Il s'agit d'un article invité co-écrit par Ajay K Gupta, Jean Felipe Teotonio et Paul A Churchyard de HSR.health.

HSR.santé est une société d'analyse des risques géospatiaux pour la santé dont la vision est que les défis de santé mondiaux peuvent être résolus grâce à l'ingéniosité humaine et à l'application ciblée et précise de l'analyse des données. Dans cet article, nous présentons une approche de prévention des maladies zoonotiques qui utilise Fonctionnalités géospatiales d'Amazon SageMaker créer un outil qui fournit des informations plus précises sur la propagation des maladies aux scientifiques de la santé afin de les aider à sauver plus de vies, plus rapidement.

Les maladies zoonotiques touchent aussi bien les animaux que les humains. La transition d'une maladie de l'animal à l'humain, connue sous le nom de débordement, est un phénomène qui se produit continuellement sur notre planète. Selon des organismes de santé tels que les Centers for Disease Control and Prevention (CDC) et l'Organisation mondiale de la santé (WHO), un événement de débordement survenu sur un marché humide de Wuhan, en Chine, a très probablement causé la maladie à coronavirus 2019 (COVID-19). Des études suggèrent qu’un virus trouvé chez les chauves-souris frugivores a subi des mutations importantes, lui permettant d’infecter les humains. Le patient initial, ou « patient zéro », du COVID-19 a probablement déclenché une épidémie locale ultérieure qui s'est finalement propagée à l'échelle internationale. TGV.décomposition cellulaireL'indice de risque de débordement zoonotique vise à aider à l'identification de ces premières épidémies avant qu'elles ne traversent les frontières internationales et n'entraînent un impact mondial généralisé.

La principale arme dont dispose la santé publique contre la propagation des épidémies régionales est la surveillance des maladies : un système complet de déclaration des maladies, d’enquêtes et de communication de données entre les différents niveaux d’un système de santé publique. Ce système dépend non seulement de facteurs humains, mais également de la technologie et des ressources nécessaires pour collecter des données sur les maladies, analyser les tendances et créer un flux cohérent et continu de transfert de données des autorités sanitaires locales vers les autorités régionales et centrales.

La vitesse à laquelle le COVID-19 est passé d’une épidémie locale à une maladie mondiale présente sur tous les continents devrait être un exemple qui donne à réfléchir sur la nécessité urgente d’exploiter les technologies innovantes pour créer des systèmes de surveillance des maladies plus efficaces et plus précis.

Le risque de propagation des maladies zoonotiques est fortement corrélé à de multiples facteurs sociaux, environnementaux et géographiques qui influencent la fréquence à laquelle les êtres humains interagissent avec la faune sauvage. THV.santé L'indice de risque de propagation des maladies zoonotiques utilise plus de 20 facteurs géographiques, sociaux et environnementaux distincts, historiquement connus pour affecter le risque d'interaction entre l'homme et la faune et, par conséquent, le risque de propagation des maladies zoonotiques. Beaucoup de ces facteurs peuvent être cartographiés grâce à une combinaison d’imagerie satellitaire et de télédétection.

Dans cet article, nous explorons comment HSR.décomposition cellulaire utilise les capacités géospatiales de SageMaker pour récupérer les caractéristiques pertinentes de l'imagerie satellite et de la télédétection afin de développer l'indice de risque. Les capacités géospatiales de SageMaker permettent aux scientifiques des données et aux ingénieurs en apprentissage automatique (ML) de créer, former et déployer facilement des modèles à l'aide de données géospatiales. Grâce aux capacités géospatiales de SageMaker, vous pouvez transformer ou enrichir efficacement des ensembles de données géospatiales à grande échelle, accélérer la création de modèles avec des modèles ML pré-entraînés et explorer les prédictions de modèles et les données géospatiales sur une carte interactive à l'aide de graphiques 3D accélérés et d'outils de visualisation intégrés.

Utiliser le ML et les données géospatiales pour atténuer les risques

Le ML est très efficace pour la détection d'anomalies sur des données spatiales ou temporelles en raison de sa capacité à apprendre des données sans être explicitement programmé pour identifier des types spécifiques d'anomalies. Les données spatiales, qui concernent la position physique et la forme des objets, contiennent souvent des modèles et des relations complexes qui peuvent être difficiles à analyser pour les algorithmes traditionnels.

