Selle postituse on kirjutanud Ming (Melvin) Qin, David Bericat ja Brad Genereaux NVIDIAst.
Meditsiinilise pildistamise tehisintellekti teadlased ja arendajad vajavad oma tehisintellekti rakenduste loomiseks, juurutamiseks ja integreerimiseks skaleeritavat ettevõtteraamistikku. AWS ja NVIDIA on selle visiooni elluviimiseks kokku tulnud. AWS, NVIDIA ja teised partnerid looge rakendusi ja lahendusi, et muuta tervishoid kättesaadavamaks, taskukohasemaks ja tõhusamaks, kiirendades ettevõtte pildistamise pilveühenduvust. MONAI juurutamine on üks peamisi mooduleid MONAI (Medical Open Network for Artificial Intelligence), mille on välja töötanud akadeemiliste ja tööstusjuhtide konsortsium, sealhulgas NVIDIA. AWS HealthImaging (AHI) on HIPAA nõuetele vastav, hästi skaleeritav, toimiv ja kulutõhus meditsiinipiltide pood. Oleme välja töötanud MONAI Deploy konnektori AHI-ga, et integreerida meditsiinilise kujutise tehisintellekti rakendusi, mille mastaabis on pilvepõhiste API-de toiteallikas allasekundilise kujutise otsimise latentsusaeg. MONAI AI mudeleid ja rakendusi saab hostida Amazon SageMaker, mis on täielikult hallatav teenus masinõppe (ML) mudelite ulatuslikuks juurutamiseks. SageMaker hoolitseb eksemplaride seadistamise ja haldamise eest järelduste tegemiseks ning pakub lõpp-punktide jaoks sisseehitatud mõõdikuid ja logisid, mida saate kasutada hoiatuste jälgimiseks ja vastuvõtmiseks. Samuti pakub see erinevaid NVIDIA GPU eksemplarid ML järelduste jaoks, samuti mitu mudeli juurutamise valikut koos automaatse skaleerimisega, sealhulgas reaalajas järeldus, serverita järeldus, asünkroonne järeldusja partii teisendus.
Selles postituses demonstreerime, kuidas juurutada MONAI rakenduspaketti (MAP) koos AWS HealthImagingi pistikuga, kasutades SageMakeri mitme mudeli lõpp-punkti reaalajas ja asünkroonseks järelduseks. Need kaks võimalust hõlmavad enamikku peaaegu reaalajas meditsiinilise kujutise järelduste torujuhtme kasutusjuhtumeid.
Lahenduse ülevaade
Järgnev diagramm illustreerib lahenduse arhitektuuri.
Eeldused
Täitke järgmised eeltingimusetapid:
- Kasutage AWS-i kontot ühes järgmistest piirkondadest, kus AWS HealthImaging on saadaval: Põhja-Virginia (
us-east-1
), Oregon (us-west-2
), Iirimaa (eu-west-1
) ja Sydney (ap-southeast-2
). - Loo Amazon SageMaker Studio domeen ja kasutajaprofiil koos AWS-i identiteedi- ja juurdepääsuhaldus (IAM) luba juurdepääsuks AWS HealthImagingule.
- Lubage JupyterLab v3 laiendus ja installige Imjoy-jupyter-laiendus, kui soovite visualiseerida meditsiinilisi pilte SageMakeri sülearvutis interaktiivselt, kasutades itkwidgets.
MAP-pistik AWS HealthImagingiga
AWS HealthImaging impordib DICOM P10 failid ja teisendab need pildikomplektideks, mis on DICOM-seeria optimeeritud esitus. AHI pakub API-juurdepääsu ImageSeti metaandmetele ja pildiraamidele. Metaandmed sisaldavad kõiki DICOM-i atribuute JSON-dokumendis. Pildiraamid tagastatakse kodeeringus Suure läbilaskevõimega JPEG2000 (HTJ2K) kadudeta vormingus, mida saab väga kiiresti dekodeerida. Pildikomplekte saab alla laadida, kasutades AWS-i käsurea liides (AWS CLI) või AWS-i SDK-d.
