Tänapäeva kiiresti areneval tervishoiumaastikul seisavad arstid silmitsi suure hulga kliiniliste andmetega erinevatest allikatest, nagu hooldaja märkmed, elektroonilised tervisekaardid ja pildistamisaruanded. Kuigi see teaberohke teave on patsiendi hooldamiseks hädavajalik, võib see meditsiinitöötajate jaoks läbi sõeluda ja analüüsida olla tohutu ja aeganõudev. Nende andmete tõhus kokkuvõte ja nendest arusaamade hankimine on patsientide parema hoolduse ja otsuste tegemise jaoks ülioluline. Patsientide kokkuvõtlik teave võib olla kasulik mitmete järgnevate protsesside jaoks, nagu andmete koondamine, patsientide tõhus kodeerimine või sarnaste diagnoosidega patsientide rühmitamine ülevaatamiseks.
Tehisintellekti (AI) ja masinõppe (ML) mudelid on nende väljakutsetega toimetulemisel näidanud suurt lubadust. Mudeleid saab koolitada analüüsima ja tõlgendama suuri tekstiandmeid, koondades teabe tõhusalt kokkuvõtlikeks kokkuvõteteks. Kokkuvõtte tegemise protsessi automatiseerimisega saavad arstid kiiresti juurdepääsu asjakohasele teabele, võimaldades neil keskenduda patsiendihooldusele ja teha teadlikumaid otsuseid. Vaadake järgmist juhtumiuuring reaalse kasutusjuhtumi kohta lisateabe saamiseks.
Amazon SageMakerTäielikult hallatav ML-teenus pakub ideaalset platvormi erinevate AI/ML-põhiste kokkuvõtete mudelite ja lähenemisviiside majutamiseks ja juurutamiseks. Selles postituses uurime erinevaid võimalusi, kuidas SageMakeris kokkuvõttetehnikaid rakendada, sealhulgas kasutada Amazon SageMaker JumpStart vundamendimudelid, Hugging Face'i eelkoolitatud mudelite peenhäälestus ja kohandatud kokkuvõttemudelite loomine. Samuti arutame iga lähenemisviisi plusse ja miinuseid, võimaldades tervishoiutöötajatel valida kõige sobivama lahenduse keeruliste kliiniliste andmete kokkuvõtlike ja täpsete kokkuvõtete koostamiseks.
Kaks olulist terminit, mida tuleb enne alustamist teada: eelkoolitatud ja peenhäälestus. Eelkoolitatud või alusmudel on mudel, mis on üles ehitatud ja koolitatud suurele andmekogule, tavaliselt üldise keeleoskuse jaoks. Peenhäälestus on protsess, mille käigus eelkoolitatud mudelile antakse teine domeenispetsiifilisem andmestik, et parandada selle toimivust konkreetse ülesande täitmisel. Tervishoiuasutustes tähendaks see mudelile teatud andmete, sealhulgas konkreetselt patsiendihooldusega seotud fraaside ja terminoloogia andmist.
Looge SageMakeris kohandatud kokkuvõttemudeleid
Ehkki see on kõige suurema pingutusega lähenemisviis, võivad mõned organisatsioonid eelistada SageMakeris nullist luua kohandatud kokkuvõttemudeleid. See lähenemine nõuab põhjalikumaid teadmisi AI/ML mudelite kohta ja võib hõlmata mudeliarhitektuuri nullist loomist või olemasolevate mudelite kohandamist konkreetsetele vajadustele vastavaks. Kohandatud mudelite loomine võib pakkuda suuremat paindlikkust ja kontrolli kokkuvõtte tegemise protsessi üle, kuid nõuab ka rohkem aega ja ressursse võrreldes lähenemisviisidega, mis algavad eelkoolitatud mudelitest. Enne jätkamist on oluline selle valiku eeliseid ja puudusi hoolikalt kaaluda, sest see ei pruugi kõikidel kasutusjuhtudel sobida.
