Tämä viesti on kirjoittanut Ming (Melvin) Qin, David Bericat ja Brad Genereaux NVIDIAsta.
Lääketieteellisen kuvantamisen tekoälytutkijat ja -kehittäjät tarvitsevat skaalautuvan yrityskehyksen tekoälysovellustensa rakentamiseen, käyttöönottoon ja integrointiin. AWS ja NVIDIA ovat yhdessä tehneet tästä visiosta totta. AWS, NVIDIA ja muut kumppanit rakentaa sovelluksia ja ratkaisuja terveydenhuollon helpottamiseksi, edullisemmaksi ja tehokkaammaksi nopeuttamalla yritysten kuvantamisen pilviyhteyksiä. MONAI käyttöönotto on yksi tärkeimmistä moduuleista MONAI (Medical Open Network for Artificial Intelligence), jonka on kehittänyt akateemisten ja teollisuuden johtajien konsortio, mukaan lukien NVIDIA. AWS HealthImaging (AHI) on HIPAA-kelpoinen, erittäin skaalautuva, suorituskykyinen ja kustannustehokas lääketieteellisten kuvien myymälä. Olemme kehittäneet MONAI Deploy -liittimen AHI:hen integroidaksemme lääketieteellisen kuvantamisen tekoälysovelluksia, joiden kuvanhakuviiveet ovat mittakaavassa pilvipohjaisten sovellusliittymien avulla. MONAI AI -malleja ja -sovelluksia voidaan isännöidä Amazon Sage Maker, joka on täysin hallittu palvelu koneoppimismallien (ML) käyttöönottamiseksi mittakaavassa. SageMaker huolehtii instanssien määrittämisestä ja hallinnasta päätelmiä varten ja tarjoaa sisäänrakennettuja mittareita ja lokeja päätepisteille, joita voit käyttää hälytysten tarkkailuun ja vastaanottamiseen. Se tarjoaa myös erilaisia NVIDIA GPU -esiintymät ML-päätelmiä varten sekä useita mallin käyttöönottovaihtoehtoja automaattisella skaalauksella, mukaan lukien reaaliaikainen johtopäätös, palvelimeton johtopäätös, asynkroninen päättelyja erämuunnos.
Tässä viestissä näytämme, kuinka MONAI-sovelluspaketti (MAP) otetaan käyttöön AWS HealthImaging -liittimellä käyttämällä SageMaker-monimallipäätepistettä reaaliaikaista ja asynkronista päättelyä varten. Nämä kaksi vaihtoehtoa kattavat suurimman osan lähes reaaliaikaisista lääketieteellisen kuvantamisen päättelyputkien käyttötapauksista.
Ratkaisun yleiskatsaus
Seuraava kaavio kuvaa ratkaisuarkkitehtuuria.
Edellytykset
Suorita seuraavat edellytysvaiheet:
- Käytä AWS-tiliä jollakin seuraavista alueista, joissa AWS HealthImaging on saatavilla: Pohjois-Virginia (
us-east-1
), Oregon (us-west-2
), Irlanti (eu-west-1
), ja Sydney (ap-southeast-2
). - Luo Amazon SageMaker Studio verkkotunnus ja käyttäjäprofiili with AWS-henkilöllisyyden ja käyttöoikeuksien hallinta (IAM) lupa käyttää AWS HealthImagingia.
- Ota käyttöön JupyterLab v3 -laajennus ja asenna Imjoy-jupyter-laajennus, jos haluat visualisoida lääketieteellisiä kuvia SageMaker-muistikirjassa interaktiivisesti käyttämällä itkwidgets.
MAP-liitin AWS HealthImagingiin
AWS HealthImaging tuo DICOM P10 -tiedostoja ja muuntaa ne ImageSets-tiedostoiksi, jotka ovat optimoitu esitys DICOM-sarjasta. AHI tarjoaa API-yhteyden ImageSet-metatietoihin ja ImageFrame-kehykseen. Metadata sisältää kaikki JSON-dokumentin DICOM-attribuutit. Kuvakehykset palautetaan koodattuina Korkean suorituskyvyn JPEG2000 (HTJ2K) häviöttömään muotoon, joka voidaan purkaa erittäin nopeasti. Kuvasarjat voidaan noutaa käyttämällä AWS-komentoriviliitäntä (AWS CLI) tai AWS SDK: t.
