Dies ist ein gemeinsamer Blog mit AWS und Philips.
Philips ist ein Gesundheitstechnologieunternehmen, das sich darauf konzentriert, das Leben der Menschen durch sinnvolle Innovationen zu verbessern. Seit 2014 bietet das Unternehmen seinen Kunden seine Philips HealthSuite-Plattform an, die Dutzende von AWS-Diensten orchestriert, die Unternehmen aus dem Gesundheitswesen und den Biowissenschaften zur Verbesserung der Patientenversorgung nutzen. Das Unternehmen arbeitet mit Gesundheitsdienstleistern, Start-ups, Universitäten und anderen Unternehmen zusammen, um Technologien zu entwickeln, die Ärzten helfen, präzisere Diagnosen zu stellen und Millionen von Menschen weltweit eine personalisiertere Behandlung zu bieten.
Einer der Haupttreiber der Innovationsstrategie von Philips ist künstliche Intelligenz (KI), die die Entwicklung intelligenter und personalisierter Produkte und Dienstleistungen ermöglicht, die die Gesundheitsergebnisse verbessern, das Kundenerlebnis verbessern und die betriebliche Effizienz optimieren können.
Amazon Sage Maker bietet speziell entwickelte Tools für maschinelle Lernvorgänge (MLOps), um die Automatisierung und Standardisierung von Prozessen im gesamten ML-Lebenszyklus zu unterstützen. Mit den MLOps-Tools von SageMaker können Teams ML-Modelle in großem Maßstab problemlos trainieren, testen, Fehler beheben, bereitstellen und steuern, um die Produktivität von Datenwissenschaftlern und ML-Ingenieuren zu steigern und gleichzeitig die Modellleistung in der Produktion aufrechtzuerhalten.
In diesem Beitrag beschreiben wir, wie Philips mit AWS zusammengearbeitet hat, um AI ToolSuite zu entwickeln – eine skalierbare, sichere und kompatible ML-Plattform auf SageMaker. Diese Plattform bietet Funktionen, die von Experimenten, Datenanmerkungen, Schulungen, Modellbereitstellungen und wiederverwendbaren Vorlagen reichen. Alle diese Funktionen sind darauf ausgelegt, mehrere Geschäftsbereiche bei der schnellen und flexiblen Innovation zu unterstützen und gleichzeitig eine skalierbare Verwaltung mit zentralen Kontrollen zu ermöglichen. Wir skizzieren die wichtigsten Anwendungsfälle, die Anforderungen für die erste Iteration der Plattform stellten, die Kernkomponenten und die erzielten Ergebnisse. Abschließend identifizieren wir die laufenden Bemühungen, die Plattform mit generativen KI-Workloads auszustatten und neue Benutzer und Teams schnell für die Einführung der Plattform zu gewinnen.
Kundenkontext
Philips nutzt KI in verschiedenen Bereichen wie Bildgebung, Diagnostik, Therapie, persönliche Gesundheit und vernetzte Pflege. Einige Beispiele für KI-gestützte Lösungen, die Philips in den letzten Jahren entwickelt hat, sind:
- Philips SmartSpeed – Eine KI-basierte Bildgebungstechnologie für die MRT, die einen einzigartigen Compressed-SENSE-basierten Deep-Learning-KI-Algorithmus verwendet, um Geschwindigkeit und Bildqualität für eine Vielzahl von Patienten auf die nächste Stufe zu heben
- Philips eCareManager – Eine Telegesundheitslösung, die KI nutzt, um die Fernversorgung und -verwaltung kritisch kranker Patienten auf Intensivstationen zu unterstützen, indem sie fortschrittliche Analysen und klinische Algorithmen verwendet, um die Patientendaten aus mehreren Quellen zu verarbeiten und umsetzbare Erkenntnisse, Warnungen und Empfehlungen für die Patienten bereitzustellen Pflegeteam
- Philips Sonicare – Eine intelligente Zahnbürste, die KI verwendet, um das Putzverhalten und die Mundgesundheit der Benutzer zu analysieren und in Echtzeit Anleitungen und personalisierte Empfehlungen wie optimale Putzzeit, Putzdruck und Putzabdeckung zu geben, um ihre Zahnhygiene zu verbessern und Karies und Zahnfleischerkrankungen vorzubeugen .
Seit vielen Jahren leistet Philips Pionierarbeit bei der Entwicklung datengesteuerter Algorithmen, um seine innovativen Lösungen im gesamten Gesundheitskontinuum voranzutreiben. Im Bereich der diagnostischen Bildgebung hat Philips eine Vielzahl von ML-Anwendungen für die Rekonstruktion und Interpretation medizinischer Bilder, das Workflow-Management und die Behandlungsoptimierung entwickelt. Auch in den Bereichen Patientenüberwachung, bildgesteuerte Therapie, Ultraschall und persönliche Gesundheit haben Teams ML-Algorithmen und -Anwendungen entwickelt. Allerdings wurde die Innovation durch die Verwendung fragmentierter KI-Entwicklungsumgebungen in allen Teams behindert. Diese Umgebungen reichten von einzelnen Laptops und Desktops bis hin zu verschiedenen lokalen Rechenclustern und cloudbasierter Infrastruktur. Diese Heterogenität ermöglichte es verschiedenen Teams zunächst, bei ihren frühen KI-Entwicklungsbemühungen schnell voranzukommen, bremst nun aber die Möglichkeiten zur Skalierung und Verbesserung der Effizienz unserer KI-Entwicklungsprozesse aus.
Es war offensichtlich, dass ein grundlegender Wandel hin zu einer einheitlichen und standardisierten Umgebung unerlässlich war, um das Potenzial der datengesteuerten Bemühungen bei Philips wirklich freizusetzen.
Wichtige KI/ML-Anwendungsfälle und Plattformanforderungen
KI/ML-gestützte Vorschläge können die Gesundheitsversorgung verändern, indem sie Verwaltungsaufgaben von Ärzten automatisieren. Zum Beispiel:
- KI kann medizinische Bilder analysieren, um Radiologen dabei zu helfen, Krankheiten schneller und genauer zu diagnostizieren
- KI kann zukünftige medizinische Ereignisse vorhersagen, indem sie Patientendaten analysiert und die proaktive Pflege verbessert
- KI kann eine personalisierte, auf die Bedürfnisse des Patienten zugeschnittene Behandlung empfehlen
- KI kann Informationen aus klinischen Notizen extrahieren und strukturieren, um die Aufzeichnung effizienter zu gestalten
- KI-Schnittstellen können Patienten bei Fragen, Erinnerungen und Symptomprüfungen unterstützen
Insgesamt verspricht KI/ML weniger menschliche Fehler, Zeit- und Kosteneinsparungen, optimierte Patientenerlebnisse und zeitnahe, personalisierte Interventionen.
