Як Sleepme використовує Amazon SageMaker для автоматичного контролю температури, щоб максимізувати якість сну в режимі реального часу

Це гостьовий пост, написаний у співавторстві з Треєм Робінсоном, технічним директором Sleepme Inc.

Спи мені є лідером у галузі продуктів для керування температурою сну та моніторингу, включаючи набір датчиків для відстеження сну з підтримкою Інтернету речей (IoT), оснащений датчиками пульсу, частоти дихання, температури ліжка та навколишнього середовища, вологості та тиску.

Sleepme пропонує розумну систему наматрацників, яку можна запланувати для охолодження або підігріву вашого ліжка за допомогою додатка-супутника. Систему можна поєднати з трекером сну, який збирає статистичні дані, такі як частота серцевих скорочень, частота дихання, вологість у кімнаті, час пробудження, а також коли користувач був у ліжку та вставав із нього. Наприкінці певного сеансу сну він об’єднає дані відстеження сну разом із даними про стадії сну, щоб отримати оцінку якості сну.

Цей розумний наматрацник працює як термостат для вашого ліжка та дозволяє клієнтам контролювати клімат свого сну. Продукти Sleepme допомагають знизити температуру тіла, що пов’язано із зануренням у глибокий сон, а спека може зменшити ймовірність засипання та збереження сну.

У цій публікації ми розповідаємо, як використовувався Sleepme Amazon SageMaker розробив доказ концепції моделі машинного навчання (ML), яка рекомендує температуру для максимізації оцінки вашого сну.

«Впровадження штучного інтелекту відкриває нові можливості для покращення сну клієнтів. Ці зміни будуть реалізовані в лінійці продуктів Sleepme, що дозволить клієнту використовувати технічну та маркетингову цінність нових функцій під час розгортання».

– Трей Робінсон, головний технічний директор Sleepme.

Використання ML для покращення сну в реальному часі

Sleepme – це науково-орієнтована організація, яка використовує наукові дослідження, міжнародні журнали та передові дослідження, щоб надати клієнтам найновіші відомості про здоровий і здоровий сон. Sleepme надає наукову інформацію про сон сайт.

Sleepme розповідає про те, що лише 44% американців повідомляють про спокійний сон майже щоночі, а 35% дорослих сплять менше 7 годин на добу. Повноцінний нічний сон допомагає вам почуватись бадьорими та позитивно впливає на розум, вагу та серце. Це означає величезну кількість людей, які мають можливість покращити свій сон і здоров’я.

Sleepme побачив можливість покращити сон своїх користувачів, змінивши середовище сну користувачів протягом ночі. Збираючи дані про навколишнє середовище, як-от температуру та вологість, і з’єднуючи їх із персональними даними користувача, такими як неспокій, частота серцевих скорочень і цикл сну, Sleepme визначив, що їм вдалося змінити середовище користувача, щоб оптимізувати його відпочинок. Цей варіант використання вимагав моделі ML, яка обслуговувала б висновки в реальному часі.

Sleepme потребувала високодоступної моделі висновку, яка надає рекомендації з низькою затримкою. Сфокусувавшись на наданні нових функцій і продуктів для своїх клієнтів, Sleepme потребувало готового рішення, яке не вимагає керування інфраструктурою.

Щоб вирішити ці проблеми, Sleepme звернувся до Amazon SageMaker.

Використання Amazon SageMaker для створення моделі ML для рекомендацій щодо температури сну

SageMaker прискорює розгортання робочих навантажень ML, спрощуючи процес створення ML. Він надає набір можливостей машинного навчання, які працюють в керованій інфраструктурі на AWS. Це зменшує операційні витрати та складність, пов’язану з розробкою ML.

Sleepme вибрав SageMaker через можливості, які він надає в навчанні моделі, процесі розгортання кінцевої точки та управлінні інфраструктурою. Наступна діаграма ілюструє їхню архітектуру AWS.

Sleepme зосереджена на постачанні нових продуктів і функцій для своїх клієнтів. Вони не хотіли витрачати свої ресурси на тривалий процес навчання моделі ML.

Навчання моделі SageMaker дозволили Sleepme використовувати їхні історичні дані для швидкої розробки власної моделі машинного навчання. SageMaker Model Training надає десятки вбудованих алгоритмів навчання та сотні попередньо навчених моделей, що підвищує спритність Sleepme у створенні моделей. Керуючи базовими екземплярами обчислень, SageMaker Model Training дозволив Sleepme зосередитися на підвищенні продуктивності моделі.

Ця модель ML була потрібна для коригування середовища сну в реальному часі. Щоб досягти цього, Sleepme використовував a Висновки SageMaker у реальному часі керувати розміщенням своєї моделі. Ця кінцева точка отримує дані від інтелектуального наматрацника Sleepme і відстеження сну, щоб давати рекомендації щодо температури сну користувача в режимі реального часу. Крім того, завдяки опції автоматичного масштабування моделей, висновки SageMaker запропонували Sleepme можливість додавати або видаляти екземпляри для задоволення попиту.

SageMaker також надає Sleepme корисні функції в міру збільшення робочого навантаження. Вони могли використовувати тіньові тести для оцінки продуктивності моделі нових версій перед їх розгортанням для клієнтів, Реєстр моделей SakeMaker керувати версіями моделі та автоматизувати розгортання моделі, а також Моніторинг моделі SageMaker стежити за якістю своєї моделі у виробництві. Ці функції дають Sleepme можливість вивести свої приклади використання машинного навчання на новий рівень, не розробляючи нові можливості самостійно.

Висновок

Завдяки Amazon SageMaker Sleepme за лічені тижні зміг створити та розгорнути спеціальну модель ML, яка визначає рекомендоване коригування температури, яке пристрої Sleepme відображають у середовищі користувача.

Пристрої Sleepme IoT збирають дані про сон і тепер можуть налаштувати ліжко клієнта за лічені хвилини. Ця можливість виявилася відмінною рисою бізнесу. Тепер сон користувачів можна оптимізувати, щоб забезпечити більш якісний сон у режимі реального часу.

Щоб дізнатися більше про те, як можна швидко створити моделі ML, див Моделі поїздів або почати роботу з Консоль SageMaker.

---

Про авторів

Трей Робінсон був розробником програмного забезпечення, орієнтованим на мобільні пристрої та Інтернет речей, який очолював команди як технічний директор Sleepme Inc і директор з розробки в Passport Inc. Протягом багатьох років він працював над десятками мобільних додатків, серверних програм і проектів Інтернету речей. Перш ніж переїхати до Шарлотта, штат Північна Кароліна, Трей виріс у Дев’яносто Шості, Південна Кароліна, і вивчав інформатику в Університеті Клемсона.

Бенон Бояджян є архітектором рішень у групі приватних інвестицій Amazon Web Services. Бенон працює безпосередньо з компаніями прямих інвестицій та їх портфельними компаніями, допомагаючи їм використовувати AWS для досягнення бізнес-цілей і підвищення вартості підприємства.

• Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
• PlatoAiStream. Web3 Data Intelligence. Розширення знань. Доступ тут.
• Карбування майбутнього з Адріенн Ешлі. Доступ тут.
• Купуйте та продавайте акції компаній, які вийшли на IPO, за допомогою PREIPO®. Доступ тут.
• джерело: https://aws.amazon.com/blogs/machine-learning/how-sleepme-uses-amazon-sagemaker-for-automated-temperature-control-to-maximize-sleep-quality-in-real-time/