MONAI on lääketieteellisen kuvantamisen tekoälykehys, joka tuo tutkimuksen läpimurrot ja tekoälysovellukset kliinisiksi vaikutuksiksi. MONAI Deploy on prosessointiputkisto, joka mahdollistaa päästä päähän -työnkulun, mukaan lukien pakkaamisen, testauksen, käyttöönoton ja käytön lääketieteellisen kuvantamisen tekoälysovellukset kliinisessä tuotannossa. Se sisältää MONAI Ota App SDK käyttöön, MONAI Deploy Express, Työnkulun johtajaja Informatiikka-yhdyskäytävä. MONAI Deploy App SDK tarjoaa käyttövalmiita algoritmeja ja kehyksen nopeuttamaan lääketieteellisen kuvantamisen tekoälysovellusten rakentamista sekä aputyökaluja sovelluksen pakkaamiseen MAP-säiliöön. Sovelluksen SDK:n sisäänrakennetut standardipohjaiset toiminnot mahdollistavat MAP:n sulavan integroinnin terveydenhuoltoalan IT-verkkoihin, mikä edellyttää standardien, kuten DICOM, HL7 ja FHIR, käyttöä sekä datakeskus- ja pilviympäristöissä. MAP:t voivat käyttää sekä ennalta määritettyjä että mukautettuja operaattoreita DICOM-kuvien lataamiseen, sarjan valintaan, mallin päättelyyn ja jälkikäsittelyyn.
Olemme kehittäneet a Python-moduuli käyttämällä AWS HealthImaging Python SDK Boto3:a. Voit asentaa sen pip-sovelluksella ja käyttää aputoimintoa DICOM Service-Object Pair (SOP) -esiintymien noutamiseen seuraavasti:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
Tulostettavat SOP-esiintymät voidaan visualisoida interaktiivisella 3D-lääketieteellisten kuvien katseluohjelman itkwidgeteillä seuraavassa muistikirja. AHItoDICOM luokka hyödyntää useita prosesseja noutaakseen pikselikehykset AWS HealthImagingista rinnakkain, ja tulkita Ishayoiden opettaman HTJ2K binaariset blobit käyttäen Python OpenJPEG-kirjasto. ImageSetId:t tulevat tietyn AWS HealthImaging -tuontityön tulostiedostoista. DatastoreId:n ja tuonnin JobId:n avulla voit noutaa ImageSetId:n, joka vastaa DICOM-sarjan ilmentymän UID:tä seuraavasti:
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
ImageSetIdillä voit hakea DICOM-otsikon metatiedot ja kuvapikselit erikseen käyttämällä alkuperäisiä AWS HealthImaging API -toimintoja. The DICOM viejäaggregaatit DICOM-otsikot ja kuvapikselit Pydicom tietojoukko, jonka voi käsitellä MAP DICOM -tiedonlataajan operaattori. DICOMizeImageSet()-funktion avulla olemme luoneet liittimen kuvatietojen lataamiseksi AWS HealthImagingista MAPin perusteella. DICOM-tiedonlataajan operaattori:
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'])
Edellisessä koodissa ahi_client
on AHItoDICOM DICOM -vientiluokan esiintymä, jossa on kuvattu tiedonhakutoiminnot. Olemme sisällyttäneet tämän uuden tiedonlatausoperaattorin a MONAI Deploy App SDK:n luoma 3D-pernan segmentointi AI-sovellus. Voit ensin tutustua tämän sovelluksen luomiseen ja suorittamiseen paikallisessa muistikirjassaja ota sitten tämä MAP-sovellus käyttöön SageMakerin hallituissa päätepäätepisteissä.
SageMakerin asynkroninen päättely
SageMaker asynkroninen päättely päätepistettä käytetään pyyntöihin, joissa on suuri hyötykuorma (jopa 1 Gt), pitkät käsittelyajat (jopa 15 minuuttia) ja lähes reaaliaikaiset latenssivaatimukset. Kun käsittelypyyntöjä ei ole, tämä käyttöönottovaihtoehto voi pienentää ilmentymien määrän nollaan kustannussäästöjen vuoksi, mikä on ihanteellinen lääketieteellisen kuvantamisen ML-päätelmien työkuormille. Noudata kohdan ohjeita muistikirjan näyte luodaksesi ja kutsuaksesi SageMakerin asynkronisen päättelypäätepisteen. Vastaanottaja Luo asynkroninen päättelypäätepiste, sinun on ensin luotava SageMaker-malli ja päätepistemääritys. SageMaker-mallin luomiseksi sinun on ladattava model.tar.gz-paketti, jossa on a määritelty hakemistorakenne Docker-konttiin. Model.tar.gz-paketti sisältää valmiiksi koulutetun pernan segmentoinnin model.ts-tiedoston ja mukautetun inference.py-tiedoston. Olemme käyttäneet valmiiksi rakennettua säilöä Python 3.8- ja PyTorch 1.12.1 -kehysversioilla mallin lataamiseen ja ennusteiden suorittamiseen.
