan Pieces gi anslåtte sykehusutskrivningsdatoer, forventede kliniske og ikke-kliniske barrierer for utskrivning og risiko for reinnleggelse. Pieces-tjenester gir også innsikt til helsepersonell i et klart språk og optimaliserer klarheten av pasientenes kliniske problemer for å hjelpe omsorgsteamene til å jobbe mer effektivt. I følge Pieces, gir programvaren en 95 % positiv prediksjon når det gjelder å identifisere barrierer for utskrivning av pasienter, og ved ett sykehus har den vist sin evne til å redusere pasientens sykehusopphold i gjennomsnitt med 2 dager.

Stykker bruker Amazon Elastic Compute Cloud (Amazon EC2), Amazon Relational Database Service (Amazon RDS), og Amazon administrerte strømming for Apache Kafka (Amazon MSK) for innsamling og behandling av streamede kliniske data. Stykker bruker Amazon Elastic Kubernetes-tjeneste (Amazon EKS), Amazon OpenSearch-tjenesteog Amazon administrerte arbeidsflyter for Apache Airflow (Amazon MWAA) for å kjøre flere ML-modeller på data i produksjon i stor skala.

PEP Helse: Pasienterfaring er en hovedprioritet, men å samle tilbakemeldinger fra pasienter kan være en utfordring. PEP Health, en oppstart i AWS Healthcare Accelerator sin britiske kohort, bruker NLP-teknologi til å analysere millioner av online, offentlig publiserte pasientkommentarer, generere poengsum som fremhever områder for feiring eller bekymring, og identifisere årsakene til å forbedre eller redusere pasienttilfredsheten. Disse dataene kan brukes til å forbedre opplevelser, gi bedre resultater og demokratisere pasientens stemme.

PEP Health bruker AWS Lambda, AWS Fargate, og Amazon EC2 for å innta informasjon i sanntid fra hundretusenvis av nettsider. Med proprietære NLP-modeller bygget og kjørt på Amazon SageMaker, PEP Health identifiserer og skårer temaer som er relevante for kvaliteten på omsorgen. Disse resultatene leverer PEP Healths Patient Experience Platform og ML-algoritmer bygget og drevet av Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker og Amazon Cognito, som muliggjør relasjonsanalyse og avdekker mønstre mellom mennesker, steder og ting som ellers kan virke frakoblet.

"Gjennom akseleratoren var PEP Health i stand til å skalere sin virksomhet betydelig med introduksjonen av AWS Lambda for å samle inn flere kommentarer raskere og rimeligere. I tillegg har vi vært i stand til å bruke Amazon SageMaker for å utlede ytterligere innsikt for kundene.»

– Mark Lomax, administrerende direktør i PEP Health.

Forsvar og rom

Lunar Outpost: Lunar Outpost var en del av AWS Space Accelerator sin første kohort i 2021. Selskapet deltar i oppdrag til månen og utvikler Mobile Autonomous Platform (MAP) rovere som vil være i stand til å overleve og navigere i de ekstreme miljøene til andre planetariske kropper. For å lykkes med å navigere under forhold som ikke kan finnes på jorden, bruker Lunar Outpost utstrakt bruk av robotsimuleringer for å validere AI-navigasjonsalgoritmer.

Lunar Outpost bruker AWS RoboMaker, Amazon EC2, Amazon Elastic Container Registry (Amazon ECR), Amazon enkel lagringstjeneste (Amazon S3), Amazon Virtual Private Cloud (Amazon VPC), Lambda, AWS CodeBuildog Amazon QuickSight å teste rovere ved å distribuere månesimuleringer. Ettersom Lunar Outpost utvikler navigasjonsteknologier for måneoverflaten, blir simuleringsforekomster spunnet opp. Disse simuleringene vil bli brukt under måneoppdrag for å hjelpe menneskelige operatører og redusere risikoen. Data som strømmes tilbake fra månens overflate vil bli importert til simuleringen deres, og gir en sanntidsvisning av roverens aktiviteter. Simulering av digitale MAP-rovere gir mulighet for prøvekjøring av navigasjonsbaner uten å flytte den fysiske roveren, noe som dramatisk reduserer risikoen for å flytte rovere i verdensrommet.

Adarga: Adarga, en del av første AWS Defence Accelerator-kohort, leverer en AI-drevet etterretningsplattform for raskt å forstå risikoer og muligheter for forberedelse og implementering av teaterinngang. Adarga bruker AI for å finne innsikt begravd i store mengder ustrukturerte data, for eksempel nyheter, presentasjoner, rapporter, videoer og mer.

Adarga bruker Amazon EC2, OpenSearch Service, Amazonas Aurora, Amazon DocumentDB (med MongoDB-kompatibilitet), Amazon Oversett, og SageMaker. Adarga inntar informasjon i sanntid, oversetter fremmedspråklige dokumenter og transkriberer lyd- og videofiler til tekst. I tillegg til SageMaker, bruker Adarga proprietære NLP-modeller for å trekke ut og klassifisere detaljer, som mennesker, steder og ting, og distribuerer disambigueringsteknikker for å kontekstualisere informasjonen. Disse detaljene er kartlagt til et dynamisk intelligensbilde for kundene. Adargas ML-algoritmer, sammen med AWS AI/ML-tjenester, muliggjør relasjonsanalyse, og avdekker mønstre som ellers kan virke frakoblet.

