في مشهد الرعاية الصحية سريع التطور اليوم ، يواجه الأطباء كميات هائلة من البيانات السريرية من مصادر مختلفة ، مثل ملاحظات مقدمي الرعاية والسجلات الصحية الإلكترونية وتقارير التصوير. هذه الثروة من المعلومات ، على الرغم من أنها ضرورية لرعاية المرضى ، يمكن أن تكون أيضًا ساحقة وتستغرق وقتًا طويلاً للمهنيين الطبيين للتدقيق والتحليل. يعد تلخيص واستخراج الرؤى من هذه البيانات بكفاءة أمرًا بالغ الأهمية لتحسين رعاية المرضى واتخاذ القرار. يمكن أن تكون معلومات المريض الملخصة مفيدة لعدد من العمليات اللاحقة مثل تجميع البيانات ، أو ترميز المرضى بشكل فعال ، أو تجميع المرضى الذين يعانون من تشخيصات مماثلة للمراجعة.
أظهرت نماذج الذكاء الاصطناعي (AI) والتعلم الآلي (ML) وعدًا كبيرًا في مواجهة هذه التحديات. يمكن تدريب النماذج على تحليل وتفسير كميات كبيرة من البيانات النصية ، وتكثيف المعلومات بشكل فعال في ملخصات موجزة. من خلال أتمتة عملية التلخيص ، يمكن للأطباء الوصول بسرعة إلى المعلومات ذات الصلة ، مما يسمح لهم بالتركيز على رعاية المرضى واتخاذ قرارات أكثر استنارة. انظر ما يلي دراسة حالة لمعرفة المزيد حول حالة الاستخدام في العالم الحقيقي.
الأمازون SageMaker، خدمة تعلم الآلة مُدارة بالكامل ، توفر منصة مثالية لاستضافة وتنفيذ نماذج ومناهج تلخيص متنوعة تستند إلى الذكاء الاصطناعي / تعلم الآلة. في هذا المنشور ، نستكشف خيارات مختلفة لتنفيذ تقنيات التلخيص على SageMaker ، بما في ذلك استخدام أمازون سيج ميكر جومب ستارت نماذج الأساس ، وضبط النماذج المدربة مسبقًا من Hugging Face ، وبناء نماذج تلخيص مخصصة. نناقش أيضًا إيجابيات وسلبيات كل نهج ، مما يمكّن المتخصصين في الرعاية الصحية من اختيار الحل الأنسب لإنشاء ملخصات موجزة ودقيقة للبيانات السريرية المعقدة.
هناك مصطلحان مهمان يجب معرفتهما قبل أن نبدأ: مدرب مسبقا و الكون المثالى. النموذج الذي تم تدريبه مسبقًا أو النموذج الأساسي هو النموذج الذي تم بناؤه وتدريبه على مجموعة كبيرة من البيانات ، عادةً من أجل معرفة اللغة العامة. الضبط الدقيق هو العملية التي يتم من خلالها إعطاء نموذج مدرب مسبقًا مجموعة بيانات أخرى خاصة بالمجال من أجل تحسين أدائه في مهمة محددة. في بيئة الرعاية الصحية ، قد يعني هذا إعطاء النموذج بعض البيانات بما في ذلك العبارات والمصطلحات المتعلقة على وجه التحديد برعاية المرضى.
قم ببناء نماذج تلخيص مخصصة على SageMaker
على الرغم من أن النهج الأكثر جهدًا ، قد تفضل بعض المؤسسات إنشاء نماذج تلخيص مخصصة على SageMaker من البداية. يتطلب هذا النهج معرفة أكثر عمقًا بنماذج AI / ML وقد يتضمن إنشاء بنية نموذجية من نقطة الصفر أو تكييف النماذج الحالية لتناسب الاحتياجات المحددة. يمكن أن يوفر بناء النماذج المخصصة قدرًا أكبر من المرونة والتحكم في عملية التلخيص ، ولكنه يتطلب أيضًا مزيدًا من الوقت والموارد مقارنة بالنُهج التي تبدأ من النماذج المدربة مسبقًا. من الضروري الموازنة بين مزايا وعيوب هذا الخيار بعناية قبل المتابعة ، لأنه قد لا يكون مناسبًا لجميع حالات الاستخدام.
نماذج مؤسسة SageMaker JumpStart
هناك خيار رائع لتنفيذ التلخيص على SageMaker وهو استخدام نماذج مؤسسة JumpStart. تقدم هذه النماذج ، التي طورتها منظمات أبحاث الذكاء الاصطناعي الرائدة ، مجموعة من نماذج اللغة المدربة مسبقًا والمُحسّنة لمختلف المهام ، بما في ذلك تلخيص النص. يوفر SageMaker JumpStart نوعين من نماذج الأساس: نماذج الملكية ونماذج مفتوحة المصدر. يوفر SageMaker JumpStart أيضًا أهلية HIPAA ، مما يجعله مفيدًا لأعباء عمل الرعاية الصحية. يعود الأمر في النهاية إلى العميل لضمان الامتثال ، لذا تأكد من اتخاذ الخطوات المناسبة. يرى هندسة الأمان والامتثال HIPAA على Amazon Web Services لمزيد من التفاصيل.
