Uporabite podatke o mobilnosti za pridobivanje vpogledov z uporabo geoprostorskih zmogljivosti Amazon SageMaker | Spletne storitve Amazon

Geoprostorski podatki so podatki o določenih lokacijah na zemeljskem površju. Lahko predstavlja geografsko območje kot celoto ali pa dogodek, povezan z geografskim območjem. Analiza geoprostorskih podatkov je iskana v nekaj panogah. Vključuje razumevanje, kje podatki obstajajo s prostorskega vidika in zakaj tam obstajajo.

Obstajata dve vrsti geoprostorskih podatkov: vektorski podatki in rastrski podatki. Rastrski podatki so matrika celic, predstavljena kot mreža, ki večinoma predstavlja fotografije in satelitske posnetke. V tej objavi se osredotočamo na vektorske podatke, ki so predstavljeni kot geografske koordinate zemljepisne širine in dolžine ter črte in poligoni (območja), ki jih povezujejo ali zajemajo. Vektorski podatki imajo številne primere uporabe pri pridobivanju vpogledov v mobilnost. Uporabniški mobilni podatki so ena takih komponent in izhajajo predvsem iz geografskega položaja mobilnih naprav, ki uporabljajo GPS, ali izdajateljev aplikacij, ki uporabljajo SDK-je ali podobne integracije. Za namen te objave te podatke imenujemo podatki o mobilnosti.

To je dvodelna serija. V tej prvi objavi predstavljamo podatke o mobilnosti, njihove vire in tipično shemo teh podatkov. Nato razpravljamo o različnih primerih uporabe in raziskujemo, kako lahko uporabite storitve AWS za čiščenje podatkov, kako lahko strojno učenje (ML) pomaga pri tem prizadevanju in kako lahko etično uporabite podatke pri ustvarjanju vizualnih elementov in vpogledov. Druga objava bo bolj tehnične narave in bo podrobno pokrivala te korake poleg vzorčne kode. Ta objava nima vzorčnega nabora podatkov ali vzorčne kode, temveč opisuje, kako uporabiti podatke, potem ko so kupljeni pri zbiralniku podatkov.

Lahko uporabite Geoprostorske zmogljivosti Amazon SageMaker za prekrivanje podatkov o mobilnosti na osnovnem zemljevidu in zagotavljanje večplastne vizualizacije za lažje sodelovanje. Interaktivni vizualizator, ki ga poganja GPE, in prenosni računalniki Python zagotavljajo brezhiben način za raziskovanje milijonov podatkovnih točk v enem samem oknu ter izmenjavo vpogledov in rezultatov.

Viri in shema

Virov podatkov o mobilnosti je malo. Poleg pingov GPS in izdajateljev aplikacij se za razširitev nabora podatkov uporabljajo tudi drugi viri, kot so dostopne točke Wi-Fi, podatki o toku ponudb, pridobljeni s prikazovanjem oglasov na mobilnih napravah, in posebni oddajniki strojne opreme, ki jih postavijo podjetja (na primer v fizičnih trgovinah). ). Podjetja pogosto težko sama zbirajo te podatke, zato jih lahko kupijo pri zbiralnikih podatkov. Zbiralniki podatkov zbirajo podatke o mobilnosti iz različnih virov, jih čistijo, dodajajo hrup in dajejo podatke dnevno na voljo za določene geografske regije. Zaradi narave samih podatkov in ker jih je težko pridobiti, se lahko točnost in kakovost teh podatkov precej razlikujeta, podjetja pa morajo to oceniti in preveriti z uporabo meritev, kot so dnevno aktivni uporabniki, skupni dnevni pingi, in povprečni dnevni pingi na napravo. Naslednja tabela prikazuje, kakšna je lahko tipična shema dnevnega vira podatkov, ki ga pošiljajo zbiralniki podatkov.

