[ad_1]
El constante avance tecnológico mejora la capacidad de decisión de las personas y de las empresas. La digitalización del mundo físico ha acelerado las tres dimensiones de los datos: velocidad, variedad y volumen. Esto hizo que la información estuviera más disponible que antes, lo que permitió avanzar en la resolución de problemas. Con la disponibilidad democratizada habilitada para la nube, las tecnologías como la inteligencia artificial (AI) y el aprendizaje automático (ML) ahora pueden aumentar la velocidad y la precisión de la toma de decisiones por parte de humanos y máquinas.
En ninguna parte es más importante esta velocidad y precisión de las decisiones que en el sector público, donde las organizaciones de defensa, salud, aeroespacial y sustentabilidad resuelven los desafíos que afectan a los ciudadanos de todo el mundo. Muchos clientes del sector público ven los beneficios de usar AI/ML para abordar estos desafíos, pero pueden sentirse abrumados con la gama de soluciones. AWS lanzó AWS Accelerators para encontrar y desarrollar nuevas empresas con tecnologías que aborden los desafíos únicos de los clientes del sector público. Siga leyendo para conocer los casos de uso de IA/ML de inicio de AWS Accelerator que afectan a los clientes del sector público.
cuidado de la salud
piezas: Los proveedores de atención médica quieren dedicar más tiempo a la atención del paciente y menos tiempo al papeleo. Pieces, una startup de AWS Healthcare Accelerator, utiliza AWS para simplificar la entrada, la administración, el almacenamiento, la organización y la información de los datos de registros médicos electrónicos (EHR) para abordar los determinantes sociales de la salud y mejorar la atención al paciente. Mediante el uso de IA, procesamiento de lenguaje natural (NLP) y algoritmos clínicamente probados, Pieces puede proporcionar fechas previstas de alta hospitalaria, barreras clínicas y no clínicas esperadas para el alta y riesgo de readmisión. Los servicios de Pieces también brindan a los proveedores de atención médica información en un lenguaje sencillo, optimizando la claridad de los problemas clínicos de los pacientes para ayudar a los equipos de atención a trabajar de manera más eficiente. Según Pieces, el software proporciona una predicción positiva del 95 % en la identificación de barreras para el alta del paciente y se ha demostrado en un hospital que reduce las hospitalizaciones de pacientes en un promedio de 2 días.
Pieces utiliza Amazon Elastic Compute Cloud (Amazon EC2), Amazon Relational Database Service (Amazon RDS) y Amazon Managed Streaming for Apace Kafka (Amazon MSK) para recopilar y procesar datos clínicos transmitidos. Pieces utiliza Amazon Elastic Kubernetes Service (Amazon EKS), Amazon OpenSearch Service y Amazon Managed Workflows for Apache Airflow (Amazon MWAA) para ejecutar varios modelos de aprendizaje automático en datos en producción a escala.
PEP salud: La experiencia del paciente es una prioridad clave, pero recopilar comentarios de los pacientes puede ser un desafío. PEP Health, una startup en la cohorte del Reino Unido de AWS Healthcare Accelerator, utiliza la tecnología NLP para analizar millones de comentarios de pacientes en línea publicados públicamente, creando puntajes que resaltan áreas de celebración o preocupación, y las razones para mejorar o identificar reducciones en la satisfacción del paciente. Estos datos se pueden utilizar para mejorar las experiencias, impulsar mejores resultados y democratizar la voz del paciente.
PEP Health utiliza AWS Lambda, AWS Fargate y Amazon EC2 para ingerir información en tiempo real de cientos de miles de sitios web. Mediante el uso de modelos patentados de PNL creados y ejecutados en Amazon SageMaker, PEP Health identifica y califica los problemas relevantes para la calidad de la atención. Estos resultados se incorporan a la plataforma de experiencia del paciente de PEP Health y los algoritmos de ML desarrollados y con tecnología de Lambda, Fargate, Amazon EC2, Amazon RDS, SageMaker y Amazon Cognito, que permiten el análisis de relaciones y descubren patrones entre personas, lugares y cosas, que de otro modo podrían parecer inconexos. .
