이 글은 HSR.health의 Ajay K Gupta, Jean Felipe Teotonio 및 Paul A Churchyard가 공동으로 작성한 게스트 게시물입니다.

HSR.건강 인간의 독창성과 데이터 분석의 집중적이고 정확한 적용을 통해 글로벌 건강 문제를 해결할 수 있다는 비전을 가진 지리공간 건강 위험 분석 회사입니다. 이 게시물에서는 다음을 사용하여 인수공통 질병 예방에 대한 한 가지 접근 방식을 제시합니다. Amazon SageMaker 지리 공간 기능 더 많은 생명을 더 빨리 구할 수 있도록 보건 과학자들에게 보다 정확한 질병 확산 정보를 제공하는 도구를 만드는 것입니다.

동물성 질병은 동물과 인간 모두에게 영향을 미칩니다. 동물에서 인간으로 질병이 전이되는 현상, 유출,은 우리 행성에서 지속적으로 발생하는 현상입니다. 질병 통제 예방 센터(CDC)와 같은 보건 기관에 따르면(CDC) 및 세계보건기구(누구), 중국 우한의 재래시장에서 발생한 유출 사건은 2019년 코로나바이러스 질병(COVID-19)을 일으켰을 가능성이 가장 높습니다. 연구에 따르면 과일박쥐에서 발견된 바이러스가 심각한 돌연변이를 일으켜 인간을 감염시킬 수 있었던 것으로 나타났습니다. COVID-19의 초기 환자 또는 'XNUMX번째 환자'는 아마도 결국 국제적으로 확산되는 후속 지역 발병을 시작했을 것입니다. HSR.건강의 동물전염병 확산 위험 지수는 이러한 발병이 국경을 넘어 전 세계적으로 광범위한 영향을 미치기 전에 조기 발병을 식별하는 데 도움을 주는 것을 목표로 합니다.

지역적 발병 확산에 맞서 공중 보건이 갖고 있는 주요 무기는 질병 감시입니다. 즉, 질병 보고, 조사, 여러 수준의 공중 보건 시스템 간의 데이터 통신이 완전히 연동되는 시스템입니다. 이 시스템은 인적 요소뿐만 아니라 질병 데이터를 수집하고, 패턴을 분석하고, 지역에서 중앙 보건 당국으로 일관되고 지속적인 데이터 전송 흐름을 생성하는 기술과 자원에도 의존합니다.

코로나19가 국지적 발병에서 모든 대륙에 존재하는 세계적인 질병으로 발전한 속도는 보다 효율적이고 정확한 질병 감시 시스템을 만들기 위해 혁신적인 기술을 활용해야 한다는 절박한 필요성을 보여주는 냉철한 예가 되어야 합니다.

동물성 질병 확산의 위험은 인간이 야생 동물과 상호 작용하는 빈도에 영향을 미치는 다양한 사회적, 환경적, 지리적 요인과 밀접한 상관관계가 있습니다. 고속철도.health의 동물성 질병 확산 위험 지수는 역사적으로 인간과 야생동물의 상호 작용 위험 및 그에 따른 동물성 질병 확산 위험에 영향을 미치는 것으로 알려진 20개 이상의 서로 다른 지리적, 사회적, 환경적 요인을 사용합니다. 이러한 요소 중 다수는 위성 이미지와 원격 감지를 결합하여 매핑할 수 있습니다.

이번 포스팅에서는 HSR이 어떻게 이루어지는지 살펴보겠습니다.건강 위험 지수 개발을 위해 SageMaker 지리공간 기능을 사용하여 위성 이미지 및 원격 감지에서 관련 기능을 검색합니다. SageMaker 지리공간 기능을 사용하면 데이터 과학자와 기계 학습(ML) 엔지니어가 지리공간 데이터를 사용하여 모델을 쉽게 구축, 교육 및 배포할 수 있습니다. SageMaker 지리 공간적 기능을 사용하면 대규모 지리 공간 데이터 세트를 효율적으로 변환 또는 강화하고, 사전 훈련된 ML 모델을 사용하여 모델 구축을 가속화하고, 3D 가속 그래픽과 내장된 시각화 도구를 사용하여 대화형 지도에서 모델 예측 및 지리 공간 데이터를 탐색할 수 있습니다.