MONAI on meditsiinilise pildistamise tehisintellekti raamistik, mis muudab teadusuuringute läbimurde ja tehisintellekti rakendused kliiniliseks mõjuks. MONAI Deploy on töötlemiskonveier, mis võimaldab täielikku töövoogu, sealhulgas meditsiinilise pildistamise tehisintellekti rakenduste pakkimist, testimist, juurutamist ja käitamist kliinilises tootmises. See sisaldab MONAI Rakenduse SDK juurutamine, MONAI Deploy Express, Töövoo juhtja Informaatika värav. MONAI Deploy App SDK pakub kasutusvalmis algoritme ja raamistikku, mis kiirendab meditsiinilise kujutise tehisintellekti rakenduste loomist, samuti utiliite rakenduse MAP-konteinerisse pakkimiseks. Rakenduse SDK sisseehitatud standardipõhised funktsioonid võimaldavad MAP-il sujuvalt integreeruda tervise IT-võrkudesse, mis nõuab selliste standardite kasutamist nagu DICOM, HL7 ja FHIR ning andmekeskustes ja pilvekeskkondades. MAP-id võivad DICOM-pildi laadimiseks, seeriavalikuks, mudeli järeldusteks ja järeltöötluseks kasutada nii eelmääratletud kui ka kohandatud operaatoreid
Oleme välja töötanud a Pythoni moodul kasutades AWS HealthImaging Python SDK Boto3. Saate selle pip-installida ja kasutada abifunktsiooni DICOM-i teenuse-objekti paari (SOP) eksemplaride toomiseks järgmiselt.
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
Väljund-SOP-juhtumeid saab visualiseerida interaktiivse 3D-meditsiinilise pildivaaturi itkvidinate abil järgmiselt märkmik. AHItoDICOM klass kasutab ära mitut protsessi, et paralleelselt AWS HealthImagingust pikslikaadreid hankida ja dekodeerida the,en HTJ2K binaarsed plekid kasutades Pythoni OpenJPEG teek. ImageSetId-id pärinevad antud AWS HealthImaging imporditöö väljundfailidest. Arvestades DatastoreId ja impordi JobId, saate ImageSetId, mis on samaväärne DICOM-seeria eksemplari UID-ga, hankida järgmiselt.
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
ImageSetId abil saate DICOM-i päise metaandmed ja pildipikslid eraldi hankida, kasutades natiivseid AWS HealthImaging API funktsioone. The DICOMi eksportija agregaadid DICOM-i päised ja pildipikslid Pydicom andmestik, mida saab töödelda MAP DICOM andmelaadija operaator. Funktsiooni DICOMizeImageSet() kasutades oleme loonud konnektori pildiandmete laadimiseks rakendusest AWS HealthImaging, mis põhineb MAP-il. DICOM andmelaadija operaator:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
Eelmises koodis ahi_client
on AHItoDICOM DICOMi eksportija klassi eksemplar, millel on illustreeritud andmeotsingu funktsioonid. Lisasime selle uue andmelaadija operaatori a 3D põrna segmenteerimise AI rakendus, mille on loonud MONAI Deploy App SDK. Kõigepealt saate uurida, kuidas seda rakendust luua ja käitada kohalikul sülearvuti eksemplarilja seejärel juurutage see MAP-rakendus SageMakeri hallatavate järelduste lõpp-punktidesse.
SageMakeri asünkroonne järeldus
SageMaker asünkroonne järeldus lõpp-punkti kasutatakse suurte kasulike koormuste (kuni 1 GB), pikkade töötlemisaegade (kuni 15 minutit) ja peaaegu reaalajas latentsusnõuetega päringute jaoks. Kui töötlemise taotlusi pole, võib see juurutusvalik kulude kokkuhoiu huvides vähendada eksemplaride arvu nullini, mis on ideaalne meditsiinilise pildistamise ML järelduste töökoormuse jaoks. Järgige jaotises märkmiku näidis SageMakeri asünkroonse järelduse lõpp-punkti loomiseks ja käivitamiseks. To luua asünkroonse järelduse lõpp-punkt, peate esmalt looma SageMakeri mudeli ja lõpp-punkti konfiguratsiooni. Mudeli SageMaker loomiseks peate laadima paketi model.tar.gz koos a määratletud kataloogistruktuur Dockeri konteinerisse. Pakett model.tar.gz sisaldab eelkoolitatud põrna segmenteerimise faili model.ts ja kohandatud faili inference.py. Oleme mudeli laadimiseks ja ennustuste käitamiseks kasutanud eelehitatud konteinerit Python 3.8 ja PyTorch 1.12.1 raamistiku versioonidega.
