สตาร์ทอัพทั่ว AWS Accelerators ใช้ AI และ ML เพื่อแก้ปัญหาความท้าทายของลูกค้าที่สำคัญต่อภารกิจ

ความก้าวหน้าทางเทคโนโลยีอย่างไม่หยุดยั้งกำลังปรับปรุงความสามารถในการตัดสินใจของมนุษย์และองค์กร การแปลงเป็นดิจิทัลของโลกทางกายภาพได้เร่งความเร็วของข้อมูลสามมิติ: ความเร็ว ความหลากหลาย และปริมาณ ทำให้มีข้อมูลในวงกว้างมากขึ้นกว่าเดิม ทำให้เกิดความก้าวหน้าในการแก้ปัญหา ปัจจุบัน ด้วยความพร้อมใช้งานที่เป็นประชาธิปไตยในระบบคลาวด์ เทคโนโลยีอย่างปัญญาประดิษฐ์ (AI) และการเรียนรู้ของเครื่อง (ML) สามารถเพิ่มความเร็วและความแม่นยำในการตัดสินใจของมนุษย์และเครื่องจักรได้

ไม่มีที่ไหนที่ความเร็วและความแม่นยำในการตัดสินใจจะสำคัญไปกว่าในภาครัฐ ซึ่งองค์กรต่างๆ ในการป้องกันประเทศ การดูแลสุขภาพ การบินและอวกาศ และความยั่งยืนกำลังแก้ปัญหาความท้าทายที่ส่งผลกระทบต่อพลเมืองทั่วโลก ลูกค้าภาครัฐจำนวนมากเห็นประโยชน์ของการใช้ AI/ML เพื่อจัดการกับความท้าทายเหล่านี้ แต่สามารถถูกครอบงำด้วยโซลูชันที่หลากหลาย AWS เปิดตัว AWS Accelerators เพื่อค้นหาและพัฒนาสตาร์ทอัพด้วยเทคโนโลยีที่ตอบสนองความท้าทายเฉพาะของลูกค้าภาครัฐ อ่านเพื่อเรียนรู้เพิ่มเติมเกี่ยวกับกรณีการใช้งาน AI/ML จากสตาร์ทอัพใน AWS Accelerator ที่สร้างผลกระทบต่อลูกค้าภาครัฐ

การดูแลสุขภาพ

ชิ้น: ผู้ให้บริการด้านสุขภาพต้องการใช้เวลาดูแลผู้ป่วยมากขึ้นและใช้เวลากับเอกสารน้อยลง ชิ้นและ AWS Healthcare Accelerator เริ่มต้น ใช้ AWS เพื่อให้ป้อนข้อมูล จัดการ จัดเก็บ จัดระเบียบ และรับข้อมูลเชิงลึกจากข้อมูล Electronic Health Record (EHR) ได้ง่ายขึ้น เพื่อจัดการกับปัจจัยทางสังคมของสุขภาพและปรับปรุงการดูแลผู้ป่วย ด้วย AI, การประมวลผลภาษาธรรมชาติ (NLP) และอัลกอริธึมที่ได้รับการตรวจสอบทางคลินิก Pieces สามารถระบุวันที่ต้องออกจากโรงพยาบาลที่คาดการณ์ไว้ อุปสรรคทางคลินิกและไม่ใช่ทางคลินิกที่คาดการณ์ไว้ในการปลดออก และความเสี่ยงของการกลับเข้ารับการรักษาซ้ำ บริการ Pieces ยังให้ข้อมูลเชิงลึกแก่ผู้ให้บริการด้านการดูแลสุขภาพด้วยภาษาธรรมดาและปรับความชัดเจนของปัญหาทางคลินิกของผู้ป่วยให้เหมาะสม เพื่อช่วยให้ทีมดูแลทำงานได้อย่างมีประสิทธิภาพมากขึ้น ตามชิ้นซอฟต์แวร์ให้การคาดการณ์เชิงบวก 95% ในการระบุอุปสรรคในการปลดปล่อยผู้ป่วย และที่โรงพยาบาลแห่งหนึ่งได้แสดงให้เห็นถึงความสามารถในการลดการพักรักษาตัวในโรงพยาบาลของผู้ป่วยโดยเฉลี่ย 2 วัน

