到 2030 年，超過五分之一的美國人將年滿 65 歲，成為美國有史以來最大的老年人群體。
位于硅谷的初創公司 Butlr 開發了一個 AI 平臺，旨在保護老年人的安全，同時保護他們的隱私。
他們基于 AI 的平臺使用神經網絡來解釋不同的溫度數據，這些數據由戰略性地放置在老年人護理設施中的傳感器獲取。
然后，該模型會創建人員的實時紅外圖像，這些圖像雖然基本沒有特征且模糊不清，但足夠詳細，可以幫助老年人護理機構的助手密切關注患者。
“我們要做的是利用邊緣溫度數據來拯救生命，利用智能來保護個人信息的隱私，”Butlr 首席執行官兼聯合創始人 Honghao Deng 說。
Butlr 設計其 AI 解決方案的目的是與老年人護理助手合作，而不是取代他們。
該模型可以檢測患者是否跌倒或躺在床上太長時間，并在發現緊急情況時自動提醒護理人員。此外，如果患者反復下床使用衛生間，AI 可以為護理人員標記這種行為，從而對可能數天內無法診斷的健康問題 (如尿路感染) 進行潛在的早期檢測。
在每天結束時，該模型會總結患者的活動，將熱模式轉換為行為摘要，從而提供 heat signature-to-text 功能。這些詳細的條目可以讓護理人員在下班后與患者互動，而無需編寫患者摘要。
Butlr 最大的創新是重新利用 infrared heat signatures，由于分辨率相對較低，因此可以通過廉價的電池供電傳感器持續捕獲這些信號。
這些輕量級傳感器可輕松安裝在幾乎任何房間中。其電池續航時間約為 7 年，這意味著整個系統安裝靈活且價格低廉，同時還能提供全面的老年人護理機構溫度圖。
至關重要的是，傳感器與在后臺運行的可靠模型集成，該模型可為實時推理提供支持，從而解讀患者的行為。
為了分析每天超過 10 億幀的數據和每月約 2 PB 的數據，Butlr 使用 NVIDIA GeForce RTX 2070 顯卡進行數據可視化。在 AWS 云中，它運行由 NVIDIA H100 Tensor Core GPU 提供支持的 Amazon SageMaker ml.p5 實例進行訓練，并運行由 NVIDIA A10G Tensor Core GPU 提供支持的 ml.g5 實例進行實時推理。
該模型將內部空間分割成兩英尺長的方塊，每個方塊每秒約讀取 10 個溫度讀數。然后，該模型將低分辨率的熱量數據重建為連貫的實時溫度定義圖像，從而為護理人員提供足夠的信息來監控老年人的行為，同時不會透露或記錄個人信息。
溫度特征的另一個關鍵優勢是它們對隱私的意義。
溫度數據的視覺精確度遠低于視頻。因此，雖然捕獲了與確保老年人安全相關的數據，但它們的相似性并非如此。
“我們的模型能夠處理高幀率和低分辨率。甚至連肢體都看不到，更不用說面部了。”Deng 說道。“借助我們的模型，我們能夠重建重要的形狀并了解某人的行為，而無需透露某人的身份。”
展望未來，Deng 認為對老年人護理解決方案的需求只會越來越大。
他說：“我們所有人都拒絕承認我們在變老。“但我們都在變老，我們需要制定創新的解決方案，因為除非情況發生變化，否則沒有足夠的訓練有素的護理人員來幫助每個人。”
詳細了解 Butlr 的 temperature mapping 技術?及 其潛在的廣泛應用案例 。
?