Eine der wichtigsten Anforderungen an die ML-Entwicklungs- und Bereitstellungsplattform war die Fähigkeit der Plattform, den kontinuierlichen iterativen Entwicklungs- und Bereitstellungsprozess zu unterstützen, wie in der folgenden Abbildung dargestellt.
Die Entwicklung der KI-Assets beginnt in einer Laborumgebung, in der die Daten gesammelt und kuratiert werden. Anschließend werden die Modelle trainiert und validiert. Wenn das Modell bereit und für den Einsatz freigegeben ist, wird es in den realen Produktionssystemen bereitgestellt. Nach der Bereitstellung wird die Modellleistung kontinuierlich überwacht. Die reale Leistung und das Feedback werden schließlich für weitere Modellverbesserungen mit vollständiger Automatisierung des Modelltrainings und der Modellbereitstellung genutzt.
Die detaillierteren Anforderungen der AI ToolSuite wurden durch drei Beispielanwendungsfälle bestimmt:
- Entwickeln Sie eine Computer-Vision-Anwendung zur Objekterkennung am Rand. Das Data-Science-Team erwartete, dass ein KI-basierter automatisierter Bildanmerkungs-Workflow einen zeitaufwändigen Etikettierungsprozess beschleunigen würde.
- Ermöglichen Sie einem Data-Science-Team die Verwaltung einer Familie klassischer ML-Modelle zum Benchmarking von Statistiken über mehrere medizinische Einheiten hinweg. Das Projekt erforderte eine Automatisierung der Modellbereitstellung, Experimentverfolgung, Modellüberwachung und mehr Kontrolle über den gesamten Prozess von Anfang bis Ende, sowohl für Audits als auch für zukünftige Umschulungen.
- Verbessern Sie die Qualität und Markteinführungszeit von Deep-Learning-Modellen in der diagnostischen medizinischen Bildgebung. Die vorhandene Computerinfrastruktur ermöglichte nicht die parallele Durchführung vieler Experimente, was die Modellentwicklung verzögerte. Aus regulatorischen Gründen ist es außerdem erforderlich, eine vollständige Reproduzierbarkeit des Modelltrainings über mehrere Jahre hinweg zu ermöglichen.
Nicht-funktionale Anforderungen
Der Aufbau einer skalierbaren und robusten KI/ML-Plattform erfordert eine sorgfältige Berücksichtigung nichtfunktionaler Anforderungen. Diese Anforderungen gehen über die spezifischen Funktionalitäten der Plattform hinaus und konzentrieren sich darauf, Folgendes sicherzustellen:
- Skalierbarkeit – Die AI ToolSuite-Plattform muss in der Lage sein, die Infrastruktur zur Erkenntnisgewinnung von Philips effektiver zu skalieren, damit die Plattform ein wachsendes Datenvolumen, Benutzer und KI/ML-Arbeitslasten ohne Leistungseinbußen bewältigen kann. Es sollte horizontal und vertikal skalierbar sein, um steigenden Anforderungen nahtlos gerecht zu werden und gleichzeitig ein zentrales Ressourcenmanagement zu ermöglichen.
- Leistung – Die Plattform muss leistungsstarke Rechenfunktionen bereitstellen, um komplexe KI/ML-Algorithmen effizient verarbeiten zu können. SageMaker bietet eine breite Palette an Instanztypen, darunter Instanzen mit leistungsstarken GPUs, die Modelltraining und Inferenzaufgaben erheblich beschleunigen können. Außerdem sollten Latenz- und Reaktionszeiten minimiert werden, um Ergebnisse in Echtzeit oder nahezu in Echtzeit bereitzustellen.
- Zuverlässigkeit – Die Plattform muss eine äußerst zuverlässige und robuste KI-Infrastruktur bereitstellen, die sich über mehrere Availability Zones erstreckt. Diese Multi-AZ-Architektur sollte einen unterbrechungsfreien KI-Betrieb gewährleisten, indem Ressourcen und Arbeitslasten auf verschiedene Rechenzentren verteilt werden.
- Verfügbarkeit – Die Plattform muss rund um die Uhr verfügbar sein, mit minimalen Ausfallzeiten für Wartung und Upgrades. Die hohe Verfügbarkeit von AI ToolSuite sollte Lastausgleich, fehlertolerante Architekturen und proaktive Überwachung umfassen.
- Sicherheit und Governance – Die Plattform muss robuste Sicherheitsmaßnahmen, Verschlüsselung, Zugriffskontrollen, dedizierte Rollen und Authentifizierungsmechanismen mit kontinuierlicher Überwachung ungewöhnlicher Aktivitäten und der Durchführung von Sicherheitsüberprüfungen einsetzen.
- Datenmanagement – Effizientes Datenmanagement ist für KI/ML-Plattformen von entscheidender Bedeutung. Vorschriften im Gesundheitswesen erfordern eine besonders strenge Datenverwaltung. Es sollte Funktionen wie Datenversionierung, Datenherkunft, Datenverwaltung und Datenqualitätssicherung umfassen, um genaue und zuverlässige Ergebnisse sicherzustellen.
- Flexible Kommunikation – Die Plattform sollte so konzipiert sein, dass sie sich problemlos in die internen Datenrepositorys von Philips integrieren lässt und einen nahtlosen Datenaustausch und die Zusammenarbeit mit Anwendungen von Drittanbietern ermöglicht.
- Wartbarkeit – Die Architektur und Codebasis der Plattform sollte gut organisiert, modular und wartbar sein. Dies ermöglicht es den ML-Ingenieuren und -Entwicklern von Philips, Updates, Fehlerbehebungen und zukünftige Verbesserungen bereitzustellen, ohne das gesamte System zu unterbrechen.
- Ressourcenoptimierung – Die Plattform sollte die Nutzungsberichte sehr genau überwachen, um sicherzustellen, dass die Rechenressourcen effizient genutzt werden, und die Ressourcen dynamisch je nach Bedarf zuweisen. Darüber hinaus sollte Philips die Abrechnungs- und Kostenverwaltungstools von AWS nutzen, um sicherzustellen, dass Teams Benachrichtigungen erhalten, wenn die Auslastung den zugewiesenen Schwellenwert überschreitet.
- Überwachung und Protokollierung – Die Plattform sollte genutzt werden Amazon CloudWatch Warnungen für umfassende Überwachungs- und Protokollierungsfunktionen, die erforderlich sind, um die Systemleistung zu verfolgen, Engpässe zu identifizieren und Probleme effektiv zu beheben.
- Compliance – Die Plattform kann auch dazu beitragen, die Einhaltung gesetzlicher Vorschriften bei KI-gestützten Angeboten zu verbessern. Reproduzierbarkeit und Rückverfolgbarkeit müssen automatisch durch die End-to-End-Datenverarbeitungspipelines ermöglicht werden, in denen viele obligatorische Dokumentationsartefakte, wie z. B. Datenherkunftsberichte und Modellkarten, automatisch erstellt werden können.