위험 완화를 위해 ML 및 지리공간 데이터 사용

ML은 특정 유형의 이상 현상을 식별하도록 명시적으로 프로그래밍하지 않고도 데이터에서 학습할 수 있기 때문에 공간적 또는 시간적 데이터에 대한 이상 감지에 매우 효과적입니다. 객체의 물리적 위치 및 모양과 관련된 공간 데이터에는 기존 알고리즘으로 분석하기 어려울 수 있는 복잡한 패턴과 관계가 포함되어 있는 경우가 많습니다.

ML을 지리공간 데이터와 통합하면 조기 경보 시스템에 필수적인 이상 현상과 비정상적인 패턴을 체계적으로 감지하는 기능이 향상됩니다. 이러한 시스템은 환경 모니터링, 재난 관리, 보안과 같은 분야에서 매우 중요합니다. 과거 지리공간 데이터를 사용한 예측 모델링을 통해 조직은 잠재적인 미래 이벤트를 식별하고 대비할 수 있습니다. 이러한 사건은 이 게시물에서 설명하는 것처럼 자연재해와 교통 혼잡에서 질병 발생에 이르기까지 다양합니다.

Zoonotic 유출 위험 감지

동물 감염 확산 위험을 예측하기 위해 HSR.건강 다중 모드 접근 방식을 채택했습니다. 환경, 생물지리, 역학 정보를 포함한 다양한 데이터 유형을 사용하여 이 방법을 사용하면 질병 역학에 대한 포괄적인 평가가 가능합니다. 이러한 다각적인 관점은 사전 조치를 개발하고 발병에 신속하게 대응하는 데 매우 중요합니다.

접근 방식에는 다음 구성 요소가 포함됩니다.

• 질병 및 발병 데이터 – 고속철도.건강 에서 제공하는 광범위한 질병 및 발병 데이터를 사용합니다. 기드온 그리고 세계보건기구(WHO)는 전 세계 역학 정보의 신뢰할 수 있는 두 소스입니다. 이 데이터는 분석 프레임워크의 기본 기둥 역할을 합니다. Gideon의 경우 API를 통해 데이터에 액세스할 수 있으며 WHO의 경우 HSR을 통해 데이터에 액세스할 수 있습니다..건강 과거 질병 발생 보고서에서 발생 데이터를 마이닝하기 위해 LLM(대형 언어 모델)을 구축했습니다.
• 지구 관측 데이터 – 환경 요인, 토지 이용 분석 및 서식지 변화 감지는 동물 감염 위험을 평가하는 데 필수적인 구성 요소입니다. 이러한 통찰력은 위성 기반 지구 관측 데이터에서 파생될 수 있습니다. 고속철도.건강 SageMaker 지리공간 기능을 사용하여 대규모 지리공간 데이터 세트에 액세스하고 조작함으로써 지구 관측 데이터의 사용을 간소화할 수 있습니다. SageMaker 지리 공간은 USGS Landsat-8, Sentinel-1, Sentinel-2 등의 데이터 세트를 포함하여 풍부한 데이터 카탈로그를 제공합니다. Planet Labs의 고해상도 이미지와 같은 다른 데이터 세트를 가져올 수도 있습니다.
• 위험의 사회적 결정 요인 – 생물학적, 환경적 요인을 넘어 HSR 팀은.건강 또한 다양한 사회경제적, 인구통계학적 지표를 포괄하고 동물 감염 확산 역학을 형성하는 데 중추적인 역할을 하는 사회적 결정 요인을 고려했습니다.

