Αυτή η ανάρτηση ιστολογίου συντάχθηκε με τον Chaoyang He και τον Salman Avestimehr από το FedML.
Η ανάλυση των πραγματικών δεδομένων υγειονομικής περίθαλψης και επιστημών της ζωής (HCLS) θέτει πολλές πρακτικές προκλήσεις, όπως κατανεμημένα σιλό δεδομένων, έλλειψη επαρκών δεδομένων σε οποιαδήποτε τοποθεσία για σπάνια συμβάντα, κανονιστικές οδηγίες που απαγορεύουν την κοινή χρήση δεδομένων, απαιτήσεις υποδομής και κόστος δημιουργίας ένα κεντρικό αποθετήριο δεδομένων. Επειδή βρίσκονται σε έναν εξαιρετικά ρυθμιζόμενο τομέα, οι συνεργάτες και οι πελάτες της HCLS αναζητούν μηχανισμούς διατήρησης του απορρήτου για τη διαχείριση και ανάλυση δεδομένων μεγάλης κλίμακας, κατανεμημένων και ευαίσθητων δεδομένων.
Για να μετριαστούν αυτές οι προκλήσεις, προτείνουμε τη χρήση ενός πλαισίου ομοσπονδιακής μάθησης (FL) ανοιχτού κώδικα που ονομάζεται FedML, το οποίο σας δίνει τη δυνατότητα να αναλύετε ευαίσθητα δεδομένα HCLS εκπαιδεύοντας ένα παγκόσμιο μοντέλο μηχανικής εκμάθησης από κατανεμημένα δεδομένα που διατηρούνται τοπικά σε διαφορετικούς ιστότοπους. Το FL δεν απαιτεί μετακίνηση ή κοινή χρήση δεδομένων σε ιστότοπους ή με κεντρικό διακομιστή κατά τη διάρκεια της διαδικασίας εκπαίδευσης του μοντέλου.
Σε αυτήν τη σειρά δύο μερών, δείχνουμε πώς μπορείτε να αναπτύξετε ένα πλαίσιο FL που βασίζεται σε σύννεφο στο AWS. Στην πρώτη ανάρτηση, περιγράψαμε τις έννοιες FL και το πλαίσιο FedML. Στο δεύτερη θέση, παρουσιάζουμε τις περιπτώσεις χρήσης και το σύνολο δεδομένων για να δείξουμε την αποτελεσματικότητά τους στην ανάλυση συνόλων δεδομένων υγειονομικής περίθαλψης σε πραγματικό κόσμο, όπως το δεδομένα eICU, η οποία περιλαμβάνει μια πολυκεντρική βάση δεδομένων εντατικής θεραπείας που συλλέγεται από περισσότερα από 200 νοσοκομεία.
Ιστορικό
Αν και ο όγκος των δεδομένων που δημιουργούνται από το HCLS δεν ήταν ποτέ μεγαλύτερος, οι προκλήσεις και οι περιορισμοί που σχετίζονται με την πρόσβαση σε τέτοια δεδομένα περιορίζουν τη χρησιμότητά του για μελλοντική έρευνα. Η μηχανική μάθηση (ML) παρουσιάζει μια ευκαιρία να αντιμετωπιστούν ορισμένες από αυτές τις ανησυχίες και υιοθετείται για την προώθηση της ανάλυσης δεδομένων και την εξαγωγή σημαντικών πληροφοριών από διάφορα δεδομένα HCLS για περιπτώσεις χρήσης όπως η παροχή φροντίδας, η υποστήριξη κλινικών αποφάσεων, η ιατρική ακριβείας, η διαλογή και η διάγνωση και η χρόνια διαχείριση φροντίδας. Επειδή οι αλγόριθμοι ML συχνά δεν επαρκούν για την προστασία του απορρήτου των δεδομένων σε επίπεδο ασθενούς, υπάρχει αυξανόμενο ενδιαφέρον μεταξύ των συνεργατών και των πελατών της HCLS να χρησιμοποιούν μηχανισμούς και υποδομή διατήρησης του απορρήτου για τη διαχείριση και την ανάλυση μεγάλης κλίμακας, κατανεμημένων και ευαίσθητων δεδομένων. [1]
Έχουμε αναπτύξει ένα πλαίσιο FL για το AWS που επιτρέπει την ανάλυση κατανεμημένων και ευαίσθητων δεδομένων υγείας με τρόπο που διατηρεί το απόρρητο. Περιλαμβάνει την εκπαίδευση ενός κοινόχρηστου μοντέλου ML χωρίς μετακίνηση ή κοινή χρήση δεδομένων σε ιστότοπους ή με έναν κεντρικό διακομιστή κατά τη διαδικασία εκπαίδευσης του μοντέλου και μπορεί να εφαρμοστεί σε πολλούς λογαριασμούς AWS. Οι συμμετέχοντες μπορούν είτε να επιλέξουν να διατηρήσουν τα δεδομένα τους στα συστήματα εσωτερικής εγκατάστασης ή σε έναν λογαριασμό AWS που ελέγχουν. Επομένως, φέρνει τα αναλυτικά στοιχεία στα δεδομένα, αντί να τα μεταφέρει δεδομένα στα αναλυτικά στοιχεία.
