Startups över AWS Accelerators använder AI och ML för att lösa uppdragskritiska kundutmaningar

Obevekliga framsteg inom tekniken förbättrar både människors och företags beslutsförmåga. Digitaliseringen av den fysiska världen har accelererat de tre dimensionerna av data: hastighet, variation och volym. Detta har gjort information mer allmänt tillgänglig än tidigare, vilket möjliggör framsteg inom problemlösning. Nu, med molnaktiverad demokratiserad tillgänglighet, kan tekniker som artificiell intelligens (AI) och maskininlärning (ML) öka hastigheten och noggrannheten i beslutsfattande av människor och maskiner.

Ingenstans är denna snabbhet och noggrannhet i beslut viktigare än i den offentliga sektorn, där organisationer inom försvar, sjukvård, flyg och hållbarhet löser utmaningar som påverkar medborgare runt om i världen. Många offentliga kunder ser fördelarna med att använda AI/ML för att möta dessa utmaningar, men kan bli överväldigade med utbudet av lösningar. AWS lanserade AWS Accelerators för att hitta och utveckla startups med teknologier som möter offentliga kunders unika utmaningar. Läs vidare för att lära dig mer om AI/ML-användningsfall från startups i AWS Accelerator som påverkar offentliga kunder.

Sjukvård

Pieces: Sjukvårdsleverantörer vill lägga mer tid på att ta hand om patienter och mindre tid på pappersarbete. Bitar, en AWS Healthcare Accelerator startup, använder AWS för att göra det enklare att mata in, hantera, lagra, organisera och få insikt från EHR-data (Electronic Health Record) för att ta itu med sociala bestämningsfaktorer för hälsa och förbättra patientvården. Med AI, naturlig språkbehandling (NLP) och kliniskt granskade algoritmer kan Pieces tillhandahålla beräknade utskrivningsdatum för sjukhus, förväntade kliniska och icke-kliniska hinder för utskrivning och risk för återinläggning. Pieces-tjänster ger också insikter till vårdgivare i klartext och optimerar klarheten i patienternas kliniska problem för att hjälpa vårdteam att arbeta mer effektivt. Enligt Pieces, ger programvaran en 95 % positiv förutsägelse när det gäller att identifiera hinder för utskrivning av patienter, och på ett sjukhus har den visat sin förmåga att minska patienternas sjukhusvistelser i genomsnitt med 2 dagar.

Bitar använder Amazon Elastic Compute Cloud (Amazon EC2), Amazon Relational Databas Service (Amazon RDS) och Amazon Managed Streaming för Apache Kafka (Amazon MSK) för insamling och bearbetning av streamad klinisk data. Bitar använder Amazon Elastic Kubernetes-tjänst (Amazon EKS), Amazon OpenSearch Serviceoch Amazon Managed Workflows för Apache Airflow (Amazon MWAA) för att köra flera ML-modeller på data i produktion i stor skala.

PEP hälsa: Patientupplevelse är en nyckelprioritet, men att samla in patientfeedback kan vara en utmaning. PEP Health, en startup inom AWS Healthcare Accelerators brittiska kohort, använder NLP-teknik för att analysera miljontals online, offentligt publicerade patientkommentarer, generera poäng som lyfter fram områden för celebration eller oro, och identifiera orsakerna till att förbättra eller minska patienttillfredsställelsen. Dessa data kan användas för att förbättra upplevelser, skapa bättre resultat och demokratisera patientens röst.

PEP Health använder AWS Lambda, AWS Fargate, och Amazon EC2 för att få in information i realtid från hundratusentals webbsidor. Med egenutvecklade NLP-modeller byggda och köra på Amazon SageMaker, PEP Health identifierar och poängsätter teman som är relevanta för vårdens kvalitet. Dessa resultat matar PEP Healths Patient Experience Platform och ML-algoritmer byggda och drivna av Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker och Amazon Cognito, som möjliggör relationsanalys och avslöjar mönster mellan människor, platser och saker som annars kan verka frånkopplade.

"Genom acceleratorn kunde PEP Health skala sin verksamhet avsevärt med introduktionen av AWS Lambda för att samla in fler kommentarer snabbare och billigare. Dessutom har vi kunnat använda Amazon SageMaker för att få ytterligare insikter för kunderna."

– Mark Lomax, VD för PEP Health.

Försvar och rymd

Lunar utpost: Lunar Outpost var en del av AWS Space Accelerators första kohort år 2021. Företaget deltar i uppdrag till månen och utvecklar Mobile Autonomous Platform (MAP) rovers som kommer att kunna överleva och navigera i extrema miljöer i andra planetkroppar. För att framgångsrikt navigera under förhållanden som inte kan hittas på jorden använder Lunar Outpost i stor utsträckning robotsimuleringar för att validera AI-navigeringsalgoritmer.

Lunar Outpost använder AWS RoboMaker, Amazon EC2, Amazon Elastic Container Registry (Amazon ECR), Amazon enkel lagringstjänst (Amazon S3), Amazon Virtual Private Cloud (Amazon VPC), Lambda, AWS CodeBuildoch Amazon QuickSight att testa rovers genom att använda månsimuleringar. När Lunar Outpost utvecklar navigeringsteknik för månens yta, snurras simuleringsinstanser upp. Dessa simuleringar kommer att användas under månuppdrag för att hjälpa mänskliga operatörer och minska risken. Data som strömmas tillbaka från månens yta kommer att importeras till deras simulering, vilket ger en realtidsvy av roverns aktiviteter. Simulering av digitala MAP-rovers möjliggör provkörningar av navigeringsbanor utan att flytta den fysiska rovers, vilket dramatiskt minskar riskerna med att flytta rovers i rymden.