SageMaker JumpStart jumestuskreemi mudelid
Suurepärane võimalus SageMakeris kokkuvõtte rakendamiseks on JumpStart vundamendimudelite kasutamine. Need juhtivate tehisintellekti uurimisorganisatsioonide välja töötatud mudelid pakuvad mitmesuguseid eelkoolitatud keelemudeleid, mis on optimeeritud erinevate ülesannete jaoks, sealhulgas teksti kokkuvõtete tegemiseks. SageMaker JumpStart pakub kahte tüüpi alusmudeleid: patenteeritud mudelid ja avatud lähtekoodiga mudelid. SageMaker JumpStart pakub ka HIPAA sobivust, muutes selle kasulikuks tervishoiu töökoormuse jaoks. Nõuetele vastavuse tagamine on lõppkokkuvõttes kliendi enda teha, seega võtke kindlasti vajalikud meetmed. Vaata HIPAA turvalisuse ja vastavuse loomine Amazon Web Servicesis rohkem üksikasju.
Patenditud vundamendi mudelid
Patenditud mudeleid, nagu AI21 Jurassic mudelid ja Cohere'i mudel Cohere Generate, saab avastada saidil SageMaker JumpStart. AWS-i juhtimiskonsool ja on praegu eelvaate all. Patenditud mudelite kasutamine kokkuvõtete tegemiseks on ideaalne, kui te ei pea oma mudelit kohandatud andmete põhjal viimistlema. See pakub lihtsalt kasutatavat valmislahendust, mis vastab teie kokkuvõtetele minimaalse konfiguratsiooniga. Nende eelkoolitatud mudelite võimalusi kasutades saate säästa aega ja ressursse, mis muidu kuluksid kohandatud mudeli treenimisele ja viimistlemisele. Lisaks on patenteeritud mudelitel tavaliselt kaasas kasutajasõbralikud API-d ja SDK-d, mis lihtsustavad integreerimisprotsessi teie olemasolevate süsteemide ja rakendustega. Kui teie kokkuvõtevajadusi saab rahuldada eelkoolitatud patenteeritud mudelitega, ilma et oleks vaja konkreetset kohandamist või peenhäälestust, pakuvad need mugavat, kulutõhusat ja tõhusat lahendust teie teksti kokkuvõtete tegemiseks. Kuna neid mudeleid ei ole spetsiaalselt tervishoius kasutamiseks ette valmistatud, ei saa meditsiinilise keele kvaliteeti garanteerida ilma peenhäälestuseta.
Jurassic-2 Grande Instruct on AI21 Labsi suur keelemudel (LLM), mis on optimeeritud loomuliku keele juhiste jaoks ja rakendatav erinevate keeleülesannete jaoks. See pakub lihtsalt kasutatavat API-d ja Pythoni SDK-d, mis tasakaalustavad kvaliteedi ja taskukohasuse. Populaarsed kasutusalad hõlmavad turunduskoopia loomist, vestlusrobotite toite ja teksti kokkuvõtete tegemist.
Navigeerige SageMakeri konsoolis SageMaker JumpStart, leidke mudel AI21 Jurassic-2 Grande Instruct ja valige Proovige mudelit.
Kui soovite mudeli juurutada teie hallatavasse SageMakeri lõpp-punkti, võite järgida selles näidises toodud juhiseid märkmik, mis näitab, kuidas juurutada Jurassic-2 Large'i SageMakeri abil.
Avatud lähtekoodiga sihtasutuse mudelid
Avatud lähtekoodiga mudelite hulka kuuluvad mudelid FLAN T5, Bloom ja GPT-2, mida saab avastada rakenduses SageMaker JumpStart. Amazon SageMaker Studio Kasutajaliides, SageMaker JumpStart SageMakeri konsoolil ja SageMaker JumpStart API-d. Neid mudeleid saab viimistleda ja juurutada oma AWS-i konto lõpp-punktidesse, mis annab teile täieliku mudeli kaalude ja skriptikoodide omandiõiguse.
Flan-T5 XL on võimas ja mitmekülgne mudel, mis on loodud paljude keeleülesannete jaoks. Mudelit oma domeenispetsiifiliste andmetega peenhäälestades saate optimeerida selle toimivust teie konkreetse kasutusjuhtumi jaoks, näiteks teksti kokkuvõtte või mõne muu NLP-ülesande jaoks. Lisateavet Flan-T5 XL-i viimistlemise kohta SageMaker Studio kasutajaliidese abil leiate FLAN T5 XL peenhäälestuse juhised rakendusega Amazon SageMaker Jumpstart.
