Стартапи в AWS Accelerators використовують AI та ML для вирішення критично важливих завдань клієнтів

Невпинний розвиток технологій покращує здатність людей і підприємств приймати рішення. Оцифровка фізичного світу прискорила три виміри даних: швидкість, різноманітність та обсяг. Це зробило інформацію більш доступною, ніж раніше, дозволяючи прогресувати у вирішенні проблем. Тепер, завдяки демократизованій доступності в хмарі, такі технології, як штучний інтелект (AI) і машинне навчання (ML), здатні підвищити швидкість і точність прийняття рішень людьми та машинами.

Швидкість і точність рішень ніде не є такою важливою, як у державному секторі, де організації в галузі оборони, охорони здоров’я, аерокосмічної галузі та сталого розвитку вирішують проблеми, які впливають на громадян у всьому світі. Багато клієнтів державного сектору бачать переваги використання AI/ML для вирішення цих проблем, але можуть бути вражені різноманітністю рішень. AWS запустила AWS Accelerators, щоб знаходити та розвивати стартапи з технологіями, які відповідають унікальним завданням клієнтів державного сектору. Читайте далі, щоб дізнатися більше про випадки використання AI/ML від стартапів у AWS Accelerator, які справляють вплив на клієнтів державного сектору.

Здоров'я

Шт: Постачальники медичних послуг хочуть витрачати більше часу на догляд за пацієнтами та менше на паперову роботу. Шматки, ан AWS Healthcare Accelerator запуск, використовує AWS, щоб полегшити введення, керування, зберігання, упорядкування та отримання інформації з електронних медичних записів (EHR) для вирішення соціальних детермінант здоров’я та покращення догляду за пацієнтами. Завдяки штучному інтелекту, обробці природної мови (NLP) і клінічно перевіреним алгоритмам Pieces може надавати прогнозовані дати виписки з лікарні, очікувані клінічні та неклінічні перешкоди для виписки та ризик повторної госпіталізації. Послуги Pieces також надають постачальникам медичних послуг інформацію простою мовою та оптимізують ясність клінічних проблем пацієнтів, щоб допомогти командам з догляду працювати ефективніше. Згідно з Pieces, програмне забезпечення забезпечує 95% позитивних прогнозів у визначенні бар’єрів для виписки пацієнтів, а в одній лікарні продемонструвало свою здатність скоротити перебування пацієнтів у лікарні в середньому на 2 дні.

Штуки використовує Обчислювальна хмара Amazon Elastic (Amazon EC2), Служба реляційних баз даних Amazon (Amazon RDS), і Amazon керував потоковим передаванням для Apache Kafka (Amazon MSK) для збору та обробки потокових клінічних даних. Штуки використовує Послуга Amazon Elastic Kubernetes (Amazon EKS), Служба Amazon OpenSearch та Керовані робочі процеси Amazon для Apache Airflow (Amazon MWAA) для запуску кількох моделей ML на даних у виробництві в масштабі.

PEP Здоров'я: Досвід пацієнтів є ключовим пріоритетом, але збір відгуків пацієнтів може бути проблемою. PEP Health, стартап у Британська когорта AWS Healthcare Accelerator, використовує технологію НЛП для аналізу мільйонів публічно опублікованих коментарів пацієнтів в Інтернеті, генеруючи оцінки, які висвітлюють питання, що викликають урочистість або занепокоєння, і визначаючи причини покращення чи зниження задоволеності пацієнтів. Ці дані можна використовувати для покращення досвіду, досягнення кращих результатів і демократизації голосу пацієнтів.

PEP Health використовує AWS Lambda, AWS Fargateі Amazon EC2, щоб отримувати інформацію в режимі реального часу із сотень тисяч веб-сторінок. З власними моделями НЛП, які створені та працюють на них Amazon SageMaker, PEP Health визначає та оцінює теми, що стосуються якості медичної допомоги. Ці результати доповнюють платформу PEP Health’s Patient Experience Platform і алгоритми машинного навчання, створені й реалізовані Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker і Амазонка Когніто, які дозволяють аналізувати стосунки та виявляти закономірності між людьми, місцями та речами, які інакше можуть здатися непов’язаними.

