Απλοποιήστε τη φροντίδα των ασθενών με έναν προσαρμοσμένο φωνητικό βοηθό χρησιμοποιώντας το Amazon Lex V2

Τις τελευταίες δεκαετίες, η επαγγελματική εξουθένωση των γιατρών ήταν μια πρόκληση στον κλάδο της υγειονομικής περίθαλψης. Αν και η αλληλεπίδραση με τον ασθενή και η διάγνωση είναι κρίσιμες πτυχές της δουλειάς ενός ιατρού, τα διοικητικά καθήκοντα είναι εξίσου φορολογικά και χρονοβόρα. Οι γιατροί και οι κλινικοί γιατροί πρέπει να τηρούν λεπτομερές ιατρικό αρχείο για κάθε ασθενή. Αυτό το αρχείο αποθηκεύεται στο σύστημα ηλεκτρονικού μητρώου υγείας του νοσοκομείου (EHR), μια βάση δεδομένων που περιέχει τα αρχεία κάθε ασθενή στο νοσοκομείο. Για τη διατήρηση αυτών των αρχείων, οι γιατροί συχνά αφιερώνουν πολλές ώρες κάθε μέρα για να εισάγουν με μη αυτόματο τρόπο δεδομένα στο σύστημα EHR, με αποτέλεσμα χαμηλότερη παραγωγικότητα και αυξημένη εξουθένωση.

Η επαγγελματική εξουθένωση είναι ένας από τους κύριους παράγοντες που οδηγούν σε κατάθλιψη, κόπωση και στρες για τους γιατρούς κατά τη διάρκεια της σταδιοδρομίας τους. Επιπλέον, μπορεί να οδηγήσει σε υψηλότερο κύκλο εργασιών, μειωμένη παραγωγικότητα και δαπανηρά ιατρικά λάθη, επηρεάζοντας τη ζωή και την υγεία των ανθρώπων.

Σε αυτήν την ανάρτηση, μαθαίνετε τη σημασία των φωνητικών βοηθών και πώς μπορούν να αυτοματοποιήσουν τις διοικητικές εργασίες για τους γιατρούς. Προχωράμε επίσης στη δημιουργία ενός προσαρμοσμένου βοηθού φωνής χρησιμοποιώντας το PocketSphinx και Amazon-Lex.

Οι βοηθοί φωνής ως λύση στην εξουθένωση των γιατρών

Οι βοηθοί φωνής αρχίζουν τώρα να αυτοματοποιούν τα ζωτικής σημασίας αλλά χειροκίνητα μέρη της φροντίδας ασθενών. Μπορούν να αποτελέσουν ένα ισχυρό εργαλείο για να βοηθήσουν τους γιατρούς να εξοικονομήσουν χρόνο, να μειώσουν το άγχος και να αφιερώσουν περισσότερο χρόνο εστιάζοντας στον ασθενή σε σχέση με τις διοικητικές απαιτήσεις της κλινικής τεκμηρίωσης.

Σήμερα, οι βοηθοί φωνής γίνονται όλο και πιο διαθέσιμοι καθώς τα μοντέλα επεξεργασίας φυσικής γλώσσας προχωρούν, τα σφάλματα μειώνονται και η ανάπτυξη γίνεται πιο προσιτή για τον μέσο προγραμματιστή. Ωστόσο, οι περισσότερες συσκευές είναι περιορισμένες, επομένως οι προγραμματιστές πρέπει συχνά να δημιουργούν τις δικές τους προσαρμοσμένες εκδόσεις.

Ως Αρχιτέκτονες Λύσεων που εργάζονται στον κλάδο της υγειονομικής περίθαλψης, βλέπουμε μια αυξανόμενη τάση προς την υιοθέτηση βοηθών φωνής σε νοσοκομεία και δωμάτια ασθενών.