Eelkoolitatud mudelite peenhäälestus funktsiooniga Hugging Face rakenduses SageMaker
Üks populaarsemaid võimalusi SageMakeris kokkuvõtte rakendamiseks on eelkoolitatud mudelite peenhäälestus, kasutades Hugging Face'i. Transformers raamatukogu. Hugging Face pakub laias valikus eelkoolitatud trafomudeleid, mis on spetsiaalselt loodud mitmesuguste loomuliku keele töötlemise (NLP) ülesannete jaoks, sealhulgas teksti kokkuvõtete tegemiseks. Hugging Face Transformersi teegiga saate neid eelkoolitatud mudeleid SageMakeri abil hõlpsasti oma domeenispetsiifiliste andmete põhjal peenhäälestada. Sellel lähenemisviisil on mitmeid eeliseid, näiteks kiirem koolitusaeg, parem jõudlus konkreetsetes domeenides ning lihtsam mudelite pakkimine ja juurutamine, kasutades sisseehitatud SageMakeri tööriistu ja teenuseid. Kui te ei leia SageMaker JumpStartis sobivat mudelit, saate valida mis tahes Hugging Face pakutava mudeli ja seda SageMakeri abil peenhäälestada.
Mudeliga töötamise alustamiseks, et õppida tundma ML-i võimalusi, pole vaja teha muud, kui avada SageMaker Studio ja leida eelkoolitatud mudel, mida soovite kasutada. Kallistavate näomudelite keskusja valige juurutusmeetodiks SageMaker. Hugging Face annab teile koodi, mida saate kopeerida, kleepida ja sülearvutisse käivitada. See on sama lihtne! ML inseneri kogemus pole vajalik.
Hugging Face Transformersi teek võimaldab ehitajatel töötada eelkoolitatud mudelitega ja teha täpsemaid ülesandeid, nagu peenhäälestus, mida uurime järgmistes jaotistes.
Varustage ressursse
Enne kui saame alustada, peame varustama märkmiku. Juhiste saamiseks vaadake samme 1 ja 2 in Ehitage ja koolitage kohapeal masinõppemudel. Selle näite puhul kasutasime järgmisel ekraanipildil näidatud sätteid.
Samuti peame looma Amazoni lihtne salvestusteenus (Amazon S3) ämber treeningandmete ja treeninguartefaktide salvestamiseks. Juhiste saamiseks vaadake Ämbri loomine.
Valmistage ette andmestik
Oma mudeli täpsemaks häälestamiseks, et omada paremaid domeeniteadmisi, peame hankima ülesande jaoks sobivad andmed. Ettevõtte kasutusjuhtumi koolitusel peate läbima mitmeid andmetehnilisi ülesandeid, et valmistada oma andmed koolituseks valmis. Need ülesanded ei kuulu selle postituse reguleerimisalasse. Selle näite jaoks oleme loonud sünteetilisi andmeid, et jäljendada põetamise märkmeid, ja salvestanud need Amazon S3-sse. Andmete säilitamine Amazon S3-s võimaldab meil seda teha koostama meie töökoormused HIPAA vastavuse tagamiseks. Alustuseks hankime need märkmed ja laadime need eksemplari, kus meie märkmik töötab:
Märkmed koosnevad veerust, mis sisaldab täielikku kirjet, märkust, ja veerust, mis sisaldab lühendatud versiooni, mis näitab, milline peaks olema meie soovitud väljund, kokkuvõte. Selle andmestiku kasutamise eesmärk on täiustada meie mudeli bioloogilist ja meditsiinilist sõnavara nii, et see sobiks paremini kokkuvõtete tegemisega tervishoiu kontekstis, nn. domeeni peenhäälestusja näidake meie mudelile, kuidas selle kokkuvõtlikku väljundit struktureerida. Mõnel kokkuvõtlikul juhul võime luua artiklist kokkuvõtte või ülevaate üherealise kokkuvõtte, kuid sel juhul püüame panna mudelit väljastama sümptomite ja tehtud toimingute lühendatud versiooni. seni patsiendi jaoks.
Laadige mudel
Mudel, mida me vundamendina kasutame, on Google'i Pegasuse versioon, mis on saadaval Hugging Face Hubis, nn. pegasus-xsum. See on kokkuvõtete tegemiseks juba eelkoolitatud, nii et meie peenhäälestusprotsess võib keskenduda selle domeenialaste teadmiste laiendamisele. Meie mudeli käitatava ülesande muutmine on teist tüüpi peenhäälestus, mida selles postituses ei käsitleta. Transformeri teek annab meile klassi, mille abil saab laadida mudeli määratluse meie hulgast model_checkpoint: google/pegasus-xsum
. See laadib mudeli jaoturist ja loob selle meie sülearvutisse, et saaksime seda hiljem kasutada. Sest pegasus-xsum
on järjestus-jada mudel, tahame kasutada Seq2Seq tüüpi AutoModel klass:
Nüüd, kui meil on mudel olemas, on aeg pöörata tähelepanu teistele komponentidele, mis võimaldavad meil treeningtsüklit käivitada.
