Как Sleepme использует Amazon SageMaker для автоматического контроля температуры, чтобы максимально улучшить качество сна в режиме реального времени

Это гостевой пост, написанный в соавторстве с Треем Робинсоном, техническим директором Sleepme Inc.

Спими является лидером отрасли в области продуктов для управления и мониторинга температуры сна, включая набор датчиков для отслеживания сна с поддержкой Интернета вещей (IoT), оснащенный датчиками сердечного ритма, частоты дыхания, температуры постели и окружающей среды, влажности и давления.

Sleepme предлагает интеллектуальную систему наматрасников, которую можно запланировать для охлаждения или обогрева вашей кровати с помощью сопутствующего приложения. Систему можно объединить с трекером сна, который собирает такие данные, как частота сердечных сокращений, частота дыхания, влажность в комнате, время пробуждения, а также время, когда пользователь находился в постели и вставал с нее. В конце сеанса сна он объединяет данные трекера сна, а также данные о стадиях сна, чтобы получить оценку качества сна.

Этот умный наматрасник работает как термостат для вашей кровати и позволяет клиентам контролировать климат во время сна. Продукты Sleepme помогают снизить температуру тела, что связано с глубоким сном, а тепло может снизить вероятность падения и продолжения сна.

В этом посте мы рассказываем, как Sleepme использовал Создатель мудреца Амазонки разработать модель машинного обучения (ML), подтверждающую концепцию, которая рекомендует температуру для максимизации вашего сна.

«Внедрение искусственного интеллекта открывает новые возможности для улучшения качества сна клиентов. Эти изменения будут реализованы в линейке продуктов Sleepme, что позволит клиенту использовать техническую и маркетинговую ценность новых функций во время развертывания».

– Трей Робинсон, технический директор Sleepme.

Использование машинного обучения для улучшения сна в режиме реального времени

Sleepme — это научно-ориентированная организация, которая использует научные исследования, международные журналы и передовые исследования, чтобы предоставлять клиентам новейшие достижения в области здоровья и хорошего самочувствия. Sleepme предоставляет информацию о науке сна о своих веб-сайт.

Sleepme рассказывает, что только 44% американцев сообщают о спокойном ночном сне почти каждую ночь, и что 35% взрослых спят менее 7 часов в сутки. Полноценный ночной сон помогает вам чувствовать себя более энергичным и приносит пользу вашему разуму, весу и сердцу. Это представляет собой огромное количество людей, имеющих возможности улучшить свой сон и здоровье.

Компания Sleepme увидела возможность улучшить сон своих пользователей, изменив условия их сна в ночное время. Собирая данные об окружающей среде, такие как температура и влажность, и связывая их с персонализированными пользовательскими данными, такими как беспокойство, частота сердечных сокращений и цикл сна, Sleepme определила, что они могут изменить среду пользователя, чтобы оптимизировать его отдых. Для этого варианта использования требовалась модель машинного обучения, обеспечивающая вывод в реальном времени.

Sleepme требовалась высокодоступная модель вывода, которая предоставляла бы рекомендации с малой задержкой. Сосредоточившись на предоставлении новых функций и продуктов для своих клиентов, компании Sleepme требовалось готовое решение, не требующее управления инфраструктурой.

Чтобы решить эти проблемы, Sleepme обратилась к Amazon SageMaker.

Использование Amazon SageMaker для создания модели машинного обучения для рекомендаций по температуре сна

SageMaker ускоряет развертывание рабочих нагрузок машинного обучения, упрощая процесс сборки машинного обучения. Он предоставляет набор возможностей машинного обучения, которые работают в управляемой инфраструктуре на AWS. Это снижает операционные накладные расходы и сложность, связанные с разработкой машинного обучения.

Компания Sleepme выбрала SageMaker из-за возможностей, которые он предоставляет в обучении моделей, процессе развертывания конечных точек и управлении инфраструктурой. На следующей диаграмме показана их архитектура AWS.

Sleepme сосредоточена на предоставлении новых продуктов и функций для своих клиентов. Они не хотели тратить свои ресурсы на длительный процесс обучения модели машинного обучения.

Обучение модели SageMaker позволили Sleepme использовать свои исторические данные для быстрой разработки собственной модели машинного обучения. SageMaker Model Training предоставляет десятки встроенных алгоритмов обучения и сотни предварительно обученных моделей, что повышает гибкость Sleepme при создании моделей. Управляя базовыми вычислительными экземплярами, обучение моделей SageMaker позволило Sleepme сосредоточиться на повышении производительности моделей.

Эта модель машинного обучения должна была вносить коррективы в среду сна в режиме реального времени. Для этого Sleepme использовала SageMaker Выводы в реальном времени управлять хостингом своей модели. Эта конечная точка получает данные от интеллектуального наматрасника и трекера сна Sleepme, чтобы в режиме реального времени давать рекомендации по температуре для сна пользователя. Кроме того, благодаря возможности автоматического масштабирования моделей, вывод SageMaker предоставил Sleepme возможность добавлять или удалять экземпляры в соответствии с потребностями.

SageMaker также предоставляет Sleepme полезные функции по мере изменения их рабочей нагрузки. Они могли бы использовать теневые тесты для оценки производительности моделей новых версий перед их развертыванием среди клиентов, Реестр моделей SakeMaker для управления версиями модели и автоматизации развертывания модели, а также Мониторинг моделей SageMaker контролировать качество своей модели в производстве. Эти функции дают Sleepme возможность вывести варианты использования машинного обучения на новый уровень, не разрабатывая новые возможности самостоятельно.

Заключение

С помощью Amazon SageMaker компания Sleepme смогла за считанные недели создать и развернуть собственную модель машинного обучения, определяющую рекомендуемую регулировку температуры, которую устройства Sleepme отражают в среде пользователя.

Устройства Sleepme IoT собирают данные о сне и теперь могут вносить изменения в кровать клиента за считанные минуты. Эта возможность оказалась отличительной чертой бизнеса. Теперь сон пользователей можно оптимизировать, чтобы обеспечить более качественный сон в режиме реального времени.

Чтобы узнать больше о том, как быстро создавать модели ML, см. Модели поездов или начать работу над Консоль SageMaker.

---

Об авторах

Трей Робинсон работал инженером-программистом, ориентированным на мобильные устройства и Интернет вещей, руководил командами в качестве технического директора Sleepme Inc и технического директора Passport Inc. На протяжении многих лет он работал над десятками мобильных приложений, серверных частей и проектов Интернета вещей. До переезда в Шарлотт, Северная Каролина, Трей вырос в Девяносто Шестом, Южная Каролина, и изучал информатику в Университете Клемсона.

Бенон Бояджян является архитектором решений в группе прямых инвестиций в Amazon Web Services. Benon работает напрямую с частными инвестиционными компаниями и их портфельными компаниями, помогая им использовать AWS для достижения бизнес-целей и повышения стоимости предприятия.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• ПлатонАйСтрим. Анализ данных Web3. Расширение знаний. Доступ здесь.
• Чеканка будущего с Эдриенн Эшли. Доступ здесь.
• Покупайте и продавайте акции компаний PREIPO® с помощью PREIPO®. Доступ здесь.
• Источник: https://aws.amazon.com/blogs/machine-learning/how-sleepme-uses-amazon-sagemaker-for-automated-temperature-control-to-maximize-sleep-quality-in-real-time/