L’intégration du ML aux données géospatiales améliore la capacité de détection systématique des anomalies et des modèles inhabituels, ce qui est essentiel pour les systèmes d’alerte précoce. Ces systèmes sont cruciaux dans des domaines tels que la surveillance environnementale, la gestion des catastrophes et la sécurité. La modélisation prédictive utilisant des données géospatiales historiques permet aux organisations d'identifier et de se préparer à des événements futurs potentiels. Ces événements vont des catastrophes naturelles et des perturbations de la circulation aux épidémies, comme l'explique cet article.

Détecter les risques de retombées zoonotiques

Pour prédire les risques de retombées zoonotiques, HSR.santé a adopté une approche multimodale. En utilisant un mélange de types de données, notamment des informations environnementales, biogéographiques et épidémiologiques, cette méthode permet une évaluation complète de la dynamique de la maladie. Une telle perspective multidimensionnelle est essentielle pour élaborer des mesures proactives et permettre une réponse rapide aux épidémies.

L'approche comprend les éléments suivants :

• Données sur les maladies et les épidémies – TGV.santé utilise les données détaillées sur les maladies et les épidémies fournies par Gideon et l'Organisation mondiale de la santé (OMS), deux sources fiables d'informations épidémiologiques mondiales. Ces données constituent un pilier fondamental du cadre d’analyse. Pour Gideon, les données sont accessibles via une API, et pour l'OMS, HSR.santé a construit un grand modèle de langage (LLM) pour extraire les données sur les épidémies à partir des rapports antérieurs sur les épidémies de maladies.
• Données d'observation de la Terre – Les facteurs environnementaux, l’analyse de l’utilisation des terres et la détection des changements dans l’habitat font partie intégrante de l’évaluation du risque zoonotique. Ces informations peuvent être dérivées de données d’observation de la Terre par satellite. THV.santé est capable de rationaliser l'utilisation des données d'observation de la Terre en utilisant les capacités géospatiales de SageMaker pour accéder et manipuler des ensembles de données géospatiales à grande échelle. SageMaker Geospatial propose un riche catalogue de données, comprenant des ensembles de données de USGS Landsat-8, Sentinel-1, Sentinel-2 et autres. Il est également possible d'introduire d'autres ensembles de données, tels que des images haute résolution de Planet Labs.
• Déterminants sociaux du risque – Au-delà des facteurs biologiques et environnementaux, l’équipe HSR.santé a également pris en compte les déterminants sociaux, qui englobent divers indicateurs socio-économiques et démographiques, et jouent un rôle central dans la dynamique des retombées zoonotiques.

A partir de ces composants, HSR.santé a évalué une gamme de facteurs différents, et les caractéristiques suivantes ont été identifiées comme influentes pour identifier les risques de propagation zoonotique :

• Habitats animaux et zones habitables – Comprendre les habitats des hôtes zoonotiques potentiels et leurs zones habitables est fondamental pour évaluer le risque de transmission.
• Centres de population – La proximité de zones densément peuplées est un facteur clé car elle influence la probabilité d’interactions homme-animal.
• La perte d'habitat – La dégradation des habitats naturels, notamment par la déforestation, peut accélérer les retombées zoonotiques.
• Interface homme-nature – Les zones où les établissements humains croisent les habitats fauniques sont des points chauds potentiels de transmission zoonotique.
• Caractéristiques sociales – Les facteurs socioéconomiques et culturels peuvent avoir un impact significatif sur le risque zoonotique et la RSS.décomposition cellulaire les examine également.
• Caractéristiques de la santé humaine – L’état de santé des populations humaines locales est une variable essentielle car elle affecte la susceptibilité et la dynamique de transmission.

Vue d'ensemble de la solution

HSR.santéLe flux de travail de comprend le prétraitement des données, l'extraction de fonctionnalités et la création de visualisations informatives à l'aide de techniques de ML. Cela permet une compréhension claire de l’évolution des données depuis leur forme brute jusqu’aux informations exploitables.

Ce qui suit est une représentation visuelle du flux de travail, commençant par les données d'entrée de Gideon, les données d'observation de la Terre et les déterminants sociaux des données de risque.