Loo tokeniseerija
Esimene neist komponentidest on tokenisaator. Tokeniseerimine on protsess, mille käigus muudetakse sisendandmete sõnad numbriteks, mida meie mudel mõistab. Jällegi pakub Transformeri teek klassi, mille abil saame laadida tokenisaatori määratluse samast kontrollpunktist, mida kasutasime mudeli loomiseks:
Selle tokenisaatori objektiga saame luua eeltöötlusfunktsiooni ja kaardistada selle oma andmekogusse, et anda meile mudelisse sisestamiseks valmis märgid. Lõpuks vormindame tokeniseeritud väljundi ja eemaldame meie algteksti sisaldavad veerud, kuna mudel ei saa neid tõlgendada. Nüüd jääb meile tokeniseeritud sisend, mis on valmis mudelisse sisestamiseks. Vaadake järgmist koodi:
Kui meie andmed on tokeniseeritud ja mudel on instantseeritud, oleme peaaegu valmis treeningtsükli käivitamiseks. Järgmised komponendid, mida tahame luua, on andmete koguja ja optimeerija. Andmekoguja on teine klass, mida Hugging Face pakub Transformersi teegi kaudu, mida kasutame oma sümboolsete andmete kogumiseks koolituse jaoks. Saame selle hõlpsasti üles ehitada, kasutades meil juba olemasolevaid märgistus- ja mudeliobjekte, lihtsalt leides vastava klassitüübi, mida oleme varem oma mudeli jaoks kasutanud (Seq2Seq) kogumisklassi jaoks. Optimeerija funktsioon on säilitada treeningu olekut ja värskendada parameetreid, mis põhinevad meie treeningu kadudel, kui me tsüklit läbi töötame. Optimeerija loomiseks saame importida optimaalne pakett põleti moodulist, kus on saadaval mitmeid optimeerimisalgoritme. Mõned levinumad, millega olete varem kokku puutunud, on stohhastiline gradient Descent ja Adam, millest viimast rakendatakse meie näites. Adami konstruktor võtab antud treeningu jaoks mudeli parameetrid ja parameetritega õpikiiruse. Vaadake järgmist koodi:
Viimased sammud enne treenimise alustamist on kiirendi ja õppimiskiiruse ajakava loomine. Kiirendi pärineb teisest teegist (oleme kasutanud peamiselt Transformereid), mille toodab Hugging Face ja mille nimeks on tabav Accelerate, ja see võtab ära loogika, mis on vajalik seadmete haldamiseks treeningu ajal (kasutades näiteks mitut GPU-d). Viimase komponendi jaoks külastame uuesti üha kasulikku Transformersi teeki, et rakendada meie õppimiskiiruse ajakava. Määrates planeerija tüübi, treeningsammude koguarvu meie tsüklis ja eelnevalt loodud optimeerija get_scheduler
funktsioon tagastab objekti, mis võimaldab meil kohandada oma algset õppimiskiirust kogu koolitusprotsessi jooksul:
Oleme nüüd treeninguks täielikult valmis! Seadistame koolitustöö, alustades instantseerimisest koolitus_argumendid kasutades Transformers teeki ja valides parameetrite väärtusi. Saame need koos teiste ettevalmistatud komponentide ja andmestikuga otse edastada treener ja alustage treeningut, nagu on näidatud järgmises koodis. Sõltuvalt teie andmestiku suurusest ja valitud parameetritest võib see võtta palju aega.