- Testen und Validieren – Es müssen strenge Test- und Validierungsverfahren vorhanden sein, um die Genauigkeit und Zuverlässigkeit von KI/ML-Modellen sicherzustellen und unbeabsichtigte Verzerrungen zu verhindern.
Lösungsüberblick
AI ToolSuite ist eine durchgängige, skalierbare, schnelle KI-Entwicklungsumgebung, die nativen SageMaker und zugehörige KI/ML-Dienste mit Sicherheits- und Datenschutzrichtlinien von Philips HealthSuite sowie Integrationen in das Philips Ökosystem bietet. Es gibt drei Personas mit dedizierten Zugriffsberechtigungssätzen:
- Datenwissenschaftler – Bereiten Sie Daten vor und entwickeln und trainieren Sie Modelle in einem kollaborativen Arbeitsbereich
- ML Ingenieur – Erstellen Sie ML-Anwendungen mit Modellbereitstellung, -überwachung und -wartung
- Data-Science-Administrator – Erstellen Sie pro Teamanfrage ein Projekt, um dedizierte isolierte Umgebungen mit anwendungsfallspezifischen Vorlagen bereitzustellen
Die Plattformentwicklung umfasste mehrere Release-Zyklen in einem iterativen Zyklus aus Entdecken, Entwerfen, Erstellen, Testen und Bereitstellen. Aufgrund der Einzigartigkeit einiger Anwendungen erforderte die Erweiterung der Plattform die Einbettung vorhandener benutzerdefinierter Komponenten wie Datenspeicher oder proprietärer Tools für Annotationen.
Die folgende Abbildung veranschaulicht die dreischichtige Architektur von AI ToolSuite, einschließlich der Basisinfrastruktur als erste Schicht, allgemeiner ML-Komponenten als zweite Schicht und projektspezifischer Vorlagen als dritte Schicht.
Schicht 1 enthält die Basisinfrastruktur:
- Eine Netzwerkschicht mit parametrisiertem Zugriff auf das Internet mit hoher Verfügbarkeit
- Self-Service-Bereitstellung mit Infrastructure as Code (IaC)
- Eine integrierte Entwicklungsumgebung (IDE) unter Verwendung einer Amazon SageMaker-Studio Domain
- Plattformrollen (Data-Science-Administrator, Data-Scientist)
- Lagerung von Artefakten
- Protokollierung und Überwachung zur Beobachtbarkeit
Schicht 2 enthält allgemeine ML-Komponenten:
- Automatisierte Experimentverfolgung für jeden Job und jede Pipeline
- Eine Modell-Build-Pipeline zum Starten eines neuen Modell-Build-Updates
- Eine Modelltrainingspipeline, bestehend aus Modelltraining, Bewertung und Registrierung
- Eine Modellbereitstellungspipeline zum Bereitstellen des Modells für abschließende Tests und Genehmigungen
- Eine Modellregistrierung zur einfachen Verwaltung von Modellversionen
- Eine Projektrolle, die speziell für einen bestimmten Anwendungsfall erstellt wurde und SageMaker Studio-Benutzern zugewiesen werden soll
- Ein Image-Repository zum Speichern von für das Projekt erstellten Verarbeitungs-, Trainings- und Inferenz-Container-Images
- Ein Code-Repository zum Speichern von Code-Artefakten
- Ein Projekt Amazon Simple Storage-Service (Amazon S3) Bucket zum Speichern aller Projektdaten und Artefakte
Layer 3 enthält projektspezifische Vorlagen, die je nach Bedarf für neue Projekte mit benutzerdefinierten Komponenten erstellt werden können. Zum Beispiel:
- Vorlage 1 – Enthält eine Komponente zur Datenabfrage und Verlaufsverfolgung
- Vorlage 2 – Enthält eine Komponente für Datenanmerkungen mit einem benutzerdefinierten Annotations-Workflow zur Verwendung proprietärer Annotationstools
- Vorlage 3 – Enthält Komponenten für benutzerdefinierte Container-Images zur Anpassung ihrer Entwicklungsumgebung und Schulungsroutinen, ein dediziertes HPC-Dateisystem und Zugriff über eine lokale IDE für Benutzer
Das folgende Diagramm zeigt die wichtigsten AWS-Services, die mehrere AWS-Konten für Entwicklung, Staging und Produktion umfassen.
In den folgenden Abschnitten besprechen wir die wichtigsten Funktionen der Plattform, die durch AWS-Dienste ermöglicht wird, einschließlich SageMaker. AWS-Servicekatalog, CloudWatch, AWS Lambda, Amazon Elastic Container-Registrierung (Amazon ECR), Amazon S3, AWS Identity and Access Management and (IAM) und andere.
Infrastruktur als Code
Die Plattform nutzt IaC, wodurch Philips die Bereitstellung und Verwaltung von Infrastrukturressourcen automatisieren kann. Dieser Ansatz trägt auch zur Reproduzierbarkeit, Skalierbarkeit, Versionskontrolle, Konsistenz, Sicherheit und Portabilität für Entwicklung, Tests oder Produktion bei.
Zugriff auf AWS-Umgebungen
Der Zugriff auf SageMaker und zugehörige KI/ML-Dienste erfolgt mit Sicherheitsmaßnahmen für die Datenvorbereitung, Modellentwicklung, Schulung, Annotation und Bereitstellung.
Isolation und Zusammenarbeit
Die Plattform gewährleistet die Datenisolation durch getrennte Speicherung und Verarbeitung und verringert so das Risiko unbefugter Zugriffe oder Datenschutzverletzungen.
Die Plattform erleichtert die Teamzusammenarbeit, was bei KI-Projekten von entscheidender Bedeutung ist, an denen typischerweise funktionsübergreifende Teams beteiligt sind, darunter Datenwissenschaftler, Datenwissenschaftsadministratoren und MLOps-Ingenieure.
Rollenbasierte Zugriffssteuerung
Rollenbasierte Zugriffskontrolle (RBAC) ist für die Verwaltung von Berechtigungen und die Vereinfachung der Zugriffsverwaltung durch die strukturierte Definition von Rollen und Berechtigungen von entscheidender Bedeutung. Es erleichtert die Verwaltung von Berechtigungen, wenn Teams und Projekte wachsen, und die Zugriffskontrolle für verschiedene Personen, die an AWS AI/ML-Projekten beteiligt sind, wie z. B. Data Science-Administrator, Datenwissenschaftler, Annotationsadministrator, Annotator und MLOps-Ingenieur.