이러한 구성요소로부터 HSR.건강 다양한 요인을 평가했으며 다음과 같은 특징이 동물 감염 확산 위험을 식별하는 데 영향을 미치는 것으로 확인되었습니다.

• 동물 서식지 및 거주 가능 구역 – 잠재적인 인수공통 숙주의 서식지와 거주 가능 구역을 이해하는 것은 전염 위험을 평가하는 데 필수적입니다.
• 인구 밀집 지역 – 인구 밀도가 높은 지역에 대한 근접성은 인간과 동물의 상호 작용 가능성에 영향을 미치기 때문에 주요 고려 사항입니다.
• 서식지 상실 – 특히 삼림 벌채를 통한 자연 서식지의 훼손은 동물 감염 사태를 가속화할 수 있습니다.
• 인간-야생 인터페이스 – 인간 거주지가 야생 동물 서식지와 교차하는 지역은 동물 감염의 잠재적인 핫스팟입니다.
• 사회적 특성 – 사회 경제적, 문화적 요인은 동물 감염 위험 및 HSR에 큰 영향을 미칠 수 있습니다.건강 이것들도 조사한다.
• 인간 건강 특성 – 지역 인구의 건강 상태는 감수성과 전염 역학에 영향을 미치기 때문에 필수 변수입니다.

솔루션 개요

HSR.건강의 워크플로에는 데이터 전처리, 특징 추출, ML 기술을 사용한 유익한 시각화 생성이 포함됩니다. 이를 통해 원시 형식에서 실행 가능한 통찰력으로 데이터의 진화를 명확하게 이해할 수 있습니다.

다음은 Gideon의 입력 데이터, 지구 관측 데이터, 위험 데이터의 사회적 결정 요인으로 시작하는 워크플로를 시각적으로 표현한 것입니다.

SageMaker 지리공간 기능을 사용하여 위성 이미지 검색 및 처리

위성 데이터는 위험 지수 구축을 위해 수행되는 분석의 초석을 형성하며 환경 변화에 대한 중요한 정보를 제공합니다. 위성 이미지에서 통찰력을 얻기 위해 HSR.건강 사용 지구 관측 작업 (EOJ). EOJ를 사용하면 지구 표면에서 수집된 래스터 데이터를 수집하고 변환할 수 있습니다. EOJ는 지정된 데이터 소스(예: 위성 별자리)에서 특정 지역 및 기간에 대한 위성 이미지를 얻습니다. 그런 다음 검색된 이미지에 하나 이상의 모델을 적용합니다.

또한, 아마존 세이지 메이커 스튜디오 일반적으로 사용되는 지리공간 라이브러리가 사전 설치된 지리공간 노트북을 제공합니다. 이 노트북을 사용하면 Python 노트북 환경 내에서 지리공간 데이터를 직접 시각화하고 처리할 수 있습니다. EOJ는 지리공간 노트북 환경에서 생성될 수 있습니다.

EOJ를 구성하려면 다음 매개변수가 사용됩니다.

• 입력 구성 – 입력 구성은 데이터 수집 중에 사용할 데이터 소스와 필터링 기준을 지정합니다.
  • 래스터데이터수집Arn – 데이터를 수집할 위성을 지정합니다.
  • 관심 분야 – 지리적 관심 영역(AOI)은 이미지 수집을 위한 다각형 경계를 정의합니다.
  • 시간 범위 필터 – 관심 있는 시간 범위: {StartTime: <string>, EndTime: <string>}.
  • 속성 필터 – 허용 가능한 구름 범위 비율 또는 원하는 태양 방위각과 같은 추가 속성 필터.
• 작업 구성 – 이 구성은 검색된 위성 이미지 데이터에 적용할 작업 유형을 정의합니다. 밴드 수학, 리샘플링, 지오모자이크 또는 클라우드 제거와 같은 작업을 지원합니다.