Kohandatud järeldus.py faili, loome AHItoDICOM-i abiklassi AHItoDICOMInterface'ist ja kasutame seda MAP-eksemplari loomiseks model_fn()
funktsiooni ja käivitame MAP-rakenduse iga järeldamispäringu puhul predict_fn()
funktsioon:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
Et kutsuda asünkroonne lõpp-punkt, peate päringu sisendi kasuliku koormuse üles laadima Amazoni lihtne salvestusteenus (Amazon S3), mis on JSON-fail, mis määrab AWS HealthImaging andmesalve ID ja ImageSeti ID, et käitada järeldusi:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
Väljundit võib leida ka Amazon S3-st.
SageMakeri mitme mudeli reaalajas järeldus
SageMaker reaalajas järeldus lõpp-punktid vastavad interaktiivsetele madala latentsusajaga nõuetele. See valik võib majutada mitu mudelit ühes konteineris ühe lõpp-punkti taga, mis on skaleeritav ja kulutõhus lahendus mitme ML-mudeli juurutamiseks. A SageMakeri mitme mudeli lõpp-punkt kasutab NVIDIA Triton Inference Serverit GPU-ga, et käivitada mitu sügavat õppimismudelit.
Selles jaotises käsitleme mitme mudeli lõpp-punkti loomist ja käivitamist kohandades oma järelduste konteinerit järgnevalt märkmiku näidis. Erinevaid mudeleid saab serveerida sama ressursside pargi jagatud konteineris. Mitme mudeli lõpp-punktid vähendavad juurutamise üldkulusid ja skaalamudeli järeldusi lõpp-punkti liiklusmustrite põhjal. Me kasutasime AWS-i arendaja tööriistad kaasa arvatud Amazon CodeCommit, Amazon CodeBuildja Amazon CodePipeline ehitama kohandatud konteiner SageMakeri mudeli järelduste tegemiseks. Valmistasime ette a model_handler.py et tuua eelmises näites faili inference.py asemel oma konteiner, ja rakendas funktsioonid Initsialiseerimine(), preprocess() ja inference():
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
Pärast konteineri ehitamist ja lükkamist Amazoni elastsete konteinerite register (Amazon ECR), saate sellega luua SageMakeri mudeli ja erinevaid mudelipakette (tar.gz-failid) antud Amazon S3 teel:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
On tähelepanuväärne, et model_url
siin määrab ainult tar.gz-failide kausta tee ja saate määrata, millist mudelipaketti lõpp-punkti kutsumisel järelduste tegemiseks kasutada, nagu on näidatud järgmises koodis:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
Saame olemasolevale mitme mudeliga järelduse lõpp-punktile lisada rohkem mudeleid, ilma et peaksime lõpp-punkti värskendama või uut looma.
Koristage
Ärge unustage täita Kustutage hostimisressursid astu sisse labor-3 ja labor-4 märkmikud, et kustutada SageMakeri järelduse lõpp-punktid. Kulude säästmiseks peaksite ka SageMakeri sülearvuti eksemplari välja lülitama. Lõpuks saate varem loodud pildikomplektide ja andmesalve kustutamiseks helistada funktsioonile AWS HealthImaging API või kasutada AWS HealthImaging konsooli.