Récupérer et traiter des images satellite à l'aide des capacités géospatiales de SageMaker

Les données satellitaires constituent la pierre angulaire de l’analyse effectuée pour construire l’indice de risque, fournissant des informations cruciales sur les changements environnementaux. Pour générer des informations à partir de l'imagerie satellite, HSR.santé Usages Emplois Observation de la Terre (EOJ). Les EOJ permettent l'acquisition et la transformation de données raster collectées à la surface de la Terre. Un EOJ obtient des images satellite à partir d'une source de données désignée, par exemple une constellation de satellites, sur une zone et une période de temps spécifiques. Il applique ensuite un ou plusieurs modèles aux images récupérées.

En outre, Amazon SageMakerStudio propose un bloc-notes géospatial préinstallé avec des bibliothèques géospatiales couramment utilisées. Ce notebook permet la visualisation et le traitement directs des données géospatiales dans un environnement de notebook Python. Les EOJ peuvent être créés dans l’environnement du bloc-notes géospatial.

Pour configurer un EOJ, les paramètres suivants sont utilisés :

• Configuration d'entrée – La configuration d'entrée précise les sources de données et les critères de filtrage à utiliser lors de l'acquisition des données :
  • RasterDataCollectionArn – Spécifie le satellite à partir duquel collecter les données.
  • Lieu d'intérêt – La zone géographique d'intérêt (AOI) définit les limites du polygone pour la collecte d'images.
  • Filtre de plage de temps – La plage horaire qui vous intéresse : {StartTime: <string>, EndTime: <string>}.
  • Filtres de propriétés – Filtres de propriétés supplémentaires, tels que le pourcentage acceptable de couverture nuageuse ou les angles d'azimut du soleil souhaités.
• Configuration du travail – Cette configuration définit le type de travail à appliquer aux données d'image satellite récupérées. Il prend en charge des opérations telles que le calcul de bande, le rééchantillonnage, la géomosaïque ou la suppression de nuages.

L'exemple de code suivant montre l'exécution d'un EOJ pour la suppression du cloud, représentatif des étapes effectuées par HSR..santé:

eoj_input_config = {
    "RasterDataCollectionQuery": {
        "RasterDataCollectionArn": "arn:aws:sagemaker-geospatial:us-west-2:378778860802:raster-data-collection/public/nmqj48dcu3g7ayw8",
        "AreaOfInterest": {
            "AreaOfInterestGeometry": {
                "PolygonGeometry": {
                    "Coordinates": [
                        [
                            [-76.23240119828894,-6.268815697653608],
                            [-76.23240119828894,-6.339419992332921],
                            [-76.13834453776985,-6.339419992332921],
                            [-76.13834453776985,-6.268815697653608],
                            [-76.23240119828894,-6.268815697653608]                       
        ]
                    ]
                }
            }
        },
        "TimeRangeFilter": {
            "StartTime": "2022-03-01T00:00:00Z",
            "EndTime": "2022-06-30T23:59:59Z",
        },
        "PropertyFilters": {
            "Properties": [{"Property": {"EoCloudCover": {"LowerBound": 0.0, "UpperBound": 2.0}}}],
            "LogicalOperator": "AND",
        },
    }
}
eoj_job_config = {
    "CloudRemovalConfig": {
        "AlgorithmName": "INTERPOLATION",
        "InterpolationValue": "-9999",
        "TargetBands": ["red", "green", "blue", "nir", "swir16"],
    }
}

eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-analysis-loreto",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

HSR.santé utilisé plusieurs opérations pour prétraiter les données et extraire les caractéristiques pertinentes. Cela inclut des opérations telles que la classification de la couverture terrestre, la cartographie des variations de température et les indices de végétation.

Un indice de végétation pertinent pour indiquer la santé de la végétation est l’indice de végétation par différence normalisée (NDVI). Le NDVI quantifie la santé de la végétation en utilisant la lumière proche infrarouge, que la végétation reflète, et la lumière rouge, que la végétation absorbe. La surveillance du NDVI au fil du temps peut révéler des changements dans la végétation, tels que l'impact des activités humaines comme la déforestation.