نماذج الأساس المسجلة الملكية
يمكن اكتشاف النماذج الاحتكارية ، مثل النماذج الجوراسية من AI21 ونموذج Cohere Generate من Cohere ، من خلال SageMaker JumpStart على وحدة تحكم إدارة AWS وهي قيد المعاينة حاليًا. يعد استخدام النماذج الخاصة للتلخيص أمرًا مثاليًا عندما لا تحتاج إلى ضبط نموذجك على بيانات مخصصة. يوفر هذا حلاً سهل الاستخدام خارج الصندوق يمكنه تلبية متطلبات التلخيص الخاصة بك مع الحد الأدنى من التكوين. باستخدام إمكانات هذه النماذج المدربة مسبقًا ، يمكنك توفير الوقت والموارد التي كان من الممكن إنفاقها على التدريب وضبط نموذج مخصص. علاوة على ذلك ، تأتي النماذج الاحتكارية عادةً مع واجهات برمجة تطبيقات و SDK سهلة الاستخدام ، مما يبسط عملية التكامل مع الأنظمة والتطبيقات الحالية لديك. إذا كان من الممكن تلبية احتياجات التلخيص الخاصة بك من خلال نماذج الملكية المدربة مسبقًا دون الحاجة إلى تخصيص أو ضبط دقيق ، فإنها توفر حلاً مناسبًا وفعالاً من حيث التكلفة وفعالًا لمهام تلخيص النص الخاصة بك. نظرًا لأن هذه النماذج غير مدربة خصيصًا لحالات استخدام الرعاية الصحية ، فلا يمكن ضمان الجودة للغة الطبية خارج الصندوق دون ضبطها.
Jurassic-2 Grande Instruct هو نموذج لغة كبير (LLM) بواسطة AI21 Labs ، مُحسّن لتعليمات اللغة الطبيعية وقابل للتطبيق على مهام لغوية مختلفة. إنه يوفر واجهة برمجة تطبيقات سهلة الاستخدام و Python SDK ، مما يوازن بين الجودة والقدرة على تحمل التكاليف. تشمل الاستخدامات الشائعة إنشاء نسخة تسويقية وتشغيل روبوتات المحادثة وتلخيص النص.
على وحدة تحكم SageMaker ، انتقل إلى SageMaker JumpStart ، وابحث عن طراز AI21 Jurassic-2 Grande Instruct ، واختر جرب النموذج.
إذا كنت تريد نشر النموذج إلى نقطة نهاية SageMaker التي تديرها ، فيمكنك اتباع الخطوات الواردة في هذه العينة مفكرة، والذي يوضح لك كيفية نشر Jurassic-2 Large باستخدام SageMaker.
نماذج الأساس مفتوحة المصدر
تشمل النماذج مفتوحة المصدر نماذج FLAN T5 و Bloom و GPT-2 التي يمكن اكتشافها من خلال SageMaker JumpStart في أمازون ساجميكر ستوديو UI و SageMaker JumpStart على وحدة تحكم SageMaker و SageMaker JumpStart APIs. يمكن تحسين هذه النماذج ونشرها في نقاط النهاية ضمن حساب AWS الخاص بك ، مما يمنحك الملكية الكاملة لأوزان النماذج وأكواد البرامج النصية.
Flan-T5 XL هو نموذج قوي ومتعدد الاستخدامات مصمم لمجموعة واسعة من المهام اللغوية. من خلال ضبط النموذج باستخدام البيانات الخاصة بالمجال ، يمكنك تحسين أدائه لحالة الاستخدام الخاصة بك ، مثل تلخيص النص أو أي مهمة أخرى في معالجة اللغات الطبيعية. للحصول على تفاصيل حول كيفية ضبط Flan-T5 XL باستخدام SageMaker Studio UI ، يرجى الرجوع إلى صقل التعليمات لـ FLAN T5 XL باستخدام Amazon SageMaker Jumpstart.