Σε αυτήν την ανάρτηση, μαθαίνετε πώς να δημιουργείτε έναν προσαρμοσμένο φωνητικό βοηθό χρησιμοποιώντας το PocketSphinx και το Amazon Lex. Με τις εύκολες στη ρύθμιση και τις διαχειριζόμενες υπηρεσίες μας, οι προγραμματιστές και οι καινοτόμοι μπορούν να χτυπήσουν το έδαφος και να αρχίσουν να αναπτύσσουν τις συσκευές του μέλλοντος.

Προσαρμοσμένη αρχιτεκτονική λύσης φωνητικού βοηθού

Το παρακάτω διάγραμμα αρχιτεκτονικής παρουσιάζει την επισκόπηση υψηλού επιπέδου της λύσης μας.

Στη λύση μας, πρώτα διασυνδέουμε με ένα σενάριο φωνητικού βοηθού που εκτελείται στον υπολογιστή σας. Αφού αναγνωριστεί η λέξη αφύπνισης, ο βοηθός φωνής αρχίζει να καταγράφει αυτό που λέτε και στέλνει τον ήχο στο Amazon Lex, όπου χρησιμοποιεί ένα AWS Lambda λειτουργία για την ανάκτηση εικονικών δεδομένων ασθενούς που είναι αποθηκευμένα σε Amazon DynamoDB. Τα δεδομένα του αισθητήρα δημιουργούνται από ένα άλλο σενάριο Python, generate_data.py, το οποίο εκτελείτε επίσης στον υπολογιστή σας.

Οι τύποι αισθητήρων περιλαμβάνουν την αρτηριακή πίεση, τη γλυκόζη αίματος, τη θερμοκρασία σώματος, τον αναπνευστικό ρυθμό και τον καρδιακό ρυθμό. Το Amazon Lex στέλνει ένα φωνητικό μήνυμα και εμείς το χρησιμοποιούμε Amazon Polly, μια υπηρεσία που μετατρέπει το κείμενο σε ρεαλιστική ομιλία, για να δημιουργήσει μια συνεπή εμπειρία.

Τώρα είστε έτοιμοι να δημιουργήσετε τα εξαρτήματα που απαιτούνται για αυτήν τη λύση.

Αναπτύξτε τους πόρους της λύσης σας

Μπορείτε να βρείτε όλα τα αρχεία της προσαρμοσμένης λύσης βοηθού φωνής στο δικό μας GitHub repo. Κατεβάστε όλα τα αρχεία, συμπεριλαμβανομένων των αρχείων μοντέλου PocketSphinx που έχετε κατεβάσει από το δικό τους repo.

Πρέπει να αναπτύξετε τον πίνακα DynamoDB και τη λειτουργία Lambda απευθείας επιλέγοντας Εκκίνηση στοίβας.

Η AWS CloudFormation Η στοίβα διαρκεί λίγα λεπτά για να ολοκληρωθεί. Όταν ολοκληρωθεί, μπορείτε να μεταβείτε στο Υποστηρικτικό υλικό καρτέλα για να δείτε τη συνάρτηση Lambda και τον πίνακα DynamoDB που δημιουργήθηκε. Σημειώστε το όνομα της συνάρτησης Lambda επειδή την αναφέρουμε αργότερα κατά τη δημιουργία του bot Amazon Lex.

Δημιουργήστε το bot Amazon Lex

Όταν ολοκληρωθεί η στοίβα CloudFormation, είμαστε έτοιμοι να δημιουργήσουμε το bot Amazon Lex. Για αυτήν την ανάρτηση, χρησιμοποιούμε τη νεότερη κονσόλα V2.

1. Στην κονσόλα Amazon Lex, επιλέξτε Μεταβείτε στη νέα κονσόλα Lex V2.
2. Στο παράθυρο πλοήγησης, επιλέξτε Bots.
3. Επιλέξτε Δημιουργία bot.
4. Για Όνομα bot, εισαγω Healthbot.
5. Για Περιγραφή, εισαγάγετε μια προαιρετική περιγραφή.
6. Για Ρόλος χρόνου εκτέλεσης, Επιλέξτε Δημιουργήστε έναν ρόλο με βασικά δικαιώματα Amazon Lex.
7. Στο Νόμος για την προστασία της ιδιωτικής ζωής των παιδιών στο Διαδίκτυο (COPPA) , επιλέξτε Οχι.
8. Διατηρήστε τις ρυθμίσεις για Χρονικό όριο αδράνειας συνεδρίας στην προεπιλογή τους (5 λεπτά).
9. Επιλέξτε Επόμενο.