L'extrait de code suivant montre comment calculer un indice de végétation tel que le NDVI sur la base des données transmises lors de la suppression des nuages :

eoj_input_config = {
    "PreviousEarthObservationJobArn": eoj["Arn"]
}
eoj_job_config = {
  "BandMathConfig": {
    "CustomIndices": {
        "Operations": [
            {
                "Equation": "(nir - red) / (nir + red)",
                "Name": "ndvi",
                "OutputType": "FLOAT32"
            }
        ]
    }
  }
}
eoj = geospatial_client.start_earth_observation_job(
    Name="eoj-vi-ndvi",
    InputConfig=eoj_input_config,
    JobConfig=eoj_job_config,
    ExecutionRoleArn=execution_role,
)

Nous pouvons visualiser le résultat du travail à l'aide des capacités géospatiales de SageMaker. Les fonctionnalités géospatiales de SageMaker peuvent vous aider à superposer les prédictions du modèle sur une carte de base et à fournir une visualisation en couches pour faciliter la collaboration. Grâce au visualiseur interactif alimenté par GPU et aux blocs-notes Python, il est possible d'explorer des millions de points de données dans une seule vue, facilitant ainsi l'exploration collaborative des informations et des résultats.

Les étapes décrites dans cet article ne démontrent qu'une des nombreuses fonctionnalités raster que HSR.santé a extrait pour créer l’indice de risque.

Combiner des fonctionnalités raster avec des données sanitaires et sociales

Après avoir extrait les entités pertinentes au format raster, HSR.santé utilisé des statistiques zonales pour agréger les données raster au sein des polygones des limites administratives auxquels les données sociales et sanitaires sont attribuées. L’analyse intègre une combinaison de données géospatiales matricielles et vectorielles. Ce type d'agrégation permet la gestion des données raster dans un géodataframe, ce qui facilite leur intégration avec les données sanitaires et sociales pour produire l'indice de risque final.

L'extrait de code suivant montre comment agréger des données raster selon les limites administratives des vecteurs :

import geopandas as gp
import numpy as np
import pandas as pd
import rasterio
from rasterstats import zonal_stats
import pandas as pd

def get_proportions(inRaster, inVector, classDict, idCols, year):
    # Reading In Vector File
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    raster = rasterio.open(inRaster)
    vector = vector.to_crs(raster.crs)
    # Retrieving the Bounding Box for the Raster Image
    xmin, ymin, xmax, ymax = raster.bounds
    # Selecting the Vector Features that Intersect with the Raster Bounding Box
    vector = vector.cx[xmin:xmax, ymin:ymax]
    vector = vector.reset_index()
    # Calculate the sum of pixels of each class in the vector geometries
    stats = zonal_stats(vector.geometry, raster.read(1), affine=raster.transform, nodata=raster.nodata, categorical=True)
    # Creating a dataframe with the class sum of pixels and the id fields of the vector geometries
    df1 = pd.DataFrame(data=stats)
    df1 = df1.fillna(0)
    df1['totalpixels'] = df1.sum(axis=1)  
    df1['year'] = year 
    if 'year' in vector.columns.tolist():
        vector = vector.drop(['year'], 1)
    # Merging the class sum of pixels dataframe with the vector geodataframe
    df = vector.merge(df1, left_index=True, right_index=True)
    # Renaming Columns
    cdict = pd.read_csv(classDict)
    cdict = cdict.set_index("Value")['Class_name'].to_dict()
    df = df.rename(columns=cdict)
    keptCols = [x for x in df.columns.tolist() if x in idCols + list(cdict.values()) + ['totalpixels', 'year']]
    df = df[keptCols]
    return(df)

def aggregateData(rasterList, inVector, classDict, idCols, years):
    dfList = []
    # Creating aggregated raster to vector geodataframes for all rasters in rasterList
    for tiff in rasterList:
        inRaster = tiff
        year = [x for x in years if x in tiff][0]
        dfList.append(get_proportions(inRaster, inVector, classDict, idCols, year))
    # Concating into a single geodataframe
    allDf = pd.concat(dfList, ignore_index=True)
    classDictDf = pd.read_csv(classDict)
    # Renaming the numerical values of the categories to the string version of the category name
    classCols = classDictDf['Class_name'].unique().tolist()
    # Summing the pixel counts by administrative division as a single administrative division might cover more than one raster image
    for col in classCols:
        allDf[col] = allDf[col].fillna(0)
        allDf[col] = allDf.groupby(idCols + ['year'])[col].transform(lambda x: x.sum())
    # Removing Duplicates from the dataframe
    allDf = allDf.groupby(idCols + ['year']).first().reset_index()
    # Reattaching the geometry to the aggregated raster data
    if '.parquet' in inVector:
        vector = gp.read_parquet(inVector)
    else:
        vector = gp.read_file(inVector)
    allDf = vector.merge(allDf, on=idCols)
    return(allDf)

Pour évaluer efficacement les fonctionnalités extraites, des modèles ML sont utilisés pour prédire les facteurs représentant chaque fonctionnalité. L'un des modèles utilisés est une machine à vecteurs de support (SVM). Le modèle SVM aide à révéler des modèles et des associations au sein des données qui éclairent les évaluations des risques.