صقل النماذج المدربة مسبقًا باستخدام Hugging Face على SageMaker
أحد أكثر الخيارات شيوعًا لتنفيذ التلخيص على SageMaker هو ضبط النماذج المدربة مسبقًا باستخدام Hugging Face ترانسفورمرس مكتبة. يوفر Hugging Face مجموعة واسعة من نماذج المحولات المدربة مسبقًا والمصممة خصيصًا لمختلف مهام معالجة اللغة الطبيعية (NLP) ، بما في ذلك تلخيص النص. مع مكتبة Hugging Face Transformers ، يمكنك بسهولة ضبط هذه النماذج المدربة مسبقًا على البيانات الخاصة بمجالك باستخدام SageMaker. يتمتع هذا النهج بالعديد من المزايا ، مثل أوقات التدريب الأسرع والأداء الأفضل في مجالات محددة وتعبئة النماذج ونشرها بشكل أسهل باستخدام أدوات وخدمات SageMaker المضمنة. إذا لم تتمكن من العثور على نموذج مناسب في SageMaker JumpStart ، فيمكنك اختيار أي طراز تقدمه Hugging Face وضبطه باستخدام SageMaker.
لبدء العمل مع نموذج للتعرف على إمكانيات ML ، كل ما عليك فعله هو فتح SageMaker Studio ، والعثور على نموذج مدرب مسبقًا تريد استخدامه في معانقة الوجه النموذجي المحور، واختر SageMaker كطريقة للنشر. يمنحك Hugging Face رمز النسخ واللصق والتشغيل في دفتر ملاحظاتك. الأمر بهذه السهولة! لا تتطلب خبرة هندسية ML.
تمكّن مكتبة Hugging Face Transformers البناة من العمل على النماذج المدربة مسبقًا والقيام بمهام متقدمة مثل الضبط الدقيق ، والتي نستكشفها في الأقسام التالية.
توفير الموارد
قبل أن نبدأ ، نحتاج إلى توفير دفتر ملاحظات. للحصول على إرشادات ، راجع الخطوتين 1 و 2 في بناء وتدريب نموذج التعلم الآلي محليًا. في هذا المثال ، استخدمنا الإعدادات الموضحة في لقطة الشاشة التالية.
نحتاج أيضًا إلى إنشاء ملف خدمة تخزين أمازون البسيطة (Amazon S3) دلو لتخزين بيانات التدريب وعناصر التدريب. للحصول على تعليمات ، راجع إنشاء دلو.
جهز مجموعة البيانات
لضبط نموذجنا للحصول على معرفة أفضل بالمجال ، نحتاج إلى الحصول على بيانات مناسبة للمهمة. عند التدريب على حالة استخدام مؤسسية ، ستحتاج إلى إجراء عدد من مهام هندسة البيانات لإعداد بياناتك لتكون جاهزة للتدريب. هذه المهام خارج نطاق هذا المنشور. في هذا المثال ، قمنا بإنشاء بعض البيانات التركيبية لمحاكاة ملاحظات التمريض وتخزينها في Amazon S3. يتيح لنا تخزين بياناتنا في Amazon S3 القيام بذلك مهندس أعباء العمل لدينا من أجل الامتثال لقانون HIPAA. نبدأ من خلال الحصول على هذه الملاحظات وتحميلها في حالة تشغيل دفتر الملاحظات الخاص بنا:
تتكون الملاحظات من عمود يحتوي على الإدخال الكامل والملاحظة وعمود يحتوي على نسخة مختصرة توضح ما يجب أن يكون الناتج المطلوب ، ملخصًا. الغرض من استخدام مجموعة البيانات هذه هو تحسين المفردات البيولوجية والطبية لنموذجنا بحيث يكون أكثر تناغمًا مع التلخيص في سياق الرعاية الصحية ، والذي يسمى صقل المجال، وشرح للنموذج كيفية هيكلة مخرجاته الملخصة. في بعض حالات التلخيص ، قد نرغب في إنشاء ملخص من مقالة أو ملخص من سطر واحد لمراجعة ، ولكن في هذه الحالة ، نحاول جعل نموذجنا يخرج نسخة مختصرة من الأعراض والإجراءات المتخذة لمريض حتى الآن.
قم بتحميل النموذج
النموذج الذي نستخدمه كأساس لنا هو إصدار من Google Pegasus ، متاح في Hugging Face Hub ، يسمى بيغاسوس xsum. لقد تم تدريبه مسبقًا بالفعل للتلخيص ، لذلك يمكن أن تركز عملية الضبط لدينا على توسيع نطاق معرفتها بالمجال. يعد تعديل المهمة التي يديرها نموذجنا نوعًا مختلفًا من الضبط الدقيق الذي لم يتم تناوله في هذا المنشور. تزودنا مكتبة Transformer بفصل لتحميل تعريف النموذج من موقعنا model_checkpoint: google/pegasus-xsum
. سيؤدي هذا إلى تحميل النموذج من المحور وتشغيله في دفتر ملاحظاتنا حتى نتمكن من استخدامه لاحقًا. لأن pegasus-xsum
هو نموذج تسلسل إلى تسلسل ، فنحن نريد استخدام نوع Seq2Seq من نموذج تلقائي صف دراسي:
الآن بعد أن أصبح لدينا نموذجنا ، حان الوقت لتوجيه انتباهنا إلى المكونات الأخرى التي ستمكننا من تشغيل حلقة التدريب الخاصة بنا.
