Nykypäivän nopeasti kehittyvässä terveydenhuoltoympäristössä lääkärit joutuvat kohtaamaan valtavia määriä kliinistä tietoa eri lähteistä, kuten hoitajan muistiinpanoista, sähköisistä terveyskertomuksista ja kuvantamisraporteista. Vaikka tämä runsas tieto on välttämätöntä potilaan hoidolle, se voi olla myös ylivoimaista ja aikaa vievää lääketieteen ammattilaisten seuloa ja analysoida. Tehokas yhteenveto ja oivallusten poimiminen näistä tiedoista on ratkaisevan tärkeää potilaiden paremman hoidon ja päätöksenteon kannalta. Yhteenveto potilastiedoista voi olla hyödyllistä useissa myöhemmissä prosesseissa, kuten tietojen yhdistämisessä, potilaiden tehokkaassa koodauksessa tai samanlaisten diagnoosien saaneiden potilaiden ryhmittelyssä tarkastettavaksi.
Tekoäly (AI) ja koneoppimismallit (ML) ovat osoittaneet lupaavia ratkaisuja näihin haasteisiin. Malleja voidaan kouluttaa analysoimaan ja tulkitsemaan suuria määriä tekstidataa, mikä tiivistää tiedot tehokkaasti tiiviiksi tiivistelmäksi. Yhteenvetoprosessin automatisoimalla lääkärit pääsevät nopeasti käsiksi asiaankuuluviin tietoihin, jolloin he voivat keskittyä potilaiden hoitoon ja tehdä tietoisempia päätöksiä. Katso seuraava tapaustutkimus saadaksesi lisätietoja todellisesta käyttötapauksesta.
Amazon Sage Maker, täysin hallittu ML-palvelu, tarjoaa ihanteellisen alustan erilaisten AI/ML-pohjaisten yhteenvetomallien ja lähestymistapojen isännöintiin ja toteuttamiseen. Tässä viestissä tutkimme erilaisia vaihtoehtoja yhteenvetotekniikoiden toteuttamiseksi SageMakerissa, mukaan lukien käyttö Amazon SageMaker JumpStart perustusmalleja, Hugging Facen esikoulutettujen mallien hienosäätöä ja räätälöityjen yhteenvetomallien rakentamista. Keskustelemme myös kunkin lähestymistavan eduista ja haitoista, jotta terveydenhuollon ammattilaiset voivat valita sopivimman ratkaisun luodakseen tiiviitä ja tarkkoja yhteenvetoja monimutkaisista kliinisistä tiedoista.
Kaksi tärkeää termiä, jotka on tiedettävä ennen kuin aloitamme: valmiiksi koulutettu ja hienosäätö. Esikoulutettu tai perusmalli on malli, joka on rakennettu ja koulutettu suurelle tietojoukolle, tyypillisesti yleistä kielitaitoa varten. Hienosäätö on prosessi, jossa esiopetetulle mallille annetaan toinen toimialuekohtaisempi tietojoukko sen suorituskyvyn parantamiseksi tietyssä tehtävässä. Terveydenhuollossa tämä tarkoittaisi, että mallille annetaan tiettyjä tietoja, mukaan lukien potilaan hoitoon liittyvät lausekkeet ja terminologia.
Rakenna mukautettuja yhteenvetomalleja SageMakerissa
Vaikka se onkin vaativin lähestymistapa, jotkin organisaatiot saattavat mieluummin rakentaa mukautettuja yhteenvetomalleja SageMakerissa tyhjästä. Tämä lähestymistapa vaatii syvällisempää tietämystä AI/ML-malleista ja voi sisältää malliarkkitehtuurin luomisen tyhjästä tai olemassa olevien mallien mukauttamista erityistarpeisiin. Räätälöityjen mallien rakentaminen voi tarjota enemmän joustavuutta ja yhteenvetoprosessin hallintaa, mutta vaatii myös enemmän aikaa ja resursseja verrattuna lähestymistapoihin, jotka alkavat esikoulutetuista malleista. On tärkeää punnita tämän vaihtoehdon edut ja haitat huolellisesti ennen kuin jatkat, koska se ei välttämättä sovellu kaikkiin käyttötapauksiin.