«Завдяки акселератору компанія PEP Health змогла значно розширити свою діяльність, представивши AWS Lambda, щоб швидше та дешевше збирати більше коментарів. Крім того, ми змогли використати Amazon SageMaker, щоб отримати додаткові відомості для клієнтів».

– Марк Ломакс, генеральний директор PEP Health.

Оборона і космос

Місячна застава: Місячна застава була частиною Інавгураційна група AWS Space Accelerator у 2021 році. Компанія бере участь у місіях на Місяць і розробляє марсоходи на мобільній автономній платформі (MAP), які зможуть виживати та орієнтуватися в екстремальних середовищах інших планетних тіл. Щоб успішно орієнтуватися в умовах, яких неможливо знайти на Землі, Lunar Outpost широко використовує роботизоване моделювання для перевірки навігаційних алгоритмів ШІ.

Місячна застава використовує AWS RoboMaker, Amazon EC2, Реєстр контейнерів Amazon Elastic (Amazon ECR), Служба простого зберігання Amazon (Amazon S3), Віртуальна приватна хмара Amazon (Amazon VPC), Лямбда, AWS CodeBuild та Amazon QuickSight для тестування марсоходів шляхом розгортання моделювання Місяця. У міру того як Lunar Outpost розробляє навігаційні технології для поверхні Місяця, з’являються випадки моделювання. Ці симуляції будуть використовуватися під час місячних місій, щоб допомогти операторам і зменшити ризик. Дані, отримані з місячної поверхні, будуть імпортовані в їхню симуляцію, що дасть змогу переглядати діяльність марсохода в реальному часі. Симуляція цифрових марсоходів MAP дозволяє проводити пробні запуски навігаційних траєкторій без переміщення фізичного марсохода, що значно знижує ризики переміщення марсоходів у просторі.

Адарга: Адарга, частина с перша когорта AWS Defense Accelerator, надає інтелектуальну платформу на основі штучного інтелекту для швидкого розуміння ризиків і можливостей для підготовки до входу в театр і розгортання. Adarga використовує штучний інтелект, щоб знаходити інформацію, що ховається у великих обсягах неструктурованих даних, таких як новини, презентації, звіти, відео тощо.

Adarga використовує Amazon EC2, OpenSearch Service, Амазонська Аврора, Amazon DocumentDB (з сумісністю з MongoDB), Amazon Translateі SageMaker. Adarga отримує інформацію в режимі реального часу, перекладає документи іноземними мовами та транскрибує аудіо- та відеофайли в текст. На додаток до SageMaker, Adarga використовує власні моделі NLP для вилучення та класифікації деталей, як-от людей, місць і речей, використовуючи методи усунення неоднозначності для контекстуалізації інформації. Ці деталі відображаються в динамічну розвідувальну картину для клієнтів. Алгоритми ML від Adarga разом із сервісами AWS AI/ML дають змогу аналізувати взаємозв’язки, виявляючи шаблони, які інакше можуть здаватися непов’язаними.

«Ми пишаємося тим, що беремо участь у цій новаторській ініціативі, оскільки продовжуємо тісно співпрацювати з AWS і більш широкою екосистемою технічних гравців, щоб надати захисним можливостям, що змінюють правила гри, завдяки гіпермасштабованій хмарі».

– Роберт Бассетт-Кросс, генеральний директор Adarga

Сталі міста

SmartHelio: У промисловості промислових сонячних електростанцій дуже важливо визначити справність встановленої сонячної інфраструктури. SmartHelio поєднує фізику та SageMaker для створення моделей, які визначають поточний стан сонячних активів, будують прогнози на основі того, які активи вийдуть з ладу, і заздалегідь визначають, які активи обслуговувати в першу чергу.