ชิ้นใช้ อเมซอน อีลาสติก คอมพิวท์ คลาวด์ (อเมซอน อีซี2), บริการฐานข้อมูลเชิงสัมพันธ์ของ Amazon (Amazon RDS) และ Amazon Managed Streaming สำหรับ Apache Kafka (Amazon MSK) สำหรับการรวบรวมและประมวลผลข้อมูลทางคลินิกแบบสตรีม ชิ้นใช้ บริการ Amazon Elastic Kubernetes (อเมซอน อีเคเอส) บริการ Amazon OpenSearchและ เวิร์กโฟลว์ที่มีการจัดการของ Amazon สำหรับ Apache Airflow (Amazon MWAA) เพื่อเรียกใช้ ML หลายรุ่นกับข้อมูลในการผลิตตามขนาด

เป๊ป เฮลท์: ประสบการณ์ของผู้ป่วยเป็นสิ่งสำคัญ แต่การรวบรวมความคิดเห็นของผู้ป่วยอาจเป็นเรื่องท้าทาย PEP Health การเริ่มต้นใน กลุ่มคนในสหราชอาณาจักรของ AWS Healthcare Acceleratorใช้เทคโนโลยี NLP เพื่อวิเคราะห์ออนไลน์นับล้าน ความคิดเห็นของผู้ป่วยที่โพสต์ต่อสาธารณะ สร้างคะแนนที่เน้นประเด็นสำหรับการเฉลิมฉลองหรือข้อกังวล และระบุสาเหตุของการปรับปรุงหรือลดความพึงพอใจของผู้ป่วย ข้อมูลนี้สามารถใช้เพื่อปรับปรุงประสบการณ์ ขับเคลื่อนผลลัพธ์ที่ดีขึ้น และทำให้เสียงของผู้ป่วยเป็นประชาธิปไตย

PEP Health ใช้ AWS แลมบ์ดา, AWS ฟาร์เกตและ Amazon EC2 เพื่อนำเข้าข้อมูลแบบเรียลไทม์จากหน้าเว็บหลายแสนหน้า ด้วยโมเดล NLP ที่เป็นกรรมสิทธิ์ซึ่งสร้างและรันบน อเมซอน SageMaker, PEP Health ระบุและให้คะแนนประเด็นที่เกี่ยวข้องกับคุณภาพการดูแล ผลลัพธ์เหล่านี้ฟีดแพลตฟอร์มประสบการณ์ผู้ป่วยของ PEP Health และอัลกอริทึม ML ที่สร้างและขับเคลื่อนโดย Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker และ Amazon Cognito Coซึ่งช่วยให้สามารถวิเคราะห์ความสัมพันธ์และเปิดเผยรูปแบบระหว่างผู้คน สถานที่ และสิ่งต่างๆ ที่อาจดูเหมือนไม่เชื่อมต่อกัน

“ด้วยตัวเร่งความเร็ว PEP Health สามารถปรับขนาดการดำเนินงานได้อย่างมีนัยสำคัญด้วยการเปิดตัว AWS Lambda เพื่อรวบรวมความคิดเห็นเพิ่มเติมได้เร็วและประหยัดยิ่งขึ้น นอกจากนี้ เราสามารถใช้ Amazon SageMaker เพื่อรับข้อมูลเชิงลึกเพิ่มเติมสำหรับลูกค้า”

