Chronomics অ্যামাজন রিকগনিশন কাস্টম লেবেল সহ COVID-19 পরীক্ষার ফলাফল সনাক্ত করে

ক্রোনোমিক্স একটি টেক-বায়ো কোম্পানি যা বায়োমার্কার ব্যবহার করে—অণু বিশ্লেষণ থেকে নেওয়া তথ্য-প্রমাণযোগ্য তথ্য—মানুষের জীবনকে উন্নত করতে বিজ্ঞান এবং ডেটার ব্যবহারকে গণতান্ত্রিক করার জন্য প্রযুক্তির পাশাপাশি। তাদের লক্ষ্য হল জৈবিক নমুনাগুলি বিশ্লেষণ করা এবং আপনাকে সিদ্ধান্ত নিতে সাহায্য করার জন্য পদক্ষেপযোগ্য তথ্য দেওয়া - যেকোন কিছু সম্পর্কে যেখানে অদেখা সম্পর্কে আরও জানা গুরুত্বপূর্ণ। Chronomics-এর প্ল্যাটফর্ম সরবরাহকারীদের দক্ষতা বা নির্ভুলতা ত্যাগ না করেই স্কেল-এ হোম ডায়াগনস্টিকগুলি নির্বিঘ্নে প্রয়োগ করতে সক্ষম করে৷ এটি ইতিমধ্যে এই প্ল্যাটফর্মের মাধ্যমে লক্ষ লক্ষ পরীক্ষা প্রক্রিয়া করেছে এবং একটি উচ্চ-মানের ডায়াগনস্টিক অভিজ্ঞতা প্রদান করেছে।

COVID-19 মহামারী চলাকালীন, Chronomics কোভিড-১৯ শনাক্ত করার জন্য ল্যাটারাল ফ্লো টেস্ট (LFT) বিক্রি করেছে। ব্যবহারকারীরা পরীক্ষার ক্যাসেটের একটি ছবি আপলোড করে এবং পরীক্ষার একটি ম্যানুয়াল রিডিং (ইতিবাচক, নেতিবাচক বা অবৈধ) প্রবেশ করে প্ল্যাটফর্মে পরীক্ষাটি নিবন্ধন করে। পরীক্ষা এবং ব্যবহারকারীর সংখ্যা বৃদ্ধির সাথে, রিপোর্ট করা ফলাফল পরীক্ষার ছবির ফলাফলের সাথে মিলেছে কিনা তা ম্যানুয়ালি যাচাই করা দ্রুত অব্যবহারিক হয়ে উঠেছে। ক্রোনোমিক্স একটি মাপযোগ্য সমাধান তৈরি করতে চেয়েছিল যা ফলাফলগুলি যাচাই করতে কম্পিউটার দৃষ্টি ব্যবহার করে।

এই পোস্টে, আমরা Chronomics কিভাবে ব্যবহার করেছি তা শেয়ার করি আমাজন রেকোনিশন একটি COVID-19 পার্শ্বীয় প্রবাহ পরীক্ষার ফলাফল স্বয়ংক্রিয়ভাবে সনাক্ত করতে।

ডেটা প্রস্তুত করা হচ্ছে

নিম্নলিখিত চিত্রটি একজন ব্যবহারকারীর দ্বারা আপলোড করা একটি পরীক্ষার ক্যাসেটের ছবি দেখায়। ডেটাসেটে এই ধরনের ছবি থাকে। এই ছবিগুলিকে একটি COVID-19 পরীক্ষার ফলাফলের সাথে মিল রেখে ইতিবাচক, নেতিবাচক বা অবৈধ হিসাবে শ্রেণীবদ্ধ করতে হবে।

ডেটাসেটের সাথে প্রধান চ্যালেঞ্জগুলি নিম্নলিখিত ছিল:

• ভারসাম্যহীন ডেটাসেট - ডেটাসেটটি অত্যন্ত তির্যক ছিল। 90% এরও বেশি নমুনা নেতিবাচক শ্রেণীর ছিল।
• অবিশ্বস্ত ব্যবহারকারী ইনপুট - ব্যবহারকারীদের দ্বারা ম্যানুয়ালি রিপোর্ট করা রিডিংগুলি নির্ভরযোগ্য ছিল না। প্রায় 40% রিডিং ছবির প্রকৃত ফলাফলের সাথে মেলে না।

একটি উচ্চ-মানের প্রশিক্ষণ ডেটাসেট তৈরি করতে, ক্রোনোমিক্স ইঞ্জিনিয়াররা এই পদক্ষেপগুলি অনুসরণ করার সিদ্ধান্ত নিয়েছে:

• ম্যানুয়াল টীকা - তিনটি ক্লাস সমানভাবে উপস্থাপন করা হয়েছে তা নিশ্চিত করতে ম্যানুয়ালি 1,000টি ছবি নির্বাচন এবং লেবেল করুন
• ইমেজ বৃদ্ধি - সংখ্যা বাড়াতে লেবেলযুক্ত ছবিগুলিকে 10,000 এ বাড়ান৷