10. Για Φωνητική αλληλεπίδραση, επιλέξτε τη φωνή που θέλετε να χρησιμοποιήσετε.
11. Επιλέξτε Ολοκληρώθηκε.

Δημιουργήστε προσαρμοσμένους τύπους υποδοχής, προθέσεις και εκφράσεις

Τώρα δημιουργούμε έναν προσαρμοσμένο τύπο υποδοχής για τους αισθητήρες, τις προθέσεις μας και τα δείγματα εκφράσεων.

1. Στις Τύποι κουλοχέρηδων σελίδα, επιλέξτε Προσθήκη τύπου υποδοχής.
2. Επιλέξτε Προσθέστε κενό τύπο υποδοχής.
3. Για Όνομα τύπου υποδοχήςεισαγω SensorType.
4. Επιλέξτε Πρόσθεση.
5. Στο συντάκτη, κάτω από Ανάλυση αξίας κουλοχέρη, Επιλέξτε Περιορισμός σε τιμές υποδοχής.

6. Προσθέστε τις ακόλουθες τιμές:
   1. Πίεση αίματος
   2. Η γλυκόζη του αίματος
   3. Θερμοκρασία σώματος
   4. ΠΑΛΜΟΣ ΚΑΡΔΙΑΣ
   5. Ρυθμός αναπνοής

7. Επιλέξτε Αποθήκευση τύπου υποδοχής.

Στις Προθέσεις σελίδα, έχουμε δύο προθέσεις που δημιουργούνται αυτόματα για εμάς. Κρατάμε το FallbackIntent ως προεπιλογή.

8. Επιλέξτε NewIntent.
9. Για Όνομα πρόθεσης, αλλάζω σε PatientData.

10. Στο Δείγμα εκφωνήσεων ενότητα, προσθέστε μερικές φράσεις για να επικαλεστείτε αυτήν την πρόθεση.

Παρέχουμε μερικά παραδείγματα στο παρακάτω στιγμιότυπο οθόνης, αλλά μπορείτε επίσης να προσθέσετε το δικό σας.

11. Στο Προσθήκη υποδοχής ενότητα, για Όνομα, εισαγω PatientId.
12. Για Τύπος κουλοχέρηδων¸ επιλέξτε AMAZON.AlphaNumeric.
13. Για Προτρέπει, εισαγω What is the patient ID?

Αυτή η προτροπή δεν είναι ουσιαστικά σημαντική επειδή χρησιμοποιούμε το Lambda για εκπλήρωση.

14. Προσθέστε μια άλλη απαιτούμενη υποδοχή με όνομα SensorType.
15. Για Τύπος κουλοχέρηδων, επιλέξτε Τύπος αισθητήρα (το δημιουργήσαμε νωρίτερα).
16. Για Προτρέπει, εισαγω What would you like to know?
17. Κάτω από Αγκίστρια κώδικα, Επιλέξτε Χρησιμοποιήστε μια συνάρτηση Lambda για αρχικοποίηση και επικύρωση και Χρησιμοποιήστε μια συνάρτηση Lambda για εκπλήρωση.

18. Επιλέξτε Αποθηκεύστε την πρόθεση.
19. Επιλέξτε Χτίστε.

Η κατασκευή μπορεί να διαρκέσει μερικά λεπτά για να ολοκληρωθεί.

Δημιουργήστε μια νέα έκδοση

Τώρα δημιουργούμε μια νέα έκδοση με τις νέες προθέσεις μας. Δεν μπορούμε να χρησιμοποιήσουμε την πρόχειρη έκδοση στην παραγωγή.