SageMaker JumpStart -pohjamallit
Loistava vaihtoehto yhteenvedon toteuttamiseen SageMakerissa on JumpStart-perusmallien käyttö. Nämä johtavien tekoälytutkimusorganisaatioiden kehittämät mallit tarjoavat joukon valmiiksi koulutettuja kielimalleja, jotka on optimoitu erilaisiin tehtäviin, mukaan lukien tekstin yhteenveto. SageMaker JumpStart tarjoaa kahdenlaisia perusmalleja: patentoituja malleja ja avoimen lähdekoodin malleja. SageMaker JumpStart tarjoaa myös HIPAA-kelpoisuuden, mikä tekee siitä hyödyllisen terveydenhuollon työkuormissa. Asiakkaan on viime kädessä varmistaa vaatimustenmukaisuus, joten muista ryhtyä tarvittaviin toimiin. Katso HIPAA-turvallisuuden ja vaatimustenmukaisuuden suunnittelu Amazon Web Services -palveluissa lisätietoja.
Omistuspohjaiset mallit
Patentoidut mallit, kuten AI21:n Jurassic-mallit ja Coheren Cohere Generate -mallit, voidaan löytää SageMaker JumpStart -sovelluksella AWS-hallintakonsoli ja ovat tällä hetkellä esikatselussa. Omien mallien käyttäminen yhteenvedon tekemiseen on ihanteellinen, kun sinun ei tarvitse hienosäätää malliasi mukautettujen tietojen perusteella. Tämä tarjoaa helppokäyttöisen, käyttövalmiin ratkaisun, joka voi täyttää yhteenvetovaatimukset minimaalisella kokoonpanolla. Käyttämällä näiden esikoulutettujen mallien ominaisuuksia voit säästää aikaa ja resursseja, jotka muuten kuluisit räätälöidyn mallin koulutukseen ja hienosäätöön. Lisäksi patentoidut mallit sisältävät yleensä käyttäjäystävällisiä API:ita ja SDK:ita, mikä virtaviivaistaa integrointiprosessia olemassa olevien järjestelmien ja sovellusten kanssa. Jos yhteenvetotarpeesi voidaan täyttää esikoulutetuilla patentoiduilla malleilla ilman erityistä räätälöintiä tai hienosäätöä, ne tarjoavat kätevän, kustannustehokkaan ja tehokkaan ratkaisun tekstin yhteenvetotehtäviisi. Koska näitä malleja ei ole koulutettu erityisesti terveydenhuollon käyttötarkoituksiin, lääketieteellisen kielen laatua ei voida taata heti ilman hienosäätöä.
Jurassic-2 Grande Instruct on AI21 Labsin suuri kielimalli (LLM), joka on optimoitu luonnollisen kielen ohjeille ja soveltuu erilaisiin kielitehtäviin. Se tarjoaa helppokäyttöisen API:n ja Python SDK:n, jotka tasapainottavat laatua ja kohtuuhintaisuutta. Suosittuja käyttökohteita ovat markkinointikopion luominen, chatbottien käyttö ja tekstiyhteenveto.
Siirry SageMaker-konsolissa SageMaker JumpStartiin, etsi AI21 Jurassic-2 Grande Instruct -malli ja valitse Kokeile mallia.
Jos haluat ottaa mallin käyttöön hallitsemassasi SageMaker-päätepisteessä, voit seurata tämän esimerkin ohjeita. muistikirja, joka näyttää, kuinka Jurassic-2 Large otetaan käyttöön SageMakerin avulla.
Avoimen lähdekoodin perusmallit
Avoimen lähdekoodin malleihin kuuluvat FLAN T5-, Bloom- ja GPT-2-mallit, jotka löytyvät SageMaker JumpStartista Amazon SageMaker Studio Käyttöliittymä, SageMaker JumpStart SageMaker-konsolissa ja SageMaker JumpStart API. Näitä malleja voidaan hienosäätää ja ottaa käyttöön AWS-tilisi päätepisteissä, mikä antaa sinulle täyden omistusoikeuden mallien painotuksiin ja komentosarjakoodiin.
Flan-T5 XL on tehokas ja monipuolinen malli, joka on suunniteltu monenlaisiin kielitehtäviin. Hienosäätämällä mallia verkkotunnuskohtaisilla tiedoillasi, voit optimoida sen suorituskyvyn tiettyä käyttötapausta varten, kuten tekstin yhteenvedon tai minkä tahansa muun NLP-tehtävän. Katso lisätietoja Flan-T5 XL:n hienosäätämisestä SageMaker Studion käyttöliittymällä Ohjeiden hienosäätö FLAN T5 XL:lle Amazon SageMaker Jumpstartilla.
