Các công ty khởi nghiệp trên AWS Accelerator sử dụng AI và ML để giải quyết những thách thức quan trọng của khách hàng

Sự tiến bộ không ngừng trong công nghệ đang cải thiện khả năng ra quyết định của con người cũng như doanh nghiệp. Số hóa thế giới vật chất đã đẩy nhanh ba chiều của dữ liệu: tốc độ, sự đa dạng và khối lượng. Điều này đã làm cho thông tin được phổ biến rộng rãi hơn trước, cho phép đạt được những tiến bộ trong việc giải quyết vấn đề. Giờ đây, với tính khả dụng dân chủ hóa được hỗ trợ trên nền tảng đám mây, các công nghệ như trí tuệ nhân tạo (AI) và học máy (ML) có thể tăng tốc độ và độ chính xác trong quá trình ra quyết định của con người và máy móc.

Không nơi nào tốc độ và độ chính xác của các quyết định lại quan trọng hơn trong khu vực công, nơi các tổ chức quốc phòng, chăm sóc sức khỏe, hàng không vũ trụ và tính bền vững đang giải quyết những thách thức tác động đến người dân trên toàn thế giới. Nhiều khách hàng thuộc khu vực công nhìn thấy lợi ích của việc sử dụng AI/ML để giải quyết những thách thức này nhưng có thể bị choáng ngợp trước hàng loạt giải pháp. AWS đã ra mắt AWS Accelerators để tìm kiếm và phát triển các công ty khởi nghiệp có công nghệ đáp ứng được những thách thức riêng của khách hàng thuộc khu vực công. Đọc tiếp để tìm hiểu thêm về các trường hợp sử dụng AI/ML từ các công ty khởi nghiệp trong AWS Accelerator đang tạo ra tác động cho khách hàng khu vực công.

Chăm sóc sức khỏe

Pieces: Các nhà cung cấp dịch vụ chăm sóc sức khỏe muốn dành nhiều thời gian hơn để chăm sóc bệnh nhân và ít thời gian hơn cho công việc giấy tờ. Miếng, một Bộ tăng tốc chăm sóc sức khỏe AWS startup, sử dụng AWS để giúp việc nhập, quản lý, lưu trữ, sắp xếp và thu thập thông tin chi tiết từ dữ liệu Hồ sơ sức khỏe điện tử (EHR) trở nên dễ dàng hơn nhằm giải quyết các yếu tố xã hội quyết định sức khỏe và cải thiện dịch vụ chăm sóc bệnh nhân. Với AI, xử lý ngôn ngữ tự nhiên (NLP) và các thuật toán được xem xét lâm sàng, Pieces có thể cung cấp ngày xuất viện dự kiến, các rào cản lâm sàng và phi lâm sàng dự đoán đối với việc xuất viện cũng như nguy cơ tái nhập viện. Các dịch vụ của Pieces cũng cung cấp thông tin chi tiết cho các nhà cung cấp dịch vụ chăm sóc sức khỏe bằng ngôn ngữ đơn giản và tối ưu hóa sự rõ ràng về các vấn đề lâm sàng của bệnh nhân để giúp các nhóm chăm sóc làm việc hiệu quả hơn. theo từng mảnh, phần mềm mang lại dự đoán tích cực 95% trong việc xác định các rào cản đối với việc xuất viện của bệnh nhân và tại một bệnh viện, phần mềm này đã cho thấy khả năng giảm thời gian nằm viện của bệnh nhân trung bình xuống 2 ngày.

Công dụng của miếng Đám mây điện toán đàn hồi Amazon (Amazon EC2), Dịch vụ cơ sở dữ liệu quan hệ của Amazon (Amazon RDS) và Truyền trực tuyến được quản lý của Amazon cho Apache Kafka (Amazon MSK) để thu thập và xử lý dữ liệu lâm sàng trực tuyến. Công dụng của miếng Dịch vụ Kubernetes đàn hồi của Amazon (Amazon EKS), Dịch vụ Tìm kiếm Mở của Amazonvà Quy trình công việc được quản lý của Amazon cho Luồng khí Apache (Amazon MWAA) để chạy nhiều mô hình ML trên dữ liệu trong sản xuất trên quy mô lớn.