1. Όταν ολοκληρωθεί η κατασκευή, στο Εκδόσεις Bot σελίδα, επιλέξτε Δημιουργία έκδοσης.
2. Διατηρήστε όλες τις ρυθμίσεις στην προεπιλογή τους.
3. Επιλέξτε Δημιουργία.

Θα πρέπει τώρα να δείτε Version 1 που αναγράφονται στον κατάλογο Εκδόσεις Bot .

Δημιουργήστε ένα ψευδώνυμο

Τώρα δημιουργούμε ένα ψευδώνυμο για ανάπτυξη.

1. Κάτω από Ανάπτυξη στο παράθυρο πλοήγησης, επιλέξτε Ψευδώνυμα.
2. Επιλέξτε Δημιουργήστε ψευδώνυμο.
3. Για Ψευδώνυμοεισαγω prod.
4. Συσχετίστε αυτό το ψευδώνυμο με την πιο πρόσφατη έκδοση (Version 1).

5. Επιλέξτε Δημιουργία.
6. Στις Ψευδώνυμα σελίδα, επιλέξτε το ψευδώνυμο που μόλις δημιουργήσατε.
7. Κάτω από Γλώσσες, επιλέξτε Αγγλικά (Η.Π.Α.).

8. Για Πηγή, επιλέξτε τη συνάρτηση Lambda που αποθηκεύσατε νωρίτερα.
9. Για Έκδοση ή ψευδώνυμο συνάρτησης Lambda, επιλέξτε ΤΕΛΕΥΤΑΙΑ $.

10. Επιλέξτε Αποθήκευση.

Τώρα έχετε ένα λειτουργικό Amazon Lex Bot με το οποίο μπορείτε να ξεκινήσετε τη δοκιμή. Πριν προχωρήσουμε, φροντίστε να αποθηκεύσετε το αναγνωριστικό του bot και το ψευδώνυμο.

Το αναγνωριστικό ρομπότ βρίσκεται στη σελίδα λεπτομερειών του ρομπότ.

Το ψευδώνυμο ID βρίσκεται στο Ψευδώνυμα .

Πρέπει να αντικαταστήσετε αυτές τις τιμές στο σενάριο του φωνητικού βοηθού voice_assistant.py αργότερα.

Στις επόμενες ενότητες, εξηγούμε πώς να χρησιμοποιήσετε το PocketSphinx για να εντοπίσετε μια προσαρμοσμένη λέξη αφύπνισης καθώς και πώς να ξεκινήσετε να χρησιμοποιείτε τη λύση.

Χρησιμοποιήστε το PocketSphinx για αναγνώριση λέξεων αφύπνισης

Το πρώτο βήμα της λύσης μας περιλαμβάνει την επίκληση μιας προσαρμοσμένης λέξης αφύπνισης προτού αρχίσουμε να ακούμε τις εντολές σας για αποστολή στο Amazon Lex. Οι βοηθοί φωνής χρειάζονται ένα συνεχώς ενεργοποιημένο, εξαιρετικά ακριβές και μικρό πρόγραμμα για να ακούνε συνεχώς μια αφυπνιστική λέξη. Αυτό συμβαίνει συνήθως επειδή φιλοξενούνται σε μια μικρή συσκευή με χαμηλή μπαταρία, όπως μια Amazon Echo.

Για την αναγνώριση λέξεων αφύπνισης, χρησιμοποιούμε το PocketSphinx, μια μηχανή συνεχούς αναγνώρισης ομιλίας ανοιχτού κώδικα που κατασκευάστηκε από το Πανεπιστήμιο Carnegie Mellon, για να επεξεργαστούμε κάθε κομμάτι ήχου. Αποφασίσαμε να χρησιμοποιήσουμε το PocketSphinx επειδή παρέχει ένα δωρεάν, ευέλικτο και ακριβές σύστημα αφύπνισης με καλή απόδοση.