Σε αυτήν την ανάρτηση, δείξαμε πώς μπορείτε να αναπτύξετε το πλαίσιο FedML ανοιχτού κώδικα στο AWS. Δοκιμάζουμε το πλαίσιο σε δεδομένα eICU, μια πολυκεντρική βάση δεδομένων εντατικής θεραπείας που συλλέγεται από περισσότερα από 200 νοσοκομεία, για να προβλέψουμε τη θνησιμότητα ασθενών εντός νοσοκομείου. Μπορούμε να χρησιμοποιήσουμε αυτό το πλαίσιο FL για να αναλύσουμε άλλα σύνολα δεδομένων, συμπεριλαμβανομένων των δεδομένων γονιδιώματος και βιοεπιστημών. Μπορεί επίσης να υιοθετηθεί από άλλους τομείς που είναι γεμάτοι με κατανεμημένα και ευαίσθητα δεδομένα, συμπεριλαμβανομένων των τομέων χρηματοδότησης και εκπαίδευσης.
Ομοσπονδιακή μάθηση
Οι εξελίξεις στην τεχνολογία οδήγησαν σε μια εκρηκτική αύξηση των δεδομένων σε όλους τους κλάδους, συμπεριλαμβανομένου του HCLS. Οι οργανισμοί HCLS συχνά αποθηκεύουν δεδομένα σε σιλό. Αυτό θέτει μια μεγάλη πρόκληση στη μάθηση με γνώμονα τα δεδομένα, η οποία απαιτεί μεγάλα σύνολα δεδομένων για καλή γενίκευση και επίτευξη του επιθυμητού επιπέδου απόδοσης. Επιπλέον, η συλλογή, η επιμέλεια και η διατήρηση συνόλων δεδομένων υψηλής ποιότητας συνεπάγονται σημαντικό χρόνο και κόστος.
Η ομοσπονδιακή μάθηση μετριάζει αυτές τις προκλήσεις εκπαιδεύοντας συνεργατικά μοντέλα ML που χρησιμοποιούν κατανεμημένα δεδομένα, χωρίς την ανάγκη κοινής χρήσης ή συγκέντρωσης τους. Επιτρέπει την αντιπροσώπευση διαφορετικών τοποθεσιών στο τελικό μοντέλο, μειώνοντας τον πιθανό κίνδυνο μεροληψίας βάσει τοποθεσίας. Το πλαίσιο ακολουθεί μια αρχιτεκτονική πελάτη-διακομιστή, όπου ο διακομιστής μοιράζεται ένα παγκόσμιο μοντέλο με τους πελάτες. Οι πελάτες εκπαιδεύουν το μοντέλο με βάση τοπικά δεδομένα και μοιράζονται παραμέτρους (όπως διαβαθμίσεις ή βάρη μοντέλου) με τον διακομιστή. Ο διακομιστής συγκεντρώνει αυτές τις παραμέτρους για να ενημερώσει το καθολικό μοντέλο, το οποίο στη συνέχεια κοινοποιείται στους πελάτες για τον επόμενο κύκλο εκπαίδευσης, όπως φαίνεται στο παρακάτω σχήμα. Αυτή η επαναληπτική διαδικασία εκπαίδευσης μοντέλων συνεχίζεται μέχρι να συγκλίνει το παγκόσμιο μοντέλο.