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
Järeldus
Selles postituses näitasime teile, kuidas luua AWS HealthImagingiga MAP-konnektor, mis on korduvkasutatav MONAI Deploy App SDK-ga loodud rakendustes, et integreerida ja kiirendada pildiandmete otsimist pilvepõhisest DICOM-poest kuni meditsiinilise pildistamise AI töökoormuseni. . MONAI Deploy SDK-d saab kasutada haiglaoperatsioonide toetamiseks. Samuti demonstreerisime kahte hostimisvõimalust MAP AI rakenduste ulatuslikuks juurutamiseks SageMakeris.
Vaadake läbi jaotises olevad märkmikunäidised GitHubi hoidla Lisateavet selle kohta, kuidas juurutada MONAI rakendusi SageMakeris koos AWS HealthImaging salvestatud meditsiiniliste piltidega. Kui soovite teada, mida AWS teie heaks teha saab, võtke ühendust an AWS esindaja.
Lisaressursside saamiseks vaadake järgmist.
Autoritest
Ming (Melvin) Qin on NVIDIA tervishoiumeeskonna sõltumatu kaastöötaja, kes on keskendunud tehisintellekti järeldusrakenduse raamistiku ja platvormi väljatöötamisele, et viia AI meditsiinilise pildistamise töövoogudesse. Enne NVIDIAga liitumist 2018. aastal Clara asutajaliikmena töötas Ming 15 aastat Radiology PACS-i ja Workflow SaaS-i arendamisel Stentor Inc. juhtivinsenerina/arhitektina, mille hiljem omandas Philips Healthcare, et moodustada oma Enterprise Imaging.
David Bericat on NVIDIA tervishoiu tootejuht, kus ta juhib projekti MONAI juurutamise töörühma, et viia tehisintellekt teadusuuringutest kliiniliste juurutusteni. Tema kirg on kiirendada terviseinnovatsiooni ülemaailmselt, muutes selle tõeliseks kliiniliseks mõjuks. Varem töötas David Red Hatis, rakendades avatud lähtekoodiga põhimõtteid tehisintellekti, pilve, servaandmetöötluse ja asjade interneti ristumiskohas. Tema uhkeimateks hetkedeks on matkamine Everesti baaslaagrisse ja jalgpalli mängimine üle 20 aasta.
Brad Genereaux on NVIDIA tervishoiuliidu globaalne juht, kus ta vastutab arendajasuhete eest, keskendudes meditsiinilisele pildistamisele, et kiirendada tehisintellekti ning süvaõppe, visualiseerimise, virtualiseerimise ja analüüsilahendusi. Brad tutvustab tervishoiu ja meditsiinilise pildistamise töövoogude laialdast kasutuselevõttu ja integreerimist igapäevasesse kliinilisse praktikasse, omades enam kui 20-aastast kogemust tervishoiu IT-valdkonnas.
Gang Fu on AWS-i tervishoiulahenduste arhitekt. Tal on doktorikraad farmaatsiateadustes Mississippi ülikoolist ning tal on üle 10 aasta kogemusi tehnoloogia ja biomeditsiiniliste uuringute valdkonnas. Ta on kirglik tehnoloogia ja selle mõju tervishoiule.
JP Leger on vanemlahenduste arhitekt, kes toetab AWS-is akadeemilisi meditsiinikeskusi ja meditsiinilise pildistamise töövooge. Tal on üle 20 aasta kogemusi tarkvaratehnika, tervishoiu IT ja meditsiinilise pildistamise vallas ning tal on laialdased kogemused jõudlust, skaleeritavust ja turvalisust tagavate süsteemide ülesehitamisel suurte andmemahtude hajutatud juurutamisel ruumides, pilves ning analüütika ja tehisintellektiga hübriidis. .
Chris Hafey on Amazon Web Servicesi peamine lahenduste arhitekt. Tal on üle 25-aastane kogemus meditsiinilise pildistamise valdkonnas ja ta on spetsialiseerunud skaleeritavate suure jõudlusega süsteemide ehitamisele. Ta on populaarse CornerstoneJS avatud lähtekoodiga projekti looja, mis toetab populaarset OHIF-i avatud lähtekoodiga nulljalajälje vaatajat. Ta aitas kaasa DICOMwebi spetsifikatsioonile ja jätkab tööd selle jõudluse parandamiseks veebipõhise vaatamise jaoks.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- PlatoData.Network Vertikaalne generatiivne Ai. Jõustage ennast. Juurdepääs siia.