Δημιουργήστε την προσαρμοσμένη λέξη αφύπνισης

Η κατασκευή του μοντέλου γλώσσας χρησιμοποιώντας το PocketSphinx είναι απλή. Το πρώτο βήμα είναι να δημιουργήσετε ένα corpus. Μπορείτε να χρησιμοποιήσετε το συμπεριλαμβανόμενο μοντέλο που είναι προ-εκπαιδευμένο με το "Amazon", οπότε αν δεν θέλετε να εκπαιδεύσετε το δικό σας wake word, μπορείτε να μεταβείτε στο επόμενο βήμα. Ωστόσο, σας ενθαρρύνουμε ιδιαίτερα να δοκιμάσετε τη δημιουργία της δικής σας προσαρμοσμένης λέξης αφύπνισης για χρήση με το σενάριο του φωνητικού βοηθού.

Το σώμα είναι μια λίστα προτάσεων που χρησιμοποιείτε για να εκπαιδεύσετε το γλωσσικό μοντέλο. Μπορείτε να βρείτε το προκατασκευασμένο αρχείο corpus στο αρχείο corpus.txt που κατεβάσατε νωρίτερα.

1. Τροποποιήστε το αρχείο corpus με βάση τη φράση-κλειδί ή τη λέξη αφύπνισης που θέλετε να χρησιμοποιήσετε και, στη συνέχεια, μεταβείτε στο Σελίδα LMTool.
2. Επιλέξτε Αναζήτηση ΚΑΙ επιλέξτε το corpus.txt αρχείο που δημιουργήσατε
3. Επιλέξτε ΣΥΝΤΑΞΗ ΒΑΣΗΣ ΓΝΩΣΗΣ.
4. Πραγματοποιήστε λήψη των αρχείων που δημιούργησε το εργαλείο και αντικαταστήστε τα παραδείγματα αρχείων corpus που κατεβάσατε προηγουμένως.
5. Αντικαταστήστε το KEY_PHRASE και DICT μεταβλητές στο σενάριο Python για να αντικατοπτρίζουν τα νέα αρχεία και το wake word.

6. Ενημερώστε το αναγνωριστικό ρομπότ και το αναγνωριστικό ψευδωνύμου bot με τις τιμές που αποθηκεύσατε νωρίτερα στο σενάριο του φωνητικού βοηθού.

Ρυθμίστε το σενάριο του φωνητικού βοηθού στον υπολογιστή σας

Στο αποθετήριο GitHub, μπορείτε να κάνετε λήψη των δύο σεναρίων Python που χρησιμοποιείτε για αυτήν την ανάρτηση: generate_data.py και voice_assistant.py.

Πρέπει να ολοκληρώσετε μερικά βήματα για να μπορέσετε να εκτελέσετε το σενάριο, δηλαδή να εγκαταστήσετε τη σωστή έκδοση Python και βιβλιοθήκες.

1. Κατεβάστε και εγκαταστήστε Python 3.6.

Το PocketSphinx υποστηρίζει έως και Python 3.6. Εάν έχετε εγκαταστήσει άλλη έκδοση της Python, μπορείτε να χρησιμοποιήσετε pyenv για εναλλαγή μεταξύ εκδόσεων Python.

2. εγκαταστήστε Τσέπης.
3. εγκαταστήστε Pyaudio.
4. Εγκαταστήστε το Boto3.

Βεβαιωθείτε ότι χρησιμοποιείτε το τελευταία έκδοση χρησιμοποιώντας pip install boto3==<version>.

5. εγκαταστήστε ο Διεπαφή γραμμής εντολών AWS (AWS CLI) και διαμορφώστε το προφίλ σας.

Εάν δεν έχετε Διαχείριση ταυτότητας και πρόσβασης AWS (IAM) χρήστη ακόμα, μπορείτε δημιούργησε ένα. Βεβαιωθείτε ότι έχετε ορίσει την Περιοχή στην ίδια Περιοχή όπου δημιουργήσατε τους πόρους σας νωρίτερα.

Ξεκινήστε τον φωνητικό βοηθό σας

Τώρα που έχουμε ρυθμίσει τα πάντα, ανοίξτε ένα τερματικό στον υπολογιστή σας και εκτελέστε generate_data.py.