Pakkige mudel järelduste tegemiseks
Pärast koolituse läbimist on mudelobjekt järelduste tegemiseks valmis. Salvestagem oma tööd edaspidiseks kasutamiseks. Peame looma oma mudeliartefaktid, need kokku pakkima ja oma tarballi Amazon S3-sse salvestamiseks üles laadima. Mudeli pakkimiseks ettevalmistamiseks peame nüüd peenhäälestatud mudeli lahti pakkima, seejärel salvestama mudeli binaarfailid ja sellega seotud konfiguratsioonifailid. Peame salvestama ka oma tokenisaatori samasse kataloogi, kuhu salvestasime oma mudeli artefaktid, et see oleks saadaval, kui kasutame mudelit järelduste tegemiseks. Meie model_dir
kaust peaks nüüd välja nägema umbes nagu järgmine kood:
Jääb üle vaid käivitada tar käsk, et pakkida meie kataloog kokku ja laadida tar.gz fail Amazon S3 üles:
Meie värskelt viimistletud mudel on nüüd valmis ja saadaval järelduste tegemiseks.
Tehke järeldused
Selle mudeli artefakti kasutamiseks järelduste tegemiseks avage uus fail ja kasutage järgmist koodi, muutes faili model_data
parameeter, mis sobib teie artefakti salvestamise asukohaga Amazon S3-s. The HuggingFaceModel
konstruktor ehitab meie mudeli uuesti kontrollpunktist, kuhu salvestasime model.tar.gz
, mida saame seejärel juurutamise meetodi abil järelduste tegemiseks juurutada. Lõpp-punkti juurutamine võtab mõne minuti.
Pärast lõpp-punkti juurutamist saame selle testimiseks kasutada loodud ennustajat. Mööda predict
meetodit andmekoormus ja käivitage lahter ning saate oma peenhäälestatud mudelilt vastuse:
Mudeli peenhäälestuse eeliste nägemiseks teeme kiirtesti. Järgmine tabel sisaldab viipa ja selle viipa mudelile edastamise tulemusi enne ja pärast peenhäälestamist.
kiire | Vastus ilma peenhäälestuseta | Vastus peenhäälestusega |
Tehke kokkuvõte sümptomid, mida patsient kogeb. Patsient on 45-aastane mees, kellel on kaebused rinnaaluse valu kohta, mis kiirgub vasakusse kätte. Valu tekib ootamatult õuetööd tehes, mis on seotud kerge õhupuuduse ja higistamisega. Saabumisel oli patsiendi pulss 120, hingamissagedus 24, vererõhk 170/95. Erakorralise meditsiini osakonda saabumisel tehti 12 plii elektrokardiogrammi ja kolm keelealust nitroglütseriini manustamist ilma valu rinnus leevendamata. Elektrokardiogramm näitab ST-i tõusu eesmistes juhtmetes, mis näitab ägedat eesmist müokardiinfarkti. Oleme võtnud ühendust südame kateteriseerimise laboriga ja valmistunud kardioloogi poolt südame kateteriseerimiseks. | Tutvustame ägeda müokardiinfarkti juhtumit. | Valu rinnus, eesmine MI, PCI. |
Nagu näete, kasutab meie peenhäälestatud mudel terviseterminoloogiat erinevalt ja oleme suutnud muuta vastuse struktuuri vastavalt oma eesmärkidele. Pange tähele, et tulemused sõltuvad teie andmekogumist ja treeningu ajal tehtud disainivalikutest. Teie mudeli versioon võib pakkuda väga erinevaid tulemusi.
Koristage
Kui olete oma SageMakeri sülearvuti kasutamise lõpetanud, lülitage see kindlasti välja, et vältida pikaajalistest ressurssidest tulenevaid kulusid. Pange tähele, et eksemplari sulgemisel kaotate kõik eksemplari ajutisse mällu salvestatud andmed, seega peaksite enne puhastamist kogu oma töö püsivale salvestusruumile salvestama. Samuti peate minema aadressile Lõpp-punktid lehel SageMakeri konsoolil ja kustutage kõik järelduste tegemiseks juurutatud lõpp-punktid. Kõigi artefaktide eemaldamiseks peate minema ka Amazon S3 konsooli, et kustutada oma ämbrisse laaditud failid.
Järeldus
Selles postituses uurisime erinevaid võimalusi SageMakeris teksti kokkuvõtete tegemise tehnikate rakendamiseks, et aidata tervishoiutöötajatel tõhusalt töödelda ja saada teadmisi tohututest kliinilistest andmetest. Arutasime SageMaker Kiirstardi alusmudelite kasutamist, Hugging Face'i eelkoolitatud mudelite peenhäälestamist ja kohandatud kokkuvõtete mudelite loomist. Igal lähenemisviisil on oma eelised ja puudused, mis vastavad erinevatele vajadustele ja nõuetele.