Hienosäädä esikoulutettuja malleja Hugging Facen avulla SageMakerissa
Yksi suosituimmista vaihtoehdoista yhteenvedon toteuttamiseksi SageMakerissa on esikoulutettujen mallien hienosäätö käyttämällä Hugging Facea. Muuntajat kirjasto. Hugging Face tarjoaa laajan valikoiman esikoulutettuja muuntajamalleja, jotka on erityisesti suunniteltu erilaisiin luonnollisen kielen käsittelyyn (NLP) tehtäviin, mukaan lukien tekstin yhteenveto. Hugging Face Transformers -kirjaston avulla voit helposti hienosäätää näitä esikoulutettuja malleja verkkotunnuskohtaisilla tiedoillasi SageMakerin avulla. Tällä lähestymistavalla on useita etuja, kuten nopeammat koulutusajat, parempi suorituskyky tietyillä aloilla ja helpompi mallin pakkaus ja käyttöönotto sisäänrakennettujen SageMaker-työkalujen ja -palveluiden avulla. Jos et löydä sopivaa mallia SageMaker JumpStartista, voit valita minkä tahansa Hugging Facen tarjoaman mallin ja hienosäätää sitä SageMakerilla.
Jotta voit aloittaa työskentelyn mallin kanssa saadaksesi lisätietoja ML:n ominaisuuksista, sinun tarvitsee vain avata SageMaker Studio ja etsiä esikoulutettu malli, jota haluat käyttää Halaava Face Model Hubja valitse SageMaker käyttöönottotavaksi. Hugging Face antaa sinulle koodin, jonka voit kopioida, liittää ja suorittaa muistikirjassasi. Se on niin helppoa! Ei vaadi ML-insinöörikokemusta.
Hugging Face Transformers -kirjaston avulla rakentajat voivat käyttää valmiiksi koulutettuja malleja ja tehdä edistyneitä tehtäviä, kuten hienosäätöä, joita tutkimme seuraavissa osissa.
Tarjoa resursseja
Ennen kuin voimme aloittaa, meidän on hankittava muistikirja. Katso ohjeet vaiheista 1 ja 2 tuumaa Rakenna ja kouluta koneoppimismalli paikallisesti. Tässä esimerkissä käytimme seuraavassa kuvakaappauksessa esitettyjä asetuksia.
Meidän on myös luotava Amazonin yksinkertainen tallennuspalvelu (Amazon S3) ämpäri harjoitustietojen ja harjoitusartefaktien tallentamiseen. Katso ohjeet kohdasta Kauhan luominen.
Valmistele tietojoukko
Jotta voimme hienosäätää malliamme paremman toimialueen tuntemuksen saamiseksi, meidän on saatava tehtävään sopiva data. Kun koulutat yrityskäyttötapausta, sinun on suoritettava useita tietotekniikan tehtäviä valmistellaksesi omat tietosi valmiiksi koulutukseen. Nämä tehtävät eivät kuulu tämän viran piiriin. Tätä esimerkkiä varten olemme luoneet synteettistä dataa hoitajan muistiinpanojen jäljittelemiseksi ja tallentaneet ne Amazon S3:een. Tietojemme tallentaminen Amazon S3:een antaa meille mahdollisuuden Suunnittele työmäärämme HIPAA-yhteensopivuuden varmistamiseksi. Aloitamme hankkimalla nämä muistiinpanot ja lataamalla ne tapaukseen, jossa muistikirjamme on käynnissä:
Muistiinpanot koostuvat sarakkeesta, joka sisältää täydellisen merkinnän, huomautuksen, ja sarakkeesta, joka sisältää lyhennetyn version, joka havainnollistaa, mitä haluamamme tulosteen tulisi olla, yhteenveto. Tämän aineiston käytön tarkoituksena on parantaa mallimme biologista ja lääketieteellistä sanastoa niin, että se soveltuu paremmin yhteenvedon tekemiseen terveydenhuollon kontekstissa, ns. verkkotunnuksen hienosäätö, ja näytä mallillemme, kuinka sen yhteenvetotulos rakennetaan. Joissakin yhteenvetotapauksissa saatamme haluta luoda artikkelista abstraktin tai yksirivisen yhteenvedon arvostelusta, mutta tässä tapauksessa yritämme saada mallimme tulostamaan lyhennetyn version oireista ja tehdyistä toimista. potilaalle toistaiseksi.