Рішення SmartHelio, створене на базі AWS, аналізує неймовірно складну фізику фотоелектричних та енергетичних систем. Озеро даних на Amazon S3 зберігає мільярди точок даних, що передаються в режимі реального часу з серверів контролю та збору даних (SCADA) на сонячних фермах, пристроях Інтернету речей (IoT) або сторонніх системах керування вмістом (CMS). платформи. SmartHelio використовує SageMaker для запуску моделей глибокого навчання для розпізнавання закономірностей, кількісної оцінки здоров’я сонячної ферми та прогнозування збитків ферми в режимі реального часу, миттєво надаючи своїм клієнтам інтелектуальну інформацію.

Після відбору в першу Когорта AWS Sustainable Cities Accelerator, SmartHelio забезпечила кількох пілотів новими клієнтами. За словами генерального директора Govinda Upadhyay, «AWS Accelerator надав нам глобальний доступ до ринків, наставників, потенційних клієнтів та інвесторів».

Автомобільний: Automotus використовує технологію комп’ютерного зору, щоб надати водіям можливість у режимі реального часу бачити, чи є вільний простір на бордюрі, що значно скорочує час, витрачений на пошук місця для паркування. Automotus допомагає містам і аеропортам керувати своїми бордюрами та монетизувати їх за допомогою парку датчиків комп’ютерного зору, які працюють від AWS IoT Greengrass. Датчики Automotus завантажують навчальні дані в Amazon S3, де робочий процес на базі Lambda індексує зразки даних для створення складних наборів даних для навчання нових моделей і вдосконалення існуючих.

Automotus використовує SageMaker для автоматизації та контейнеризації свого процесу навчання моделі комп’ютерного бачення, результати якого розгортаються на краю за допомогою простого автоматизованого процесу. Оснащені цими навченими моделями датчики Automotus надсилають метадані в хмару за допомогою Ядро AWS IoT, розкриваючи детальну інформацію про обмеження діяльності та забезпечуючи повністю автоматизоване виставлення рахунків і примусове виконання на обмеженнях. с один клієнт, Automotus підвищив ефективність правозастосування та дохід більш ніж на 500%, що призвело до збільшення кількості паркувальних місць на 24% та зменшення трафіку на 20%.

Що буде далі для AI/ML і стартапів

Клієнти використовують AI/ML для вирішення широкого спектру завдань, що є свідченням прогресу технології та зростання довіри клієнтів до використання даних для покращення прийняття рішень. Прискорювачі AWS прагнуть продовжити прискорення та впровадження рішень AI/ML, допомагаючи клієнтам проводити мозковий штурм і ділитися критичними формулюваннями проблем, а також знаходити та зв’язувати стартапи з цими клієнтами.

Зацікавлені у просуванні рішень для суспільного блага через свій стартап? Або маєте виклик, який потребує руйнівного рішення? Зв’яжіться з командою AWS Worldwide Public Sector Venture Capital and Startups сьогодні, щоб дізнатися більше про AWS Accelerators та інші ресурси, доступні для впровадження інновацій у процесі прийняття рішень.

---

Про авторів

Свамі Сівасубраманян є віце-президентом з даних і машинного навчання в AWS. На цій посаді Свамі керує всіма службами бази даних AWS, аналітики та AI та машинного навчання. Місія його команди полягає в тому, щоб допомогти організаціям використовувати свої дані для роботи за допомогою повного наскрізного рішення для зберігання, доступу, аналізу, візуалізації та прогнозування.

Манпрет Матту є глобальним керівником відділу венчурного капіталу та розвитку стартапів у світовому державному секторі Amazon Web Services (AWS). Він має 15-річний досвід венчурних інвестицій і придбань у передових технологічних і нетехнологічних сегментах. Окрім технологій, інтереси Манпріта охоплюють історію, філософію та економіку. Він також бігун на витривалість.