Lastnost	Opis
Id ali MAID	ID mobilnega oglaševanja (MAID) naprave (zgoščeno)
lat	Zemljepisna širina naprave
LNG	Dolžina naprave
geohash	Geohash lokacija naprave
device_type	Operacijski sistem naprave = IDFA ali GAID
horizontalna_natančnost	Natančnost vodoravnih GPS koordinat (v metrih)
Časovni žig	Časovni žig dogodka
ip	IP naslov
old	Nadmorska višina naprave (v metrih)
hitrost	Hitrost naprave (v metrih/sekundo)
država	ISO dvomestna koda za državo izvora
so bili	Kode, ki predstavljajo stanje
CITY	Kode, ki predstavljajo mesto
Poštna številka	Poštna številka, kjer je viden ID naprave
nosilec	Nosilec naprave
proizvajalec_naprave	Proizvajalec naprave

Uporabite primeri

Podatki o mobilnosti imajo široko uporabo v različnih panogah. Sledi nekaj najpogostejših primerov uporabe:

• Meritve gostote – Analizo peš prometa je mogoče kombinirati z gostoto prebivalstva za opazovanje dejavnosti in obiskov zanimivih točk (POI). Te meritve predstavljajo sliko o tem, koliko naprav ali uporabnikov se aktivno ustavlja in sodeluje s podjetjem, kar je mogoče nadalje uporabiti za izbiro mesta ali celo analizo vzorcev gibanja okoli dogodka (na primer ljudje, ki potujejo na dan igre). Za pridobitev takšnih vpogledov gredo vhodni neobdelani podatki skozi postopek ekstrahiranja, preoblikovanja in nalaganja (ETL), da prepoznajo dejavnosti ali dejavnosti iz neprekinjenega toka pingov lokacije naprave. Aktivnosti lahko analiziramo tako, da identificiramo postanke, ki jih naredi uporabnik ali mobilna naprava, z združevanjem pingov z uporabo modelov ML v Amazon SageMaker.
• Izleti in trajektorije – Dnevni vir lokacije naprave se lahko izrazi kot zbirka dejavnosti (postanki) in potovanj (gibanje). Par dejavnosti lahko predstavlja potovanje med njima, sledenje potovanja s premikajočo se napravo v geografskem prostoru pa lahko vodi do preslikave dejanske poti. Vzorci poti gibanja uporabnikov lahko vodijo do zanimivih vpogledov, kot so prometni vzorci, poraba goriva, mestno načrtovanje in drugo. Prav tako lahko zagotovi podatke za analizo poti, vzete iz oglasnih točk, kot je pano, identificira najučinkovitejše dostavne poti za optimizacijo delovanja dobavne verige ali analizira evakuacijske poti v naravnih nesrečah (na primer evakuacija zaradi orkana).
• Analiza povodja - A povodje se nanaša na kraje, od koder določeno območje privablja obiskovalce, ki so lahko stranke ali potencialne stranke. Maloprodajna podjetja lahko uporabijo te informacije, da določijo optimalno lokacijo za odprtje nove trgovine ali ugotovijo, ali sta dve lokaciji trgovin preblizu druga drugi s prekrivajočimi se zbiralnimi območji in druga drugi ovirata poslovanje. Prav tako lahko ugotovijo, od kod prihajajo dejanske stranke, prepoznajo potencialne stranke, ki gredo mimo območja na poti v službo ali domov, analizirajo podobne meritve obiska za konkurente in še več. Podjetja Marketing Tech (MarTech) in Advertisement Tech (AdTech) lahko to analizo uporabijo tudi za optimizacijo trženjskih kampanj z identifikacijo občinstva blizu trgovine blagovne znamke ali za razvrščanje trgovin glede na uspešnost za oglaševanje zunaj doma.

Obstaja več drugih primerov uporabe, vključno z ustvarjanjem obveščevalnih podatkov o lokaciji za komercialne nepremičnine, dopolnjevanjem podatkov satelitskih posnetkov s številkami obiska, prepoznavanjem dostavnih središč za restavracije, določanjem verjetnosti evakuacije soseske, odkrivanjem vzorcev gibanja ljudi med pandemijo in več.

Izzivi in ​​etična uporaba

Etična uporaba podatkov o mobilnosti lahko vodi do številnih zanimivih spoznanj, ki lahko pomagajo organizacijam izboljšati svoje poslovanje, izvajati učinkovito trženje ali celo doseči konkurenčno prednost. Za etično uporabo teh podatkov je treba slediti več korakom.