Lataa malli
Alustana käyttämämme malli on Googlen Pegasus-versio, joka on saatavilla Hugging Face Hubissa, ns. pegasus-xsum. Se on jo valmiiksi koulutettu yhteenvetoa varten, joten hienosäätöprosessimme voi keskittyä sen toimialueen tietämyksen laajentamiseen. Mallimme suorittaman tehtävän muokkaaminen on erilainen hienosäätö, jota ei käsitellä tässä viestissä. Transformer-kirjasto tarjoaa meille luokan mallimäärittelyn lataamiseen model_checkpoint: google/pegasus-xsum
. Tämä lataa mallin keskittimestä ja esittää sen muistikirjassamme, jotta voimme käyttää sitä myöhemmin. Koska pegasus-xsum
on sekvenssistä sekvenssiin -malli, haluamme käyttää Seq2Seq-tyyppiä Automaattinen malli luokka:
Nyt kun meillä on mallimme, on aika kiinnittää huomiomme muihin osiin, joiden avulla voimme suorittaa harjoitussilmukamme.
Luo tokenizer
Ensimmäinen näistä komponenteista on tokenisaattori. tokenization on prosessi, jolla syötetietojen sanat muunnetaan numeerisiksi esityksiksi, joita mallimme voi ymmärtää. Jälleen Transformer-kirjasto tarjoaa meille luokan, jolla voimme ladata tokenisaattorin määritelmän samasta tarkistuspisteestä, jota käytimme mallin luomiseen:
Tämän merkintäobjektin avulla voimme luoda esikäsittelyfunktion ja kartoittaa sen tietojoukkoomme, jolloin saamme tunnukset valmiina syötettäväksi malliin. Lopuksi muotoillaan tokenoitu tulos ja poistetaan alkuperäisen tekstimme sisältävät sarakkeet, koska malli ei pysty tulkitsemaan niitä. Nyt meillä on tokenoitu syöte, joka on valmis syötettäväksi malliin. Katso seuraava koodi:
Kun tietomme on tokenisoitu ja mallimme instantoitu, olemme melkein valmiita suorittamaan harjoitussilmukan. Seuraavat komponentit, jotka haluamme luoda, ovat tietojen kerääjä ja optimoija. Datan kerääjä on toinen Hugging Facen Transformers-kirjaston kautta tarjoama luokka, jota käytämme luomaan eriä tokenoituja tietojamme harjoittelua varten. Voimme rakentaa tämän helposti olemassa olevien tokenisaattori- ja malliobjektien avulla vain etsimällä vastaava luokkatyyppi, jota olemme aiemmin käyttäneet mallissamme (Seq2Seq) collator-luokassa. Optimoijan tehtävänä on ylläpitää harjoitustilaa ja päivittää parametreja harjoitushäviömme perusteella työskennellessämme silmukan läpi. Optimoijan luomiseksi voimme tuoda avaan paketti taskulamppumoduulista, jossa on saatavilla useita optimointialgoritmeja. Joitakin yleisiä, joita olet ehkä kohdannut aiemmin, ovat Stochastic Gradient Descent ja Aatami, joista jälkimmäistä käytetään esimerkissämme. Adamin konstruktori ottaa mallin parametrit ja parametroidun oppimisnopeuden tietylle harjoitusajolle. Katso seuraava koodi:
Viimeiset vaiheet ennen kuin voimme aloittaa harjoittelun, ovat kiihdytin ja oppimisnopeuden ajoitus. Kiihdytin tulee Hugging Facen tuottamasta eri kirjastosta (olemme käyttäneet ensisijaisesti Transformereja), joka on osuvasti nimeltään Accelerate, ja se poistaa logiikan, jota tarvitaan laitteiden hallintaan harjoittelun aikana (esimerkiksi useiden grafiikkasuorittimien avulla). Viimeisen osan osalta käymme uudelleen aina hyödyllisessä Transformers-kirjastossa oppimisnopeuden ajastimen toteuttamiseksi. Määrittämällä aikataulun tyyppi, harjoitusvaiheiden kokonaismäärä silmukassamme ja aiemmin luotu optimoija, the get_scheduler
funktio palauttaa objektin, jonka avulla voimme säätää alkuperäistä oppimisnopeutta koko harjoitusprosessin ajan:
Olemme nyt täysin valmiita harjoituksiin! Perustetaan koulutustyö, joka alkaa instantoimalla koulutus_argumentit käyttämällä Transformers-kirjastoa ja valitsemalla parametriarvot. Voimme välittää nämä yhdessä muiden valmistettujen komponenttemme ja tietojoukon kanssa suoraan kouluttaja ja aloita harjoittelu seuraavan koodin osoittamalla tavalla. Tietojoukkosi koosta ja valituista parametreista riippuen tämä voi viedä huomattavasti aikaa.