ইমেজ বৃদ্ধি ব্যবহার করে সঞ্চালিত হয় অ্যালবমেন্টেশন, একটি ওপেন সোর্স পাইথন লাইব্রেরি। 9,000 সিন্থেটিক চিত্র তৈরি করতে ঘূর্ণন, পুনঃস্কেল এবং উজ্জ্বলতার মতো অনেকগুলি রূপান্তর করা হয়েছিল। একটি উচ্চ-মানের ডেটাসেট তৈরি করতে এই সিন্থেটিক চিত্রগুলি মূল চিত্রগুলিতে যুক্ত করা হয়েছিল।

Amazon Recognition এর সাথে একটি কাস্টম কম্পিউটার ভিশন মডেল তৈরি করা

ক্রোনোমিক্সের প্রকৌশলীদের দিকে ঘুরে গেল অ্যামাজন স্বীকৃতি কাস্টম লেবেল, AutoML ক্ষমতা সহ অ্যামাজন স্বীকৃতির একটি বৈশিষ্ট্য। প্রশিক্ষণের চিত্রগুলি সরবরাহ করার পরে, এটি স্বয়ংক্রিয়ভাবে ডেটা লোড এবং পরিদর্শন করতে পারে, সঠিক অ্যালগরিদমগুলি নির্বাচন করতে পারে, একটি মডেলকে প্রশিক্ষণ দিতে পারে এবং মডেলের কর্মক্ষমতা মেট্রিক্স সরবরাহ করতে পারে। এটি একটি কম্পিউটার ভিশন মডেল প্রশিক্ষণ এবং স্থাপনের প্রক্রিয়াকে উল্লেখযোগ্যভাবে ত্বরান্বিত করে, এটি ক্রোনমিক্সের অ্যামাজন স্বীকৃতি গ্রহণের প্রাথমিক কারণ করে তোলে। Amazon Recognition-এর সাহায্যে, কাঙ্খিত কর্মক্ষমতা অর্জনের জন্য একটি কাস্টম মডেল তৈরি করতে 3 মাস ব্যয় করার বিপরীতে আমরা 4-4 সপ্তাহের মধ্যে একটি অত্যন্ত নির্ভুল মডেল পেতে সক্ষম হয়েছি।

নিম্নলিখিত চিত্রটি মডেল প্রশিক্ষণ পাইপলাইন চিত্রিত করে। টীকা করা ছবিগুলি প্রথমে একটি ব্যবহার করে প্রিপ্রসেস করা হয়েছিল এডাব্লুএস ল্যাম্বদা ফাংশন এই প্রি-প্রসেসিং ধাপটি নিশ্চিত করে যে ছবিগুলি উপযুক্ত ফাইল ফর্ম্যাটে ছিল এবং কিছু অতিরিক্ত পদক্ষেপ যেমন চিত্রের আকার পরিবর্তন করা এবং ছবিটিকে RGB থেকে গ্রেস্কেলে রূপান্তর করা। এটি লক্ষ্য করা গেছে যে এটি মডেলটির কর্মক্ষমতা উন্নত করেছে।

মডেলটি প্রশিক্ষিত হওয়ার পরে, এটি শুধুমাত্র একটি ক্লিক বা API কল ব্যবহার করে অনুমানের জন্য স্থাপন করা যেতে পারে।

মডেল কর্মক্ষমতা এবং সূক্ষ্ম টিউনিং

মডেলটি 96.5% এর নির্ভুলতা এবং একটি F1 স্কোর 97.9%-এর বাইরের নমুনা চিত্রগুলির একটি সেটে প্রাপ্ত করেছে। F1 স্কোর হল একটি পরিমাপ যা একটি শ্রেণীবদ্ধকারীর কর্মক্ষমতা পরিমাপ করতে নির্ভুলতা এবং রিকল উভয়ই ব্যবহার করে। দ্য DetectCustomLabels API অনুমানের সময় একটি সরবরাহ করা চিত্রের লেবেল সনাক্ত করতে ব্যবহৃত হয়। এপিআই সেই আত্মবিশ্বাসও ফিরিয়ে দেয় যে রিকগনিশন কাস্টম লেবেলগুলি ভবিষ্যদ্বাণী করা লেবেলের নির্ভুলতার উপর রয়েছে। নিম্নলিখিত চার্টে চিত্রগুলির জন্য ভবিষ্যদ্বাণীকৃত লেবেলগুলির আত্মবিশ্বাসের স্কোরগুলির বিতরণ রয়েছে৷ x-অক্ষটি 100 দ্বারা গুণিত আত্মবিশ্বাসের স্কোরকে উপস্থাপন করে এবং y-অক্ষ হল লগ-স্কেলে ভবিষ্যদ্বাণীর গণনা।