– มาร์ค โลแม็กซ์ ซีอีโอของ PEP Health

กลาโหมและอวกาศ

ด่านจันทรคติ: Lunar Outpost เป็นส่วนหนึ่งของ กลุ่มรุ่นแรกของ AWS Space Accelerator ในปี พ.ศ. 2021 บริษัทกำลังมีส่วนร่วมในภารกิจไปยังดวงจันทร์ และกำลังพัฒนารถแลนด์โรเวอร์ Mobile Autonomous Platform (MAP) ที่จะสามารถเอาชีวิตรอดและนำทางในสภาพแวดล้อมสุดขั้วของวัตถุดาวเคราะห์ดวงอื่นได้ เพื่อนำทางให้สำเร็จในสภาวะที่ไม่สามารถพบได้บนโลก Lunar Outpost ได้ใช้การจำลองหุ่นยนต์อย่างกว้างขวางเพื่อตรวจสอบอัลกอริธึมการนำทาง AI

Lunar Outpost ใช้ AWS RoboMaker, อเมซอน EC2, การลงทะเบียน Amazon Elastic Container (อเมซอน อีซีอาร์) บริการจัดเก็บข้อมูลอย่างง่ายของ Amazon (อเมซอน เอส3) คลาวด์ส่วนตัวเสมือนของ Amazon (Amazon VPC), แลมบ์ดา, AWS CodeBuildและ อเมซอน QuickSight เพื่อทดสอบรถแลนด์โรเวอร์โดยใช้การจำลองทางจันทรคติ เนื่องจาก Lunar Outpost พัฒนาเทคโนโลยีการนำทางสำหรับพื้นผิวดวงจันทร์ อินสแตนซ์การจำลองจึงถูกปั่นขึ้น การจำลองเหล่านี้จะใช้ในระหว่างภารกิจทางจันทรคติเพื่อช่วยเหลือผู้ปฏิบัติงานที่เป็นมนุษย์และลดความเสี่ยง ข้อมูลที่ส่งกลับมาจากพื้นผิวดวงจันทร์จะถูกนำเข้ามาในการจำลอง ให้มุมมองแบบเรียลไทม์ของกิจกรรมของยานสำรวจ การจำลองรถแลนด์โรเวอร์ MAP แบบดิจิทัลช่วยให้สามารถทดลองวิ่งตามวิถีการนำทางโดยไม่ต้องเคลื่อนย้ายรถแลนด์โรเวอร์จริง ลดความเสี่ยงของการเคลื่อนที่โรเวอร์ในอวกาศได้อย่างมาก

อดาร์กา: Adarga ส่วนหนึ่งของ กลุ่ม AWS Defense Accelerator รุ่นแรกกำลังนำเสนอแพลตฟอร์มอัจฉริยะที่ขับเคลื่อนด้วย AI เพื่อทำความเข้าใจความเสี่ยงและโอกาสในการเตรียมการและปรับใช้การเข้าโรงละครอย่างรวดเร็ว Adarga ใช้ AI เพื่อค้นหาข้อมูลเชิงลึกที่ฝังอยู่ในข้อมูลที่ไม่มีโครงสร้างจำนวนมาก เช่น ข่าว การนำเสนอ รายงาน วิดีโอ และอื่นๆ

Adarga ใช้ Amazon EC2, OpenSearch Service, อเมซอน ออโรร่า, Amazon DocumentDB (พร้อมความเข้ากันได้กับ MongoDB), อเมซอนแปลภาษาและ SageMaker Adarga นำเข้าข้อมูลแบบเรียลไทม์ แปลเอกสารภาษาต่างประเทศ และแปลงไฟล์เสียงและวิดีโอเป็นข้อความ นอกจาก SageMaker แล้ว Adarga ยังใช้โมเดล NLP ที่เป็นเอกสิทธิ์ในการดึงและจัดประเภทรายละเอียด เช่น บุคคล สถานที่ และสิ่งของ โดยใช้เทคนิคการแก้ความกำกวมเพื่อให้ข้อมูลมีบริบท รายละเอียดเหล่านี้ถูกแมปเป็นภาพอัจฉริยะแบบไดนามิกสำหรับลูกค้า อัลกอริทึม ML ของ Adarga ร่วมกับบริการ AWS AI/ML เปิดใช้งานการวิเคราะห์ความสัมพันธ์ เปิดเผยรูปแบบที่อาจดูเหมือนขาดการเชื่อมต่อ