Mukautetussa päätelmä.py tiedostoa, luomme AHItoDICOM-apuluokan AHItoDICOMInterfacesta ja käytämme sitä MAP-esiintymän luomiseen model_fn()
toiminto, ja suoritamme MAP-sovelluksen jokaisessa päättelypyynnössä predict_fn()
toiminto:
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')
jotta kutsua asynkronista päätepistettä, sinun on ladattava pyynnön syöttökuorma osoitteeseen Amazonin yksinkertainen tallennuspalvelu (Amazon S3), joka on JSON-tiedosto, joka määrittää AWS HealthImaging -tietovaraston tunnuksen ja ImageSet ID:n päätelmien suorittamista varten:
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"]
Tulos löytyy myös Amazon S3:sta.
SageMaker monen mallin reaaliaikainen päättely
SageMaker reaaliaikainen johtopäätös päätepisteet täyttävät interaktiiviset, matalan latenssin vaatimukset. Tämä vaihtoehto voi isännöidä useita malleja yhdessä säilössä yhden päätepisteen takana, mikä on skaalautuva ja kustannustehokas ratkaisu useiden ML-mallien käyttöönottoon. A SageMaker-monimallipäätepiste käyttää NVIDIA Triton Inference Serveriä GPU:lla useiden syvän oppimismallien päätelmien suorittamiseen.
Tässä osiossa käymme läpi, kuinka luodaan ja kutsutaan usean mallin päätepiste mukauttamalla omaa päätelmäsäiliötäsi seuraavassa muistikirjan näyte. Eri malleja voidaan palvella jaetussa säiliössä samalla resurssikalustolla. Usean mallin päätepisteet vähentävät käyttöönoton lisäkustannuksia ja mittakaavassa tapahtuvia mallipäätelmiä, jotka perustuvat päätepisteeseen meneviin liikennemalleihin. Me käytimme AWS-kehittäjätyökalut mukaan lukien Amazon CodeCommit, Amazon CodeBuildja Amazon CodePipeline rakentaa räätälöity säiliö SageMaker-mallin päättelyä varten. Valmistimme a model_handler.py tuodaksesi oman säilösi edellisen esimerkin inference.py-tiedoston sijaan ja toteuttanut funktiot inicialize(), 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")
Kun kontti on rakennettu ja työnnetty siihen Amazonin elastisten säiliörekisteri (Amazon ECR), voit luoda sen avulla SageMaker-mallin sekä erilaisia mallipaketteja (tar.gz-tiedostoja) tietyssä Amazon S3 -polussa:
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 huomionarvoista, että model_url
tässä vain määritetään polku tar.gz-tiedostojen kansioon, ja määrität, mitä mallipakettia käytetään päätelmien tekemiseen, kun kutsut päätepisteen, kuten seuraavassa koodissa näkyy:
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))
Voimme lisätä malleja olemassa olevaan monimallipäätepäätepisteeseen ilman, että päätepistettä on päivitettävä tai uusi luotava.
Puhdistaa
Älä unohda täyttää Poista isännöintiresurssit astu sisään laboratorio-3 ja laboratorio-4 muistikirjat SageMaker-päätelmäpäätepisteiden poistamiseksi. Sinun tulisi myös kieltää SageMaker-muistikirjan esiintymä säästääksesi kustannuksia. Lopuksi voit joko kutsua AWS HealthImaging API -toimintoa tai käyttää AWS HealthImaging -konsolia poistaaksesi aiemmin luodut kuvajoukot ja tietovaraston:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
Yhteenveto
Tässä viestissä näytimme sinulle, kuinka voit luoda MAP-liittimen AWS HealthImagingiin, jota voidaan käyttää uudelleen MONAI Deploy App SDK:lla rakennetuissa sovelluksissa integroidaksesi ja nopeuttaaksesi kuvatietojen hakua pilvipohjaisesta DICOM-kaupasta lääketieteellisen kuvantamisen tekoälyn työkuormiin. . MONAI Deploy SDK:ta voidaan käyttää tukemaan sairaalatoimintoja. Esitimme myös kaksi isännöintivaihtoehtoa MAP AI -sovellusten käyttöönottamiseksi SageMakerissa laajassa mittakaavassa.