Sức khỏe PEP: Trải nghiệm của bệnh nhân là ưu tiên hàng đầu nhưng việc thu thập phản hồi của bệnh nhân có thể là một thách thức. PEP Health, một công ty khởi nghiệp ở Nhóm thuần tập tại Vương quốc Anh của AWS Healthcare Accelerator, sử dụng công nghệ NLP để phân tích hàng triệu nhận xét trực tuyến, được đăng công khai của bệnh nhân, tạo ra điểm số làm nổi bật các lĩnh vực đáng khen ngợi hoặc quan tâm và xác định lý do cải thiện hoặc giảm sút sự hài lòng của bệnh nhân. Dữ liệu này có thể được sử dụng để cải thiện trải nghiệm, mang lại kết quả tốt hơn và dân chủ hóa tiếng nói của bệnh nhân.

Công dụng của PEP Sức khỏe AWS Lambda, Cổng xa AWSvà Amazon EC2 để nhập thông tin theo thời gian thực từ hàng trăm nghìn trang web. Với các mô hình NLP độc quyền được xây dựng và chạy trên Amazon SageMaker, PEP Health xác định và cho điểm các chủ đề liên quan đến chất lượng chăm sóc. Những kết quả này cung cấp Nền tảng trải nghiệm bệnh nhân và thuật toán ML của PEP Health được xây dựng và hỗ trợ bởi Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker và Nhận thức về Amazon, cho phép phân tích mối quan hệ và khám phá các khuôn mẫu giữa con người, địa điểm và những thứ có vẻ như không liên kết với nhau.

“Thông qua công cụ tăng tốc, PEP Health đã có thể mở rộng quy mô hoạt động của mình một cách đáng kể với việc giới thiệu AWS Lambda để thu thập nhiều nhận xét hơn nhanh hơn và hợp lý hơn. Ngoài ra, chúng tôi đã có thể sử dụng Amazon SageMaker để thu thập thêm thông tin chi tiết cho khách hàng.”

– Mark Lomax, Giám đốc điều hành PEP Health.

Phòng thủ và không gian

Tiền đồn mặt trăng: Tiền đồn Mặt Trăng là một phần của Nhóm đầu tiên của AWS Space Accelerator vào năm 2021. Công ty đang tham gia các sứ mệnh lên Mặt trăng và đang phát triển xe tự hành Nền tảng tự động di động (MAP) sẽ có khả năng sống sót và điều hướng trong môi trường khắc nghiệt của các hành tinh khác. Để điều hướng thành công trong những điều kiện không thể tìm thấy trên Trái đất, Lunar Outpost sử dụng rộng rãi các mô phỏng robot để xác thực các thuật toán điều hướng AI.

Công dụng của Lunar Outpost Máy tạo robot AWS, Amazon EC2, Đăng ký container đàn hồi Amazon (ECR của Amazon), Dịch vụ lưu trữ đơn giản của Amazon (Amazon S3), Đám mây riêng ảo Amazon (Amazon VPC), Lambda, Xây dựng mã AWSvà Amazon QuickSight để thử nghiệm máy thám hiểm bằng cách triển khai mô phỏng mặt trăng. Khi Lunar Outpost phát triển các công nghệ định vị cho bề mặt mặt trăng, các phiên bản mô phỏng sẽ được triển khai. Những mô phỏng này sẽ được sử dụng trong các sứ mệnh mặt trăng để hỗ trợ con người vận hành và giảm thiểu rủi ro. Dữ liệu được truyền trở lại từ bề mặt mặt trăng sẽ được nhập vào mô phỏng của họ, mang lại cái nhìn thời gian thực về các hoạt động của tàu thám hiểm. Mô phỏng máy thám hiểm MAP kỹ thuật số cho phép chạy thử quỹ đạo điều hướng mà không cần di chuyển máy thám hiểm vật lý, giảm đáng kể rủi ro khi di chuyển máy thám hiểm trong không gian.