L'indice représente une évaluation quantitative des niveaux de risque, calculés comme une moyenne pondérée de ces facteurs, pour aider à comprendre les retombées potentielles dans diverses régions.

import pandas as pd
import numpy as np
import geopandas as gp

def finalIndicatorCalculation(inputLayer, weightDictionary, outLayer):
    # Creating a dictionary with the weights for each factor in the indicator
    weightsDict = pd.read_csv(weightDictionary).set_index('metric')['weight'].to_dict()
    # Reading in the data from the layer
    layer = gp.read_file(inputLayer)
    # Initializing the Sum of the Weights
    layer['sumweight'] = 0
    # Calculating the sum of the weighted factors
    for col in weightsDict.keys():
        layer[col] = layer[col].fillna(0)
        layer['sumweight'] = layer['sumweight'] + (layer[col] * zweights[col])
    # Calculating Raw Zoonotic Spillover Risk Index
    layer['raw_idx'] = np.log(layer['e_pop']) * layer['sumweight']
    # Normalizing the Index between 0 and 100
    layer['zs_idx'] = ((layer['raw_idx'] - layer['raw_idx'].min()) / (layer['raw_idx'].max() - layer['raw_idx'].min()) * 100).round(2)
    return(layer)

La figure suivante à gauche montre l'agrégation de la classification des images de la scène de la zone test dans le nord du Pérou, agrégée au niveau administratif du district avec la variation calculée de la superficie forestière entre 2018 et 2023. La déforestation est l’un des facteurs clés qui déterminent le risque de propagation zoonotique. La figure de droite met en évidence les niveaux de gravité du risque de propagation zoonotique dans les régions couvertes, allant du risque le plus élevé (rouge) au risque le plus faible (vert foncé). La zone a été choisie comme l'une des zones de formation pour la classification des images en raison de la diversité de la couverture terrestre capturée dans la scène, notamment : urbaine, forestière, sable, eau, prairies et agriculture, entre autres. De plus, il s’agit de l’un des nombreux domaines d’intérêt pour les retombées zoonotiques potentielles dues à la déforestation et à l’interaction entre les humains et les animaux.

En adoptant cette approche multimodale, englobant des données historiques sur les épidémies, des données d'observation de la Terre, des déterminants sociaux et des techniques d'apprentissage automatique, nous pouvons mieux comprendre et prédire le risque de propagation zoonotique, orientant finalement les stratégies de surveillance et de prévention des maladies vers les zones présentant le plus grand risque d'épidémie. La capture d'écran suivante montre un tableau de bord des résultats d'une analyse des risques de débordement zoonotique. Cette analyse des risques met en évidence les domaines dans lesquels les ressources et la surveillance des nouvelles épidémies zoonotiques potentielles peuvent être mises en œuvre afin que la prochaine maladie puisse être contenue avant qu'elle ne devienne une endémie ou une nouvelle pandémie.

Une nouvelle approche de la prévention des pandémies

En 1998, le long de la rivière Nipah en Malaisie, entre l'automne 1998 et le printemps 1999, 265 personnes ont été infectées par un virus alors inconnu qui a provoqué une encéphalite aiguë et une grave détresse respiratoire. 105 d'entre eux sont morts, soit un taux de mortalité de 39.6%. En revanche, le taux de mortalité non traité du COVID-19 est de 6.3 %. Depuis lors, le virus Nipah, comme on l’appelle désormais, a quitté son habitat forestier et a provoqué plus de 20 épidémies mortelles, principalement en Inde et au Bangladesh.

Des virus tels que Nipah font leur apparition chaque année, posant des défis à notre vie quotidienne, en particulier dans les pays où il est plus difficile d’établir des systèmes solides, durables et robustes pour la surveillance et la détection des maladies. Ces systèmes de détection sont essentiels pour réduire les risques associés à ces virus.

Les solutions qui utilisent le ML et les données géospatiales, telles que l'indice de risque de débordement zoonotique, peuvent aider les autorités de santé publique locales à prioriser l'allocation des ressources aux zones les plus à risque. Ce faisant, ils peuvent établir des mesures de surveillance ciblées et localisées pour détecter et stopper les épidémies régionales avant qu’elles ne s’étendent au-delà des frontières. Cette approche peut limiter considérablement l’impact d’une épidémie et sauver des vies.