Τα τελευταία χρόνια, αυτό το νέο πρότυπο μάθησης έχει υιοθετηθεί με επιτυχία για να αντιμετωπίσει το ενδιαφέρον της διακυβέρνησης δεδομένων στην εκπαίδευση μοντέλων ML. Μια τέτοια προσπάθεια είναι MELLODDY, μια κοινοπραξία υπό την ηγεσία της Πρωτοβουλίας Καινοτόμων Φαρμάκων (IMI), που υποστηρίζεται από την AWS. Είναι ένα τριετές πρόγραμμα που περιλαμβάνει 3 φαρμακευτικές εταιρείες, 10 ακαδημαϊκά ιδρύματα και 2 συνεργάτες τεχνολογίας. Ο πρωταρχικός του στόχος είναι να αναπτύξει ένα πλαίσιο πολλαπλών εργασιών FL για τη βελτίωση της προγνωστικής απόδοσης και της χημικής εφαρμογής των μοντέλων που βασίζονται στην ανακάλυψη φαρμάκων. Η πλατφόρμα περιλαμβάνει πολλούς λογαριασμούς AWS, με κάθε συνεργάτη φαρμακείου να διατηρεί τον πλήρη έλεγχο των αντίστοιχων λογαριασμών του για να διατηρεί τα ιδιωτικά σύνολα δεδομένων του και έναν κεντρικό λογαριασμό ML που συντονίζει τις εκπαιδευτικές εργασίες του μοντέλου.
Η κοινοπραξία εκπαίδευσε μοντέλα σε δισεκατομμύρια σημεία δεδομένων, αποτελούμενα από περισσότερα από 20 εκατομμύρια μικρά μόρια σε περισσότερες από 40,000 βιολογικές αναλύσεις. Με βάση πειραματικά αποτελέσματα, τα μοντέλα συνεργασίας έδειξαν βελτίωση 4% στην κατηγοριοποίηση των μορίων είτε ως φαρμακολογικά είτε ως τοξικολογικά ενεργά ή ανενεργά. Οδήγησε επίσης σε αύξηση 10% στην ικανότητά του να παράγει σίγουρες προβλέψεις όταν εφαρμόζεται σε νέους τύπους μορίων. Τέλος, τα μοντέλα συνεργασίας ήταν συνήθως 2% καλύτερα στην εκτίμηση των τιμών των τοξικολογικών και φαρμακολογικών δραστηριοτήτων.
FedML
Η FedML είναι μια βιβλιοθήκη ανοιχτού κώδικα για τη διευκόλυνση της ανάπτυξης αλγορίθμων FL. Υποστηρίζει τρία υποδείγματα υπολογιστών: εκπαίδευση στη συσκευή για συσκευές αιχμής, κατανεμημένους υπολογιστές και προσομοίωση μιας μηχανής. Προσφέρει επίσης ποικίλη αλγοριθμική έρευνα με ευέλικτο και γενικό σχεδιασμό API και ολοκληρωμένες υλοποιήσεις βασικής γραμμής αναφοράς (βελτιστοποιητής, μοντέλα και σύνολα δεδομένων). Για μια λεπτομερή περιγραφή της βιβλιοθήκης FedML, ανατρέξτε στο FedML.
Το παρακάτω σχήμα παρουσιάζει την αρχιτεκτονική βιβλιοθήκης ανοιχτού κώδικα του FedML.
Όπως φαίνεται στο προηγούμενο σχήμα, από την άποψη της εφαρμογής, η FedML προστατεύει τις λεπτομέρειες του υποκείμενου κώδικα και των πολύπλοκων διαμορφώσεων της κατανεμημένης εκπαίδευσης. Σε επίπεδο εφαρμογής, όπως η όραση υπολογιστή, η επεξεργασία φυσικής γλώσσας και η εξόρυξη δεδομένων, οι επιστήμονες και οι μηχανικοί δεδομένων χρειάζεται μόνο να γράψουν το μοντέλο, τα δεδομένα και τον εκπαιδευτή με τον ίδιο τρόπο όπως ένα αυτόνομο πρόγραμμα και στη συνέχεια να το διαβιβάσουν στο αντικείμενο FedMLRunner στο ολοκληρώστε όλες τις διαδικασίες, όπως φαίνεται στον παρακάτω κώδικα. Αυτό μειώνει σημαντικά τα γενικά έξοδα για τους προγραμματιστές εφαρμογών για την εκτέλεση FL.
Ο αλγόριθμος FedML είναι ακόμα ένα έργο σε εξέλιξη και συνεχώς βελτιώνεται. Για το σκοπό αυτό, η FedML αφαιρεί τον βασικό εκπαιδευτή και τον αθροιστή και παρέχει στους χρήστες δύο αφηρημένα αντικείμενα, FedML.core.ClientTrainer
και FedML.core.ServerAggregator
, το οποίο χρειάζεται μόνο να κληρονομήσει τις διεπαφές αυτών των δύο αφηρημένων αντικειμένων και να τις μεταβιβάσει στο FedMLRunner. Αυτή η προσαρμογή παρέχει στους προγραμματιστές ML μέγιστη ευελιξία. Μπορείτε να ορίσετε αυθαίρετες δομές μοντέλων, βελτιστοποιητές, συναρτήσεις απώλειας και πολλά άλλα. Αυτές οι προσαρμογές μπορούν επίσης να συνδεθούν απρόσκοπτα με την κοινότητα ανοιχτού κώδικα, την ανοιχτή πλατφόρμα και την οικολογία εφαρμογών που αναφέρθηκαν προηγουμένως με τη βοήθεια του FedMLRunner, το οποίο λύνει πλήρως το πρόβλημα της μεγάλης καθυστέρησης από τους καινοτόμους αλγόριθμους στην εμπορευματοποίηση.