“A través del acelerador, PEP Health ha podido escalar significativamente sus operaciones con la adopción de AWS Lambda para recopilar más comentarios de manera más rápida y a menor costo. Además, pudimos obtener información adicional para los clientes con Amazon SageMaker”.
– Mark Lomax, director ejecutivo de PEP Health.
defensa y espacio
Puesto avanzado de la luna: Lunar Outpost formó parte de la cohorte fundadora de AWS Space Accelerator en 2021. La empresa participa en misiones a la Luna y desarrolla rovers MAP (Plataforma Autónoma Móvil) que podrán sobrevivir en los entornos extremos de otros cuerpos planetarios y navegar. Para navegar con éxito en condiciones que no se encuentran en la Tierra, Lunar Outpost hace un uso extensivo de simulaciones robóticas para validar algoritmos de navegación de IA.
Lunar Outpost utiliza AWS RoboMaker, Amazon EC2, Amazon Elastic Container Registry (Amazon ECR), Amazon Simple Storage Service (Amazon S3), Amazon Virtual Private Cloud (Amazon VPC), Lambda, AWS CodeBuild y Amazon QuickSight para construir el móvil mediante la implementación de Lunar simulaciones de prueba. A medida que Lunar Outpost desarrolla tecnologías de navegación para la superficie lunar, las instancias de simulación aumentan. Estas simulaciones se utilizan durante las misiones lunares para ayudar a los operadores humanos y reducir el riesgo. Los datos transmitidos desde la superficie lunar se importan a su simulación, lo que brinda una descripción general en tiempo real de las actividades del rover. La simulación de los rover MAP digitales permite realizar pruebas de trayectorias de navegación sin mover el rover físico, lo que reduce drásticamente los riesgos de mover el rover en el espacio.
Adarga: Adarga, parte de la primera cohorte de AWS Defense Accelerator, proporciona una plataforma de inteligencia impulsada por IA para comprender rápidamente los riesgos y las oportunidades para la preparación y el despliegue de la implementación. Adarga usa IA para encontrar información oculta en grandes cantidades de datos no estructurados, como noticias, presentaciones, informes, videos y más.
Adarga utiliza Amazon EC2, OpenSearch Service, Amazon Aurora, Amazon DocumentDB (con compatibilidad con MongoDB), Amazon Translate y SageMaker. Adarga registra información en tiempo real, traduce documentos en idiomas extranjeros y transcribe archivos de audio y video a texto. Además de SageMaker, Adarga utiliza modelos de NLP patentados para extraer y clasificar detalles como personas, lugares y cosas, y emplea técnicas de eliminación de ambigüedades para contextualizar la información. Estos detalles se mapean en una imagen de inteligencia dinámica para los clientes. Los algoritmos de ML de Adarga, junto con los servicios de IA/ML de AWS, permiten el análisis de relaciones y descubren patrones que, de otro modo, podrían parecer incoherentes.
«Estamos orgullosos de ser parte de esta innovadora iniciativa a medida que continuamos trabajando en estrecha colaboración con AWS y un ecosistema más amplio de empresas de tecnología para ofrecer capacidades de defensa innovadoras habilitadas por la nube de hiperescala».
– Robert Bassett-Cross, director ejecutivo, Adarga
Ciudades Sostenibles
SmartHelio: En la industria de parques solares comerciales, es crucial determinar la salud de la infraestructura solar instalada. SmartHelio combina la física y SageMaker para crear modelos que determinan el estado actual de los activos solares, predicen qué activos fallarán y determinan de manera proactiva qué activos necesitan atención primero.