إنشاء رمز مميز
أول هذه المكونات هو الرمز المميز. Tokenization هي العملية التي يتم من خلالها تحويل الكلمات من بيانات الإدخال إلى تمثيلات رقمية يمكن أن يفهمها نموذجنا. مرة أخرى ، توفر مكتبة Transformer فئة لنا لتحميل تعريف tokenizer من نفس نقطة التحقق التي استخدمناها لإنشاء مثيل للنموذج:
باستخدام كائن الرمز المميز هذا ، يمكننا إنشاء وظيفة معالجة مسبقة وتعيينها على مجموعة البيانات الخاصة بنا لمنحنا الرموز المميزة الجاهزة للتغذية في النموذج. أخيرًا ، نقوم بتنسيق الإخراج المميز وإزالة الأعمدة التي تحتوي على نصنا الأصلي ، لأن النموذج لن يكون قادرًا على تفسيرها. الآن لدينا مدخلات رمزية جاهزة لإدخالها في النموذج. انظر الكود التالي:
من خلال الرموز المميزة لبياناتنا وتم إنشاء نموذجنا ، نحن جاهزون تقريبًا لتشغيل حلقة تدريب. المكونات التالية التي نريد إنشاءها هي مجمع البيانات والمحسن. جامع البيانات هو فئة أخرى تقدمها Hugging Face من خلال مكتبة Transformers ، والتي نستخدمها لإنشاء مجموعات من بياناتنا الرمزية للتدريب. يمكننا بسهولة بناء هذا باستخدام الرمز المميز وكائنات النموذج التي لدينا بالفعل فقط من خلال إيجاد نوع الفئة المقابل الذي استخدمناه سابقًا لطرازنا (Seq2Seq) لفئة التجميع. تتمثل وظيفة المحسن في الحفاظ على حالة التدريب وتحديث المعلمات بناءً على فقد التدريب لدينا أثناء عملنا من خلال الحلقة. لإنشاء مُحسِّن ، يمكننا استيراد ملف الأمثل الحزمة من وحدة الشعلة ، حيث يتوفر عدد من خوارزميات التحسين. بعض العناصر الشائعة التي قد تكون واجهتها من قبل هي Stochastic Gradient Descent و ادم، الأخير الذي تم تطبيقه في مثالنا. يأخذ مُنشئ Adam المعلمات النموذجية ومعدل التعلم المحدد في مسار التدريب المحدد. انظر الكود التالي:
الخطوات الأخيرة قبل أن نتمكن من بدء التدريب هي بناء مُسرع وجدولة معدل التعلم. يأتي المسرع من مكتبة مختلفة (كنا نستخدم المحولات بشكل أساسي) التي أنتجتها Hugging Face ، والمسمى بشكل مناسب Accelerate ، وسوف يستخلص المنطق المطلوب لإدارة الأجهزة أثناء التدريب (باستخدام وحدات معالجة رسومات متعددة على سبيل المثال). بالنسبة للمكوِّن الأخير ، نعيد زيارة مكتبة Transformers المفيدة دائمًا لتنفيذ جدولة معدل التعلم. من خلال تحديد نوع المجدول ، والعدد الإجمالي لخطوات التدريب في حلقتنا ، والمحسن الذي تم إنشاؤه مسبقًا ، get_scheduler
تقوم الدالة بإرجاع كائن يمكننا من تعديل معدل التعلم الأولي لدينا خلال عملية التدريب:
نحن الآن جاهزون للتدريب! لنقم بإعداد وظيفة تدريبية ، بدءًا من إنشاء مثيل التدريب_args باستخدام مكتبة المحولات واختيار قيم المعلمات. يمكننا تمرير هذه العناصر ، جنبًا إلى جنب مع المكونات ومجموعة البيانات الأخرى المعدة لدينا ، مباشرةً إلى ملف مدرب وابدأ التدريب كما هو موضح في الكود التالي. اعتمادًا على حجم مجموعة البيانات والمعلمات المختارة ، قد يستغرق هذا وقتًا طويلاً.
حزم النموذج للاستدلال
بعد إجراء التدريب ، يصبح كائن النموذج جاهزًا لاستخدامه في الاستدلال. كأفضل ممارسة ، دعنا نحفظ عملنا لاستخدامه في المستقبل. نحتاج إلى إنشاء نماذجنا الفنية ، ودمجها معًا ، وتحميل كرة القطران الخاصة بنا إلى Amazon S3 للتخزين. لإعداد نموذجنا للضغط ، نحتاج إلى فك النموذج الذي تم ضبطه بدقة الآن ، ثم حفظ النموذج الثنائي وملفات التكوين المرتبطة به. نحتاج أيضًا إلى حفظ الرمز المميز الخاص بنا في نفس الدليل الذي حفظنا فيه نماذجنا الفنية ليكون متاحًا عندما نستخدم النموذج للاستدلال. ملكنا model_dir
يجب أن يبدو المجلد الآن مشابهًا للرمز التالي:
كل ما تبقى هو تشغيل أمر tar لضغط الدليل الخاص بنا وتحميل ملف tar.gz إلى Amazon S3:
أصبح نموذجنا الذي تم ضبطه حديثًا جاهزًا ومتاحًا للاستخدام في الاستدلال.