Zugriff auf Datenspeicher
Die Plattform ermöglicht SageMaker den Zugriff auf Datenspeicher, wodurch sichergestellt wird, dass Daten effizient für Modelltraining und Inferenz genutzt werden können, ohne dass Daten dupliziert oder über verschiedene Speicherorte verschoben werden müssen, wodurch die Ressourcennutzung optimiert und die Kosten gesenkt werden.
Anmerkung mit Philips-spezifischen Anmerkungstools
AWS bietet eine Reihe von KI- und ML-Diensten wie SageMaker, Amazon Sagemaker Ground Truth und Amazon Cognito, die vollständig in Philips-spezifische interne Anmerkungstools integriert sind. Diese Integration ermöglicht es Entwicklern, ML-Modelle mithilfe der annotierten Daten innerhalb der AWS-Umgebung zu trainieren und bereitzustellen.
ML-Vorlagen
Die AI ToolSuite-Plattform bietet in AWS Vorlagen für verschiedene ML-Workflows. Bei diesen Vorlagen handelt es sich um vorkonfigurierte Infrastruktur-Setups, die auf bestimmte ML-Anwendungsfälle zugeschnitten sind und über Dienste wie z. B. zugänglich sind SageMaker-Projektvorlagen, AWS CloudFormationund Servicekatalog.
Integration mit Philips GitHub
Die Integration mit GitHub steigert die Effizienz, indem es eine zentralisierte Plattform für Versionskontrolle, Codeüberprüfungen und automatisierte CI/CD-Pipelines (kontinuierliche Integration und kontinuierliche Bereitstellung) bereitstellt, wodurch manuelle Aufgaben reduziert und die Produktivität gesteigert werden.
Visual Studio Code-Integration
Die Integration mit Visual Studio Code bietet eine einheitliche Umgebung zum Codieren, Debuggen und Verwalten von ML-Projekten. Dies rationalisiert den gesamten ML-Workflow, reduziert den Kontextwechsel und spart Zeit. Die Integration verbessert auch die Zusammenarbeit zwischen Teammitgliedern, indem sie es ihnen ermöglicht, in einer vertrauten Entwicklungsumgebung gemeinsam an SageMaker-Projekten zu arbeiten, Versionskontrollsysteme zu nutzen und Code und Notebooks nahtlos zu teilen.
Modell- und Datenherkunft und Rückverfolgbarkeit für Reproduzierbarkeit und Compliance
Die Plattform bietet Versionierung, die dabei hilft, Änderungen an den Trainings- und Inferenzdaten des Datenwissenschaftlers im Laufe der Zeit zu verfolgen, was es einfacher macht, Ergebnisse zu reproduzieren und die Entwicklung der Datensätze zu verstehen.
Die Plattform ermöglicht auch die SageMaker-Experimentverfolgung, die es Endbenutzern ermöglicht, alle mit ihren ML-Experimenten verbundenen Metadaten zu protokollieren und zu verfolgen, einschließlich Hyperparametern, Eingabedaten, Code und Modellartefakten. Diese Fähigkeiten sind unerlässlich, um die Einhaltung gesetzlicher Standards nachzuweisen und Transparenz und Verantwortlichkeit in KI/ML-Workflows sicherzustellen.
Erstellung von AI/ML-Spezifikationsberichten zur Einhaltung gesetzlicher Vorschriften
AWS unterhält Compliance-Zertifizierungen für verschiedene Industriestandards und -vorschriften. AI/ML-Spezifikationsberichte dienen als wesentliche Compliance-Dokumentation und zeigen die Einhaltung gesetzlicher Anforderungen. Diese Berichte dokumentieren die Versionierung von Datensätzen, Modellen und Code. Die Versionskontrolle ist für die Aufrechterhaltung der Datenherkunft, Rückverfolgbarkeit und Reproduzierbarkeit von entscheidender Bedeutung, die alle für die Einhaltung gesetzlicher Vorschriften und die Prüfung von entscheidender Bedeutung sind.
Budgetverwaltung auf Projektebene
Die Budgetverwaltung auf Projektebene ermöglicht es der Organisation, Ausgabengrenzen festzulegen, um unerwartete Kosten zu vermeiden und sicherzustellen, dass die ML-Projekte innerhalb des Budgets bleiben. Mit der Budgetverwaltung kann die Organisation einzelne Projekte oder Teams bestimmte Budgets zuweisen, was den Teams hilft, Ressourcenineffizienzen oder unerwartete Kostenspitzen frühzeitig zu erkennen. Zusätzlich zur Budgetverwaltung vermeiden Teammitglieder mit der Funktion zum automatischen Herunterfahren inaktiver Notebooks die Zahlung für ungenutzte Ressourcen und geben auch wertvolle Ressourcen frei, wenn sie nicht aktiv genutzt werden, und stellen sie für andere Aufgaben oder Benutzer zur Verfügung.
Outcomes
AI ToolSuite wurde als unternehmensweite Plattform für die ML-Entwicklung und -Bereitstellung für Datenwissenschaftler bei Philips konzipiert und implementiert. Bei der Konzeption und Entwicklung wurden vielfältige Anforderungen aus allen Geschäftsbereichen gesammelt und berücksichtigt. Zu Beginn des Projekts identifizierte Philips Champions aus den Geschäftsteams, die Feedback gaben und dabei halfen, den Wert der Plattform zu bewerten.
Folgende Ergebnisse wurden erzielt:
- Die Benutzerakzeptanz ist einer der wichtigsten Frühindikatoren für Philips. Benutzer aus mehreren Geschäftsbereichen wurden geschult und in die Plattform integriert, und diese Zahl wird voraussichtlich im Jahr 2024 steigen.
- Eine weitere wichtige Kennzahl ist die Effizienz für Data-Science-Benutzer. Mit AI ToolSuite werden neue ML-Entwicklungsumgebungen in weniger als einer Stunde statt in mehreren Tagen bereitgestellt.
- Data-Science-Teams können auf eine skalierbare, sichere, kosteneffiziente, cloudbasierte Recheninfrastruktur zugreifen.
- Teams können mehrere Modelltrainingsexperimente parallel durchführen, wodurch sich die durchschnittliche Trainingszeit deutlich von Wochen auf 1–3 Tage verkürzt.
- Da die Umgebungsbereitstellung vollständig automatisiert ist, ist praktisch kein Eingreifen der Cloud-Infrastrukturingenieure erforderlich, was die Betriebskosten senkt.
- Der Einsatz von AI ToolSuite hat die Gesamtreife von Daten und KI-Ergebnissen erheblich verbessert, indem der Einsatz bewährter ML-Praktiken, standardisierter Arbeitsabläufe und durchgängiger Reproduzierbarkeit gefördert wurde, was für die Einhaltung gesetzlicher Vorschriften in der Gesundheitsbranche von entscheidender Bedeutung ist.