“เราภูมิใจที่ได้เป็นส่วนหนึ่งของความคิดริเริ่มบุกเบิกนี้ ในขณะที่เรายังคงทำงานอย่างใกล้ชิดกับ AWS และระบบนิเวศน์ที่กว้างขึ้นของผู้เล่นเทคโนโลยีเพื่อส่งมอบความสามารถในการป้องกันที่เปลี่ยนแปลงเกม โดยเปิดใช้งานโดยคลาวด์ระดับไฮเปอร์สเกล”

– Robert Bassett-Cross ซีอีโอของ Adarga

เมืองที่ยั่งยืน

สมาร์ทเฮลิโอ: ภายในอุตสาหกรรมโซลาร์ฟาร์มเชิงพาณิชย์ การพิจารณาความสมบูรณ์ของโครงสร้างพื้นฐานพลังงานแสงอาทิตย์ที่ติดตั้งไว้เป็นสิ่งสำคัญ SmartHelio รวมฟิสิกส์และ SageMaker เข้าด้วยกันเพื่อสร้างแบบจำลองที่กำหนดสถานะปัจจุบันของสินทรัพย์พลังงานแสงอาทิตย์ สร้างการคาดการณ์ว่าสินทรัพย์ใดจะล้มเหลว และกำหนดในเชิงรุกว่าจะให้บริการสินทรัพย์ใดก่อน

โซลูชันของ SmartHelio ซึ่งสร้างขึ้นบน AWS จะวิเคราะห์ฟิสิกส์และระบบไฟฟ้าโซลาร์เซลล์ที่ซับซ้อนอย่างเหลือเชื่อ Data Lake บน Amazon S3 จัดเก็บจุดข้อมูลหลายพันล้านจุดซึ่งสตรีมตามเวลาจริงจากเซิร์ฟเวอร์ Supervisory Control and Data Acquisition (SCADA) บนโซลาร์ฟาร์ม อุปกรณ์ Internet of Things (IoT) หรือระบบจัดการเนื้อหาของบุคคลที่สาม (CMS) แพลตฟอร์ม SmartHelio ใช้ SageMaker เพื่อเรียกใช้โมเดลการเรียนรู้เชิงลึกเพื่อจดจำรูปแบบ วัดปริมาณสุขภาพของฟาร์มโซลาร์เซลล์ และคาดการณ์การสูญเสียฟาร์มแบบเรียลไทม์ โดยมอบข้อมูลเชิงลึกอันชาญฉลาดให้กับลูกค้าทันที

หลังจากถูกคัดเลือกเป็นคนแรก กลุ่มคนเร่งความเร็วเมืองที่ยั่งยืนของ AWS, SmartHelio รับรองนักบินหลายคนด้วยลูกค้าใหม่ ในคำพูดของ CEO Govinda Upadhyay " AWS Accelerator ทำให้เราได้เห็นตลาด ผู้ให้คำปรึกษา ผู้มีโอกาสเป็นลูกค้า และนักลงทุนทั่วโลก"

ออโตโมตัส: Automotus ใช้เทคโนโลยีคอมพิวเตอร์วิทัศน์เพื่อให้ผู้ขับขี่สามารถดูแบบเรียลไทม์หากมีพื้นที่ขอบทาง ซึ่งช่วยลดเวลาที่ใช้ในการค้นหาที่จอดรถได้อย่างมาก Automotus ช่วยให้เมืองและสนามบินจัดการและสร้างรายได้จากขอบทางโดยใช้เซ็นเซอร์วิชันซิสเต็มของคอมพิวเตอร์ที่ขับเคลื่อนโดย AWS IoT กรีนกราส. เซ็นเซอร์ของ Automotus จะอัปโหลดข้อมูลการฝึกอบรมไปยัง Amazon S3 ซึ่งเวิร์กโฟลว์ที่ขับเคลื่อนโดย Lambda จะจัดทำดัชนีข้อมูลตัวอย่างเพื่อสร้างชุดข้อมูลที่ซับซ้อนสำหรับการฝึกโมเดลใหม่และปรับปรุงโมเดลที่มีอยู่