আত্মবিশ্বাসের স্কোরের একটি থ্রেশহোল্ড সেট করে, আমরা কম আত্মবিশ্বাস আছে এমন ভবিষ্যদ্বাণীগুলি ফিল্টার করতে পারি। 0.99-এর থ্রেশহোল্ডের ফলে 99.6% নির্ভুলতা, এবং 5% ভবিষ্যদ্বাণী বাতিল করা হয়েছে। 0.999-এর থ্রেশহোল্ডের ফলে 99.87% নির্ভুলতা, 27% ভবিষ্যদ্বাণী বাতিল করা হয়েছে। সঠিক ব্যবসায়িক মূল্য প্রদানের জন্য, Chronomics 0.99 এর একটি থ্রেশহোল্ড বাছাই করেছে যাতে নির্ভুলতা সর্বাধিক করা যায় এবং ভবিষ্যদ্বাণী প্রত্যাখ্যান করা কম হয়। আরও তথ্যের জন্য, দেখুন একটি প্রশিক্ষিত মডেলের সাথে একটি চিত্র বিশ্লেষণ করা.

বাতিল করা ভবিষ্যদ্বাণীগুলিও ব্যবহার করে লুপে একজন মানুষের কাছে পাঠানো যেতে পারে অ্যামাজন অগমেন্টেড এআই (Amazon A2I) ম্যানুয়ালি ইমেজ প্রসেস করার জন্য। এটি কিভাবে করতে হয় সে সম্পর্কে আরও তথ্যের জন্য, পড়ুন Amazon Recognition সহ Amazon Augmented AI ব্যবহার করুন.

নিম্নলিখিত চিত্রটি একটি উদাহরণ যেখানে মডেলটি সঠিকভাবে 0.999 এর আত্মবিশ্বাসের সাথে পরীক্ষাটিকে অবৈধ হিসাবে চিহ্নিত করেছে৷

উপসংহার

এই পোস্টে, আমরা দেখিয়েছি যে ক্রনোমিক্স দ্রুত একটি স্কেলেবল কম্পিউটার ভিশন-ভিত্তিক সমাধান তৈরি এবং স্থাপন করেছে যা একটি COVID-19 পার্শ্বীয় প্রবাহ পরীক্ষার ফলাফল সনাক্ত করতে অ্যামাজন স্বীকৃতি ব্যবহার করে। দ্য অ্যামাজন স্বীকৃতি এপিআই কম্পিউটার ভিশন মডেল তৈরির প্রক্রিয়াকে ত্বরান্বিত করতে অনুশীলনকারীদের জন্য এটি খুব সহজ করে তোলে।

ভিজিট করে আপনার নির্দিষ্ট ব্যবসায়িক ব্যবহারের ক্ষেত্রে আপনি কীভাবে কম্পিউটার ভিশন মডেলগুলিকে প্রশিক্ষণ দিতে পারেন সে সম্পর্কে জানুন Amazon Recognition কাস্টম লেবেল দিয়ে শুরু করা এবং পর্যালোচনা করে আমাজন স্বীকৃতি কাস্টম লেবেল গাইড.

---

লেখক সম্পর্কে

মাটিয়া স্পিনেলি ক্রোনোমিক্সের একজন সিনিয়র মেশিন লার্নিং ইঞ্জিনিয়ার, একটি বায়োমেডিকেল কোম্পানি। Chronomics-এর প্ল্যাটফর্ম সরবরাহকারীদের দক্ষতা বা নির্ভুলতা ত্যাগ না করেই স্কেল-এ হোম ডায়াগনস্টিকগুলি নির্বিঘ্নে প্রয়োগ করতে সক্ষম করে৷

পিনাক পানিগ্রাহী AWS-এ কৌশলগত ব্যবসায়িক সমস্যা সমাধানের জন্য মেশিন লার্নিং চালিত সমাধান তৈরি করতে গ্রাহকদের সাথে কাজ করে। যখন মেশিন লার্নিং এর সাথে ব্যস্ত থাকে না, তখন তাকে হাইকিং করতে, বই পড়তে বা খেলাধুলা করতে দেখা যায়।

জে রাও AWS-এর একজন প্রধান সমাধান স্থপতি। তিনি গ্রাহকদের প্রযুক্তিগত এবং কৌশলগত দিকনির্দেশনা প্রদান এবং তাদের AWS-এর সমাধান ডিজাইন ও বাস্তবায়নে সহায়তা করেন।

পশমীন মিস্ত্রী AWS-এর একজন সিনিয়র প্রোডাক্ট ম্যানেজার। কাজের বাইরে, পশমিন দুঃসাহসিক হাইকিং, ফটোগ্রাফি এবং তার পরিবারের সাথে সময় কাটাতে উপভোগ করে।