"Vi er stolte av å være en del av dette banebrytende initiativet når vi fortsetter å jobbe tett med AWS og et bredere økosystem av tekniske spillere for å levere spillendrende evner til forsvar, aktivert av hyperskala sky."

– Robert Bassett-Cross, administrerende direktør, Adarga

Bærekraftige byer

SmartHelio: Innenfor den kommersielle solfarmindustrien er det avgjørende å fastslå helsen til installert solcelleinfrastruktur. SmartHelio kombinerer fysikk og SageMaker for å konstruere modeller som bestemmer den nåværende helsen til solenergianlegg, bygger spådommer på hvilke eiendeler som vil svikte, og bestemmer proaktivt hvilke eiendeler som skal betjenes først.

SmartHelios løsning, bygget på AWS, analyserer utrolig kompleks solcellefysikk og kraftsystemer. En datainnsjø på Amazon S3 lagrer milliarder av datapunkter strømmet på sanntidsbasis fra Supervisory Control and Data Acquisition (SCADA)-servere på solfarmer, Internet of Things (IoT)-enheter eller tredjeparts Content Management Systems (CMS) plattformer. SmartHelio bruker SageMaker til å kjøre dyplæringsmodeller for å gjenkjenne mønstre, kvantifisere solfarmhelse og forutsi gårdstap på en sanntidsbasis, og levere intelligent innsikt umiddelbart til kundene sine.

Etter å ha blitt valgt til den første AWS Sustainable Cities Accelerator-kohort, sikret SmartHelio flere piloter med nye kunder. Med administrerende direktør Govinda Upadhyays ord, "AWS Accelerator ga oss global eksponering mot markeder, mentorer, potensielle kunder og investorer."

Automotus: Automotus bruker datasynsteknologi for å gi sjåførene muligheten til å se i sanntid om kantsteinsplass er tilgjengelig, noe som reduserer tiden brukt på å søke etter parkering betydelig. Automotus hjelper byer og flyplasser med å administrere og tjene penger på fortauskantene sine ved hjelp av en flåte av datasynssensorer drevet av AWS IoT Greengrass. Automotus sine sensorer laster opp treningsdata til Amazon S3, der en arbeidsflyt drevet av Lambda indekserer eksempeldata for å lage komplekse datasett for opplæring av nye modeller og forbedring av eksisterende.

Automotus bruker SageMaker til å automatisere og beholde sin opplæringsprosess for datasynsmodeller, hvis utdata distribueres tilbake til kanten ved hjelp av en enkel, automatisert prosess. Utstyrt med disse trente modellene sender Automotus-sensorer metadata til skyen ved hjelp av AWS IoT-kjerne, som avdekker detaljert innsikt om fortauskantsaktivitet og muliggjør helautomatisert fakturering og håndheving ved fortauskanten. Med én kunde, Automotus økte håndhevingseffektiviteten og inntektene med mer enn 500 %, noe som resulterte i en 24 % økning i parkeringsomsetningen og en 20 % reduksjon i trafikken.

Hva er det neste for AI/ML og oppstart

Kunder har omfavnet AI/ML for å løse et bredt spekter av utfordringer, noe som er et bevis på utviklingen av teknologien og den økte tilliten kundene har til å bruke data for å forbedre beslutningstaking. AWS Accelerators tar sikte på å fortsette akselerasjonen og innføringen av AI/ML-løsninger ved å hjelpe kundene med idédugnad og dele kritiske problemformuleringer, og finne og koble startups med disse kundene.

Interessert i å fremme løsninger for offentlig beste gjennom oppstarten din? Eller har du en utfordring med behov for en forstyrrende løsning? Ta kontakt med AWS Worldwide Public Sector Venture Capital and Startups-teamet i dag for å lære mer om AWS Accelerators og andre tilgjengelige ressurser for å drive beslutningstakingsinnovasjoner.

---

Om forfatterne

Swami Sivasubramanian er visepresident for data og maskinlæring i AWS. I denne rollen fører Swami tilsyn med alle AWS-databaser, analysetjenester og AI- og maskinlæringstjenester. Teamets oppgave er å hjelpe organisasjoner med å sette dataene sine i arbeid med en komplett, ende-til-ende dataløsning for å lagre, få tilgang til, analysere og visualisere og forutsi.

Manpreet Mattu er Global Head for Venture Capital and Startups Business Development for World Wide Public Sector hos Amazon Web Services (AWS). Han har 15 års erfaring innen ventureinvesteringer og oppkjøp innen ledende teknologi og ikke-teknologiske segmenter. Utover teknologi, spenner Manpreets interesse over historie, filosofi og økonomi. Han er også en utholdenhetsløper.