Wir freuen uns auf generative KI
Da Unternehmen darum kämpfen, den nächsten Stand der Technik in der KI einzuführen, ist es unerlässlich, neue Technologien im Kontext der Sicherheits- und Governance-Richtlinien des Unternehmens einzuführen. Die Architektur von AI ToolSuite bietet eine hervorragende Blaupause für den Zugriff auf generative KI-Funktionen in AWS für verschiedene Teams bei Philips. Teams können die mit zur Verfügung gestellten Foundation-Modelle verwenden Amazon SageMaker-JumpStart, das eine große Anzahl von Open-Source-Modellen von Hugging Face und anderen Anbietern bereitstellt. Da die notwendigen Leitplanken in Bezug auf Zugriffskontrolle, Projektbereitstellung und Kostenkontrolle bereits vorhanden sind, können Teams problemlos mit der Nutzung der generativen KI-Funktionen in SageMaker beginnen.
Zusätzlich Zugriff auf Amazonas Grundgestein, ein vollständig verwalteter API-gesteuerter Dienst für generative KI, kann je nach Projektanforderungen für einzelne Konten bereitgestellt werden, und die Benutzer können entweder über die SageMaker-Notebook-Schnittstelle oder über ihre bevorzugte IDE auf Amazon Bedrock-APIs zugreifen.
Es gibt weitere Überlegungen hinsichtlich der Einführung generativer KI in einem regulierten Umfeld, beispielsweise im Gesundheitswesen. Der durch generative KI-Anwendungen geschaffene Wert muss sorgfältig gegen die damit verbundenen Risiken und Kosten abgewogen werden. Außerdem muss ein Risiko- und Rechtsrahmen geschaffen werden, der den Einsatz generativer KI-Technologien durch die Organisation regelt. Elemente wie Datensicherheit, Voreingenommenheit und Fairness sowie die Einhaltung gesetzlicher Vorschriften müssen als Teil solcher Mechanismen berücksichtigt werden.
Zusammenfassung
Philips hat sich auf den Weg gemacht, die Leistungsfähigkeit datengesteuerter Algorithmen zu nutzen, um Gesundheitslösungen zu revolutionieren. Im Laufe der Jahre haben Innovationen in der diagnostischen Bildgebung mehrere ML-Anwendungen hervorgebracht, von der Bildrekonstruktion bis hin zum Workflow-Management und der Behandlungsoptimierung. Die vielfältigen Setups, von einzelnen Laptops bis hin zu lokalen Clustern und Cloud-Infrastrukturen, stellten jedoch erhebliche Herausforderungen dar. Separate Systemverwaltung, Sicherheitsmaßnahmen, Supportmechanismen und Datenprotokolle verhinderten einen umfassenden Überblick über die Gesamtbetriebskosten und komplizierten Übergänge zwischen Teams. Der Übergang von Forschung und Entwicklung zur Produktion wurde durch mangelnde Abstammung und Reproduzierbarkeit erschwert, was eine kontinuierliche Neuschulung der Modelle erschwerte.
Im Rahmen der strategischen Zusammenarbeit zwischen Philips und AWS wurde die AI ToolSuite-Plattform geschaffen, um mit SageMaker eine skalierbare, sichere und konforme ML-Plattform zu entwickeln. Diese Plattform bietet Funktionen, die von Experimenten, Datenanmerkungen, Schulungen, Modellbereitstellungen und wiederverwendbaren Vorlagen reichen. Alle diese Funktionen wurden iterativ über mehrere Zyklen aus Entdecken, Entwerfen, Erstellen, Testen und Bereitstellen entwickelt. Dies half mehreren Geschäftsbereichen dabei, schnell und flexibel Innovationen zu entwickeln und gleichzeitig mit zentralen Kontrollen in großem Maßstab zu steuern.
Diese Reise dient als Inspiration für Organisationen, die die Leistungsfähigkeit von KI und ML nutzen möchten, um Innovation und Effizienz im Gesundheitswesen voranzutreiben, was letztendlich Patienten und Leistungserbringern weltweit zugute kommt. Während Philips weiterhin auf diesem Erfolg aufbaut, ist es bereit, durch innovative KI-gestützte Lösungen noch größere Fortschritte bei der Verbesserung der Gesundheitsergebnisse zu machen.
Um mehr über die Philips-Innovation auf AWS zu erfahren, besuchen Sie Philips auf AWS.
Über die Autoren
Frank Wartena ist Programmmanager bei Philips Innovation & Strategy. Er koordiniert daten- und KI-bezogene Plattformressourcen zur Unterstützung unserer daten- und KI-gestützten Angebote von Philips. Er verfügt über umfassende Erfahrung in den Bereichen künstliche Intelligenz, Datenwissenschaft und Interoperabilität. In seiner Freizeit läuft, liest und rudert Frank gerne und verbringt Zeit mit seiner Familie.
Irina Fedulova ist Principal Data & AI Lead bei Philips Innovation & Strategy. Sie treibt strategische Aktivitäten voran, die sich auf Tools, Plattformen und Best Practices konzentrieren, die die Entwicklung und Produktisierung von (generativen) KI-basierten Lösungen bei Philips beschleunigen und skalieren. Irina verfügt über einen starken technischen Hintergrund in den Bereichen maschinelles Lernen, Cloud Computing und Softwareentwicklung. Außerhalb der Arbeit verbringt sie gerne Zeit mit ihrer Familie, reist und liest.
Selvakumar Palaniyappan ist Product Owner bei Philips Innovation & Strategy und verantwortlich für das Produktmanagement für die Philips HealthSuite AI & ML-Plattform. Er verfügt über umfangreiche Erfahrung im technischen Produktmanagement und Software-Engineering. Derzeit arbeitet er am Aufbau einer skalierbaren und konformen KI- und ML-Entwicklungs- und Bereitstellungsplattform. Darüber hinaus leitet er die Einführung durch die Datenwissenschaftsteams von Philips, um KI-gesteuerte Gesundheitssysteme und -lösungen zu entwickeln.
Adnan Elci ist Senior Cloud Infrastructure Architect bei AWS Professional Services. Er ist als technischer Leiter tätig und überwacht verschiedene Abläufe für Kunden in den Bereichen Gesundheitswesen und Biowissenschaften, Finanzen, Luftfahrt und Fertigung. Seine Begeisterung für die Automatisierung zeigt sich in seinem umfassenden Engagement beim Entwerfen, Erstellen und Implementieren von Kundenlösungen auf Unternehmensebene innerhalb der AWS-Umgebung. Über sein berufliches Engagement hinaus engagiert sich Adnan aktiv in der Freiwilligenarbeit und strebt danach, einen sinnvollen und positiven Einfluss auf die Gemeinschaft zu haben.