نفذ الاستدلال
لاستخدام هذه الأداة النموذجية للاستدلال ، افتح ملفًا جديدًا واستخدم الكود التالي ، مع تعديل model_data
المعلمة لتلائم موقع حفظ القطع الأثرية في Amazon S3. ال HuggingFaceModel
المُنشئ سيعيد بناء نموذجنا من نقطة التفتيش التي حفظناها فيها model.tar.gz
، والتي يمكننا بعد ذلك نشرها للاستدلال باستخدام طريقة النشر. سيستغرق نشر نقطة النهاية بضع دقائق.
بعد نشر نقطة النهاية ، يمكننا استخدام المتنبئ الذي أنشأناه لاختبارها. مرر ال predict
طريقة حمولة البيانات وتشغيل الخلية ، وستحصل على استجابة من النموذج الدقيق الخاص بك:
لمعرفة فائدة الضبط الدقيق لأحد النماذج ، دعنا نجري اختبارًا سريعًا. يتضمن الجدول التالي موجهًا ونتائج تمرير هذا الطلب إلى النموذج قبل الضبط الدقيق وبعده.
موجه | الاستجابة مع عدم وجود ضبط دقيق | الاستجابة بضبط دقيق |
لخص الأعراض التي يعاني منها المريض. المريض رجل يبلغ من العمر 45 عامًا ولديه شكاوى من ألم في الصدر تحت القص يمتد إلى الذراع اليسرى. يبدأ الألم بشكل مفاجئ أثناء قيامه بعمل في الفناء ، مصحوبًا بضيق خفيف في التنفس وتعرق غزير. وكان معدل ضربات قلب المريض عند الوصول 120 ، ومعدل التنفس 24 ، وضغط الدم 170/95. تم إجراء 12 مخططًا كهربائيًا للقلب عند الوصول إلى قسم الطوارئ وثلاثة نيتروجليسرين تحت اللسان دون تخفيف آلام الصدر. يُظهر مخطط كهربية القلب ارتفاع ST في الخيوط الأمامية مما يدل على احتشاء عضلة القلب الأمامي الحاد. لقد اتصلنا بمختبر قسطرة القلب والاستعداد لقسطرة القلب من قبل طبيب القلب. | نقدم حالة احتشاء عضلة القلب الحاد. | ألم في الصدر ، MI الأمامي ، PCI. |
كما ترون ، يستخدم نموذجنا الدقيق المصطلحات الصحية بشكل مختلف ، وتمكنا من تغيير هيكل الاستجابة لتناسب أهدافنا. لاحظ أن النتائج تعتمد على مجموعة البيانات الخاصة بك وخيارات التصميم التي يتم إجراؤها أثناء التدريب. يمكن أن تقدم نسختك من النموذج نتائج مختلفة جدًا.
تنظيف
عندما تنتهي من استخدام دفتر SageMaker الخاص بك ، تأكد من إغلاقه لتجنب التكاليف من الموارد طويلة الأمد. لاحظ أن إغلاق المثيل سيؤدي إلى فقد أي بيانات مخزنة في الذاكرة المؤقتة للمثيل ، لذلك يجب عليك حفظ كل عملك في التخزين الدائم قبل التنظيف. ستحتاج أيضًا إلى الانتقال إلى النهاية صفحة على وحدة تحكم SageMaker وحذف أي نقاط نهاية تم نشرها للاستدلال. لإزالة جميع القطع الأثرية ، تحتاج أيضًا إلى الانتقال إلى وحدة تحكم Amazon S3 لحذف الملفات التي تم تحميلها إلى الحاوية الخاصة بك.
وفي الختام
في هذا المنشور ، استكشفنا العديد من الخيارات لتنفيذ تقنيات تلخيص النص على SageMaker لمساعدة المتخصصين في الرعاية الصحية على معالجة واستخلاص الرؤى بكفاءة من كميات هائلة من البيانات السريرية. ناقشنا استخدام نماذج الأساس SageMaker Jumpstart ، وضبط النماذج المدربة مسبقًا من Hugging Face ، وبناء نماذج تلخيص مخصصة. كل نهج له مميزاته وعيوبه ، حيث يلبي الاحتياجات والمتطلبات المختلفة.