Τέλος, όπως φαίνεται στο προηγούμενο σχήμα, η FedML υποστηρίζει κατανεμημένες υπολογιστικές διαδικασίες, όπως σύνθετα πρωτόκολλα ασφαλείας και κατανεμημένη εκπαίδευση ως διαδικασία υπολογισμού ροής κατευθυνόμενου ακυκλικού γραφήματος (DAG), κάνοντας τη σύνταξη πολύπλοκων πρωτοκόλλων παρόμοια με μεμονωμένα προγράμματα. Με βάση αυτήν την ιδέα, το πρωτόκολλο ασφαλείας Flow Layer 1 και η διαδικασία αλγορίθμου ML Flow Layer 2 μπορούν εύκολα να διαχωριστούν έτσι ώστε οι μηχανικοί ασφαλείας και οι μηχανικοί ML να μπορούν να λειτουργούν διατηρώντας μια αρθρωτή αρχιτεκτονική.
Η βιβλιοθήκη ανοιχτού κώδικα FedML υποστηρίζει ομοσπονδιακές περιπτώσεις χρήσης ML για edge καθώς και για cloud. Στην άκρη, το πλαίσιο διευκολύνει την εκπαίδευση και την ανάπτυξη μοντέλων αιχμής σε κινητά τηλέφωνα και συσκευές Διαδικτύου των πραγμάτων (IoT). Στο cloud, επιτρέπει την παγκόσμια συνεργατική ML, συμπεριλαμβανομένων των διακομιστών συγκέντρωσης δημόσιου νέφους πολλαπλών περιοχών και πολλών ενοικιαστών, καθώς και την ανάπτυξη ιδιωτικού cloud σε λειτουργία Docker. Το πλαίσιο αντιμετωπίζει βασικά ζητήματα σχετικά με τη διατήρηση του απορρήτου FL, όπως η ασφάλεια, το απόρρητο, η αποτελεσματικότητα, η αδύναμη εποπτεία και η δικαιοσύνη.
Συμπέρασμα
Σε αυτήν την ανάρτηση, δείξαμε πώς μπορείτε να αναπτύξετε το πλαίσιο FedML ανοιχτού κώδικα στο AWS. Αυτό σας επιτρέπει να εκπαιδεύσετε ένα μοντέλο ML σε κατανεμημένα δεδομένα, χωρίς να χρειάζεται να τα μοιραστείτε ή να τα μετακινήσετε. Δημιουργήσαμε μια αρχιτεκτονική πολλών λογαριασμών, όπου σε ένα πραγματικό σενάριο, οι οργανισμοί μπορούν να ενταχθούν στο οικοσύστημα για να επωφεληθούν από τη συνεργατική μάθηση, διατηρώντας παράλληλα τη διακυβέρνηση δεδομένων. Στο επόμενη θέση, χρησιμοποιούμε το σύνολο δεδομένων eICU πολλαπλών νοσοκομείων για να δείξουμε την αποτελεσματικότητά του σε ένα πραγματικό σενάριο.
Παρακαλούμε διαβάστε την παρουσίαση στο re:MARS 2022 με επίκεντρο «Managed Federated Learning στο AWS: Μια μελέτη περίπτωσης για την υγειονομική περίθαλψη” για μια λεπτομερή περιγραφή αυτής της λύσης.
Αναφορά
[1] Kaissis, GA, Makowski, MR, Rückert, D. et al. Ασφαλής, διατήρηση του απορρήτου και ομοσπονδιακή μηχανική μάθηση στην ιατρική απεικόνιση. Nat Mach Intell 2, 305–311 (2020). https://doi.org/10.1038/s42256-020-0186-1
[2] FedML https://fedml.ai
Σχετικά με τους Συγγραφείς
Olivia Choudhury, PhD, είναι Senior Partner Solutions Architect στην AWS. Βοηθά τους συνεργάτες, στον τομέα της Υγείας και των Επιστημών της Ζωής, να σχεδιάσουν, να αναπτύξουν και να κλιμακώσουν λύσεις αιχμής αξιοποιώντας το AWS. Έχει ένα υπόβαθρο στη γονιδιωματική, στην ανάλυση υγειονομικής περίθαλψης, στην ομοσπονδιακή μάθηση και στη μηχανική μάθηση που διαφυλάσσει το απόρρητο. Εκτός δουλειάς, παίζει επιτραπέζια παιχνίδια, ζωγραφίζει τοπία και συλλέγει manga.
