Стартапы AWS Accelerators используют ИИ и машинное обучение для решения критически важных задач клиентов.

Неустанное развитие технологий улучшает способность принимать решения как людей, так и предприятий. Оцифровка физического мира ускорила три измерения данных: скорость, разнообразие и объем. Это сделало информацию более доступной, чем раньше, что позволило добиться прогресса в решении проблем. Теперь, благодаря демократизированной доступности облачных технологий, такие технологии, как искусственный интеллект (ИИ) и машинное обучение (МО), способны повысить скорость и точность принятия решений людьми и машинами.

Нигде такая скорость и точность решений не являются более важными, чем в государственном секторе, где организации в сфере обороны, здравоохранения, аэрокосмической отрасли и устойчивого развития решают проблемы, которые влияют на граждан во всем мире. Многие клиенты из государственного сектора видят преимущества использования искусственного интеллекта и машинного обучения для решения этих проблем, но могут быть ошеломлены разнообразием решений. AWS запустила AWS Accelerators для поиска и развития стартапов с технологиями, которые отвечают уникальным задачам клиентов из государственного сектора. Читайте дальше, чтобы узнать больше о вариантах использования искусственного интеллекта и машинного обучения от стартапов в AWS Accelerator, которые оказывают влияние на клиентов из государственного сектора.

Здоровье

Куски: Медицинские работники хотят тратить больше времени на уход за пациентами и меньше времени на оформление документов. Части, Акселератор AWS для здравоохранения стартап использует AWS, чтобы упростить ввод, управление, хранение, организацию и получение аналитической информации из данных электронных медицинских карт (EHR) для воздействия на социальные детерминанты здоровья и улучшения ухода за пациентами. Благодаря искусственному интеллекту, обработке естественного языка (NLP) и клинически проверенным алгоритмам Pieces может предоставлять прогнозируемые даты выписки из больницы, ожидаемые клинические и доклинические препятствия для выписки, а также риск повторной госпитализации. Сервисы Pieces также предоставляют поставщикам медицинских услуг ценную информацию на простом языке и оптимизируют ясность клинических проблем пациентов, помогая медицинским бригадам работать более эффективно. По пьесамПрограммное обеспечение обеспечивает 95% положительных прогнозов при выявлении препятствий для выписки пациентов, а в одной больнице оно показало свою способность сокращать пребывание пациентов в стационаре в среднем на 2 дня.

Использование штук Эластичное вычислительное облако Amazon (Амазон EC2), Сервис реляционной базы данных Amazon (Amazon RDS) и Amazon Managed Streaming для Apache Kafka (Amazon MSK) для сбора и обработки потоковых клинических данных. Использование штук Амазон Эластик Кубернетес Сервис (Амазон ЭКС), Сервис Amazon OpenSearchкачества Amazon Managed Workflows для Apache Airflow (Amazon MWAA) для запуска нескольких моделей машинного обучения на рабочих данных в любом масштабе.

ПКП Здоровье: Опыт пациентов является ключевым приоритетом, но сбор отзывов пациентов может оказаться непростой задачей. PEP Health, стартап в Группа AWS Healthcare Accelerator в Великобритании, использует технологию НЛП для анализа миллионов онлайн-, публично опубликованных комментариев пациентов, создания оценок, которые подчеркивают области, заслуживающие празднования или беспокойства, а также выявления причин улучшения или снижения удовлетворенности пациентов. Эти данные можно использовать для улучшения опыта, достижения лучших результатов и демократизации голоса пациента.

PEP Health использует AWS Lambda, АМС Фаргейти Amazon EC2 для получения информации в режиме реального времени с сотен тысяч веб-страниц. Благодаря собственным моделям НЛП, созданным и работающим на Создатель мудреца Амазонки, PEP Health определяет и оценивает темы, имеющие отношение к качеству медицинской помощи. Эти результаты используются в платформе взаимодействия с пациентами PEP Health и алгоритмах машинного обучения, созданных и поддерживаемых Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker и Амазон Когнито, которые позволяют анализировать взаимоотношения и выявлять закономерности между людьми, местами и вещами, которые в противном случае могли бы показаться не связанными друг с другом.

«Благодаря акселератору компания PEP Health смогла значительно масштабировать свою деятельность благодаря внедрению AWS Lambda, чтобы собирать больше комментариев быстрее и с меньшими затратами. Кроме того, мы смогли использовать Amazon SageMaker для получения дополнительной информации для клиентов».

– Марк Ломакс, генеральный директор PEP Health.

Оборона и космос

Лунный форпост: Лунный аванпост был частью Первая когорта AWS Space Accelerator в 2021 году. Компания принимает участие в миссиях на Луну и разрабатывает марсоходы с мобильной автономной платформой (MAP), которые будут способны выживать и перемещаться в экстремальных условиях других планетарных тел. Чтобы успешно ориентироваться в условиях, недоступных на Земле, Lunar Outpost широко использует роботизированное моделирование для проверки навигационных алгоритмов искусственного интеллекта.

Лунный аванпост использует AWS Робомейкер, Амазонка EC2, Реестр Amazon Elastic Container (Амазон ЭКР), Простой сервис хранения Amazon (Амазон С3), Виртуальное частное облако Amazon (Amazon VPC), Лямбда, Сборка кода AWSкачества Amazon QuickSight для тестирования марсоходов путем моделирования луны. По мере того как Lunar Outpost разрабатывает технологии навигации по лунной поверхности, создаются экземпляры моделирования. Эти симуляции будут использоваться во время лунных миссий для оказания помощи людям-операторам и снижения риска. Данные, передаваемые с поверхности Луны, будут импортированы в их симуляцию, что даст представление о деятельности марсохода в режиме реального времени. Моделирование цифровых марсоходов MAP позволяет проводить пробные прогоны навигационных траекторий без перемещения физического марсохода, что значительно снижает риски перемещения марсоходов в космосе.