Začne se s samim zbiranjem podatkov. Čeprav večina podatkov o mobilnosti ostaja brez podatkov, ki omogočajo osebno identifikacijo (PII), kot sta ime in naslov, morajo zbiralci in združevalci podatkov pridobiti soglasje uporabnika za zbiranje, uporabo, shranjevanje in skupno rabo njihovih podatkov. Upoštevati je treba zakone o zasebnosti podatkov, kot sta GDPR in CCPA, ker uporabnikom omogočajo, da določijo, kako lahko podjetja uporabljajo njihove podatke. Ta prvi korak je bistven premik k etični in odgovorni uporabi podatkov o mobilnosti, vendar je mogoče narediti več.

Vsaki napravi je dodeljen zgoščen ID mobilnega oglaševanja (MAID), ki se uporablja za zasidranje posameznih pingov. To je mogoče dodatno zamegliti z uporabo Amazon Macie, Amazon S3 Objekt Lambda, Amazonsko razumevanje, ali celo AWS Glue Studio Zaznaj pretvorbo PII. Za več informacij glejte Pogoste tehnike za odkrivanje podatkov PHI in PII z uporabo storitev AWS.

Poleg podatkov, ki omogočajo osebno prepoznavo, je treba razmisliti o prikrivanju uporabnikove domače lokacije in drugih občutljivih lokacij, kot so vojaške baze ali verski objekti.

Zadnji korak za etično uporabo je pridobivanje in izvoz samo združenih meritev iz Amazon SageMaker. To pomeni pridobivanje meritev, kot je povprečno število ali skupno število obiskovalcev, v nasprotju s posameznimi potovalnimi vzorci; pridobivanje dnevnih, tedenskih, mesečnih ali letnih trendov; ali indeksiranje vzorcev mobilnosti prek javno dostopnih podatkov, kot so podatki popisa prebivalstva.

Pregled rešitev

Kot smo že omenili, so storitve AWS, ki jih lahko uporabite za analizo podatkov o mobilnosti, Amazon S3, Amazon Macie, AWS Glue, S3 Object Lambda, Amazon Comprehend in geoprostorske zmogljivosti Amazon SageMaker. Geoprostorske zmogljivosti Amazon SageMaker znanstvenikom in inženirjem ML olajšajo izdelavo, usposabljanje in uvajanje modelov z uporabo geoprostorskih podatkov. Učinkovito lahko preoblikujete ali obogatite obsežne geoprostorske podatkovne nize, pospešite gradnjo modela z vnaprej usposobljenimi modeli ML ter raziščete napovedi modela in geoprostorske podatke na interaktivnem zemljevidu z uporabo 3D pospešene grafike in vgrajenih orodij za vizualizacijo.

Naslednja referenčna arhitektura prikazuje potek dela z uporabo ML z geoprostorskimi podatki.

V tem poteku dela so neobdelani podatki združeni iz različnih virov podatkov in shranjeni v Preprosta storitev shranjevanja Amazon (S3) vedro. Amazon Macie se uporablja na tem vedru S3 za identifikacijo in urejanje osebnih podatkov. AWS Glue se nato uporabi za čiščenje in pretvorbo neobdelanih podatkov v zahtevano obliko, nato pa se spremenjeni in očiščeni podatki shranijo v ločeno vedro S3. Za tiste transformacije podatkov, ki niso možne prek AWS Glue, uporabite AWS Lambda za spreminjanje in čiščenje neobdelanih podatkov. Ko so podatki očiščeni, lahko uporabite Amazon SageMaker za izdelavo, usposabljanje in uvajanje modelov ML na pripravljenih geoprostorskih podatkih. Uporabite lahko tudi geoprostorska obdelava delovnih mest funkcija geoprostorskih zmogljivosti Amazon SageMaker za predhodno obdelavo podatkov – na primer uporaba funkcije Python in stavkov SQL za prepoznavanje dejavnosti iz neobdelanih podatkov o mobilnosti. Podatkovni znanstveniki lahko ta postopek izvedejo s povezovanjem prek prenosnikov Amazon SageMaker. Uporabite lahko tudi Amazon QuickSight za vizualizacijo poslovnih rezultatov in drugih pomembnih meritev iz podatkov.