يسمح بناء نماذج تلخيص مخصصة على SageMaker بالكثير من المرونة والتحكم ولكنه يتطلب المزيد من الوقت والموارد أكثر من استخدام النماذج المدربة مسبقًا. توفر نماذج مؤسسة SageMaker Jumpstart حلاً سهل الاستخدام وفعال من حيث التكلفة للمؤسسات التي لا تتطلب تخصيصًا معينًا أو ضبطًا دقيقًا ، بالإضافة إلى بعض الخيارات للضبط الدقيق المبسط. يوفر الضبط الدقيق للنماذج المدربة مسبقًا من Hugging Face أوقات تدريب أسرع وأداءً أفضل خاصًا بالمجال وتكاملًا سلسًا مع أدوات وخدمات SageMaker عبر كتالوج واسع من النماذج ، ولكنه يتطلب بعض الجهد في التنفيذ. في وقت كتابة هذا المنشور ، أعلنت أمازون عن خيار آخر ، أمازون بيدروك، والتي ستوفر إمكانات التلخيص في بيئة أكثر إدارة.
من خلال فهم إيجابيات وسلبيات كل نهج ، يمكن لمتخصصي الرعاية الصحية والمؤسسات اتخاذ قرارات مستنيرة بشأن الحل الأنسب لإنشاء ملخصات موجزة ودقيقة للبيانات السريرية المعقدة. في النهاية ، يمكن أن يؤدي استخدام نماذج التلخيص المستندة إلى AI / ML على SageMaker إلى تعزيز رعاية المرضى واتخاذ القرار بشكل كبير من خلال تمكين المهنيين الطبيين من الوصول بسرعة إلى المعلومات ذات الصلة والتركيز على توفير رعاية جيدة.
الموارد
للحصول على النص الكامل الذي تمت مناقشته في هذا المنشور وبعض البيانات النموذجية ، يرجى الرجوع إلى جيثب ريبو. لمزيد من المعلومات حول كيفية تشغيل أحمال عمل ML على AWS ، راجع الموارد التالية:
عن المؤلفين
كودي كولينز هو مهندس حلول مقره نيويورك في Amazon Web Services. يعمل مع عملاء بائعي البرامج المستقلين (ISV) لبناء حلول رائدة في الصناعة في السحابة. لقد نجح في تنفيذ مشاريع معقدة لمختلف الصناعات ، مما أدى إلى تحسين الكفاءة وقابلية التوسع. في أوقات فراغه ، يستمتع بالقراءة والسفر وتدريب الجيو جيتسو.
أمير حكمه هو مهندس حلول AWS مقيم في ولاية بنسلفانيا. يتضمن تركيزه المهني التعاون مع بائعي البرامج المستقلين في جميع أنحاء الشمال الشرقي ، وتوجيههم في تصميم وإنشاء منصات حديثة وقابلة للتطوير على سحابة AWS.
- محتوى مدعوم من تحسين محركات البحث وتوزيع العلاقات العامة. تضخيم اليوم.
- PlatoData.Network Vertical Generative Ai. تمكين نفسك. الوصول هنا.
- أفلاطونايستريم. ذكاء Web3. تضخيم المعرفة. الوصول هنا.
- أفلاطون السيارات / المركبات الكهربائية ، كربون، كلينتك ، الطاقة، بيئة، شمسي، إدارة المخلفات. الوصول هنا.
- BlockOffsets. تحديث ملكية الأوفست البيئية. الوصول هنا.
- المصدر https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :لديها
- :يكون
- :ليس
- :أين
- $ UP
- 1
- 10
- 100
- 12
- 14
- 15%
- 24
- 33
- 7
- 8
- 9
- a
- ماهرون
- من نحن
- الملخص
- تسريع
- مسرع
- الوصول
- حسابي
- دقيق
- في
- الإجراءات
- ادم
- معالجة
- تدار
- متقدم
- مزايا
- بعد
- مرة أخرى
- تجميع
- AI
- منظمة العفو الدولية البحوث
- AI / ML
- خوارزميات
- الكل
- السماح
- يسمح
- على طول
- سابقا
- أيضا
- أمازون
- الأمازون SageMaker
- أمازون ويب سيرفيسز
- كمية
- المبالغ
- an
- تحليل
- و
- أعلن
- آخر
- أي وقت
- API
- واجهات برمجة التطبيقات
- ذو صلة
- التطبيقات