Βίντια Σαγκάρ Ραβιπάτι είναι Διευθυντής στο Εργαστήριο Amazon ML Solutions, όπου αξιοποιεί την τεράστια εμπειρία του σε κατανεμημένα συστήματα μεγάλης κλίμακας και το πάθος του για μηχανική εκμάθηση για να βοηθήσει τους πελάτες AWS σε διαφορετικούς κλάδους της βιομηχανίας να επιταχύνουν την υιοθεσία AI και cloud. Προηγουμένως, ήταν Μηχανικός Μηχανικής Μάθησης στις Υπηρεσίες Συνδεσιμότητας στο Amazon που βοήθησε στην κατασκευή εξατομικευμένων και προβλέψιμων πλατφορμών συντήρησης.
Wajahat Aziz είναι Κύριος Αρχιτέκτονας Μηχανικής Μάθησης και Λύσεων HPC στην AWS, όπου εστιάζει στο να βοηθήσει τους πελάτες της υγειονομικής περίθαλψης και των βιοεπιστημών να αξιοποιήσουν τις τεχνολογίες AWS για την ανάπτυξη λύσεων τελευταίας τεχνολογίας ML και HPC για μια ευρεία ποικιλία περιπτώσεων χρήσης, όπως η Ανάπτυξη φαρμάκων. Κλινικές δοκιμές και Μηχανική μάθηση με διατήρηση της ιδιωτικότητας. Εκτός δουλειάς, στον Wajahat αρέσει να εξερευνά τη φύση, την πεζοπορία και το διάβασμα.
Ντίγια Μπαρχάρβι είναι Επιστήμονας Δεδομένων και Κάθετη Επικεφαλής Μέσων και Ψυχαγωγίας στο Amazon ML Solutions Lab, όπου λύνει επιχειρηματικά προβλήματα υψηλής αξίας για πελάτες AWS χρησιμοποιώντας τη Μηχανική Μάθηση. Εργάζεται στην κατανόηση εικόνας/βίντεο, σε συστήματα συστάσεων γραφημάτων γνώσης, σε περιπτώσεις χρήσης προγνωστικών διαφημίσεων.
Ουτζιόλ Ρατάν είναι ο ηγέτης για την AI/ML και την Επιστήμη Δεδομένων στην Επιχειρηματική Μονάδα AWS Healthcare and Life Science και είναι επίσης κύριος αρχιτέκτονας λύσεων AI/ML. Με τα χρόνια, η Ujjwal υπήρξε ηγέτης της σκέψης στον κλάδο της υγειονομικής περίθαλψης και των βιοεπιστημών, βοηθώντας πολλούς οργανισμούς του Global Fortune 500 να επιτύχουν τους στόχους καινοτομίας τους υιοθετώντας τη μηχανική μάθηση. Το έργο του που περιλαμβάνει την ανάλυση ιατρικής απεικόνισης, μη δομημένου κλινικού κειμένου και γονιδιωματικής βοήθησε την AWS να δημιουργήσει προϊόντα και υπηρεσίες που παρέχουν εξαιρετικά εξατομικευμένα και στοχευμένα διαγνωστικά και θεραπευτικά μέσα. Στον ελεύθερο χρόνο του, του αρέσει να ακούει (και να παίζει) μουσική και να κάνει απρογραμμάτιστα οδικά ταξίδια με την οικογένειά του.
Chaoyang He είναι συνιδρυτής και CTO της FedML, Inc., μιας startup που τρέχει για μια ανοιχτή και συνεργατική τεχνητή νοημοσύνη κοινότητας από οπουδήποτε και σε οποιαδήποτε κλίμακα. Η έρευνά του επικεντρώνεται σε κατανεμημένους/ομοσπονδιακούς αλγόριθμους μηχανικής μάθησης, συστήματα και εφαρμογές. Έλαβε το διδακτορικό του. στην Επιστήμη Υπολογιστών από το Πανεπιστήμιο της Νότιας Καλιφόρνιας, Λος Άντζελες, Η.Π.Α.