Käy läpi esimerkkimuistikirjat kohdassa GitHub-arkisto saadaksesi lisätietoja MONAI-sovellusten käyttöönotosta SageMakerissa AWS HealthImagingiin tallennettujen lääketieteellisten kuvien avulla. Jos haluat tietää, mitä AWS voi tehdä sinulle, ota yhteyttä AWS:n edustaja.
Katso lisäresurssit seuraavista:
Tietoja Tekijät
Ming (Melvin) Qin on itsenäinen avustaja NVIDIA:n Healthcare-tiimissä, joka keskittyy tekoälyn päättelysovelluskehyksen ja -alustan kehittämiseen tuodakseen tekoälyn lääketieteellisen kuvantamisen työnkulkuihin. Ennen kuin Ming liittyi NVIDIAan vuonna 2018 Claran perustajajäsenenä, Ming kehitti 15 vuotta Radiology PACS:ia ja Workflow SaaS:ia Stentor Inc:n johtavana insinöörinä/arkkitehtina, jonka Philips Healthcare osti myöhemmin muodostaakseen Enterprise Imaging -yrityksensä.
David Bericat on NVIDIA:n terveydenhuollon tuotepäällikkö, jossa hän johtaa Project MONAI Deploy -työryhmää, joka tuo tekoälyn tutkimuksesta kliinisiin käyttöönotuksiin. Hänen intohimonsa on nopeuttaa terveysinnovaatioita maailmanlaajuisesti, mikä muuttaa sen todelliseksi kliiniseksi vaikutukseksi. Aiemmin David työskenteli Red Hatilla toteuttaen avoimen lähdekoodin periaatteita tekoälyn, pilven, reunalaskennan ja IoT:n risteyksessä. Hänen ylpeimpiä hetkiään ovat vaellus Everestin perusleirille ja jalkapallon pelaaminen yli 20 vuoden ajan.
Brad Genereaux on NVIDIA:n Healthcare Alliances -järjestön globaali johtaja, jossa hän vastaa kehittäjäsuhteista keskittyen lääketieteelliseen kuvantamiseen tekoälyn ja syvän oppimisen, visualisoinnin, virtualisoinnin ja analytiikkaratkaisujen nopeuttamiseksi. Yli 20 vuoden kokemuksella terveydenhuollon IT-alalla Brad evankelisoi saumattoman terveydenhuollon ja lääketieteellisen kuvantamisen työnkulkujen arjen omaksumista ja integroimista jokapäiväiseen kliiniseen käytäntöön.
Gang Fu on Healthcare Solutions -arkkitehti AWS:ssä. Hän on valmistunut lääketieteen tohtoriksi Mississippin yliopistosta ja hänellä on yli 10 vuoden kokemus tekniikan ja biolääketieteen tutkimuksesta. Hän on intohimoinen teknologiasta ja sen vaikutuksista terveydenhuoltoon.
JP Leger on Senior Solutions Architect, joka tukee AWS:n akateemisia lääketieteellisiä keskuksia ja lääketieteellisen kuvantamisen työnkulkuja. Hänellä on yli 20 vuoden kokemus ohjelmistosuunnittelusta, terveydenhuollon IT:stä ja lääketieteellisestä kuvantamisesta. Hänellä on laaja kokemus suorituskyvyn, skaalautuvuuden ja turvallisuuden järjestelmien suunnittelusta suurien tietomäärien hajautetuissa käyttöönotoissa tiloissa, pilvessä ja analytiikan ja tekoälyn kanssa. .
Chris Hafey on johtava ratkaisuarkkitehti Amazon Web Servicesissä. Hänellä on yli 25 vuoden kokemus lääketieteellisestä kuvantamisteollisuudesta ja hän on erikoistunut skaalautuvien korkean suorituskyvyn järjestelmien rakentamiseen. Hän on luonut suositun avoimen lähdekoodin CornerstoneJS-projektin, joka käyttää suosittua OHIF:n avoimen lähdekoodin nollajäljen katseluohjelmaa. Hän osallistui DICOMweb-spesifikaatioon ja jatkaa työtä parantaakseen sen suorituskykyä verkkopohjaisessa katselussa.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- PlatoData.Network Vertical Generatiivinen Ai. Vahvista itseäsi. Pääsy tästä.