Kohandatud kokkuvõttemudelite loomine SageMakeris võimaldab palju paindlikkust ja kontrolli, kuid nõuab rohkem aega ja ressursse kui eelkoolitatud mudelite kasutamine. SageMaker Kiirstardi vundamendimudelid pakuvad lihtsalt kasutatavat ja kulutõhusat lahendust organisatsioonidele, mis ei vaja spetsiifilist kohandamist ega peenhäälestamist, samuti mõningaid võimalusi lihtsustatud peenhäälestamiseks. Hugging Face'i eelkoolitatud mudelite peenhäälestus pakub kiiremat treeninguaega, paremat domeenispetsiifilist jõudlust ja sujuvat integreerimist SageMakeri tööriistade ja teenustega laia mudelikataloogiga, kuid see nõuab mõningaid rakendamispingutusi. Selle postituse kirjutamise ajal on Amazon teatanud veel ühest võimalusest, Amazonase aluspõhi, mis pakub kokkuvõtte tegemise võimalusi veelgi paremini hallatavas keskkonnas.
Mõistes iga lähenemisviisi plusse ja miinuseid, saavad tervishoiutöötajad ja organisatsioonid teha teadlikke otsuseid kõige sobivama lahenduse kohta keerukate kliiniliste andmete lühikeste ja täpsete kokkuvõtete koostamiseks. Lõppkokkuvõttes võib AI/ML-põhiste kokkuvõtete mudelite kasutamine SageMakeris oluliselt parandada patsientide hooldust ja otsuste tegemist, võimaldades meditsiinitöötajatel kiiresti pääseda juurde asjakohasele teabele ja keskenduda kvaliteetse ravi pakkumisele.
Vahendid
Selles postituses käsitletud täieliku skripti ja mõnede näidisandmete kohta vaadake GitHub repo. Lisateavet ML-i töökoormuste käitamise kohta AWS-is leiate järgmistest ressurssidest.
Autoritest
Cody Collins on New Yorgis asuv Amazon Web Servicesi lahenduste arhitekt. Ta teeb koostööd ISV klientidega, et luua pilves valdkonna juhtivaid lahendusi. Ta on edukalt ellu viinud keerulisi projekte erinevatele tööstusharudele, optimeerides tõhusust ja mastaapsust. Vabal ajal naudib ta lugemist, reisimist ja jiu jitsu treenimist.
Ameer Hakme on AWS Solutionsi arhitekt, kes elab Pennsylvanias. Tema professionaalne fookus hõlmab koostööd sõltumatute tarkvaramüüjatega kogu kirdeosas, juhendades neid AWS-i pilves skaleeritavate tipptasemel platvormide kavandamisel ja ehitamisel.
- 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. Autod/elektrisõidukid, Süsinik, CleanTech, Energia, Keskkond päikeseenergia, Jäätmekäitluse. Juurdepääs siia.
- BlockOffsets. Keskkonnakompensatsiooni omandi ajakohastamine. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :on
- :on
- :mitte
- : kus
- $ UP
- 1
- 10
- 100
- 12
- 14
- 15%
- 24
- 33
- 7
- 8
- 9
- a
- Võimalik
- MEIST
- ABSTRACT
- kiirendama
- kiirendi
- juurdepääs
- konto
- täpne
- üle
- meetmete
- Adam
- adresseerimine
- manustatud
- edasijõudnud
- eelised
- pärast
- jälle
- koondamine
- AI
- ai uuringud
- AI / ML
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- Lubades
- võimaldab
- mööda
- juba
- Ka
- Amazon
- Amazon SageMaker
- Amazon Web Services
- summa
- summad
- an
- analüüsima
- ja
- teatas
- Teine
- mistahes
- API
- API-liidesed
- kohaldatav
- rakendused
- rakendatud
- lähenemine
- lähenemisviisid
- asjakohane
- arhitektuur