Geoprostorske zmogljivosti Amazon SageMaker in opravila geoprostorske obdelave

Ko so podatki pridobljeni in vneseni v Amazon S3 z dnevnim virom ter očiščeni morebitnih občutljivih podatkov, jih je mogoče uvoziti v Amazon SageMaker z Amazon SageMaker Studio zvezek z geoprostorsko sliko. Naslednji posnetek zaslona prikazuje vzorec dnevnih pingov naprave, naloženih v Amazon S3 kot datoteko CSV in nato naloženih v podatkovni okvir pandas. Prenosni računalnik Amazon SageMaker Studio z geoprostorsko sliko ima vnaprej naložene geoprostorske knjižnice, kot so GDAL, GeoPandas, Fiona in Shapely, ter omogoča preprosto obdelavo in analizo teh podatkov.

Ta vzorčni nabor podatkov vsebuje približno 400,000 dnevnih pingov naprave iz 5,000 naprav s 14,000 edinstvenih mest, ki so jih zabeležili uporabniki, ki so 15. maja 2023 obiskali Arrowhead Mall, kompleks priljubljenega nakupovalnega središča v Phoenixu v Arizoni. Prejšnji posnetek zaslona prikazuje podnabor stolpcev v podatkovna shema. The MAID stolpec predstavlja ID naprave in vsak MAID vsako minuto ustvari pinge, ki posredujejo zemljepisno širino in dolžino naprave, zabeleženo v vzorčni datoteki kot Lat in Lng stolpcev.

Sledijo posnetki zaslona iz orodja za vizualizacijo zemljevidov geoprostorskih zmogljivosti Amazon SageMaker, ki jih poganja Foursquare Studio, ki prikazujejo postavitev pingov iz naprav, ki obiščejo nakupovalno središče med 7 in 00.

Naslednji posnetek zaslona prikazuje pinge iz nakupovalnega središča in okolice.

Sledi prikaz pingov iz različnih trgovin v nakupovalnem središču.

Vsaka pika na posnetkih zaslona prikazuje ping iz dane naprave v danem trenutku. Grozd pingov predstavlja priljubljena mesta, kjer so se naprave zbrale ali ustavile, kot so trgovine ali restavracije.

Kot del začetnega ETL-ja je mogoče te neobdelane podatke naložiti v tabele z uporabo AWS Glue. Ustvarite lahko pajka AWS Glue za identifikacijo sheme podatkov in tabel obrazcev tako, da kot vir podatkov pokažete na lokacijo neobdelanih podatkov v Amazonu S3.

Kot je navedeno zgoraj, bodo neobdelani podatki (dnevni pingi naprave), tudi po začetnem ETL, predstavljali neprekinjen tok pingov GPS, ki označujejo lokacije naprav. Da iz teh podatkov pridobimo uporabne vpoglede, moramo identificirati postanke in vožnje (poti). To je mogoče doseči z uporabo geoprostorska obdelava delovnih mest značilnost geoprostorskih zmogljivosti SageMaker. Obdelava Amazon SageMaker uporablja poenostavljeno, upravljano izkušnjo na SageMakerju za izvajanje delovnih obremenitev obdelave podatkov z namensko izdelanim geoprostorskim vsebnikom. Osnovno infrastrukturo za opravilo SageMaker Processing v celoti upravlja SageMaker. Ta funkcija omogoča izvajanje kode po meri na geoprostorskih podatkih, shranjenih na Amazon S3, z izvajanjem geoprostorskega vsebnika ML na opravilu SageMaker Processing. Operacije po meri lahko izvedete na odprtih ali zasebnih geoprostorskih podatkih tako, da napišete kodo po meri z odprtokodnimi knjižnicami in izvedete operacijo v velikem obsegu z opravili SageMaker Processing. Pristop, ki temelji na vsebniku, rešuje potrebe glede standardizacije razvojnega okolja s pogosto uporabljenimi odprtokodnimi knjižnicami.

Za izvajanje tako obsežnih delovnih obremenitev potrebujete prilagodljivo računalniško gručo, ki lahko obsega od več deset primerkov za obdelavo mestnega bloka do več tisoč primerkov za obdelavo na planetarni ravni. Ročno upravljanje računalniške gruče DIY je počasno in drago. Ta funkcija je še posebej uporabna, kadar nabor podatkov o mobilnosti vključuje več kot nekaj mest v več zveznih državah ali celo državah in jo je mogoče uporabiti za izvajanje dvostopenjskega pristopa ML.