- PlatoAiStream. Web3 luure. Täiustatud teadmised. Juurdepääs siia.
- PlatoESG. Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- PlatoTervis. Biotehnoloogia ja kliiniliste uuringute luureandmed. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 12
- 15 aastat
- 15%
- 20
- 20 aastat
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- MEIST
- akadeemiline
- kiirendama
- kiirendades
- juurdepääs
- juurdepääsetav
- konto
- omandatud
- üle
- lisama
- Täiendavad lisad
- Vastuvõtmine
- ADEelis
- taskukohane
- AI
- AI mudelid
- Märguanded
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- Liidud
- võimaldama
- Ka
- Amazon
- Amazon Web Services
- an
- analytics
- ja
- API
- API juurdepääs
- API-liidesed
- app
- taotlus
- rakendused
- arhitektuur
- OLEME
- kunstlik
- tehisintellekti
- AS
- At
- atribuudid
- Automaatne
- saadaval
- AWS
- baas
- põhineb
- BE
- enne
- taga
- biomeditsiiniline
- keha
- mõlemad
- tihvt
- läbimurdeid
- tooma
- ehitama
- Ehitus
- ehitatud
- sisseehitatud
- by
- helistama
- Laager
- CAN
- mis
- juhtudel
- keskus
- Centers
- Clara
- klass
- kliiniline
- Cloud
- kood
- Tulema
- täitma
- koosneb
- arvutustehnika
- konfiguratsioon
- Side
- konsool
- konsortsium
- kontakt
- Konteiner
- sisaldab
- sisu
- kontekst
- pidev
- Aitas
- toetaja
- Maksma
- kulude kokkuhoid
- kuluefektiivne
- kulud
- cover
- kaaskirjanik
- looma
- loodud
- looja
- kohandatud
- andmed
- Andmekeskus
- David
- sügav
- sügav õpe
- näitama
- Näidatud
- juurutada
- juurutamine
- kasutuselevõtu
- kasutuselevõtt
- dev
- arenenud
- arendaja
- Arendajad
- arenev
- erinev
- jagatud
- do
- laevalaadija
- dokument
- alla
- Ajalugu
- serv
- servaarvutus
- tõhus
- kumbki
- teine
- võimaldab
- Lõpuks-lõpuni
- Lõpp-punkt
- Inseneriteadus
- ettevõte
- keskkondades
- Samaväärne
- everest
- Iga
- igapäevane
- näide
- Välja arvatud
- olemasolevate
- kogemus
- teadmised
- uurima
- ulatuslik
- Laialdased kogemused
- äärmiselt
- vale
- KIIRE
- fail
- Faile
- Lõpuks
- esimene
- FLEET
- Keskenduma
- keskendunud
- järgima
- Järel
- järgneb
- Jalajälg
- eest
- vorm
- formaat
- avastatud
- asutamine
- Raamistik
- Alates
- fu
- täielikult
- funktsioon
- funktsionaalsused
- funktsioonid
- GitHub
- antud
- Globaalne
- Ülemaailmselt
- GPU
- Grupp
- müts
- Olema
- võttes
- he
- päised
- Tervis
- tervishoid
- siin
- suur jõudlus
- kõrgelt
- tema
- omab
- haigla
- võõrustaja
- võõrustas
- Hosting
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- hübriid
- ID
- ideaalne
- Identity
- if
- illustreerib
- pilt
- pildid
- Imaging
- mõju
- rakendatud
- rakendamisel
- import
- impordi
- Paranemist
- in
- Inc
- sisaldama
- lisatud
- hõlmab
- Kaasa arvatud
- sõltumatud
- tööstus
- Innovatsioon
- sisend
- sisendite
- paigaldama
- Näiteks
- selle asemel
- integreerima
- integratsioon
- Intelligentsus