Pakkaa malli päätelmiä varten
Kun koulutus on suoritettu, malliobjekti on valmis käytettäväksi päättelyyn. Paras käytäntö on, että tallennetaan työmme tulevaa käyttöä varten. Meidän on luotava malliesineet, pakattava ne yhteen ja ladattava tarballimme Amazon S3:een tallennusta varten. Valmistaaksemme mallimme pakkaamista varten, meidän on purettava nyt hienosäädetty malli ja tallennettava sitten mallin binaari ja siihen liittyvät konfigurointitiedostot. Meidän on myös tallennettava tokenisaattorimme samaan hakemistoon, johon tallensimme malliartefaktit, jotta se on käytettävissä, kun käytämme mallia päättelyyn. Meidän model_dir
kansion pitäisi nyt näyttää seuraavalta koodilta:
Jäljelle jää vain suorittamalla tar-komento hakemistomme pakkaamiseksi ja tar.gz-tiedoston lataamiseksi Amazon S3:een:
Äskettäin hienosäädetty mallimme on nyt valmis ja käytettävissä johtopäätösten tekemiseen.
Suorita johtopäätös
Jos haluat käyttää tätä malliartefaktia johtopäätösten tekemiseen, avaa uusi tiedosto ja käytä seuraavaa koodia muokkaamalla model_data
parametri sopimaan artefaktin tallennuspaikkaasi Amazon S3:ssa. The HuggingFaceModel
konstruktori rakentaa mallimme uudelleen siitä tarkistuspisteestä, johon tallensimme model.tar.gz
, jonka voimme sitten ottaa käyttöön johtopäätösten tekemiseksi käyttämällä käyttöönottomenetelmää. Päätepisteen käyttöönotto kestää muutaman minuutin.
Kun päätepiste on otettu käyttöön, voimme käyttää luomaamme ennustajaa sen testaamiseen. Anna minulle predict
menetelmä datan hyötykuorma ja suorita solu, niin saat vastauksen hienosäädetystä mallistasi:
Tehdään nopea testi nähdäksesi mallin hienosäädön edut. Seuraava taulukko sisältää kehotteen ja sen mallille välittämisen tulokset ennen hienosäätöä ja sen jälkeen.
nopea | Vastaus ilman hienosäätöä | Vastaa hienosäädöllä |
Tee yhteenveto potilaan kokemista oireista. Potilas on 45-vuotias mies, joka valittaa vasempaan käsivarteen säteilevää rintakipua. Kipu alkaa äkillisesti, kun hän teki pihatyötä, ja siihen liittyy lievä hengenahdistus ja hikoilu. Saapuessaan potilaan syke oli 120, hengitystiheys 24, verenpaine 170/95. Päivystykseen saapuessa tehtiin 12 lyijyä ja kolme sublingvaalista nitroglyseriiniä ilman rintakipujen lievitystä. Elektrokardiogrammi näyttää ST-tason nousun etujohtimissa, mikä osoittaa akuutin anteriorisen sydäninfarktin. Olemme olleet yhteydessä sydämen katetrointilaboratorioon ja kardiologin sydämen katetrointiin. | Esittelemme akuutin sydäninfarktin tapauksen. | Rintakipu, anterior MI, PCI. |
Kuten näette, hienosäädetyssä mallissamme käytetään terveysterminologiaa eri tavalla, ja olemme voineet muuttaa vastauksen rakennetta tarkoituksiinmme sopivaksi. Huomaa, että tulokset riippuvat tietojoukostasi ja harjoittelun aikana tehdyistä suunnitteluvalinnoista. Mallin versiosi voi tarjota hyvin erilaisia tuloksia.
Puhdistaa
Kun olet valmis käyttämään SageMaker-muistikirjaasi, muista sammuttaa se välttääksesi pitkäaikaisista resursseista aiheutuvat kustannukset. Huomaa, että ilmentymän sammuttaminen aiheuttaa sen, että menetät kaikki ilmentymän lyhytaikaiseen muistiin tallennetut tiedot, joten sinun tulee tallentaa kaikki työsi pysyvään tallennustilaan ennen puhdistamista. Sinun tulee myös mennä osoitteeseen Endpoints -sivulla SageMaker-konsolissa ja poista kaikki päätepisteet, jotka on otettu käyttöön päätelmiä varten. Jos haluat poistaa kaikki esineet, sinun on myös siirryttävä Amazon S3 -konsoliin poistamaan ämpäriisi ladatut tiedostot.