Адарга: Адарга, часть первая когорта AWS Defense Accelerator, предоставляет интеллектуальную платформу на основе искусственного интеллекта для быстрого понимания рисков и возможностей для подготовки и развертывания входа на театр военных действий. Adarga использует искусственный интеллект для поиска информации, скрытой в больших объемах неструктурированных данных, таких как новости, презентации, отчеты, видео и многое другое.

Adarga использует Amazon EC2, OpenSearch Service, Амазон Аврора, Amazon DocumentDB (с совместимостью с MongoDB), Amazon Translateи SageMaker. Adarga принимает информацию в режиме реального времени, переводит документы на иностранных языках и транскрибирует аудио- и видеофайлы в текст. Помимо SageMaker, Adarga использует собственные модели НЛП для извлечения и классификации деталей, таких как люди, места и вещи, применяя методы устранения неоднозначности для контекстуализации информации. Эти детали преобразуются в динамическую информационную картину для клиентов. Алгоритмы машинного обучения Adarga вместе с сервисами AWS AI/ML позволяют анализировать взаимосвязи, выявляя закономерности, которые в противном случае могли бы показаться несвязанными.

«Мы гордимся тем, что являемся частью этой новаторской инициативы, поскольку продолжаем тесно сотрудничать с AWS и более широкой экосистемой технологических игроков, чтобы предоставить революционные возможности для обороны, обеспечиваемые гипермасштабируемым облаком».

– Роберт Бассетт-Кросс, генеральный директор Adarga

Устойчивые города

СмартХелио: В сфере коммерческих солнечных ферм крайне важно определить состояние установленной солнечной инфраструктуры. SmartHelio объединяет физику и SageMaker для создания моделей, которые определяют текущее состояние солнечных активов, прогнозируют, какие активы выйдут из строя, и заранее определяют, какие активы следует обслуживать в первую очередь.

Решение SmartHelio, созданное на базе AWS, анализирует невероятно сложные фотоэлектрические физические и энергетические системы. Озеро данных на Amazon S3 хранит миллиарды точек данных, передаваемых в режиме реального времени с серверов диспетчерского управления и сбора данных (SCADA) на солнечных фермах, устройств Интернета вещей (IoT) или сторонних систем управления контентом (CMS). платформы. SmartHelio использует SageMaker для запуска моделей глубокого обучения для распознавания закономерностей, количественной оценки состояния солнечных ферм и прогнозирования потерь фермы в режиме реального времени, мгновенно предоставляя интеллектуальную информацию своим клиентам.

После того, как тебя выбрали в первый раз Группа AWS Sustainable Cities Accelerator, SmartHelio обеспечила нескольким пилотным проектам новых клиентов. По словам генерального директора Говинды Упадхьяя, «AWS Accelerator дал нам глобальный доступ к рынкам, наставникам, потенциальным клиентам и инвесторам».

Автомотус: Automotus использует технологию компьютерного зрения, чтобы дать водителям возможность видеть в режиме реального времени, есть ли свободное место на обочине, что значительно сокращает время, затрачиваемое на поиск парковки. Automotus помогает городам и аэропортам управлять бордюрами и монетизировать их, используя парк датчиков компьютерного зрения на базе AWS IoT Greengrass. Датчики Automotus загружают данные обучения в Amazon S3, где рабочий процесс на базе Lambda индексирует выборочные данные для создания сложных наборов данных для обучения новых моделей и улучшения существующих.

Automotus использует SageMaker для автоматизации и контейнеризации процесса обучения модели компьютерного зрения, результаты которого передаются обратно на периферию с помощью простого автоматизированного процесса. Оснащенные этими обученными моделями датчики Automotus отправляют метаданные в облако с помощью Ядро Интернета вещей AWS, раскрывая детальную информацию о действиях на тротуарах и обеспечивая полностью автоматизированное выставление счетов и контроль за соблюдением требований на тротуарах. С один клиентКомпания Automotus повысила эффективность правоприменения и доходы более чем на 500 %, что привело к увеличению оборота парковок на 24 % и снижению трафика на 20 %.

Что будет дальше с AI/ML и стартапами

Клиенты используют AI/ML для решения широкого спектра задач, что является свидетельством развития технологии и возросшей уверенности клиентов в использовании данных для улучшения процесса принятия решений. Целью AWS Accelerators является дальнейшее ускорение и внедрение решений искусственного интеллекта и машинного обучения, помогая клиентам проводить мозговые штурмы и обмениваться формулировками критических проблем, а также находить стартапы и связывать их с этими клиентами.

Заинтересованы в продвижении решений для общественного блага через свой стартап? Или у вас есть проблема, требующая радикального решения? Свяжитесь с командой AWS Worldwide по венчурному капиталу и стартапам в государственном секторе сегодня, чтобы узнать больше об акселераторах AWS и других ресурсах, доступных для внедрения инноваций в области принятия решений.

---

Об авторах

Свами Шивасубраманян является вице-президентом по данным и машинному обучению в AWS. В этой роли Свами курирует все службы базы данных AWS, аналитики, искусственного интеллекта и машинного обучения. Задача его команды — помочь организациям заставить свои данные работать с помощью комплексного решения для хранения, доступа, анализа, визуализации и прогнозирования.

Манприт Матту является глобальным руководителем отдела венчурного капитала и развития стартапов в мировом государственном секторе в Amazon Web Services (AWS). Он имеет 15-летний опыт венчурных инвестиций и приобретений в передовых технологических и нетехнологических сегментах. Помимо технологий, интересы Мэнприта охватывают историю, философию и экономику. Он также является бегуном на выносливость.