- PlatoAiStream. Web3 Intelligence. Tietoa laajennettu. Pääsy tästä.
- PlatoESG. hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- PlatonHealth. Biotekniikan ja kliinisten kokeiden älykkyys. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 12
- 15 vuotta
- 15%
- 20
- 20 vuotta
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- Meistä
- akateeminen
- kiihdyttää
- kiihtyvä
- pääsy
- saatavilla
- Tili
- hankittu
- poikki
- lisätä
- lisä-
- Hyväksyminen
- Etu
- edullinen
- AI
- AI-mallit
- Hälytykset
- algoritmit
- Kaikki
- liittoutumia
- sallia
- Myös
- Amazon
- Amazon Web Services
- an
- Analytics
- ja
- api
- API-käyttö
- API
- sovelluksen
- Hakemus
- sovellukset
- arkkitehtuuri
- OVAT
- keinotekoinen
- tekoäly
- AS
- At
- attribuutteja
- automaattisesti
- saatavissa
- AWS
- pohja
- perustua
- BE
- ennen
- takana
- biolääketieteen
- elin
- sekä
- brad
- läpimurtoja
- tuoda
- rakentaa
- Rakentaminen
- rakennettu
- sisäänrakennettu
- by
- soittaa
- Leiri
- CAN
- joka
- tapauksissa
- keskus
- keskuksissa
- Clara
- luokka
- Kliininen
- pilvi
- koodi
- Tulla
- täydellinen
- käsittää
- tietojenkäsittely
- Konfigurointi
- Liitännät
- Console
- konsortio
- ottaa yhteyttä
- Kontti
- sisältää
- sisältö
- tausta
- jatkuu
- osaltaan
- avustaja
- Hinta
- kustannussäästöjä
- kustannustehokas
- kustannukset
- kattaa
- kirjoittanut
- luoda
- luotu
- luoja
- räätälöityjä
- tiedot
- Data Center
- David
- syvä
- syvä oppiminen
- osoittaa
- osoittivat
- sijoittaa
- levityspinnalta
- käyttöönotto
- käyttöönotot
- dev
- kehitetty
- Kehittäjä
- kehittäjille
- kehittämällä
- eri
- jaettu
- do
- Satamatyöläinen
- asiakirja
- alas
- Aikaisemmin
- reuna
- reunan tietojenkäsittely
- tehokas
- myöskään
- muu
- mahdollistaa
- päittäin
- päätepiste
- Tekniikka
- yritys
- ympäristöissä
- Vastaava
- everest
- Joka
- arjen
- esimerkki
- Paitsi
- olemassa
- experience
- asiantuntemus
- tutkia
- laaja
- Kattava kokemus
- erittäin
- väärä
- FAST
- filee
- Asiakirjat
- Vihdoin
- Etunimi
- LAIVASTON
- Keskittää
- keskityttiin
- seurata
- jälkeen
- seuraa
- Jalanjälki
- varten
- muoto
- muoto
- löytyi
- perustamisen
- Puitteet
- alkaen
- fu
- täysin
- toiminto
- toiminnallisuudet
- tehtävät
- GitHub
- tietty
- Global
- Maailmanlaajuisesti
- GPU
- Ryhmä
- hattu
- Olla
- ottaa
- he
- otsikot
- terveys
- terveydenhuollon
- tätä
- korkea suorituskyky
- erittäin
- hänen
- pitää
- sairaala
- isäntä
- isännöi
- hotellit
- Miten
- Miten
- HTML
- http
- HTTPS
- Hybridi
- ID
- ihanteellinen
- Identiteetti
- if
- havainnollistaa
- kuva
- kuvien
- Imaging
- Vaikutus
- täytäntöön
- täytäntöönpanosta
- tuoda
- tuonti
- parantaminen
- in
- Inc.