Adarga: Adarga, một phần của Nhóm tăng tốc phòng thủ AWS đầu tiên, đang cung cấp một nền tảng thông minh do AI điều khiển để nhanh chóng hiểu được các rủi ro và cơ hội trong quá trình chuẩn bị và triển khai gia nhập rạp. Adarga sử dụng AI để tìm thông tin chi tiết ẩn trong khối lượng lớn dữ liệu phi cấu trúc, chẳng hạn như tin tức, bài thuyết trình, báo cáo, video, v.v.

Adarga sử dụng Amazon EC2, Dịch vụ tìm kiếm mở, Amazon cực quang, Amazon DocumentDB (với khả năng tương thích MongoDB), Amazon Dịchvà SageMaker. Adarga nhập thông tin theo thời gian thực, dịch tài liệu tiếng nước ngoài và chuyển các tệp âm thanh và video thành văn bản. Ngoài SageMaker, Adarga còn sử dụng các mô hình NLP độc quyền để trích xuất và phân loại các chi tiết như con người, địa điểm và sự vật, triển khai các kỹ thuật phân định để bối cảnh hóa thông tin. Những chi tiết này được ánh xạ thành một bức tranh trí tuệ động cho khách hàng. Thuật toán ML của Adarga, cùng với các dịch vụ AI/ML của AWS, cho phép phân tích mối quan hệ, phát hiện các mẫu có vẻ như bị ngắt kết nối.

“Chúng tôi tự hào là một phần của sáng kiến ​​tiên phong này khi chúng tôi tiếp tục hợp tác chặt chẽ với AWS và hệ sinh thái rộng lớn hơn gồm những người chơi công nghệ để mang lại khả năng thay đổi cuộc chơi cho hoạt động phòng thủ, được hỗ trợ bởi đám mây siêu quy mô.”

– Robert Bassett-Cross, Giám đốc điều hành, Adarga

Thành phố bền vững

thông minhHelio: Trong ngành trang trại năng lượng mặt trời thương mại, việc xác định tình trạng của cơ sở hạ tầng năng lượng mặt trời được lắp đặt là rất quan trọng. SmartHelio kết hợp vật lý và SageMaker để xây dựng các mô hình xác định tình trạng hiện tại của tài sản năng lượng mặt trời, xây dựng dự đoán về tài sản nào sẽ không hoạt động và chủ động xác định tài sản nào sẽ được bảo trì trước.

Giải pháp của SmartHelio, được xây dựng trên AWS, phân tích các hệ thống năng lượng và vật lý quang điện cực kỳ phức tạp. Hồ dữ liệu trên Amazon S3 lưu trữ hàng tỷ điểm dữ liệu được truyền phát theo thời gian thực từ các máy chủ Kiểm soát giám sát và thu thập dữ liệu (SCADA) trên các trang trại năng lượng mặt trời, thiết bị Internet vạn vật (IoT) hoặc Hệ thống quản lý nội dung (CMS) của bên thứ ba nền tảng. SmartHelio sử dụng SageMaker để chạy các mô hình học sâu nhằm nhận dạng các mẫu, định lượng tình trạng của trang trại năng lượng mặt trời và dự đoán tổn thất của trang trại trên cơ sở thời gian thực, cung cấp thông tin chi tiết thông minh ngay lập tức cho khách hàng của mình.

Sau khi được chọn lần đầu Nhóm tăng tốc thành phố bền vững AWS, SmartHelio đã đảm bảo một số đợt thí điểm với khách hàng mới. Theo lời của Giám đốc điều hành Govinda Upadhyay, “Bộ tăng tốc AWS đã giúp chúng tôi tiếp xúc toàn cầu với thị trường, người cố vấn, khách hàng tiềm năng và nhà đầu tư”.