Yhteenveto
Tässä viestissä tutkimme erilaisia vaihtoehtoja tekstin yhteenvetotekniikoiden toteuttamiseksi SageMakerissa, jotta terveydenhuollon ammattilaiset voivat tehokkaasti käsitellä ja poimia oivalluksia valtavasta määrästä kliinistä tietoa. Keskustelimme SageMaker Jumpstart -perusmallien käyttämisestä, Hugging Facen esikoulutettujen mallien hienosäädöstä ja mukautettujen yhteenvetomallien rakentamisesta. Jokaisella lähestymistavalla on omat etunsa ja haittansa, jotka vastaavat erilaisia tarpeita ja vaatimuksia.
Mukautettujen yhteenvetomallien rakentaminen SageMakerissa mahdollistaa paljon joustavuutta ja hallintaa, mutta vaatii enemmän aikaa ja resursseja kuin esikoulutettujen mallien käyttäminen. SageMaker Jumpstart -perusmallit tarjoavat helppokäyttöisen ja kustannustehokkaan ratkaisun organisaatioille, jotka eivät vaadi erityistä räätälöintiä tai hienosäätöä, sekä joitakin vaihtoehtoja yksinkertaistettuun hienosäätöön. Hugging Facen esikoulutettujen mallien hienosäätö tarjoaa nopeammat harjoitusajat, paremman toimialuekohtaisen suorituskyvyn ja saumattoman integraation SageMaker-työkalujen ja -palvelujen kanssa laajaan malliluetteloon, mutta se vaatii jonkin verran käyttöönottoponnisteluja. Tätä viestiä kirjoitettaessa Amazon on ilmoittanut toisesta vaihtoehdosta, Amazonin kallioperä, joka tarjoaa yhteenvetoominaisuudet entistä paremmin hallitussa ympäristössä.
Ymmärtämällä kunkin lähestymistavan edut ja haitat terveydenhuollon ammattilaiset ja organisaatiot voivat tehdä tietoon perustuvia päätöksiä sopivimmasta ratkaisusta luodakseen tiiviitä ja tarkkoja yhteenvetoja monimutkaisista kliinisistä tiedoista. Loppujen lopuksi AI/ML-pohjaisten yhteenvetomallien käyttö SageMakerissa voi parantaa merkittävästi potilaiden hoitoa ja päätöksentekoa mahdollistamalla lääketieteen ammattilaisten nopean pääsyn asiaankuuluviin tietoihin ja keskittyä laadukkaan hoidon tarjoamiseen.
Esittelymateriaalit
Katso tässä viestissä käsitelty täydellinen käsikirjoitus ja joitain esimerkkitietoja osoitteesta GitHub repo. Lisätietoja ML-työkuormien suorittamisesta AWS:ssä on seuraavissa resursseissa:
Tietoja kirjoittajista
Cody Collins on New Yorkissa toimiva Amazon Web Services -ratkaisuarkkitehti. Hän työskentelee ISV:n asiakkaiden kanssa rakentaakseen alan johtavia ratkaisuja pilveen. Hän on toimittanut menestyksekkäästi monimutkaisia projekteja eri toimialoille optimoiden tehokkuutta ja skaalautuvuutta. Vapaa-ajallaan hän nauttii lukemisesta, matkustamisesta ja jiu jitsun harjoittelusta.
Ameer Hakme on AWS Solutions -arkkitehti, joka asuu Pennsylvaniassa. Hänen ammatillinen painopisteensä kuuluu yhteistyön tekemiseen riippumattomien ohjelmistotoimittajien kanssa kaikkialla Koillisosassa, ohjaten heitä suunnittelemaan ja rakentamaan skaalautuvia, huippuluokan alustoja AWS-pilvessä.
- 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. Autot / sähköautot, hiili, CleanTech, energia, ympäristö, Aurinko, Jätehuolto. Pääsy tästä.
- BlockOffsets. Ympäristövastuun omistuksen nykyaikaistaminen. Pääsy tästä.
