- \n
- \nHerausforderung<\/div>\nIoT-Anwendungen im Gesundheitswesen mit KI verbessern<\/div>\n<\/li>\n
- \n
L\u00f6sung<\/div>\nML-Modell zur Verarbeitung von Daten in der Datenbank des Kunden und zur Erzeugung von Push-Benachrichtigungen<\/div>\n<\/li>\n- \n
Technologien und Werkzeuge<\/div>\nPython + DS, APNs, AWS Lambda, PostgreSQL, Swift (iOS)<\/div>\n<\/li>\n<\/ul>\n<\/div>\nKunde<\/h2>\n
Der Kunde ist ein in Europa ans\u00e4ssiges Unternehmen, das sich auf die Bereitstellung von IT-L\u00f6sungen f\u00fcr Unternehmen aus verschiedenen Branchen spezialisiert hat. Um den bestehenden Gesch\u00e4ftsansatz durch die Implementierung moderner Technologien zu verbessern, ben\u00f6tigte der Kunde eine Gesundheitsanwendung, die mit dem IoT und KI-L\u00f6sungen zur Verbesserung der Arbeitsbedingungen<\/a> f\u00fcr die Mitarbeiter zu verbessern und die Effizienz der Dienstleistungen zu steigern. Der Kunde war auf der Suche nach Experten im Bereich der KI-Softwareentwicklung.<\/p>\n
Herausforderung: Verbesserung der IoT-Anwendung im Gesundheitswesen durch KI<\/h2>\n
Als erfahrener Anbieter von AI-Software-Entwicklung<\/a> wurde ESSID Solutions mit der Aufgabe konfrontiert, die ein maschinelles Lernen (ML)<\/a> Modell, um die bestehende L\u00f6sung des Kunden zu erweitern. Unser Entwicklungsteam wurde beauftragt, ein Modell zu entwickeln, das gro\u00dfe Mengen an historischen Daten und Daten von tragbaren Ger\u00e4ten effizient verarbeiten kann, um datenbasierte Push-Benachrichtigungen f\u00fcr iOS zu erstellen und zu liefern.<\/p>\n
Die IoT-Komponente war ein Armband, das vor und w\u00e4hrend jeder Fahrt die Herzfrequenz des Fahrers ma\u00df. Diese Daten reichten f\u00fcr eine zuverl\u00e4ssige Bewertung des Gesundheitszustands nicht aus. Um mehr Daten zu systematisieren und zu verarbeiten, ben\u00f6tigte die bestehende L\u00f6sung ein zus\u00e4tzliches ML-basiertes Modell.<\/p>\n
L\u00f6sung: ML-Modell zur Verarbeitung verschiedener Datentypen und zur Erstellung personalisierter Benachrichtigungen<\/h2>\n
Das IoT Gesundheitswesen<\/a> Die Anwendung ist f\u00fcr Fahrer von Nutzfahrzeugen gedacht, die gesundheitliche Probleme haben. Die Vorbeugung von Notf\u00e4llen ist Teil des Programms f\u00fcr die Mitarbeiterbetreuung und das Kostenmanagement des Unternehmers.<\/p>\n
Das Team von ESSID Solutions begann damit, die bestehende L\u00f6sung zu \u00fcberpr\u00fcfen. Unser KI-Forschung und -Entwicklung<\/a> Experten untersuchten die F\u00e4higkeiten der bestehenden App, um die besten M\u00f6glichkeiten zu finden, sie zu verbessern.<\/p>\n
Abgesehen von den \u00fcber die Armb\u00e4nder gesammelten Daten haben wir die folgenden Arten von Daten als Input in das Modell geholt:<\/p>\n
- \n
- Herzfrequenz des Fahrers<\/li>\n
- Geschlecht und Alter des Fahrers<\/li>\n
- Historische Herzfrequenzdaten<\/li>\n
- Wetterinformationen<\/li>\n
- Zeit des Tages<\/li>\n
- Route und Zielort<\/li>\n<\/ul>\n
Die gesammelten Daten wurden zur weiteren Verarbeitung in die Datenbank des Kunden eingespeist. Die folgenden Datenquellen wurden verwendet, um den Input f\u00fcr das ML-Modell zu erhalten:<\/p>\n
![\"ML-Modell](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/10\/input-for-the-ml-model.svg\")
<\/p>\nAuf der Grundlage der umfassenden Eingabedaten trainierten wir das Modell f\u00fcr die folgenden Aufgaben:<\/p>\n
- \n
- Analysieren Sie den Gesundheitszustand der Fahrer<\/li>\n
- Gesundheitsprobleme erkennen<\/li>\n
- Erzeugen von Push-Benachrichtigungen<\/li>\n
- Senden von Warnungen und Empfehlungen an Fahrer<\/li>\n<\/ul>\n
Der Algorithmus teilt die empfangenen Daten in 3 Kategorien oder Zonen ein. Je nach der einen oder anderen Kategorie werden unterschiedliche Push-Benachrichtigungen und Empfehlungen vom Server an die Fahrer gesendet. Die Beispiele sind die folgenden:<\/p>\n
![\"ML-Modell](\"https:\/\/essidsolutions.com\/wp-content\/uploads\/2020\/10\/output-in-categories-zones.svg\")
<\/p>\nUm die Aufgabe zu erf\u00fcllen, nutzte das Team von ESSID Solutions den Apple-Push-Benachrichtigungsdienst (APNs), um die Fernbenachrichtigungsfunktion zu aktivieren. Unser Team nutzte auch den Dienst des Kunden, um Daten zu speichern und zu verarbeiten.<\/p>\n
Ergebnis: ML-gest\u00fctzte Spesenmanagementl\u00f6sung, Kostensenkung durch Prozessautomatisierung<\/h2>\n
Das Team von ESSID Solutions lieferte erfolgreich das ML-Modell, das die Zusammenf\u00fchrung von IoT und KI<\/a> um die Gesundheitsanwendung des Kunden zu verbessern. Der bereitgestellte Algorithmus erleichterte die Datenauswertung und erm\u00f6glichte datengesteuerte Push-Benachrichtigungen f\u00fcr iOS-Ger\u00e4te.<\/p>\n
Der eingebettete Algorithmus arbeitete effizient mit verschiedenen Datentypen und erm\u00f6glichte die Erstellung personalisierter Empfehlungen. Au\u00dferdem erm\u00f6glichte die L\u00f6sung von ESSID Solutions dem Eigent\u00fcmer einer Nutzfahrzeugflotte, die Mitarbeiter besser zu betreuen, die Arbeitsbedingungen f\u00fcr die Fahrer zu verbessern, Gesundheitsrisiken zu minimieren und Kosten zu senken, indem der Echtzeit-Supportdienst automatisiert wurde.<\/p>\n
Starten Sie Ihr AI-Software-Entwicklungsprojekt<\/a> mit ESSID-L\u00f6sungen<\/h3>","protected":false},"excerpt":{"rendered":"
- \n