Hasan Poonawala ist Senior AI/ML Specialist Solutions Architect bei AWS und unterstützt Kunden bei der Entwicklung und Bereitstellung von Anwendungen für maschinelles Lernen in der Produktion auf AWS. Er verfügt über mehr als 12 Jahre Berufserfahrung als Datenwissenschaftler, Praktiker des maschinellen Lernens und Softwareentwickler. In seiner Freizeit liebt Hasan es, die Natur zu erkunden und Zeit mit Freunden und Familie zu verbringen.
Sreoshi Roy ist Senior Global Engagement Manager bei AWS. Als Geschäftspartnerin der Kunden aus den Bereichen Gesundheitswesen und Biowissenschaften verfügt sie über eine beispiellose Erfahrung in der Definition und Bereitstellung von Lösungen für komplexe Geschäftsprobleme. Sie hilft ihren Kunden dabei, strategische Ziele festzulegen, Cloud-/Datenstrategien zu definieren und zu entwerfen und die skalierte und robuste Lösung zu implementieren, um ihre technischen und geschäftlichen Ziele zu erreichen. Über ihre beruflichen Bemühungen hinaus liegt ihr Engagement darin, durch die Förderung von Empathie und Inklusion einen sinnvollen Einfluss auf das Leben der Menschen zu haben.
Wajahat Aziz ist eine Führungskraft für KI/ML und HPC im AWS-Team für Gesundheitswesen und Biowissenschaften. Wajahat war als Technologieführer in verschiedenen Funktionen bei Life-Science-Organisationen tätig und nutzt seine Erfahrung, um Kunden aus dem Gesundheitswesen und den Life-Sciences dabei zu helfen, AWS-Technologien für die Entwicklung modernster ML- und HPC-Lösungen zu nutzen. Seine aktuellen Schwerpunkte sind frühe Forschung, klinische Studien und maschinelles Lernen zur Wahrung der Privatsphäre.
Wioletta Stobieniecka ist Datenwissenschaftler bei AWS Professional Services. Im Laufe ihrer beruflichen Laufbahn hat sie mehrere analysegesteuerte Projekte für verschiedene Branchen wie Banken, Versicherungen, Telekommunikation und den öffentlichen Sektor durchgeführt. Ihr Wissen über fortgeschrittene statistische Methoden und maschinelles Lernen wird gut mit einem Geschäftssinn kombiniert. Sie bringt aktuelle KI-Fortschritte ein, um Mehrwert für Kunden zu schaffen.
- SEO-gestützte Content- und PR-Distribution. Holen Sie sich noch heute Verstärkung.
- PlatoData.Network Vertikale generative KI. Motiviere dich selbst. Hier zugreifen.
- PlatoAiStream. Web3-Intelligenz. Wissen verstärkt. Hier zugreifen.
- PlatoESG. Kohlenstoff, CleanTech, Energie, Umwelt, Solar, Abfallwirtschaft. Hier zugreifen.
- PlatoHealth. Informationen zu Biotechnologie und klinischen Studien. Hier zugreifen.
- Quelle: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :hast
- :Ist
- :nicht
- :Wo
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- Fähigkeit
- Fähig
- LiveBuzz
- beschleunigen
- beschleunigt
- Zugang
- Zugriff auf Daten
- Zugriff
- zugänglich
- Rechenschaftspflicht
- Trading Konten
- Genauigkeit
- genau
- erreicht
- über
- umsetzbar
- aktiv
- Aktivitäten
- Scharfsinn
- Zusatz
- Zusätzliche
- Einhaltung
- Administrator
- Verwaltung
- administrativ
- adoptieren
- Adoption
- advanced
- Fortschritte
- gegen
- AI
- AI / ML
- gezielt
- Warnmeldungen
- Algorithmus
- Algorithmen
- Alle
- zuordnen
- zugeordnet
- erlauben
- Zulassen
- erlaubt
- bereits
- ebenfalls
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- unter
- Betrag
- an
- Analytik
- analysieren
- Analyse
- und
- APIs
- Anwendung
- Anwendungen
- Ansatz
- genehmigt
- Architektur
- SIND
- Bereiche
- künstlich
- künstliche Intelligenz
- Künstliche Intelligenz (AI)
- AS
- Vermögenswert
- Details
- zugewiesen
- damit verbundenen
- Versicherung
- At
- Wirtschaftsprüfung
- Audits
- Authentifizierung
- automatisieren
- Automatisiert
- Im Prinzip so, wie Sie es von Google Maps kennen.
- automatisieren
- Automation
- Verfügbarkeit
- verfügbar
- durchschnittlich
- Luftfahrt
- vermeiden
- AWS
- Professionelle AWS-Services
- Zurück
- Hintergrund
- Balancing
- Bankinggg
- Base
- basierend
- BE
- war
- Verhalten
- Benchmarking
- profitieren
- BESTE
- Best Practices
- zwischen
- Beyond
- vorspannen
- Vorurteile
- Rechnungs-
- Blog
- Entwurf
- Auftrieb
- Stärkung
- beide
- Engpässe
- Verstöße
- Brings
- breit
- Haushalt
- Budgets
- Fehler
- bauen
- Building
- erbaut
- Geschäft
- aber
- by
- rufen Sie uns an!
