EyeGage
Atlanta, GA
Atención médica, seguridad industrial
AWS Lambda, AWS Sagemaker, AWS Lambda, AWS RDS, AWS ECR, AWS S3, AWS Cloudwatch, AWS SNS. AWS API Gateway
EyeGage, una empresa emergente con sede en Atlanta, planeaba salir al mercado con su aplicación móvil que utiliza modelos de aprendizaje automático para detectar el consumo reciente de drogas/alcohol a partir de un simple escaneo del ojo. Un requisito clave era lograr que la aplicación front-end y los modelos funcionaran con Amazon SageMaker, la plataforma en la nube back-end que permite a los desarrolladores de aplicaciones crear, entrenar e implementar modelos de aprendizaje automático.
“Nuestro prototipo funcionó bien en AWS y nuestros modelos ya estaban entrenados”, dice la Dra. LaVonda Brown, fundadora y directora ejecutiva. “Pero necesitábamos ayuda para exponer los modelos a SageMaker para garantizar que pudiéramos escalar nuestros servicios a medida que aumenta la actividad del usuario”.
EyeGage primero intentó exponer los modelos de aprendizaje automático utilizando recursos internos. Pero sin experiencia previa con SageMaker, trabajar con la documentación resultó difícil. Como participante en el Programa Acelerador de Impacto de AWS, que se centra en fundadores negros en el sector tecnológico, Brown pudo acceder a tutoría personalizada y financiación de capital.
EyeGage permite a los lugares de trabajo y a las personas anticiparse a los accidentes con confianza, realizando pruebas de detección de sustancias de forma rápida y precisa antes de operar equipos que ponen en peligro la vida, como coches, grúas y escalpelos. EyeGage se puede utilizar para detectar clases de sustancias como alcohol, anfetaminas, benzodiacepinas, opioides y marihuana porque los ojos se ven y se comportan de manera diferente bajo la influencia de estas sustancias.
AWS remitió a EyeGage a Avahi. “Avahi nos impresionó de inmediato con su conocimiento sobre los modelos de aprendizaje automático y su comprensión de nuestro negocio”, dice Brown. “Más importante aún, presentaron proyectos anteriores de SageMaker que habían realizado y que eran similares a lo que necesitábamos. Eso nos dio la confianza de que Avahi podría hacer el trabajo”.
Avahi colocó el código de los modelos de aprendizaje automático en SageMaker para exponerlos como una API perfecta para los usuarios finales de la aplicación móvil EyeGage. Esto incluyó la actualización del código de los modelos para que pueda exponerse como una inferencia de aprendizaje automático basada en eventos. Avahi también colocó los modelos con servicios adicionales como AWS Lambda para la computación sin servidor y Amazon API Gateway, un servicio administrado que facilita la creación y el mantenimiento de API.
Fundador, bravo foxtrot