Prvi korak je uporaba prostorskega združevanja aplikacij v gruče na podlagi gostote z algoritmom šuma (DBSCAN) za zaustavitev gruče zaradi pingov. Naslednji korak je uporaba metode podpornih vektorskih strojev (SVM) za nadaljnje izboljšanje natančnosti identificiranih postankov in tudi za razlikovanje postankov z dejavnostmi s POI od postankov brez njega (na primer doma ali v službi). Posel SageMaker Processing lahko uporabite tudi za generiranje potovanj in trajektorij iz dnevnih pingov naprave z identifikacijo zaporednih postankov in preslikavo poti med izvornimi in ciljnimi postanki.

Po obdelavi neobdelanih podatkov (dnevni pingi naprave) v velikem obsegu z opravili geoprostorske obdelave bi moral imeti nov nabor podatkov, imenovan stops, naslednjo shemo.

Lastnost	Opis
Id ali MAID	ID mobilnega oglaševanja naprave (zgoščeno)
lat	Zemljepisna širina središča zaustavitvene kopice
LNG	Zemljepisna dolžina središča zaustavitvene gruče
geohash	Geohash lokacija POI
device_type	Operacijski sistem naprave (IDFA ali GAID)
Časovni žig	Začetni čas postanka
dwell_time	Čas zadrževanja ustavitve (v sekundah)
ip	IP naslov
old	Nadmorska višina naprave (v metrih)
država	ISO dvomestna koda za državo izvora
so bili	Kode, ki predstavljajo stanje
CITY	Kode, ki predstavljajo mesto
Poštna številka	Poštna številka, kjer je viden ID naprave
nosilec	Nosilec naprave
proizvajalec_naprave	Proizvajalec naprave

Zaustavitve so konsolidirane z združevanjem pingov na napravo. Združevanje v gruče na podlagi gostote je kombinirano s parametri, kot sta prag za zaustavitev 300 sekund in najmanjša razdalja med postanki 50 metrov. Te parametre je mogoče prilagoditi glede na vaš primer uporabe.

Naslednji posnetek zaslona prikazuje približno 15,000 postankov, identificiranih iz 400,000 pingov. Prisoten je tudi podnabor prejšnje sheme, kjer stolpec Dwell Time predstavlja trajanje postanka, in Lat in Lng stolpci predstavljajo zemljepisno širino in dolžino središč gruče postankov na napravo na lokacijo.

Podatki po ETL so shranjeni v formatu datoteke Parquet, ki je stolpčni format za shranjevanje, ki olajša obdelavo velikih količin podatkov.

Naslednji posnetek zaslona prikazuje postanke, združene iz pingov na napravo znotraj nakupovalnega središča in okolice.

Po identifikaciji postankov je mogoče ta nabor podatkov združiti z javno dostopnimi podatki POI ali podatki o POI po meri, specifičnimi za primer uporabe, za prepoznavanje dejavnosti, kot je sodelovanje z blagovnimi znamkami.

Naslednji posnetek zaslona prikazuje postaje, identificirane pri glavnih točkah interesa (trgovinah in blagovnih znamkah) v nakupovalnem centru Arrowhead Mall.

Domače poštne številke so bile uporabljene za prikrivanje domače lokacije vsakega obiskovalca, da se ohrani zasebnost, če je to del njihovega potovanja v naboru podatkov. Zemljepisna širina in dolžina sta v takih primerih ustrezni koordinati središča poštne številke.

Naslednji posnetek zaslona je vizualna predstavitev takih dejavnosti. Leva slika prikazuje postaje do trgovin, desna slika pa daje predstavo o postavitvi samega nakupovalnega središča.

Ta nastali nabor podatkov je mogoče vizualizirati na več načinov, o katerih razpravljamo v naslednjih razdelkih.

Meritve gostote

Izračunamo in vizualiziramo lahko gostoto aktivnosti in obiska.

Primer 1 – Naslednji posnetek zaslona prikazuje 15 najbolj obiskanih trgovin v nakupovalnem središču.

Primer 2 – Naslednji posnetek zaslona prikazuje število obiskov trgovine Apple Store na vsako uro.

Izleti in trajektorije

Kot smo že omenili, par zaporednih dejavnosti predstavlja izlet. Za pridobivanje potovanj iz podatkov o dejavnostih lahko uporabimo naslednji pristop. Tukaj se uporabljajo okenske funkcije s SQL za ustvarjanje trips tabelo, kot je prikazano na posnetku zaslona.