- OLEME
- ARM
- saabumine
- artikkel
- AS
- seotud
- At
- tähelepanu
- automatiseerimine
- saadaval
- vältima
- ära
- AWS
- tasakaalustamine
- põhineb
- BE
- sest
- olnud
- enne
- alustama
- kasu
- Kasu
- BEST
- Parem
- BIN
- veri
- Vererõhk
- Õitsema
- Kast
- Hingus
- lai
- ehitama
- ehitajad
- Ehitus
- ehitatud
- sisseehitatud
- kuid
- by
- helistama
- kutsutud
- CAN
- võimeid
- mis
- hoolikalt
- juhul
- juhtudel
- kataloog
- Põhjus
- väljakutseid
- muutma
- jututoad
- valikuid
- Vali
- valimine
- valitud
- klass
- kliiniline
- Cloud
- kood
- koodid
- Kodeerimine
- koostööd
- Veerg
- Veerud
- Tulema
- tuleb
- ühine
- võrreldes
- kaebuste
- keeruline
- Vastavus
- komponent
- komponendid
- koostatud
- lühike
- konfiguratsioon
- Miinused
- konsool
- ehitamine
- kontekst
- kontrollida
- Mugav
- Vastav
- kuluefektiivne
- kulud
- võiks
- kaetud
- looma
- loodud
- loomine
- otsustav
- Praegu
- tava
- klient
- Kliendid
- kohandamine
- andmed
- andmekogumid
- Otsuse tegemine
- otsused
- määratlus
- esitatud
- näidates
- osakond
- sõltuv
- Olenevalt
- juurutada
- lähetatud
- juurutamine
- kasutuselevõtu
- Disain
- kavandatud
- projekteerimine
- soovitud
- detailid
- arenenud
- seadmed
- erinev
- otse
- avastasin
- arutama
- arutatud
- mitu
- do
- arstid
- teeme
- domeen
- Domeenid
- tehtud
- Ära
- alla
- puudused
- ajal
- iga
- lihtsam
- kergesti
- lihtne
- lihtne-to-use
- tõhusalt
- efektiivsus
- tõhus
- tõhusalt
- jõupingutusi
- Elektrooniline
- Elektroonilised tervisekaardid
- abikõlblikkus
- avarii
- võimaldama
- võimaldab
- võimaldades
- Lõpp-punkt
- Inseneriteadus
- suurendama
- tagama
- ettevõte
- kanne
- keskkond
- epohh
- oluline
- Isegi
- areneb
- näide
- olemasolevate
- kogemus
- kogevad
- uurima
- uurida
- Avastades
- laiendades
- väljavõte
- nägu
- silmitsi seisnud
- kaugele
- kiiremini
- Toidetud
- vähe
- fail
- Faile
- lõplik
- Lõpuks
- leidma
- leidmine
- esimene
- sobima
- Paindlikkus
- Keskenduma
- järgima
- Järel
- eest
- formaat
- Sihtasutus
- Alates
- täis
- täielikult
- funktsioon
- Pealegi
- tulevik
- kasu
- Üldine
- tekitama
- loodud
- teeniva
- saama
- saamine
- Andma
- antud
- andmine
- Go
- GPU
- suur
- suurem
- tagatud
- Olema
- he
- Tervis
- tervishoid
- süda
- aitama
- tema
- Hosting
- Kuidas
- Kuidas
- HTML
- http
- HTTPS
- Keskus
- Kallistav Nägu
- ideaalne
- if
- Imaging
- rakendada
- täitmine
- rakendamisel
- import
- oluline
- parandama
- in
- sügavuti minev
- sisaldama
- hõlmab
- Kaasa arvatud
- sõltumatud
- tööstusharudes
- tööstus
- info
- teavitatakse
- esialgne
- sisend
- sisendite
- teadmisi
- Näiteks
- juhised
- integratsioon
- Intelligentsus
- sisse
- kaasama
- IT
- ITS
- töö
- Json
- lihtsalt
- Teadma
- teadmised
- labor
- Labs
- maastik
- keel
- suur
- viimane
- pärast
- viima
- juhtivate
- Leads
- Õppida
- õppimine
- lahkus
- Raamatukogu
- nagu
- LLM
- koormus
- laadimine
- liising
- loogika
- Vaata
- kaotama
- kaotus
- masin
- masinõpe
- tehtud
- säilitada
- tegema
- Tegemine
- juhtima
- juhitud
- juhtimine
- kaart
- Turundus
- mai..