Σαλμάν Αβεστιμέρ είναι Καθηγητής, ο εναρκτήριος διευθυντής του USC-Amazon Center for Secure and Trusted Machine Learning (Trusted AI) και διευθυντής του ερευνητικού εργαστηρίου Θεωρίας Πληροφοριών και Μηχανικής Μάθησης (vITAL) στο Τμήμα Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών και στο Τμήμα Επιστήμης Υπολογιστών του Πανεπιστήμιο Νότιας Καλιφόρνια. Είναι επίσης ο συνιδρυτής και Διευθύνων Σύμβουλος της FedML. Έλαβε το διδακτορικό μου. Ηλεκτρολόγων Μηχανικών και Επιστημών Υπολογιστών από το UC Berkeley το 2008. Η έρευνά του επικεντρώνεται στους τομείς της θεωρίας της πληροφορίας, της αποκεντρωμένης και ομόσπονδης μηχανικής μάθησης, της ασφαλούς μάθησης και της προστασίας της ιδιωτικής ζωής και της πληροφορικής.
- SEO Powered Content & PR Distribution. Ενισχύστε σήμερα.
- Platoblockchain. Web3 Metaverse Intelligence. Ενισχύθηκε η γνώση. Πρόσβαση εδώ.
- πηγή: https://aws.amazon.com/blogs/machine-learning/part-1-federated-learning-on-aws-with-fedml-health-analytics-without-sharing-sensitive-data/
- 000
- 1
- 10
- 100
- 2%
- 2020
- 2022
- 7
- a
- ικανότητα
- ΠΕΡΙΛΗΨΗ
- περιλήψεις
- ακαδημαϊκής
- επιταχύνουν
- πρόσβαση
- Λογαριασμός
- Λογαριασμοί
- Κατορθώνω
- απέναντι
- ενεργός
- δραστηριοτήτων
- απεριοδικός
- διεύθυνση
- διευθύνσεις
- θετός
- υιοθετώντας
- Υιοθεσία
- εκ των προτέρων
- Διαφήμιση
- αδρανών υλικών
- συσσωμάτωση
- Συσσωρευτής
- AI
- AI / ML
- αλγόριθμος
- αλγοριθμικός
- αλγόριθμοι
- Όλα
- επιτρέπει
- Amazon
- Εργαστήριο Amazon ML Solutions
- μεταξύ των
- ανάλυση
- analytics
- αναλύσει
- αναλύοντας
- και
- και την υποδομή
- Angeles
- οπουδήποτε
- api
- Εφαρμογή
- εφαρμογές
- εφαρμοσμένος
- αρχιτεκτονική
- περιοχές
- συσχετισμένη
- AWS
- φόντο
- βασίζονται
- Baseline
- επειδή
- είναι
- όφελος
- Berkeley
- Καλύτερα
- προκατάληψη
- δισεκατομμύρια
- Μπλοκ
- επιτροπή
- Επιτραπέζια παιχνίδια
- Φέρνει
- χτίζω
- Κτίριο
- επιχείρηση
- Καλιφόρνια
- που ονομάζεται
- ο οποίος
- περίπτωση
- μελέτη περίπτωσης
- περιπτώσεις
- κατηγοριοποιώντας
- Κέντρο
- κεντρικός
- κεντρική
- Διευθύνων Σύμβουλος
- πρόκληση
- προκλήσεις
- χημική ουσία
- Επιλέξτε
- πελάτες
- Κλινικός
- κλινικές δοκιμές
- Backup
- υιοθέτηση νέφους
- Συνιδρυτής
- κωδικός
- συνεργατική
- εμποροποίηση
- κοινότητα
- οικοδόμηση κοινότητας
- Εταιρείες
- πλήρης
- εντελώς
- συγκρότημα
- περιεκτικός
- υπολογιστή
- Μηχανικός ηλεκτρονικών υπολογιστών
- Πληροφορική
- Computer Vision
- χρήση υπολογιστή
- έννοιες
- Ανησυχία
- Πιθανά ερωτήματα
- βέβαιος
- συνδεδεμένος
- Συνδεσιμότητα
- Αποτελείται από
- κονσόρτσιουμ