다음 예제 코드는 HSR에서 수행되는 단계를 대표하는 클라우드 제거를 위한 EOJ 실행을 보여줍니다..건강:

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.건강 데이터를 전처리하고 관련 기능을 추출하기 위해 여러 작업을 사용했습니다. 여기에는 토지 피복 분류, 온도 변화 매핑, 식생 지수 등의 작업이 포함됩니다.

식생 건강을 나타내는 것과 관련된 식생 지수 중 하나는 NDVI(Normalized Difference Vegetation Index)입니다. NDVI는 식물이 반사하는 근적외선과 식물이 흡수하는 적색광을 사용하여 식물의 건강을 정량화합니다. 시간이 지남에 따라 NDVI를 모니터링하면 삼림 벌채와 같은 인간 활동의 영향과 같은 식생의 변화를 확인할 수 있습니다.

다음 코드 조각은 구름 제거를 통해 전달된 데이터를 기반으로 NDVI와 같은 식생 지수를 계산하는 방법을 보여줍니다.

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,
)

SageMaker 지리공간 기능을 사용하여 작업 출력을 시각화할 수 있습니다. SageMaker 지리공간 기능은 기본 지도에 모델 예측을 오버레이하고 계층화된 시각화를 제공하여 협업을 더 쉽게 만드는 데 도움이 됩니다. GPU 기반 대화형 시각화 도구와 Python 노트북을 사용하면 수백만 개의 데이터 포인트를 한 번에 탐색할 수 있어 통찰력과 결과에 대한 공동 탐색이 용이해집니다.

이 게시물에 설명된 단계는 HSR이 제공하는 많은 래스터 기반 기능 중 하나를 보여줍니다..건강 위험지수를 생성하기 위해 추출되었습니다.

래스터 기반 기능을 건강 및 소셜 데이터와 결합

래스터 형식으로 관련 특징을 추출한 후 HSR.건강 지역 통계를 사용하여 사회 및 건강 데이터가 할당된 행정 경계 다각형 내의 래스터 데이터를 집계했습니다. 분석에는 래스터 및 벡터 지리공간 데이터의 조합이 포함됩니다. 이러한 종류의 집계를 통해 지리 데이터 프레임에서 래스터 데이터를 관리할 수 있으며, 이는 최종 위험 지수를 생성하기 위해 건강 및 사회 데이터와의 통합을 용이하게 합니다.

다음 코드 조각은 래스터 데이터를 관리 벡터 경계로 집계하는 방법을 보여줍니다.

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)

추출된 특징을 효과적으로 평가하기 위해 ML 모델을 사용하여 각 특징을 나타내는 요인을 예측합니다. 사용되는 모델 중 하나는 SVM(Support Vector Machine)입니다. SVM 모델은 위험 평가를 알리는 데이터 내의 패턴과 연관성을 밝히는 데 도움이 됩니다.

이 지수는 다양한 지역에서 잠재적인 유출 사건을 이해하는 데 도움이 되도록 이러한 요인의 가중 평균으로 계산된 위험 수준의 정량적 평가를 나타냅니다.

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)

다음 왼쪽 그림은 2018~2023년 사이 산림 면적의 계산된 변화와 함께 페루 북부의 테스트 지역 장면에서 지구 행정 수준으로 집계된 이미지 분류를 보여줍니다. 삼림벌채는 인수공통감염병 확산의 위험을 결정하는 주요 요인 중 하나입니다. 오른쪽 그림은 해당 지역 내에서 가장 높은(빨간색) 위험부터 가장 낮은(진한 녹색) 위험까지 동물 감염 확산 위험 심각도 수준을 강조합니다. 이 지역은 도시, 숲, 모래, 물, 초원, 농업 등 현장에서 포착된 토지 피복의 다양성으로 인해 이미지 분류를 위한 훈련 지역 중 하나로 선택되었습니다. 또한 이는 삼림 벌채와 인간과 동물 사이의 상호 작용으로 인해 잠재적인 인수공통 전염병이 발생할 수 있는 많은 관심 분야 중 하나입니다.