Adarga: Adarga, en del av första AWS Defence Accelerator-kohort, levererar en AI-driven intelligensplattform för att snabbt förstå risker och möjligheter för förberedelser och implementering av teaterinträde. Adarga använder AI för att hitta insikter begravda i stora volymer ostrukturerad data, såsom nyheter, presentationer, rapporter, videor och mer.

Adarga använder Amazon EC2, OpenSearch Service, Amazon-Aurora, Amazon DocumentDB (med MongoDB-kompatibilitet), Amazon Translate, och SageMaker. Adarga får in information i realtid, översätter dokument på främmande språk och transkriberar ljud- och videofiler till text. Förutom SageMaker använder Adarga proprietära NLP-modeller för att extrahera och klassificera detaljer, som människor, platser och saker, och använder disambigueringstekniker för att kontextualisera informationen. Dessa detaljer mappas till en dynamisk intelligensbild för kunderna. Adargas ML-algoritmer, tillsammans med AWS AI/ML-tjänster, möjliggör relationsanalys och avslöjar mönster som annars kan verka frånkopplade.

"Vi är stolta över att vara en del av detta banbrytande initiativ när vi fortsätter att arbeta nära med AWS och ett bredare ekosystem av tekniska spelare för att leverera spelförändrande kapacitet till försvar, möjliggjort av hyperskala moln."

– Robert Bassett-Cross, VD, Adarga

Hållbara städer

SmartHelio: Inom den kommersiella industrin för solcellsanläggningar är det avgörande att fastställa hälsan hos installerad solcellsinfrastruktur. SmartHelio kombinerar fysik och SageMaker för att konstruera modeller som bestämmer soltillgångarnas nuvarande hälsotillstånd, bygger förutsägelser om vilka tillgångar som kommer att misslyckas och avgör proaktivt vilka tillgångar som ska skötas först.

SmartHelios lösning, byggd på AWS, analyserar otroligt komplex solcellsfysik och kraftsystem. En datasjö på Amazon S3 lagrar miljarder datapunkter som strömmas i realtid från Supervisory Control and Data Acquisition (SCADA) servrar på solfarmar, Internet of Things (IoT) enheter eller tredjeparts innehållshanteringssystem (CMS) plattformar. SmartHelio använder SageMaker för att köra djupinlärningsmodeller för att känna igen mönster, kvantifiera solfarmarnas hälsa och förutsäga gårdsförluster i realtid, och leverera intelligenta insikter direkt till sina kunder.

Efter att ha blivit utvald till den första AWS Sustainable Cities Accelerator-kohort, SmartHelio säkrade flera piloter med nya kunder. Med VD Govinda Upadhyays ord, "AWS Accelerator gav oss global exponering mot marknader, mentorer, potentiella kunder och investerare."

Automotus: Automotus använder datorseendeteknik för att ge förare möjligheten att i realtid se om trottoarkanter finns tillgängligt, vilket avsevärt minskar tiden för att leta efter parkering. Automotus hjälper städer och flygplatser att hantera och tjäna pengar på sina trottoarkanter med hjälp av en flotta av datorseendesensorer som drivs av AWS IoT Greengrass. Automotus sensorer laddar upp träningsdata till Amazon S3, där ett arbetsflöde som drivs av Lambda indexerar exempeldata för att skapa komplexa datauppsättningar för att träna nya modeller och förbättra befintliga.

Automotus använder SageMaker för att automatisera och behålla sin träningsprocess för datorseendemodeller, vars resultat distribueras tillbaka till kanten med en enkel, automatiserad process. Utrustade med dessa tränade modeller skickar Automotus-sensorer metadata till molnet med hjälp av AWS IoT Core, avslöjar detaljerade insikter om trottoarkantsaktivitet och möjliggör helautomatisk fakturering och verkställighet vid trottoarkanten. Med en kund, Automotus ökade verkställighetseffektiviteten och intäkterna med mer än 500 %, vilket resulterade i en 24 % ökning av parkeringsomsättningen och en 20 % minskning av trafiken.

Vad är nästa steg för AI/ML och nystartade företag

Kunder har anammat AI/ML för att lösa ett brett spektrum av utmaningar, vilket är ett bevis på teknikens framsteg och det ökade förtroendet som kunderna har för att använda data för att förbättra beslutsfattandet. AWS Accelerators syftar till att fortsätta accelerationen och adoptionen av AI/ML-lösningar genom att hjälpa kunder att brainstorma och dela kritiska problemformuleringar, och hitta och koppla startups med dessa kunder.

Intresserad av att utveckla lösningar för allmänhetens bästa genom din startup? Eller har du en utmaning i behov av en störande lösning? Ta kontakt med AWS Worldwide Public Sector Venture Capital and Startups-teamet idag för att lära dig mer om AWS-acceleratorer och andra tillgängliga resurser för att driva beslutsfattande innovationer.

---

Om författarna

Swami Sivasubramanian är vice vd för data- och maskininlärning på AWS. I denna roll övervakar Swami alla AWS-databas-, analys- och AI- och maskininlärningstjänster. Hans teams uppdrag är att hjälpa organisationer att få sin data att fungera med en komplett, end-to-end datalösning för att lagra, komma åt, analysera och visualisera och förutsäga.

Manpreet Mattu är den globala chefen för riskkapital och startups affärsutveckling för den globala offentliga sektorn på Amazon Web Services (AWS). Han har 15 års erfarenhet av riskinvesteringar och förvärv inom ledande teknologi och icke-tekniska segment. Manpreets intresse sträcker sig bortom tekniken historia, filosofi och ekonomi. Han är också en uthållighetslöpare.