- sisältää
- mukana
- sisältää
- Mukaan lukien
- itsenäinen
- teollisuus
- Innovaatio
- panos
- tuloa
- asentaa
- esimerkki
- sen sijaan
- yhdistää
- integraatio
- Älykkyys
- vuorovaikutteinen
- leikkauspiste
- tulee
- Esineiden internet
- Irlanti
- IT
- SEN
- Job
- tuloaan
- jpg
- json
- avain
- Tietää
- suuri
- Viive
- myöhemmin
- johtaa
- johtajat
- Liidit
- OPPIA
- oppiminen
- linja
- kuormitus
- loader
- lastaus
- paikallinen
- Pitkät
- kone
- koneoppiminen
- Enemmistö
- tehdä
- onnistui
- johtaja
- toimitusjohtaja
- kartta
- Kartat
- lääketieteellinen
- Tavata
- jäsen
- Metadata
- Metrics
- minuuttia
- ML
- tila
- malli
- mallit
- Moduulit
- Moments
- monitori
- lisää
- Monen mallin päätepiste
- moninkertainen
- syntyperäinen
- Tarve
- verkko
- verkot
- Uusi
- Nro
- Ei eristetty
- Pohjoiseen
- muistikirja
- huomionarvoinen
- Nvidia
- objekti
- of
- Tarjoukset
- on
- ONE
- vain
- avata
- avoin verkko
- avoimen lähdekoodin
- Operations
- operaattori
- operaattorit
- optimoitu
- Vaihtoehto
- Vaihtoehdot
- or
- Oregon
- OS
- Muut
- ulostulo
- yli
- oma
- paketti
- paketit
- pakkaus
- pari
- Parallel
- intohimo
- intohimoinen
- polku
- kuviot
- suorituskyky
- lupa
- Lääkealan
- phd
- putki
- pixel
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- plus
- Suosittu
- Kirje
- powered
- valtuudet
- harjoitusta.
- Ennusteet
- valmis
- edellinen
- aiemmin
- Pääasiallinen
- periaatteet
- prosessi
- Käsitelty
- Prosessit
- käsittely
- Tuotteet
- tuotepäällikkö
- tuotanto
- projekti
- ominaisuudet
- tarjoaa
- työntää
- Python
- pytorch
- reaaliaikainen
- Todellisuus
- vastaanottaa
- punainen
- Red Hat
- vähentää
- katso
- alue
- alueet
- suhteet
- edustus
- pyyntö
- pyynnöt
- vaatimukset
- Vaatii
- tutkimus
- Tutkijat
- Esittelymateriaalit
- vastaus
- vastuullinen
- palata
- uudelleen käytettävä
- ajaa
- juoksu
- s
- SaaS
- sagemaker
- SageMaker-johtopäätös
- sama
- Säästä
- Säästöt
- skaalautuvuus
- skaalautuva
- Asteikko
- skaalaus
- tiede
- sdk
- saumaton
- Osa
- turvallisuus
- jakautuminen
- valinta
- SELF
- vanhempi
- Sarjat
- palveli
- palvelu
- Palvelut
- Setit
- asetus
- useat
- muodot
- yhteinen
- shouldnt
- osoittivat
- esitetty
- Yksinkertainen
- koot
- sujuvasti
- Jalkapallo
- Tuotteemme
- ohjelmistotuotanto
- ratkaisu
- Ratkaisumme
- lähde
- erikoistunut
- määrittely
- käytetty
- standardit
- Vaihe
- Askeleet
- Levytila
- verkkokaupasta
- tallennettu
- jono
- niin
- tuki
- Tukea
- sydney
- järjestelmät
- vie
- joukkue-
- Elektroniikka
- Testaus
- kuin
- että
- -
- heidän
- Niitä
- sitten
- Siellä.
- Nämä
- tätä
- Kautta
- kertaa
- että
- yhdessä
- työkalut
- kohti
- liikenne
- Triton
- totta
- yrittää
- VUORO
- kaksi
- kaikkialla läsnä oleva
- yliopisto
- Päivitykset
- käyttää
- käytetty
- käyttäjä
- käyttötarkoituksiin
- käyttämällä
- hyödyllisyys
- lajike
- versiot
- katselu
- virginia
- visio
- visualisointi
- havainnollistaa
- volyymit
- W
- kävellä
- haluta
- we
- verkko
- verkkopalvelut
- Web-pohjainen
- HYVIN
- Mitä
- kun
- joka
- tulee
- with
- sisällä
- ilman
- Referenssit
- työskenteli
- työnkulku
- työnkulkuja
- työskentely
- Työryhmä
- vuotta
- Voit
- Sinun
- zephyrnet
- nolla-