- keskmine
- meditsiini-
- Vastama
- Mälu
- mõdu
- meetod
- võib
- minimaalne
- protokoll
- ML
- mudel
- mudelid
- moodulid
- rohkem
- kõige
- Populaarseim
- mitmekordne
- Nimega
- Natural
- Natural Language Processing
- Navigate
- Vajadus
- vajadustele
- Uus
- New York
- äsja
- järgmine
- nlp
- ei
- märkmik
- märkused
- nüüd
- number
- objekt
- esemeid
- of
- pakkuma
- pakutud
- Pakkumised
- Vana
- on
- ONE
- ones
- algus
- peale
- avatud
- avatud lähtekoodiga
- töötama
- optimeerimine
- optimeerima
- optimeeritud
- optimeerimine
- valik
- Valikud
- or
- et
- organisatsioonid
- originaal
- Muu
- muidu
- meie
- välja
- väljund
- väljaspool
- üle
- enda
- omandiõigus
- pakend
- pakendamine
- lehekülg
- Valu
- parameeter
- parameetrid
- eriline
- sooritama
- Mööduv
- patsient
- patsientidel
- Pegasus
- Pennsylvania
- jõudlus
- seotud
- fraasid
- inimesele
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- Punkt
- populaarne
- post
- võimas
- Toide
- tava
- Predictor
- eelistama
- Valmistama
- valmis
- esitada
- surve
- Eelvaade
- varem
- eelkõige
- protsess
- Protsessid
- töötlemine
- Toodetud
- professionaalne
- spetsialistid
- projektid
- lubadus
- varaline
- PROS
- anda
- tingimusel
- annab
- pakkudes
- säte
- eesmärk
- eesmärkidel
- panema
- Python
- kvaliteet
- Kiire
- kiiresti
- valik
- kiiresti
- määr
- Lugemine
- valmis
- päris maailm
- andmed
- asjakohane
- reljeef
- kõrvaldama
- Aruanded
- nõudma
- nõutav
- Nõuded
- Vajab
- teadustöö
- Vahendid
- vastus
- Tulemused
- Tulu
- läbi
- Roll
- jooks
- jooksmine
- jookseb
- salveitegija
- sama
- Säästa
- Skaalautuvus
- skaalautuvia
- ulatus
- kriimustada
- SDK
- sdks
- sujuv
- lõigud
- turvalisus
- vaata
- eri
- teenus
- Teenused
- komplekt
- kehtestamine
- seaded
- mitu
- lühendada
- peaks
- näitama
- näidatud
- Näitused
- seiskamist
- Sõeluda
- märkimisväärne
- märgatavalt
- sarnane
- lihtne
- lihtsustatud
- SUURUS
- So
- nii kaugel
- tarkvara
- lahendus
- Lahendused
- mõned
- midagi
- Allikad
- konkreetse
- eriti
- kasutatud
- algus
- Käivitus
- riik
- modernne
- Sammud
- ladustamine
- salvestada
- ladustatud
- ladustamine
- Sujuvamaks muutmine
- struktuur
- stuudio
- keelealused
- Edukalt
- selline
- äkiline
- Kostüüm
- sobiv
- KOKKUVÕTE
- kindel
- Sümptomid
- ülevaade
- sünteetiline
- sünteetilised andmed
- süsteemid
- tabel
- Võtma
- võtnud
- võtab
- Ülesanne
- ülesanded
- tehnikat
- terminoloogia
- tingimused
- test
- kui
- et
- .
- jaotur
- Neile
- SIIS
- Need
- nad
- see
- need
- kolm
- Läbi
- läbi kogu
- aeg
- aega võttev
- korda
- et
- tänane
- kokku
- märgistatud
- märgid
- töövahendid
- tõrvik
- Summa
- Rong
- koolitatud
- koolitus
- ümber
- trafo
- trafod
- Reisimine
- kaks
- tüüp
- liigid
- tüüpiliselt
- ui
- lõpuks
- ei suuda
- all
- mõistma
- mõistmine
- Värskendused
- laetud
- us
- kasutama
- kasutage juhtumit
- Kasutatud
- kasutajasõbralik
- kasutusalad
- kasutamine
- kasutades
- kinnitamine
- Väärtused
- eri
- suur
- müüjad
- mitmekülgne
- versioon
- väga
- mahud
- tahan
- oli
- we
- Jõukus
- web
- veebiteenused
- kaaluge
- Hästi
- M
- millal
- mis
- kuigi
- lai
- Lai valik
- will
- koos
- ilma
- sõnad
- Töö
- töö
- töötab
- oleks
- kirjutamine
- aasta
- york
- sa
- Sinu
- sephyrnet
- Tõmblukk