- CAN
- Fähigkeiten
- Kapazität
- Karten
- österreichische Unternehmen
- Karriere
- vorsichtig
- Häuser
- Fälle
- Katalog
- Centers
- Hauptgeschäftsstelle
- zentralisierte
- Zertifizierungen
- Herausforderungen
- Champions
- Änderungen
- berechnen
- klassisch
- Kunden
- Klinische
- klinische Versuche
- Ärzten
- eng
- Cloud
- Cloud Computing
- Cloud-Infrastruktur
- Code
- Codebasis
- Programmierung
- Zusammenarbeit
- kollaborative
- kombiniert
- kommt
- Verbindlichkeiten
- gemeinsam
- community
- Unternehmen
- Unternehmen
- Komplex
- Compliance
- konform
- kompliziert
- Komponente
- Komponenten
- umfassend
- Bestehend
- rechnerisch
- Berechnen
- Computer
- Computer Vision
- Computing
- über
- Schluss
- Leitung
- Sie
- Berücksichtigung
- Überlegungen
- betrachtet
- Container
- enthält
- Kontext
- fortsetzen
- kontinuierlich
- ständig
- Continuum
- Smartgeräte App
- Steuerung
- Kernbereich
- Kosten
- Kostenmanagement
- Einsparmaßnahmen
- Kosten
- Berichterstattung
- erstellen
- Wert schaffen
- erstellt
- Erstellen
- Schaffung
- kritischem
- funktionsübergreifende Teams
- wichtig
- kuratiert
- Strom
- Zur Zeit
- Original
- Kunde
- Customer Experience
- Kundenlösungen
- Kunden
- anpassen
- Zyklus
- Zyklen
- technische Daten
- Datenverstöße
- Rechenzentren
- Data Exchange
- Datenmanagement
- Datenaufbereitung
- Datenverarbeitung
- Datenwissenschaft
- Datenwissenschaftler
- Datensicherheit
- datengesteuerte
- Datensätze
- Tage
- gewidmet
- Hingabe
- tief
- tiefe Lernen
- definieren
- Definition
- Verspätet
- Übergeben
- geliefert
- liefern
- Demand
- Anforderungen
- demonstrieren
- einsetzen
- Einsatz
- Einsatz
- Implementierungen
- beschreiben
- Design
- entworfen
- Entwerfen
- detailliert
- Entdeckung
- entwickeln
- entwickelt
- Entwickler:in / Unternehmen
- Entwickler
- Entwicklung
- Entwicklung
- Diagnose
- Diagnostische Bildgebung
- Diagnostik
- anders
- schwer
- entdeckt,
- diskutieren
- Krankheiten
- deutlich
- verteilen
- verschieden
- Ärzte
- Dokument
- Dokumentation
- Domain
- Domains
- erledigt
- nach unten
- Ausfallzeit
- Dutzende
- Antrieb
- angetrieben
- Treiber
- Fahren
- zwei
- im
- dynamisch
- Früh
- einfacher
- leicht
- Ökosystem
- Edge
- effektiv
- Effizienz
- effizient
- effizient
- Bemühungen
- entweder
- Elemente
- eingeschifft
- Einbettung
- Empathie
- ermöglichen
- freigegeben
- ermöglicht
- ermöglichen
- Verschlüsselung
- Ende
- End-to-End
- bemüht sich
- Engagement
- Ingenieur
- Entwicklung
- Ingenieure
- zu steigern,
- verbesserte
- Verbesserungen
- Verbessert
- gewährleisten
- sorgt
- Gewährleistung
- Unternehmen
- Begeisterung
- Ganz
- Arbeitsumfeld
- Umgebungen
- Fehler
- insbesondere
- essential
- bewerten
- Auswertung
- Sogar
- Veranstaltungen
- schließlich
- Jedes
- offensichtlich
- Evolution
- Beispiel
- Beispiele
- Ausgezeichnet
- Austausch-
- vorhandenen
- erwartet
- ERFAHRUNGEN
- erfahrensten
- Erfahrungen
- Experiment
- Experimente
- ERKUNDEN
- Erweiterung
- umfangreiche
- Extrakt
- Gesicht
- erleichtert
- Fairness
- vertraut
- Familie
- FAST
- beschleunigt
- Merkmal
- Eigenschaften
- Feedback
- Abbildung
- Reichen Sie das
- Finale
- Finanzen
- Vorname
- Setzen Sie mit Achtsamkeit
- konzentriert
- Folgende
- Aussichten für
- gewaltig
- vorwärts
- Förderung
- Foundation
- fragmentierten
- Unser Ansatz
- frank
- Freunde
- für
- Treibstoff
- voller
- voll
- Funktionsumfang
- fundamental
- weiter
- Außerdem
- Zukunft
- Generation
- generativ
- Generative KI
- GitHub
- gegeben
- Global
- Go
- gut
- Governance
- regieren
- regiert
- GPUs
- mehr
- Boden
- Wachsen Sie über sich hinaus
- persönlichem Wachstum
- die Vermittlung von Kompetenzen,
- geführt
- Griff
- Geschirr
- Nutzen
- Haben
- mit
- he
- Gesundheit
- Gesundheitssysteme
- Gesundheitswesen
- Healthcare-Industrie
- Hilfe
- dazu beigetragen,
- Unternehmen
- hilft
- hier (auf dänisch)
- GUTE
- Hohe Leistungsfähigkeit
- Highlights
- hoch
- selbst
- seine
- Geschichte
- Halten
- horizontal
- Stunde
- Ultraschall
- aber
- hpc
- HTML
- http
- HTTPS
- human
- identifiziert
- identifizieren
- Identifizierung
- Identitätsschutz
- Leerlauf
- zeigt
- Image
- Bilder
- Imaging
- Impact der HXNUMXO Observatorien
- Imperativ
- implementieren
- umgesetzt
- Umsetzung
- wichtig
- zu unterstützen,
- Verbesserungen
- Verbesserung
- in
- das
- Dazu gehören
- Einschließlich
- Inklusivität
- zunehmend
- Anzeigen
- Krankengymnastik
- Branchen
- Energiegewinnung
- Industrie-Standards
- Ineffizienzen
- Information
- Infrastruktur
- anfänglich
- wir innovieren
- Innovation
- Innovationsstrategie
- innovativ
- Varianten des Eingangssignals:
- Einblicke
- Inspiration
- Instanz
- beantragen müssen
- Versicherung
- integrieren
- integriert
- Integration
- Integrationen
- Intelligenz
- Schnittstelle
- Schnittstellen
- intern
- Internet
- Flexible Kommunikation
- Interpretation
- Interventionen
- in
- beteiligen
- beteiligt
- Beteiligung
- Irina
- isoliert
- Isolierung
- Probleme
- IT
- Iteration
- SEINE
- Job
- dank
- Reise
- jpg
- Behalten
- Wesentliche
- Wissen
- Labor
- Beschriftung
- Mangel
- Laptops
- grosse
- Latency
- starten
- Schicht
- führen
- Führer
- führenden
- LERNEN
- lernen
- Rechtlich
- Rechtliche Rahmenbedingungen
- weniger
- Niveau
- Hebelwirkung
- Hebelwirkungen
- liegt
- Lebensdauer
- Life Science
- Biowissenschaften
- Lebenszyklus
- Gefällt mir
- Grenzen
- Abstammung
- Linien
- leben
- Leben
- Belastung
- aus einer regionalen
- Standorte
- Log
- Protokollierung
- suchen
- liebt