- Lähde: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 1
- 10
- 100
- 12
- 14
- 15%
- 24
- 33
- 7
- 8
- 9
- a
- pystyy
- Meistä
- TIIVISTELMÄ
- kiihdyttää
- kiihdytin
- pääsy
- Tili
- tarkka
- poikki
- toimet
- Aatami
- käsitellään
- annettuna
- kehittynyt
- etuja
- Jälkeen
- uudelleen
- aggregaatti
- AI
- ai tutkimusta
- AI / ML
- algoritmit
- Kaikki
- Salliminen
- mahdollistaa
- pitkin
- jo
- Myös
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- määrä
- määrät
- an
- analysoida
- ja
- ilmoitti
- Toinen
- Kaikki
- api
- API
- sovelletaan
- sovellukset
- sovellettu
- lähestymistapa
- lähestymistavat
- sopiva
- arkkitehtuuri
- OVAT
- ARM
- saapuminen
- artikkeli
- AS
- liittyvä
- At
- huomio
- automatisointi
- saatavissa
- välttää
- pois
- AWS
- tasapainotus
- perustua
- BE
- koska
- ollut
- ennen
- alkaa
- hyödyttää
- Hyödyt
- PARAS
- Paremmin
- BIN
- veri
- Verenpaine
- Kukinta
- Laatikko
- Hengitys
- laaja
- rakentaa
- rakentajat
- Rakentaminen
- rakennettu
- sisäänrakennettu
- mutta
- by
- soittaa
- nimeltään
- CAN
- kyvyt
- joka
- huolellisesti
- tapaus
- tapauksissa
- luettelo
- Aiheuttaa
- haasteet
- muuttaa
- chatbots
- valintoja
- Valita
- valita
- valittu
- luokka
- Kliininen
- pilvi
- koodi
- koodit
- Koodaus
- yhteistyössä
- Sarake
- Pylväät
- Tulla
- tulee
- Yhteinen
- verrattuna
- valitukset
- monimutkainen
- noudattaminen
- komponentti
- osat
- kokoonpanossa
- suppea
- Konfigurointi
- MIINUKSET
- Console
- rakentamalla
- tausta
- ohjaus
- Mukava
- vastaava
- kustannustehokas
- kustannukset
- voisi
- katettu
- luoda
- luotu
- Luominen
- ratkaiseva
- Tällä hetkellä
- asiakassuhde
- asiakas
- Asiakkaat
- räätälöinnin
- tiedot
- aineistot
- Päätöksenteko
- päätökset
- määritelmä
- toimitettu
- esittelyssä
- osasto
- riippuvainen
- Riippuen
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- Malli
- suunniteltu
- suunnittelu
- haluttu
- yksityiskohdat
- kehitetty
- Laitteet
- eri
- suoraan
- löysi
- pohtia
- keskusteltiin
- useat
- do
- lääkärit
- tekee
- verkkotunnuksen
- verkkotunnuksia
- tehty
- Dont
- alas
- haitat
- aikana
- kukin
- helpompaa
- helposti
- helppo
- helppo käyttää
- tehokkaasti
- tehokkuus
- tehokas
- tehokkaasti
- vaivaa
- Elektroninen
- Sähköiset terveyskertomukset
- kelpoisuus
- hätä
- mahdollistaa
- mahdollistaa
- mahdollistaa
- päätepiste
- Tekniikka
- parantaa
- varmistaa
- yritys
- merkintä
- ympäristö
- aikakausi
- olennainen
- Jopa
- kehittyvä
- esimerkki
- olemassa
- experience
- kokevat
- tutkia
- tutkitaan
- Tutkiminen
- ulottuu
- uute
- Kasvot
- kohtasi
- paljon
- nopeampi
- Fed
- harvat
- filee
- Asiakirjat
- lopullinen
- Vihdoin
- Löytää
- löytäminen
- Etunimi
- sovittaa
- Joustavuus
- Keskittää
- seurata
- jälkeen
- varten
- muoto
- perusta
- alkaen
- koko
- täysin
- toiminto
- Lisäksi
- tulevaisuutta
- Saada
- general
- tuottaa
- syntyy
- tuottaa
- saada
- saada
- Antaa
- tietty
- Antaminen
- Go
- Googlen
- GPU
- suuri
- suurempi
- taattu
- Olla
- he
- terveys
- terveydenhuollon
- sydän
- auttaa
- hänen
- hotellit
- Miten
- Miten
- HTML
- http
- HTTPS
- Napa
- HalaaKasvot
- ihanteellinen
- if
- Imaging
- toteuttaa
- täytäntöönpano
- täytäntöönpanosta
- tuoda
- tärkeä
- parantaa
- in
- perusteellinen
- sisältää
- sisältää
- Mukaan lukien
- itsenäinen
- teollisuuden
- teollisuus
- tiedot
- tietoa
- ensimmäinen
- panos
- tuloa
- oivalluksia
- esimerkki
- ohjeet
- integraatio
- Älykkyys
- tulee
- aiheuttaa
- IT
- SEN
- Job
- json
- vain
- Tietää
- tuntemus
- laboratorio
- Labs
- Landschaft
- Kieli
- suuri
- Sukunimi
- myöhemmin
- johtaa
- johtava
- Liidit
- OPPIA
- oppiminen
- vasemmalle
- Kirjasto
- pitää
- OTK
- kuormitus
- lastaus
- sijainti
- logiikka
- katso
- menettää
- pois
- kone
- koneoppiminen
- tehty
- ylläpitää
- tehdä
- Tekeminen
- hoitaa
- onnistui
- johto
- kartta
- Marketing
- Saattaa..