ô tô: Automotus sử dụng công nghệ thị giác máy tính để cung cấp cho người lái xe khả năng xem trong thời gian thực nếu còn chỗ trống ở lề đường, giúp giảm đáng kể thời gian tìm kiếm chỗ đậu xe. Automotus giúp các thành phố và sân bay quản lý và kiếm tiền từ lề đường của họ bằng cách sử dụng nhóm cảm biến thị giác máy tính được hỗ trợ bởi Cỏ xanh AWS IoT. Cảm biến của Automotus tải dữ liệu đào tạo lên Amazon S3, nơi quy trình làm việc do Lambda hỗ trợ lập chỉ mục dữ liệu mẫu để tạo các tập dữ liệu phức tạp nhằm đào tạo các mô hình mới và cải thiện các mô hình hiện có.

Automotus sử dụng SageMaker để tự động hóa và chứa quy trình đào tạo mô hình thị giác máy tính của mình, kết quả đầu ra của quy trình này được triển khai trở lại rìa bằng quy trình tự động, đơn giản. Được trang bị các mô hình đã được đào tạo này, cảm biến của Automotus sẽ gửi siêu dữ liệu lên đám mây bằng cách sử dụng Lõi AWS IoT, khám phá những hiểu biết chi tiết về hoạt động ở lề đường và cho phép thanh toán và thực thi hoàn toàn tự động ở lề đường. Với một khách hàng, Automotus đã tăng hiệu quả thực thi và doanh thu lên hơn 500%, dẫn đến doanh thu đỗ xe tăng 24% và lưu lượng giao thông giảm 20%.

Điều gì tiếp theo cho AI/ML và các công ty khởi nghiệp

Khách hàng đã sử dụng AI/ML để giải quyết nhiều thách thức, đây là minh chứng cho sự tiến bộ của công nghệ và sự tự tin ngày càng tăng của khách hàng khi sử dụng dữ liệu để cải thiện việc ra quyết định. AWS Accelerator nhằm mục đích tiếp tục tăng tốc và áp dụng các giải pháp AI/ML bằng cách giúp khách hàng suy nghĩ và chia sẻ các báo cáo vấn đề quan trọng cũng như tìm kiếm và kết nối các công ty khởi nghiệp với những khách hàng này.

Bạn quan tâm đến việc thúc đẩy các giải pháp vì lợi ích cộng đồng thông qua công ty khởi nghiệp của mình? Hoặc có một thách thức cần một giải pháp đột phá? Kết nối với nhóm Khởi nghiệp và Vốn đầu tư mạo hiểm khu vực công toàn cầu của AWS ngay hôm nay để tìm hiểu thêm về AWS Accelerators và các tài nguyên khác sẵn có nhằm thúc đẩy đổi mới trong việc ra quyết định.

---

Giới thiệu về tác giả

Swami Sivasubramanian là Phó chủ tịch về Dữ liệu và Máy học tại AWS. Với vai trò này, Swami giám sát tất cả các dịch vụ Cơ sở dữ liệu AWS, Phân tích và AI & Học máy. Nhiệm vụ của nhóm của anh ấy là giúp các tổ chức đưa dữ liệu của họ hoạt động với một giải pháp dữ liệu đầu cuối, hoàn chỉnh để lưu trữ, truy cập, phân tích và trực quan hóa cũng như dự đoán.

Manpreet Mattu là Giám đốc Toàn cầu về Đầu tư mạo hiểm và Phát triển Kinh doanh Khởi nghiệp cho Khu vực Công Toàn cầu tại Amazon Web Services (AWS). Ông có 15 năm kinh nghiệm trong lĩnh vực Đầu tư mạo hiểm và mua lại trong các phân khúc công nghệ tiên tiến và phi công nghệ. Ngoài công nghệ, mối quan tâm của Manpreet còn bao gồm lịch sử, triết học và kinh tế. Anh ấy cũng là một vận động viên chạy bền.