Automotus ใช้ SageMaker เพื่อทำให้กระบวนการฝึกอบรมแบบจำลองคอมพิวเตอร์วิทัศน์เป็นระบบอัตโนมัติและบรรจุ ซึ่งผลลัพธ์จะถูกปรับใช้กลับไปที่ขอบโดยใช้กระบวนการอัตโนมัติที่เรียบง่าย พร้อมกับโมเดลที่ผ่านการฝึกอบรมเหล่านี้ เซ็นเซอร์ Automotus จะส่งข้อมูลเมตาไปยังคลาวด์โดยใช้ AWS IoT คอร์เปิดเผยข้อมูลเชิงลึกที่ละเอียดเกี่ยวกับกิจกรรมขอบถนน และเปิดใช้งานการเรียกเก็บเงินอัตโนมัติเต็มรูปแบบและการบังคับใช้ที่ขอบถนน กับ ลูกค้ารายหนึ่ง, Automotus เพิ่มประสิทธิภาพการบังคับใช้และรายได้มากกว่า 500% ส่งผลให้มีการหมุนเวียนที่จอดรถเพิ่มขึ้น 24% และการจราจรลดลง 20%

อะไรจะเกิดขึ้นต่อไปสำหรับ AI/ML และสตาร์ทอัพ

ลูกค้าได้นำ AI/ML มาใช้เพื่อแก้ปัญหาความท้าทายในวงกว้าง ซึ่งเป็นข้อพิสูจน์ถึงความก้าวหน้าของเทคโนโลยีและความเชื่อมั่นที่เพิ่มขึ้นที่ลูกค้ามีในการใช้ข้อมูลเพื่อปรับปรุงการตัดสินใจ AWS Accelerators ตั้งเป้าที่จะเร่งความเร็วและปรับใช้โซลูชัน AI/ML ต่อไปโดยช่วยลูกค้าในการระดมสมองและแชร์ข้อความแจ้งปัญหาที่สำคัญ ตลอดจนค้นหาและเชื่อมต่อสตาร์ทอัพกับลูกค้าเหล่านี้

สนใจที่จะพัฒนาโซลูชั่นเพื่อสาธารณประโยชน์ผ่านการเริ่มต้นของคุณหรือไม่? หรือมีความท้าทายที่ต้องการวิธีแก้ปัญหาที่ก่อกวน? เชื่อมต่อกับ AWS Worldwide Public Sector Venture Capital และทีม Startups วันนี้เพื่อเรียนรู้เพิ่มเติมเกี่ยวกับ AWS Accelerators และทรัพยากรอื่นๆ ที่พร้อมใช้งานเพื่อขับเคลื่อนนวัตกรรมในการตัดสินใจ

---

เกี่ยวกับผู้แต่ง

สวามี ศิวะสุบรามาเนียน เป็นรองประธานฝ่ายข้อมูลและการเรียนรู้ของเครื่องที่ AWS ในบทบาทนี้ Swami จะดูแลบริการ AWS Database, Analytics และ AI & Machine Learning ทั้งหมด ภารกิจของทีมของเขาคือการช่วยให้องค์กรต่างๆ นำข้อมูลของตนไปใช้งานด้วยโซลูชันข้อมูลแบบครบวงจรที่สมบูรณ์เพื่อจัดเก็บ เข้าถึง วิเคราะห์ แสดงภาพ และคาดการณ์

มานพรีต มัตตู เป็น Global Head for Venture Capital และ Startups Business Development for World Wide Public Sector ที่ Amazon Web Services (AWS) เขามีประสบการณ์ 15 ปีในการลงทุนและการเข้าซื้อกิจการในกลุ่มเทคโนโลยีชั้นนำและกลุ่มที่ไม่ใช่เทคโนโลยี นอกเหนือจากเทคโนโลยีแล้ว ความสนใจของ Manpreet ยังครอบคลุมประวัติศาสตร์ ปรัชญา และเศรษฐศาสตร์ เขายังเป็นนักวิ่งที่มีความอดทน