- Maschine
- Maschinelles Lernen
- gemacht
- Wartbar
- Aufrechterhaltung
- unterhält
- Wartung
- um
- MACHT
- Making
- verwalten
- verwaltet
- Management
- Management-Tools
- Manager
- flächendeckende Gesundheitsprogramme
- Alle Tauchgäste müssen eine Tauchversicherung vorweisen,
- Weise
- manuell
- Herstellung
- viele
- Markt
- Reife
- sinnvoll
- Maßnahmen
- Mechanismen
- sowie medizinische
- Triff
- Mitglieder
- Metadaten
- Methoden
- Metrisch
- Millionen
- minimal
- ML
- MLOps
- Modell
- für
- modulare
- Überwachen
- überwacht
- Überwachung
- mehr
- schlauer bewegen
- MRI
- mehrere
- Vielzahl
- sollen
- nativen
- Natur
- notwendig,
- Need
- Bedürfnisse
- Vernetzung
- Neu
- neue Nutzer
- weiter
- nicht
- Notizbuch
- Notizen
- Benachrichtigungen
- jetzt an
- Anzahl
- Objekt
- Objekterkennung
- of
- bieten
- Angebote
- on
- Onboard
- einmal
- EINEM
- laufend
- XNUMXh geöffnet
- Open-Source-
- arbeitet
- Betriebs-
- Einkauf & Prozesse
- Entwicklungsmöglichkeiten
- optimal
- Optimierung
- Optimieren
- optimiert
- Optimierung
- or
- Mundhygiene
- Auftrag
- Organisation
- Organisationen
- Organisiert
- Andere
- Anders
- UNSERE
- Ergebnisse
- skizzieren
- aussen
- übrig
- Gesamt-
- beaufsichtigen
- Eigentümer
- Parallel
- Teil
- Partner
- Partnerschaft
- leitet
- passt
- Vertrauen bei Patienten
- Patienten
- zahlen
- Personen
- Menschen
- für
- Leistung
- Berechtigungen
- persönliche
- Personalisiert
- Pionierarbeit
- Pipeline
- Ort
- Plattform
- Plattformen
- Plato
- Datenintelligenz von Plato
- PlatoData
- balanciert
- Datenschutzrichtlinien
- Portabilität
- gestellt
- positiv
- Post
- Potenzial
- Werkzeuge
- größte treibende
- Praktiken
- präzise
- vorhersagen
- bevorzugt
- Vorbereitung
- Danach
- bereit
- Erhaltung
- Druck
- verhindern
- Principal
- Datenschutz
- Proaktives Handeln
- Probleme
- Verfahren
- Prozessdefinierung
- anpassen
- Verarbeitung
- Produkt
- Produktmanagement
- Produktion
- PRODUKTIVITÄT
- Produkte
- Professionell
- Programm
- Projekt
- Projektdaten
- Projekte
- Promises
- Die Förderung der
- Eigentums-
- Protokoll
- die
- vorausgesetzt
- Anbieter
- bietet
- Bereitstellung
- Öffentlichkeit
- Zwecke
- Qualität
- Abfragen
- Direkt
- Rennen
- Angebot
- Bereich
- schnell
- Lesebrillen
- bereit
- realen Welt
- Echtzeit
- erhalten
- kürzlich
- empfehlen
- Empfehlungen
- Reduziert
- Reduzierung
- Registratur
- geregelt
- Vorschriften
- Regulierungsbehörden
- Erfüllung gesetzlicher Auflagen
- bezogene
- Release
- Loslassen
- Zuverlässigkeit
- zuverlässig
- entfernt
- berichten
- Meldungen
- Quelle
- Anforderung
- falls angefordert
- Voraussetzungen:
- erfordert
- Forschungsprojekte
- Forschung und Entwicklung
- Ressourcen
- Downloads
- Antwort
- Die Ergebnisse
- wiederverwendbar
- Bewertungen
- revolutionieren
- rigoros
- Risiko
- Risiken
- robust
- Rollen
- Rollen
- Führen Sie
- Laufen
- opfern
- sagemaker
- Einsparung
- Ersparnisse
- Skalierbarkeit
- skalierbaren
- Skalieren
- Wissenschaft
- WISSENSCHAFTEN
- Wissenschaftler
- Wissenschaftler
- nahtlos
- nahtlos
- Zweite
- Abschnitte
- Bibliotheken
- Verbindung
- Sicherheitdienst
- Sicherheitsüberprüfungen
- Sicherheitsmaßnahmen
- Senior
- getrennte
- brauchen
- serviert
- dient
- Lösungen
- kompensieren
- Sets
- Einstellung
- mehrere
- ,,teilen"
- sie
- verschieben
- sollte
- präsentiert
- gezeigt
- geschlossen
- schließen
- bedeutend
- Einfacher
- Vereinfachung
- da
- smart
- So
- Software
- Softwareentwicklung
- Lösung
- Lösungen
- einige
- Quelle
- Quellen
- überspannend
- überspannt
- Speerspitze
- Spezialist
- spezifisch
- speziell
- Spezifikation
- Geschwindigkeit
- verbringen
- Ausgabe
- Spikes
- Aufführung
- Normen
- steht
- Anfang
- beginnt
- Startups
- State-of-the-art
- statistisch
- Statistiken
- bleiben
- Lagerung
- speichern
- Läden
- Speicherung
- einfach
- Strategisch
- Strategien
- Strategie
- Schritte
- Streben
- stark
- Struktur
- strukturierte
- Studio Adressen
- Erfolg
- so
- Suite
- Support
- sicher
- Symptom
- System
- Systeme und Techniken
- zugeschnitten
- Nehmen
- und Aufgaben
- Team
- Teammitglieder
- Teams
- Tech
- Technische
- Technologies
- Technologie
- Telco
- Telemedizin
- Vorlagen
- AGB
- Test
- Testen
- als
- zur Verbesserung der Gesundheitsgerechtigkeit
- Das
- Die Zukunft
- ihr
- Sie
- dann
- Dort.
- damit
- Diese
- vom Nutzer definierten
- Dritte
- basierte Online-to-Offline-Werbezuordnungen von anderen gab.
- fehlen uns die Worte.
- nach drei
- Schwelle
- Durch
- während
- Zeit
- Zeitaufwendig
- rechtzeitig
- mal
- zu
- gemeinsam
- Werkzeuge
- gegenüber
- Rückverfolgbarkeit
- verfolgen sind
- Tracking
- Training
- trainiert
- Ausbildung
- Transformieren
- Übergang
- Übergänge
- Transparenz
- Reise
- Behandlungen
- Studien
- wirklich
- Typen
- typisch
- Letztlich
- unbefugt
- verstehen
- Unerwartet
- einheitlich
- einzigartiges
- Einzigartigkeit
- Bereiche
- Universitäten
- entfesseln
- beispiellos
- ungenutzt
- Updates
- Upgrades
- auf
- -
- Anwendungsfall
- benutzt
- Nutzer
- verwendet
- Verwendung von
- seit
- Verwendung
- validiert
- Bestätigung
- wertvoll
- Wert
- Vielfalt
- verschiedene
- riesig
- Version
- vertikal
- sehr
- Anzeigen
- praktisch
- Seh-
- Besuchen Sie
- visuell
- Volumen
- Freiwillige
- wurde
- we
- Netz
- Web-Services
- Wochen
- GUT
- waren
- wann
- welche
- während
- WHO
- breit
- Große Auswahl
- werden wir
- mit
- .
- ohne
- Arbeiten
- Arbeitsablauf.
- Workflows
- arbeiten,
- Das weltweit
- Jahr
- ergab
- Zephyrnet
- Zonen