Conclusion

Cet article a démontré comment HSR.santé a développé avec succès l'indice de risque de débordement zoonotique en intégrant des données géospatiales, la santé, les déterminants sociaux et le ML. En utilisant SageMaker, l’équipe a créé un flux de travail évolutif capable d’identifier les menaces les plus importantes d’une éventuelle future pandémie. Une gestion efficace de ces risques peut conduire à une réduction de la charge mondiale de morbidité. Les avantages économiques et sociaux substantiels de la réduction du risque de pandémie ne peuvent être surestimés, avec des bénéfices s’étendant aux niveaux régional et mondial.

HSR.santé a utilisé les capacités géospatiales de SageMaker pour une première mise en œuvre de l'indice de risque de débordement zoonotique et recherche désormais des partenariats, ainsi que le soutien des pays hôtes et des sources de financement, pour développer davantage l'indice et étendre son application à d'autres régions du monde. Pour plus d'informations sur le TGV.santé et l'indice de risque de débordement zoonotique, visitez www.hsr.health.

Découvrez le potentiel d'intégration des données d'observation de la Terre dans vos initiatives de soins de santé en explorant les fonctionnalités géospatiales de SageMaker. Pour plus d'informations, reportez-vous à Fonctionnalités géospatiales d'Amazon SageMaker, ou interagir avec exemples supplémentaires pour acquérir une expérience pratique.

À propos des auteurs

Ajay K Gupta est co-fondateur et PDG de HSR.health, une entreprise qui perturbe et innove en matière d'analyse des risques pour la santé grâce à la technologie géospatiale et aux techniques d'IA pour prédire la propagation et la gravité des maladies. Et fournit ces informations à l’industrie, aux gouvernements et au secteur de la santé afin qu’ils puissent anticiper, atténuer et tirer parti des risques futurs. En dehors du travail, vous pouvez trouver Ajay derrière le micro en train d'éclater les tympans tout en écoutant ses morceaux de musique pop préférés de U2, Sting, George Michael ou Imagine Dragons.

Jean Felipe Teotonio Médecin motivé et expert passionné de la qualité des soins de santé et de l’épidémiologie des maladies infectieuses, Jean Felipe dirige l’équipe de santé publique d’HSR.health. Il travaille vers l’objectif commun d’améliorer la santé publique en réduisant le fardeau mondial des maladies en tirant parti des approches GeoAI pour développer des solutions aux plus grands défis de santé de notre époque. En dehors du travail, ses passe-temps incluent la lecture de livres de science-fiction, la randonnée, la première ligue anglaise et la guitare basse.

Cimetière Paul A, CTO et ingénieur géospatial en chef pour HSR.health, utilise ses vastes compétences techniques et son expertise pour construire l'infrastructure de base de l'entreprise ainsi que sa plate-forme GeoMD brevetée et exclusive. De plus, lui et l’équipe de science des données intègrent l’analyse géospatiale et les techniques d’IA/ML dans tous les indices de risque pour la santé produits par HSR.health. En dehors du travail, Paul est un DJ autodidacte et adore la neige.

Janosch Woschitz est architecte de solutions senior chez AWS, spécialisé dans l'IA/ML géospatiale. Avec plus de 15 ans d'expérience, il aide ses clients du monde entier à tirer parti de l'IA et du ML pour des solutions innovantes qui capitalisent sur les données géospatiales. Son expertise couvre l'apprentissage automatique, l'ingénierie des données et les systèmes distribués évolutifs, complétée par une solide expérience en ingénierie logicielle et une expertise industrielle dans des domaines complexes tels que la conduite autonome.

Emmet Nelson est responsable de compte chez AWS qui soutient les clients de recherche à but non lucratif dans les secteurs verticaux de la santé et des sciences de la vie, des sciences de la terre/de l'environnement et de l'éducation. Son objectif principal est de permettre des cas d'utilisation dans les domaines de l'analyse, de l'IA/ML, du calcul haute performance (HPC), de la génomique et de l'imagerie médicale. Emmett a rejoint AWS en 2020 et est basé à Austin, Texas.

• Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
• PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
• PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
• PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
• PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
• La source: https://aws.amazon.com/blogs/machine-learning/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/