- interaktiivne
- ristmik
- sisse
- asjade Interneti
- Iirimaa
- IT
- ITS
- töö
- liitumine
- jpg
- Json
- Võti
- Teadma
- suur
- Hilinemine
- pärast
- viima
- juhid
- Leads
- Õppida
- õppimine
- joon
- koormus
- laadur
- laadimine
- kohalik
- Pikk
- masin
- masinõpe
- Enamus
- tegema
- juhitud
- juht
- juhtiv
- kaart
- kaardid
- meditsiini-
- Vastama
- liige
- Metaandmed
- Meetrika
- protokoll
- ML
- viis
- mudel
- mudelid
- Moodulid
- Hetki
- Jälgida
- rohkem
- Mitme mudeli lõpp-punkt
- mitmekordne
- emakeelena
- Vajadus
- võrk
- võrgustikud
- Uus
- ei
- mitte ükski
- põhja-
- märkmik
- märkimisväärne
- Nvidia
- objekt
- of
- Pakkumised
- on
- ONE
- ainult
- avatud
- avatud võrk
- avatud lähtekoodiga
- Operations
- operaator
- ettevõtjad
- optimeeritud
- valik
- Valikud
- or
- Oregon
- OS
- Muu
- väljund
- üle
- enda
- pakend
- pakette
- pakendamine
- paar
- Parallel
- kirg
- kirglik
- tee
- mustrid
- jõudlus
- luba
- Pharmaceutical
- phd
- torujuhe
- piksel
- inimesele
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- pluss
- populaarne
- post
- sisse
- volitused
- tava
- Ennustused
- valmis
- eelmine
- varem
- Peamine
- põhimõtted
- protsess
- Töödeldud
- Protsessid
- töötlemine
- Toode
- tootejuht
- Produktsioon
- projekt
- omadused
- annab
- lükatakse
- Python
- pütorch
- reaalajas
- Reaalsus
- saama
- Red
- Red Hat
- vähendama
- viitama
- piirkond
- piirkondades
- suhted
- esindamine
- taotleda
- Taotlusi
- Nõuded
- Vajab
- teadustöö
- Teadlased
- Vahendid
- vastus
- vastutav
- tagasipöördumine
- korduvkasutatav
- jooks
- jooksmine
- s
- SaaS
- salveitegija
- SageMakeri järeldus
- sama
- Säästa
- Hoiused
- Skaalautuvus
- skaalautuvia
- Skaala
- ketendamine
- teadus
- SDK
- sujuv
- Osa
- turvalisus
- segmentatsioon
- valik
- SELF
- vanem
- Seeria
- serveeritud
- teenus
- Teenused
- Komplektid
- kehtestamine
- mitu
- kuju
- jagatud
- peaks
- näitas
- näidatud
- lihtne
- suurused
- sujuvalt
- jalgpall
- tarkvara
- tarkvaraarendus
- lahendus
- Lahendused
- allikas
- spetsialiseerunud
- täpsustus
- kasutatud
- standardite
- Samm
- Sammud
- ladustamine
- salvestada
- ladustatud
- nöör
- selline
- toetama
- Toetamine
- sydney
- süsteemid
- võtab
- meeskond
- Tehnoloogia
- Testimine
- kui
- et
- .
- oma
- Neile
- SIIS
- Seal.
- Need
- see
- Läbi
- korda
- et
- kokku
- töövahendid
- suunas
- liiklus
- Lõitkodalane
- tõsi
- püüdma
- Pöörake
- kaks
- kõikjal
- Ülikool
- Värskendused
- kasutama
- Kasutatud
- Kasutaja
- kasutusalad
- kasutamine
- kasulikkus
- sort
- versioonid
- vaatamine
- virginia
- nägemus
- visualiseerimine
- visualiseeri
- mahud
- W
- kõndima
- tahan
- we
- web
- veebiteenused
- Veebipõhine
- Hästi
- M
- millal
- mis
- will
- koos
- jooksul
- ilma
- Töö
- töötas
- töövoog
- Töövoogud
- töö
- Töögrupp
- aastat
- sa
- Sinu
- sephyrnet
- null