질병 발병에 대한 과거 데이터, 지구 관측 데이터, 사회적 결정 요인 및 ML 기술을 포괄하는 이러한 다중 모드 접근 방식을 채택함으로써 우리는 인수공통 감염 위험을 더 잘 이해하고 예측할 수 있으며 궁극적으로 발병 위험이 가장 큰 영역에 대한 질병 감시 및 예방 전략을 지시할 수 있습니다. 다음 스크린샷은 동물 감염 위험 분석 결과의 대시보드를 보여줍니다. 이 위험 분석은 다음 질병이 풍토병 또는 새로운 전염병이 되기 전에 억제할 수 있도록 새로운 잠재적인 동물 감염 발생에 대한 자원과 감시가 어디서 발생할 수 있는지 강조합니다.

전염병 예방에 대한 새로운 접근 방식

1998년에 말레이시아 니파 강을 따라 1998년 가을부터 1999년 봄 사이에 265명의 사람들이 당시 알려지지 않은 바이러스에 감염되어 급성 뇌염과 심한 호흡곤란을 일으켰습니다. 이 중 105명이 사망해 치명률이 39.6%에 달했다. 반면 코로나19의 치료받지 않은 치명률은 6.3%다. 그 이후로 현재 니파 바이러스라고 불리는 이 바이러스는 숲 서식지를 벗어나 주로 인도와 방글라데시에서 20건 이상의 치명적인 발병을 일으켰습니다.

Nipah와 같은 바이러스는 매년 등장하여 일상 생활에 문제를 일으키고 있으며, 특히 질병 감시 및 탐지를 위한 강력하고 지속적이고 강력한 시스템을 구축하는 것이 더 어려운 국가에서는 더욱 그렇습니다. 이러한 탐지 시스템은 해당 바이러스와 관련된 위험을 줄이는 데 중요합니다.

Zoonotic Spillover Risk Index와 같은 ML 및 지리공간 데이터를 사용하는 솔루션은 지역 공중 보건 당국이 가장 위험이 높은 영역에 자원 할당의 우선순위를 정하는 데 도움을 줄 수 있습니다. 그렇게 함으로써 지역적 발병이 국경을 넘어 확산되기 전에 이를 감지하고 중단시키기 위한 표적화되고 국부적인 감시 조치를 수립할 수 있습니다. 이 접근 방식은 질병 발생의 영향을 크게 제한하고 생명을 구할 수 있습니다.

결론

이 게시물에서는 HSR이 어떻게 작동하는지 보여주었습니다..건강 지리공간 데이터, 건강, 사회적 결정 요인 및 ML을 통합하여 Zoonotic Spillover Risk Index를 성공적으로 개발했습니다. SageMaker를 사용하여 팀은 잠재적인 미래 전염병의 가장 실질적인 위협을 정확히 찾아낼 수 있는 확장 가능한 워크플로를 만들었습니다. 이러한 위험을 효과적으로 관리하면 전 세계적으로 질병 부담이 감소할 수 있습니다. 전염병 위험을 줄이는 데 따른 실질적인 경제적, 사회적 이점은 아무리 강조해도 지나치지 않으며, 지역적, 전 세계적으로 혜택이 확대됩니다.

HSR.건강 Zoonotic Spillover Risk Index의 초기 구현을 위해 SageMaker 지리 공간적 기능을 사용했으며 현재는 인덱스를 더욱 발전시키고 전 세계 추가 지역으로 적용을 확장하기 위해 호스트 국가 및 자금 출처의 지원과 파트너십을 모색하고 있습니다. HSR에 대한 자세한 내용은.건강 및 Zoonotic Spillover Risk Index를 방문하세요. www.hsr.health.