Po trips se ustvari tabela, lahko določite potovanja do POI.

Primer 1 - Naslednji posnetek zaslona prikazuje 10 najboljših trgovin, ki usmerjajo promet v trgovino Apple Store.

Primer 2 – Naslednji posnetek zaslona prikazuje vse izlete v nakupovalno središče Arrowhead Mall.

Primer 3 – Naslednji video prikazuje vzorce gibanja v nakupovalnem središču.

Primer 4 – Naslednji video prikazuje vzorce gibanja zunaj nakupovalnega središča.

Analiza povodja

Analiziramo lahko vse obiske POI in določimo prispevno območje.

Primer 1 - Naslednji posnetek zaslona prikazuje vse obiske trgovine Macy’s.

Primer 2 – Naslednji posnetek zaslona prikazuje 10 najpogostejših poštnih številk domačega območja (poudarjene meje), od koder so bili obiski.

Preverjanje kakovosti podatkov

Z nadzornimi ploščami QuickSight in analizami podatkov lahko preverimo kakovost dnevnega dohodnega vira podatkov in odkrijemo nepravilnosti. Naslednji posnetek zaslona prikazuje primer nadzorne plošče.

zaključek

Podatki o mobilnosti in njihova analiza za pridobivanje vpogledov v stranke in pridobivanje konkurenčne prednosti ostajajo nišno področje, ker je težko pridobiti dosleden in točen nabor podatkov. Vendar lahko ti podatki pomagajo organizacijam dodati kontekst obstoječi analizi in celo ustvariti nove vpoglede v vzorce gibanja strank. Geoprostorske zmogljivosti Amazon SageMaker in opravila geoprostorske obdelave lahko pomagajo pri izvajanju teh primerov uporabe in pridobivanju vpogledov na intuitiven in dostopen način.

V tej objavi smo pokazali, kako uporabiti storitve AWS za čiščenje podatkov o mobilnosti in nato uporabiti geoprostorske zmogljivosti Amazon SageMaker za ustvarjanje izpeljanih naborov podatkov, kot so postanki, dejavnosti in potovanja, z uporabo modelov ML. Nato smo izpeljane nabore podatkov uporabili za vizualizacijo vzorcev gibanja in ustvarjanje vpogledov.

Z geoprostorskimi zmogljivostmi Amazon SageMaker lahko začnete uporabljati na dva načina:

Če želite izvedeti več, obiščite Geoprostorske zmogljivosti Amazon SageMaker in Kako začeti uporabljati geoprostorski Amazon SageMaker. Obiščite tudi našo GitHub repo, ki ima več primerov zvezkov o geoprostorskih zmogljivostih Amazon SageMaker.

---

O avtorjih

Jimy Matthews je arhitekt rešitev AWS s strokovnim znanjem o tehnologiji AI/ML. Jimy ima sedež v Bostonu in sodeluje s podjetniškimi strankami, ki preoblikujejo svoje poslovanje s prevzemom oblaka in jim pomaga zgraditi učinkovite in trajnostne rešitve. Navdušen je nad družino, avtomobili in mešanimi borilnimi veščinami.

Girish Keshav je arhitekt rešitev pri AWS, ki strankam pomaga na njihovi poti migracije v oblak za posodobitev in izvajanje delovnih obremenitev varno in učinkovito. Sodeluje z vodji tehnoloških skupin, da jih usmerja glede varnosti aplikacij, strojnega učenja, optimizacije stroškov in trajnosti. Živi v San Franciscu in obožuje potovanja, pohodništvo, gledanje športa in raziskovanje craft pivovarn.

Ramesh Jetty je višji vodja arhitekture rešitev, ki se osredotoča na pomoč poslovnim strankam AWS pri monetizaciji njihovih podatkovnih sredstev. Vodstvenim delavcem in inženirjem svetuje pri oblikovanju in izgradnji visoko razširljivih, zanesljivih in stroškovno učinkovitih rešitev v oblaku, ki so še posebej osredotočene na strojno učenje, podatke in analitiko. V prostem času uživa na prostem, kolesari in pohodi z družino.

• Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
• PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
• PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
• PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
• PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
• vir: https://aws.amazon.com/blogs/machine-learning/use-mobility-data-to-derive-insights-using-amazon-sagemaker-geospatial-capabilities/