Φροντίστε να το τρέξετε για τουλάχιστον ένα λεπτό, ώστε το τραπέζι να είναι αξιοπρεπώς γεμάτο. Ο φωνητικός βοηθός μας ρωτά μόνο τα πιο πρόσφατα δεδομένα που έχουν εισαχθεί στον πίνακα, ώστε να μπορείτε να τα σταματήσετε αφού εκτελεστεί μία φορά. Τα αναγνωριστικά ασθενών που δημιουργούνται είναι μεταξύ 0-99 και ζητούνται αργότερα.

Ελέγξτε τον πίνακα για να βεβαιωθείτε ότι δημιουργούνται δεδομένα.

Τώρα μπορείτε να τρέξετε voice_assistant.py.

Ο υπολογιστής σας ακούει τη λέξη αφύπνισης που έχετε ορίσει νωρίτερα (ή την προεπιλεγμένη "Amazon") και δεν ξεκινά την εγγραφή μέχρι να εντοπίσει τη λέξη αφύπνισης. Η ανίχνευση λέξης αφύπνισης επεξεργάζεται χρησιμοποιώντας τον αποκωδικοποιητή του PocketSphinx. Ο αποκωδικοποιητής ελέγχει συνεχώς για το KEYPHRASE or WakeWord στο κανάλι ήχου.

Για να ξεκινήσετε τη συνομιλία, πείτε την έκφραση που έχετε ορίσει στην πρόθεσή σας νωρίτερα. Το παρακάτω είναι ένα δείγμα συνομιλίας:

Εσύ: Γεια σου Amazon

Εσείς: Θέλω να πάρω δεδομένα ασθενούς.

Lex: Ποια είναι η ταυτότητα του ασθενούς για τον οποίο θέλετε να λάβετε πληροφορίες;

Εσείς: 45

Lex: Τι θα θέλατε να μάθετε για τον John Smith;

Εσείς: αρτηριακή πίεση

Lex: Η αρτηριακή πίεση για τον John Smith είναι 120/80.

Συμπέρασμα

Συγχαρητήρια! Έχετε δημιουργήσει έναν φωνητικό βοηθό υγειονομικής περίθαλψης που μπορεί να χρησιμεύσει ως bot ανάκτησης πληροφοριών ασθενούς. Τώρα έχετε ολοκληρώσει το πρώτο βήμα για τη δημιουργία ενός εξατομικευμένου φωνητικού βοηθού.

Η εξουθένωση των γιατρών είναι ένα σημαντικό ζήτημα που πρέπει να αντιμετωπιστεί. Οι βοηθοί φωνής, με την αυξανόμενη πολυπλοκότητά τους, μπορούν να βοηθήσουν να κάνουν τη διαφορά στην ιατρική κοινότητα υπηρετώντας ως εικονικοί γραφείς, βοηθοί και πολλά άλλα. Αντί να επιβαρύνουν τους γιατρούς με ασήμαντα καθήκοντα, όπως η παραγγελία φαρμάκων ή η ανάκτηση πληροφοριών για τους ασθενείς, μπορούν να χρησιμοποιήσουν καινοτόμες τεχνολογίες για να απαλλάξουν τον εαυτό τους από τα αδιαφοροποίητα διοικητικά καθήκοντα.

Χρησιμοποιήσαμε το PocketSphinx και το Amazon Lex για να δημιουργήσουμε έναν φωνητικό βοηθό με την απλή εργασία της ανάκτησης ορισμένων πληροφοριών ασθενούς. Αντί να τρέχετε το πρόγραμμα στον υπολογιστή σας, μπορείτε να δοκιμάσετε να το φιλοξενήσετε σε οποιαδήποτε μικρή συσκευή που υποστηρίζει Python, όπως το Raspberry Pi.

Επιπλέον, το Amazon Lex είναι Κατάλληλο για HIPAA, πράγμα που σημαίνει ότι μπορείτε να το ενσωματώσετε με τα υπάρχοντα συστήματα υγειονομικής περίθαλψης ακολουθώντας τα πρότυπα HL7/FHIR.