- تطبيقي
- نهج
- اقتراب
- مناسب
- هندسة معمارية
- هي
- ARM
- وصول
- البند
- AS
- أسوشيتد
- At
- اهتمام
- أتمتة
- متاح
- تجنب
- بعيدا
- AWS
- موازنة
- على أساس
- BE
- لان
- كان
- قبل
- بدأ
- تستفيد
- الفوائد
- أفضل
- أفضل
- BIN
- دم
- ضغط الدم
- إزهار
- صندوق
- تنفس
- واسع
- نساعدك في بناء
- بناة
- ابني
- بنيت
- مدمج
- لكن
- by
- دعوة
- تسمى
- CAN
- قدرات
- يهمني
- بعناية
- حقيبة
- الحالات
- الأقسام
- سبب
- التحديات
- تغيير
- chatbots
- الخيارات
- اختار
- اختيار
- اختيار
- فئة
- سريري
- سحابة
- الكود
- رموز
- البرمجة
- التعاون
- عمود
- الأعمدة
- تأتي
- يأتي
- مشترك
- مقارنة
- شكاوي
- مجمع
- الالتزام
- عنصر
- مكونات
- تتألف
- مختصرا
- الاعداد
- سلبيات
- كنسولات
- بناء
- سياق الكلام
- مراقبة
- مناسب
- المقابلة
- فعاله من حيث التكلفه
- التكاليف
- استطاع
- مغطى
- خلق
- خلق
- خلق
- حاسم
- حاليا
- على
- زبون
- العملاء
- التخصيص
- البيانات
- قواعد البيانات
- اتخاذ القرار
- القرارات
- تعريف
- تم التوصيل
- التظاهر
- القسم
- تابع
- اعتمادا
- نشر
- نشر
- نشر
- نشر
- تصميم
- تصميم
- تصميم
- مطلوب
- تفاصيل
- المتقدمة
- الأجهزة
- مختلف
- مباشرة
- اكتشف
- بحث
- ناقش
- عدة
- do
- أطباء
- فعل
- نطاق
- المجالات
- فعل
- لا
- إلى أسفل
- عيوب
- أثناء
- كل
- أسهل
- بسهولة
- سهل
- سهلة الاستخدام
- على نحو فعال
- كفاءة
- فعال
- بكفاءة
- جهد
- إلكتروني
- السجلات الصحية الإلكترونية
- جدارة
- حالة طوارئ
- تمكين
- تمكن
- تمكين
- نقطة النهاية
- الهندسة
- تعزيز
- ضمان
- مشروع
- دخول
- البيئة
- عصر
- أساسي
- حتى
- المتطورة
- مثال
- القائمة
- الخبره في مجال الغطس
- تعاني
- اكتشف
- استكشاف
- استكشاف
- إطالة
- استخراج
- الوجه
- واجه
- بعيدا
- أسرع
- بنك الاحتياطي الفيدرالي
- قليل
- قم بتقديم
- ملفات
- نهائي
- أخيرا
- العثور على
- الاسم الأول
- تناسب
- مرونة
- تركز
- اتباع
- متابعيك
- في حالة
- شكل
- دورة تأسيسية
- تبدأ من
- بالإضافة إلى
- تماما
- وظيفة
- علاوة على ذلك
- مستقبل
- ربح
- العلاجات العامة
- توليد
- ولدت
- توليد
- دولار فقط واحصل على خصم XNUMX% على جميع
- الحصول على
- منح
- معطى
- إعطاء
- Go
- جوجل
- وحدات معالجة الرسومات
- عظيم
- أكبر
- مضمون
- يملك
- he
- صحة الإنسان
- الرعاية الصحية
- قلب
- مساعدة
- له
- استضافة
- كيفية
- كيفية
- HTML
- HTTP
- HTTPS
- محور
- تعانق الوجه
- المثالي
- if
- التصوير
- تنفيذ
- التنفيذ
- تحقيق
- استيراد
- أهمية
- تحسن
- in
- في العمق
- تتضمن
- يشمل
- بما فيه
- مستقل
- الصناعات
- العالمية
- معلومات
- وأبلغ
- في البداية
- إدخال
- المدخلات
- رؤى
- مثل
- تعليمات
- التكامل
- رؤيتنا
- إلى
- تنطوي
- IT
- انها
- وظيفة
- جسون
- م
- علم
- المعرفة
- مختبر
- مختبرات
- المشهد
- لغة
- كبير
- اسم العائلة
- الى وقت لاحق
- قيادة
- قيادة
- يؤدي
- تعلم
- تعلم
- اليسار
- المكتبة
- مثل
- LLM
- تحميل
- جار التحميل
- موقع
- منطق
- بحث
- فقد
- خسارة
- آلة
- آلة التعلم
- صنع
- المحافظة
- جعل
- القيام ب
- إدارة
- تمكن
- إدارة
- رسم خريطة
- التسويق
- مايو..