La solución de SmartHelio, basada en AWS, analiza sistemas de energía y física fotovoltaica increíblemente complejos. Un lago de datos en Amazon S3 almacena miles de millones de puntos de datos transmitidos en tiempo real desde servidores de control de supervisión y adquisición de datos (SCADA) en granjas solares, dispositivos de Internet de las cosas (IoT) o sistemas de administración de contenido (CMS) de terceros. plataformas SmartHelio usa SageMaker para ejecutar modelos de aprendizaje profundo para detectar patrones, cuantificar el estado de las granjas solares y predecir las pérdidas de las granjas en tiempo real para brindar información inteligente instantánea a sus clientes.
Después de ser seleccionado para la primera cohorte de AWS Sustainable Cities Accelerator, SmartHelio aseguró varios proyectos piloto con nuevos clientes. En palabras del director ejecutivo Govinda Upadhyay: «AWS Accelerator nos dio acceso a mercados, mentores, clientes potenciales e inversores».
motor del coche: Automotus utiliza tecnología de visión por computadora para brindar a los conductores la capacidad de ver en tiempo real si hay espacio al costado de la carretera, lo que reduce significativamente el tiempo que se tarda en encontrar estacionamiento. Automotus ayuda a las ciudades y aeropuertos a administrar y monetizar sus aceras mediante una flota de sensores de visión por computadora con tecnología de AWS IoT Greengrass. Los sensores de Automotus cargan datos de entrenamiento en Amazon S3, donde un flujo de trabajo impulsado por Lambda indexa datos de muestra para crear conjuntos de datos complejos para entrenar nuevos modelos y mejorar los modelos existentes.
Automotus utiliza SageMaker para automatizar y organizar en contenedores su proceso de entrenamiento del modelo de visión por computadora, cuyos resultados se implementan en el perímetro mediante un proceso simple y automatizado. Equipados con estos modelos capacitados, los sensores de Automotus utilizan AWS IoT Core para enviar metadatos a la nube para obtener información detallada sobre la actividad de la acera, lo que permite la facturación y el cumplimiento totalmente automatizados en la acera. Para un cliente, Automotus aumentó la eficiencia de la aplicación y los ingresos en más del 500 %, lo que resultó en un aumento del 24 % en los ingresos por estacionamiento y una reducción del 20 % en el tráfico.
¿Qué sigue para AI/ML y las nuevas empresas?
Los clientes han adoptado AI/ML para resolver una amplia gama de desafíos, un testimonio del avance de la tecnología y una mayor confianza del cliente en el uso de datos para mejorar la toma de decisiones. Los aceleradores de AWS tienen como objetivo continuar acelerando y adoptando soluciones de IA/ML al ayudar a los clientes a intercambiar ideas y compartir problemas críticos, y a encontrar y conectar nuevas empresas con esos clientes.
¿Te interesa avanzar en soluciones para el bien común a través de tu startup? ¿O tienes un desafío que requiere una solución disruptiva? Conéctese hoy mismo con el equipo de Startups y capital de riesgo del sector público mundial de AWS para obtener más información sobre los aceleradores de AWS y otros recursos disponibles para impulsar la innovación para la toma de decisiones.
Sobre los autores
Swami Sivasubramanian es vicepresidente de datos y aprendizaje automático en AWS. En este rol, Swami supervisa todos los servicios de base de datos, análisis, IA y aprendizaje automático de AWS. La misión de su equipo es ayudar a las organizaciones a aprovechar sus datos con una solución de datos completa de extremo a extremo para almacenar, acceder, analizar, visualizar y predecir.
manpreet mattu es director global de capital de riesgo y desarrollo empresarial de empresas emergentes para el sector público mundial en Amazon Web Services (AWS). Tiene 15 años de experiencia en inversiones de riesgo y adquisiciones en segmentos de alta tecnología y no tecnológicos. Más allá de la tecnología, los intereses de Manpreet incluyen la historia, la filosofía y la economía. Además, es corredor de fondo.
[ad_2]