- συνεχώς
- περιορισμούς
- συνεχίζεται
- έλεγχος
- συντονισμός
- πυρήνας
- Κόστος
- δημιουργία
- κρίσιμης
- ΚΟΤ
- υπεφημέριος
- Πελάτες
- παραμετροποίηση
- DAG
- ημερομηνία
- Δεδομένα Analytics
- εξόρυξη δεδομένων
- σημεία δεδομένων
- επιστημονικά δεδομένα
- επιστήμονας δεδομένων
- κοινή χρήση δεδομένων
- βασίζονται σε δεδομένα
- βάση δεδομένων
- σύνολα δεδομένων
- Αποκεντρωμένη
- απόφαση
- διανομή
- αποδεικνύουν
- κατέδειξε
- Τμήμα
- παρατάσσω
- ανάπτυξη
- περιγράφεται
- περιγραφή
- Υπηρεσίες
- λεπτομερής
- καθέκαστα
- ανάπτυξη
- αναπτύχθηκε
- προγραμματιστές
- ανάπτυξη
- Ανάπτυξη
- συσκευή
- Συσκευές
- διαφορετικές
- Διευθυντής
- διανέμονται
- κατανεμημένων υπολογιστών
- κατανεμημένα συστήματα
- κατανεμημένη εκπαίδευση
- διάφορα
- Λιμενεργάτης
- Όχι
- τομέα
- domains
- φάρμακο
- κατά την διάρκεια
- κάθε
- Νωρίτερα
- εύκολα
- οικοσύστημα
- άκρη
- Εκπαίδευση
- αποτελεσματικότητα
- αποδοτικότητα
- προσπάθεια
- είτε
- δίνει τη δυνατότητα
- μηχανικός
- Μηχανική
- Μηχανικοί
- Ψυχαγωγία
- εκδηλώσεις
- εμπειρία
- διερευνήσει
- διευκολύνω
- διευκολύνει
- δικαιοσύνη
- οικογένεια
- Εικόνα
- τελικός
- Τελικά
- χρηματοδότηση
- Όνομα
- Ευελιξία
- εύκαμπτος
- ροή
- επικεντρώθηκε
- εστιάζει
- Εξής
- εξής
- Τύχη
- Πλαίσιο
- Δωρεάν
- από
- πλήρη
- λειτουργίες
- μελλοντικός
- Games
- συγκέντρωση
- γονιδιωματική
- Παγκόσμιο
- γκολ
- Στόχοι
- διακυβέρνησης
- κλίσεις
- γραφική παράσταση
- μεγαλύτερη
- σε μεγάλο βαθμό
- Μεγαλώνοντας
- Ανάπτυξη
- κατευθυντήριων γραμμών
- Υγεία
- υγειονομική περίθαλψη
- Ήρωας
- βοήθεια
- βοήθησε
- βοήθεια
- βοηθά
- υψηλής ποιότητας
- υψηλά
- νοσοκομεία
- Πως
- hpc
- HTTPS
- ιδέα
- Απεικόνιση
- εφαρμοστεί
- εισαγωγή
- βελτίωση
- βελτιωθεί
- βελτίωση
- in
- αδρανής
- Εναρκτήριος
- Α.Ε.
- Συμπεριλαμβανομένου
- Αυξάνουν
- βιομηχανίες
- βιομηχανία
- πληροφορίες
- Υποδομή
- Πρωτοβουλία
- Καινοτομία
- καινοτόμες
- ιδέες
- ιδρυμάτων
- τόκος
- διεπαφές
- Internet
- Ίντερνετ των πραγμάτων
- IoT
- IT
- ενταχθούν
- Κλειδί
- γνώση
- Γράφημα Γνώσης
- εργαστήριο
- Έλλειψη
- Γλώσσα
- large
- μεγάλης κλίμακας
- στρώμα
- layer 1
- Επίπεδο 2
- οδηγήσει
- ηγέτης
- μάθηση
- Led
- Επίπεδο
- Μόχλευση
- μόχλευσης
- μόχλευσης
- Βιβλιοθήκη
- ζωή
- Επιστήμη της ζωής
- Επιστήμες της Ζωής
- όρια
- Ακούγοντας
- φορτίο
- τοπικός
- τοπικά
- Μακριά
- ο
- Λος Άντζελες
- off
- μηχανή
- μάθηση μηχανής
- διατηρήσουν
- συντήρηση
- μεγάλες
- Κατασκευή
- διαχείριση
- διαχείριση
- διευθυντής
- διαχείριση
- τρόπος
- Άρης
- ανώτατο όριο
- νόημα
- Εικόνες / Βίντεο
- ιατρικών
- ιατρική
- που αναφέρθηκαν