- تعني
- طبي
- تعرف علي
- مكبر الصوت : يدعم، مع دعم ميكروفون مدمج لمنع الضوضاء
- قابل
- طريقة
- ربما
- أدنى
- دقيقة
- ML
- نموذج
- عارضات ازياء
- وحدة
- الأكثر من ذلك
- أكثر
- الاكثر شهره
- متعدد
- عين
- طبيعي
- معالجة اللغات الطبيعية
- التنقل
- حاجة
- إحتياجات
- جديد
- نيويورك
- حديثا
- التالي
- البرمجة اللغوية العصبية
- لا
- مفكرة
- ملاحظة
- الآن
- عدد
- موضوع
- الأجسام
- of
- عرض
- عرضت
- عروض
- قديم
- on
- ONE
- منها
- بداية
- على
- جاكيت
- المصدر المفتوح
- طريقة التوسع
- التحسين
- الأمثل
- الأمثل
- تحسين
- خيار
- مزيد من الخيارات
- or
- طلب
- المنظمات
- أصلي
- أخرى
- وإلا
- لنا
- خارج
- الناتج
- في الخارج
- على مدى
- الخاصة
- ملكية
- صفقة
- التعبئة والتغليف
- صفحة
- الم
- المعلمة
- المعلمات
- خاص
- pass
- مرور
- المريض
- المرضى
- بيغاسوس
- ولاية بنسلفانيا
- أداء
- المتعلقة
- عبارات
- المنصة
- بلاتفورم
- أفلاطون
- الذكاء افلاطون البيانات
- أفلاطون داتا
- البوينت
- الرائج
- منشور
- قوي
- توفير الطاقة
- ممارسة
- متنبئ
- تفضل
- إعداد
- أعدت
- يقدم
- الضغط
- أرسال
- سابقا
- في المقام الأول
- عملية المعالجة
- العمليات
- معالجة
- أنتج
- محترف
- المهنيين
- مشروع ناجح
- وعد
- الملكية
- الإيجابيات
- تزود
- المقدمة
- ويوفر
- توفير
- تقديم
- غرض
- أغراض
- وضع
- بايثون
- جودة
- سريع
- بسرعة
- نطاق
- بسرعة
- معدل
- نادي القراءة
- استعداد
- العالم الحقيقي
- تسجيل
- ذات الصلة
- الإغاثة
- إزالة
- التقارير
- تطلب
- مطلوب
- المتطلبات الأساسية
- يتطلب
- بحث
- الموارد
- استجابة
- النتائج
- عائدات
- مراجعة
- النوع
- يجري
- تشغيل
- يدير
- sagemaker
- نفسه
- حفظ
- التدرجية
- تحجيم
- نطاق
- خدش
- الإستراحة
- sdks
- سلس
- أقسام
- أمن
- انظر تعريف
- مستقل
- الخدمة
- خدماتنا
- طقم
- ضبط
- إعدادات
- عدة
- قصير
- ينبغي
- إظهار
- أظهرت
- يظهر
- اغلاق
- نخل
- هام
- بشكل ملحوظ
- مماثل
- الاشارات
- مبسط
- المقاس
- So
- حتى الآن
- تطبيقات الكمبيوتر
- حل
- الحلول
- بعض
- شيء
- مصادر
- محدد
- على وجه التحديد
- قضى
- بداية
- ابتداء
- الولايه او المحافظه
- دولة من بين الفن
- خطوات
- تخزين
- متجر
- تخزين
- تخزين
- تبسيط
- بناء
- ستوديو
- تحتلساني
- بنجاح
- هذه
- مفاجئ
- بدلة
- مناسب
- ملخص
- بالتأكيد
- أعراض
- ملخص
- اصطناعي
- البيانات الاصطناعية
- أنظمة
- جدول
- أخذ
- اتخذت
- يأخذ
- مهمة
- المهام
- تقنيات
- المصطلح
- سياسة الحجب وتقييد الوصول
- تجربه بالعربي
- من
- أن
- •
- المحور
- منهم
- then
- تشبه
- هم
- هؤلاء
- ثلاثة
- عبر
- طوال
- الوقت
- استهلاك الوقت
- مرات
- إلى
- اليوم
- سويا
- المرمز
- الرموز
- أدوات
- شعلة
- الإجمالي
- قطار
- متدرب
- قادة الإيمان
- تحول
- محول
- محولات
- السفر
- اثنان
- نوع
- أنواع
- عادة
- ui
- في النهاية
- غير قادر
- مع
- فهم
- فهم
- تحديث
- تم التحميل
- us
- تستخدم
- حالة الاستخدام
- مستعمل
- سهل الاستعمال
- يستخدم
- استخدام
- استخدام
- التحقق من صحة
- القيم
- مختلف
- كبير
- الباعة
- متعدد الجوانب
- الإصدار
- جدا
- مجلدات
- تريد
- وكان
- we
- ثروة
- الويب
- خدمات ويب
- وزن
- حسن
- ابحث عن
- متى
- التي
- في حين
- واسع
- مدى واسع
- سوف
- مع
- بدون
- كلمات
- للعمل
- عامل
- أعمال
- سوف
- جاري الكتابة
- عام
- نيويورك
- أنت
- حل متجر العقارات الشامل الخاص بك في جورجيا
- زفيرنت
- الرمز البريدي