SageMaker 지리공간 기능을 탐색하여 지구 관측 데이터를 의료 이니셔티브에 통합할 수 있는 가능성을 알아보세요. 자세한 내용은 다음을 참조하세요. Amazon SageMaker 지리 공간 기능, 또는 참여 추가 예시 실무 경험을 쌓기 위해.

저자에 관하여

아제이 K 굽타 질병의 확산과 심각도를 예측하기 위해 지리공간 기술과 AI 기술을 통해 건강 위험 분석을 혁신하고 혁신하는 회사인 HSR.health의 공동 창립자이자 CEO입니다. 그리고 업계, 정부, 의료 부문에 이러한 통찰력을 제공하여 미래의 위험을 예측하고 완화하며 활용할 수 있도록 합니다. 직장 밖에서는 마이크 뒤에서 U2, Sting, George Michael 또는 Imagine Dragons의 좋아하는 팝 음악을 부르며 고막을 터뜨리는 Ajay를 발견할 수 있습니다.

장 펠리페 테오토니오 열정적인 의사이자 의료 품질 및 전염병 역학 분야의 열정적인 전문가인 Jean Felipe는 HSR.health 공중 보건 팀을 이끌고 있습니다. 그는 GeoAI 접근 방식을 활용하여 우리 시대의 가장 큰 건강 문제에 대한 솔루션을 개발함으로써 전 세계적으로 질병의 부담을 줄여 공중 보건을 개선한다는 공동 목표를 향해 노력하고 있습니다. 업무 외 취미로는 SF 책 읽기, 하이킹, 영국 프리미어리그 관람, 베이스 기타 연주 등이 있습니다.

폴 A 처치야드HSR.health의 CTO이자 최고 지리공간 엔지니어인 그는 광범위한 기술과 전문 지식을 활용하여 회사의 핵심 인프라와 특허받은 독점 GeoMD 플랫폼을 구축합니다. 또한 그와 데이터 과학 팀은 HSR.health가 생성하는 모든 건강 위험 지수에 지리공간 분석 및 AI/ML 기술을 통합합니다. 직장 밖에서 Paul은 독학으로 DJ를 하며 눈을 좋아합니다.

야노슈 보쉬츠 지리 공간 AI/ML을 전문으로 하는 AWS의 수석 솔루션 아키텍트입니다. 15년 이상의 경험을 바탕으로 그는 지리공간 데이터를 활용하는 혁신적인 솔루션을 위해 AI 및 ML을 활용하여 전 세계 고객을 지원합니다. 그의 전문 지식은 기계 학습, 데이터 엔지니어링, 확장 가능한 분산 시스템에 걸쳐 있으며, 소프트웨어 엔지니어링에 대한 탄탄한 배경과 자율 주행과 같은 복잡한 영역의 산업 전문 지식으로 강화되었습니다.

에밋 넬슨 의료 및 생명 과학, 지구/환경 과학, 교육 분야 전반에 걸쳐 비영리 연구 고객을 지원하는 AWS의 회계 담당자입니다. 그의 주요 초점은 분석, AI/ML, 고성능 컴퓨팅(HPC), 유전체학, 의료 영상 전반에 걸쳐 사용 사례를 지원하는 것입니다. Emmett은 2020년에 AWS에 합류했으며 텍사스주 오스틴에 거주하고 있습니다.

• SEO 기반 콘텐츠 및 PR 배포. 오늘 증폭하십시오.
• PlatoData.Network 수직 생성 Ai. 자신에게 권한을 부여하십시오. 여기에서 액세스하십시오.
• PlatoAiStream. 웹3 인텔리전스. 지식 증폭. 여기에서 액세스하십시오.
• 플라톤ESG. 탄소, 클린테크, 에너지, 환경, 태양광, 폐기물 관리. 여기에서 액세스하십시오.
• PlatoHealth. 생명 공학 및 임상 시험 인텔리전스. 여기에서 액세스하십시오.
• 출처: 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/