到 2030 年，超过五分之一的美国人将年满 65 岁，成为美国有史以来最大的老年人群体。
位于硅谷的初创公司 Butlr 开发了一个 AI 平台，旨在保护老年人的安全，同时保护他们的隐私。
他们基于 AI 的平台使用神经网络来解释不同的温度数据，这些数据由战略性地放置在老年人护理设施中的传感器获取。
然后，该模型会创建人员的实时红外图像，这些图像虽然基本没有特征且模糊不清，但足够详细，可以帮助老年人护理机构的助手密切关注患者。
“我们要做的是利用边缘温度数据来拯救生命，利用智能来保护个人信息的隐私，”Butlr 首席执行官兼联合创始人 Honghao Deng 说。
Butlr 设计其 AI 解决方案的目的是与老年人护理助手合作，而不是取代他们。
该模型可以检测患者是否跌倒或躺在床上太长时间，并在发现紧急情况时自动提醒护理人员。此外，如果患者反复下床使用卫生间，AI 可以为护理人员标记这种行为，从而对可能数天内无法诊断的健康问题 (如尿路感染) 进行潜在的早期检测。
在每天结束时，该模型会总结患者的活动，将热模式转换为行为摘要，从而提供 heat signature-to-text 功能。这些详细的条目可以让护理人员在下班后与患者互动，而无需编写患者摘要。
Butlr 最大的创新是重新利用 infrared heat signatures，由于分辨率相对较低，因此可以通过廉价的电池供电传感器持续捕获这些信号。
这些轻量级传感器可轻松安装在几乎任何房间中。其电池续航时间约为 7 年，这意味着整个系统安装灵活且价格低廉，同时还能提供全面的老年人护理机构温度图。
至关重要的是，传感器与在后台运行的可靠模型集成，该模型可为实时推理提供支持，从而解读患者的行为。
为了分析每天超过 10 亿帧的数据和每月约 2 PB 的数据，Butlr 使用 NVIDIA GeForce RTX 2070 显卡进行数据可视化。在 AWS 云中，它运行由 NVIDIA H100 Tensor Core GPU 提供支持的 Amazon SageMaker ml.p5 实例进行训练，并运行由 NVIDIA A10G Tensor Core GPU 提供支持的 ml.g5 实例进行实时推理。
该模型将内部空间分割成两英尺长的方块，每个方块每秒约读取 10 个温度读数。然后，该模型将低分辨率的热量数据重建为连贯的实时温度定义图像，从而为护理人员提供足够的信息来监控老年人的行为，同时不会透露或记录个人信息。
温度特征的另一个关键优势是它们对隐私的意义。
温度数据的视觉精确度远低于视频。因此，虽然捕获了与确保老年人安全相关的数据，但它们的相似性并非如此。
“我们的模型能够处理高帧率和低分辨率。甚至连肢体都看不到，更不用说面部了。”Deng 说道。“借助我们的模型，我们能够重建重要的形状并了解某人的行为，而无需透露某人的身份。”
展望未来，Deng 认为对老年人护理解决方案的需求只会越来越大。
他说：“我们所有人都拒绝承认我们在变老。“但我们都在变老，我们需要制定创新的解决方案，因为除非情况发生变化，否则没有足够的训练有素的护理人员来帮助每个人。”
详细了解 Butlr 的 temperature mapping 技术 及 其潜在的广泛应用案例 。