Οι εξατομικευμένοι βοηθοί υγειονομικής περίθαλψης μπορούν να είναι ζωτικής σημασίας για να βοηθήσουν τους γιατρούς και τους νοσηλευτές να φροντίζουν τους ασθενείς τους και η ανάκτηση δεδομένων αισθητήρων είναι μόνο μία από τις πολλές περιπτώσεις χρήσης που μπορεί να είναι βιώσιμη. Άλλες περιπτώσεις χρήσης, όπως η παραγγελία φαρμάκων και η γραφή συνομιλιών μπορούν να ωφελήσουν τους γιατρούς και τους νοσηλευτές σε όλα τα νοσοκομεία.

Θέλουμε να σας προκαλέσουμε να δοκιμάσετε το Amazon Lex και να δείτε τι μπορείτε να φτιάξετε!

---

Σχετικά με το Συγγραφέας

Ντέιβιντ Κιου είναι αρχιτέκτονας λύσεων που εργάζεται στον τομέα HCLS, βοηθώντας τις εταιρείες υγειονομικής περίθαλψης να δημιουργήσουν ασφαλείς και επεκτάσιμες λύσεις στο AWS. Είναι παθιασμένος με την εκπαίδευση άλλων σχετικά με τις τεχνολογίες cloud και την επεξεργασία μεγάλων δεδομένων. Εκτός δουλειάς, του αρέσει επίσης να παίζει κιθάρα, βιντεοπαιχνίδια, πούρα και ουίσκι. Ο David είναι κάτοχος πτυχίου Οικονομικών και Επιστήμης Υπολογιστών από το Πανεπιστήμιο της Ουάσιγκτον στο Σεντ Λούις.

Manish Agarwal είναι ένας λάτρης της τεχνολογίας με 20+ χρόνια εμπειρίας στη μηχανική, από κορυφαία startup στον τομέα της Υγείας έως την παροχή καινοτομιών μεγάλης κλίμακας σε εταιρείες όπως η Apple και η Amazon. Έχοντας βαθιά εξειδίκευση στο AI/ML και την υγειονομική περίθαλψη, πιστεύει πραγματικά ότι το AI/ML θα φέρει την πλήρη επανάσταση στον κλάδο της υγειονομικής περίθαλψης στα επόμενα 4-5 χρόνια. Τα ενδιαφέροντά του περιλαμβάνουν ιατρική ακριβείας, εικονικούς βοηθούς, αυτόνομα αυτοκίνητα/ drones, AR/VR και blockchain. Ο Manish είναι κάτοχος πτυχίου Τεχνολογίας από το Ινδικό Ινστιτούτο Τεχνολογίας (IIT).

Navneet Srivastava, ένας Principal Solutions Architect, είναι υπεύθυνος να βοηθά τους οργανισμούς παροχής και τις εταιρείες υγειονομικής περίθαλψης να αναπτύξουν data lake, data mesh, ηλεκτρονικά ιατρικά αρχεία, συσκευές και εφαρμογές που βασίζονται σε AI/ML, ενώ εκπαιδεύει τους πελάτες σχετικά με το πώς να δημιουργήσουν ασφαλή, επεκτάσιμη και με κόστος αποτελεσματικές λύσεις AWS. Αναπτύσσει στρατηγικά σχέδια για να προσελκύσει πελάτες και συνεργάτες και συνεργάζεται με μια κοινότητα τεχνικά εστιασμένων ειδικών HCLS εντός του AWS. Το Navneet έχει MBA από το NYIT και πτυχίο στη Μηχανική Λογισμικού και είναι κάτοχος πολλών συνεργατών και επαγγελματικών πιστοποιήσεων για την αρχιτεκτονική στο AWS.

Πηγή: https://aws.amazon.com/blogs/machine-learning/simplify-patient-care-with-a-custom-voice-assistant-using-amazon-lex-v2/