- εκατομμύριο
- Εξόρυξη
- MIT
- Μετριάζω
- ML
- Κινητό
- κινητά τηλέφωνα
- Τρόπος
- μοντέλο
- μοντέλα
- σπονδυλωτή
- περισσότερο
- μετακινήσετε
- κίνηση
- πολλαπλούς
- Μουσική
- Φυσικό
- Επεξεργασία φυσικής γλώσσας
- Φύση
- Ανάγκη
- Νέα
- επόμενη
- αντικείμενο
- αντικειμένων
- προσφορές
- ONE
- ανοίξτε
- ανοικτού κώδικα
- λειτουργούν
- Ευκαιρία
- οργανώσεις
- ΑΛΛΑ
- εκτός
- παράδειγμα
- παράμετροι
- μέρος
- συμμετέχοντες
- εταίρος
- Συνεργάτες
- πάθος
- ασθενής
- Εκτελέστε
- επίδοση
- εξατομίκευση
- Εξατομικευμένη
- Pharma
- Φαρμακευτικά
- τηλέφωνα
- πλατφόρμες
- Πλατφόρμες
- Πλάτων
- Πληροφορία δεδομένων Plato
- Πλάτωνα δεδομένα
- παιχνίδι
- Σημείο
- Απόψεις
- σημεία
- θέτει
- Θέση
- δυναμικού
- τροφοδοτείται
- Πρακτικός
- ακριβώς
- Ακρίβεια
- προβλέψει
- Προβλέψεις
- παρόν
- παρουσίαση
- δώρα
- προηγουμένως
- πρωταρχικός
- Κύριος
- μυστικότητα
- ιδιωτικός
- Πρόβλημα
- προβλήματα
- διαδικασια μας
- Διεργασίες
- μεταποίηση
- Προϊόντα
- Δάσκαλος
- Πρόγραμμα
- Προγράμματα
- Πρόοδος
- προτείνω
- προστασία
- πρωτόκολλο
- πρωτόκολλα
- παρέχουν
- παρέχει
- δημόσιο
- Δημόσιο σύννεφο
- ΣΠΑΝΙΟΣ
- RE
- Ανάγνωση
- πραγματικό κόσμο
- έλαβε
- πρόσφατος
- Σύσταση
- μειώνει
- μείωση
- αφορά
- ρυθμίζονται
- ρυθμιστές
- Αποθήκη
- εκπροσωπούνται
- απαιτούν
- απαίτηση
- Απαιτεί
- έρευνα
- εκείνοι
- Αποτελέσματα
- συγκράτησης
- ανασκόπηση
- Κίνδυνος
- δρόμος
- γύρος
- τρέξιμο
- ίδιο
- Κλίμακα
- Επιστήμη
- ΕΠΙΣΤΗΜΕΣ
- Επιστήμονας
- επιστήμονες
- άψογα
- Τομείς
- προστατευμένο περιβάλλον
- ασφάλεια
- Επιδιώξτε
- αρχαιότερος
- ευαίσθητος
- Σειρές
- Διακομιστές
- Υπηρεσίες
- σειρά
- διάφοροι
- Κοινοποίηση
- Shared
- Μερίδια
- μοιράζονται
- δείχνουν
- παρουσιάζεται
- σημαντικός
- παρόμοιες
- προσομοίωση
- ενιαίας
- ιστοσελίδα
- Sites
- small
- So
- λύση
- Λύσεις
- Λύει
- μερικοί
- Νότιος
- αυτόνομο
- Εκκίνηση
- εκκίνηση
- state-of-the-art
- Ακόμη
- κατάστημα
- Μελέτη
- Επιτυχώς
- τέτοιος
- επαρκής
- εποπτεία
- υποστήριξη
- Υποστηρίζει
- συστήματα
- λήψη
- στοχευμένες
- εργασίες
- Τεχνολογίες
- Τεχνολογία
- δοκιμή
- Η
- οι πληροφορίες
- τους
- θεραπευτική
- επομένως
- πράγματα
- σκέψη
- τρία
- ώρα
- προς την
- Τρένο
- εκπαιδευμένο
- Εκπαίδευση
- δοκιμές
- Έμπιστος
- τύποι
- συνήθως
- υποκείμενες
- κατανόηση
- μονάδα
- πανεπιστήμιο
- Ενημέρωση
- ΗΠΑ
- χρήση
- Χρήστες
- χρησιμότητα
- Αξίες
- ποικιλία
- Σταθερή
- κατακόρυφα
- Δες
- όραμα
- ζωτικής σημασίας
- τόμος
- περιδιάβαση
- Ποιό
- ενώ
- Ο ΟΠΟΊΟΣ
- ευρύς
- εντός
- χωρίς
- Εργασία
- λειτουργεί
- γράφω
- γραφή
- χρόνια
- Βελτιστοποίηση
- Εσείς
- zephyrnet