- tarkoittaa
- lääketieteellinen
- Tavata
- Muisti
- tapasi
- menetelmä
- ehkä
- minimi
- minuuttia
- ML
- malli
- mallit
- Moduulit
- lisää
- eniten
- Suosituin
- moninkertainen
- nimetty
- Luonnollinen
- Luonnollinen kielen käsittely
- Navigoida
- Tarve
- tarpeet
- Uusi
- New York
- hiljattain
- seuraava
- NLP
- Nro
- muistikirja
- Huomautuksia
- nyt
- numero
- objekti
- esineet
- of
- kampanja
- tarjotaan
- Tarjoukset
- Vanha
- on
- ONE
- yhdet
- puhkeaminen
- päälle
- avata
- avoimen lähdekoodin
- käyttää
- optimointi
- Optimoida
- optimoitu
- optimoimalla
- Vaihtoehto
- Vaihtoehdot
- or
- tilata
- organisaatioiden
- alkuperäinen
- Muut
- muuten
- meidän
- ulos
- ulostulo
- ulkopuolella
- yli
- oma
- omistus
- paketti
- pakkaus
- sivulla
- Kipu
- parametri
- parametrit
- erityinen
- kulkea
- Ohimenevä
- potilas
- potilaat
- Pegasus
- Pennsylvania
- suorituskyky
- liittyvät
- lausekkeet
- foorumi
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- Kohta
- Suosittu
- Kirje
- voimakas
- Virran
- harjoitusta.
- Predictor
- mieluummin
- Valmistella
- valmis
- esittää
- paine
- preview
- aiemmin
- pääasiallisesti
- prosessi
- Prosessit
- käsittely
- valmistettu
- ammatillinen
- ammattilaiset
- hankkeet
- lupaus
- patentoitu
- PROS
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- säännös
- tarkoitus
- tarkoituksiin
- laittaa
- Python
- laatu
- nopea
- nopeasti
- alue
- nopeasti
- hinta
- Lukeminen
- valmis
- todellinen maailma
- asiakirjat
- merkityksellinen
- helpotus
- poistaa
- Raportit
- edellyttää
- tarvitaan
- vaatimukset
- Vaatii
- tutkimus
- Esittelymateriaalit
- vastaus
- tulokset
- Tuotto
- arviot
- Rooli
- ajaa
- juoksu
- toimii
- sagemaker
- sama
- Säästä
- skaalautuvuus
- skaalautuva
- laajuus
- raapia
- sdk
- sdks
- saumaton
- osiot
- turvallisuus
- nähdä
- erillinen
- palvelu
- Palvelut
- setti
- asetus
- settings
- useat
- lyhennetty
- shouldnt
- näyttää
- esitetty
- Näytä
- sammutetaan
- Seuloa
- merkittävä
- merkittävästi
- samankaltainen
- Yksinkertainen
- yksinkertaistettu
- Koko
- So
- niin kaukana
- Tuotteemme
- ratkaisu
- Ratkaisumme
- jonkin verran
- jotain
- Lähteet
- erityinen
- erityisesti
- käytetty
- Alkaa
- Aloita
- Osavaltio
- huippu-
- Askeleet
- Levytila
- verkkokaupasta
- tallennettu
- tallentamiseksi
- virtaviivaistaminen
- rakenne
- studio
- kielen alle
- Onnistuneesti
- niin
- äkillinen
- Puku
- sopiva
- YHTEENVETO
- varma
- oireet
- tiivistelmä
- synteettinen
- synteettinen data
- järjestelmät
- taulukko
- ottaa
- otettava
- vie
- Tehtävä
- tehtävät
- tekniikat
- terminologia
- ehdot
- testi
- kuin
- että
- -
- keskus
- Niitä
- sitten
- Nämä
- ne
- tätä
- ne
- kolmella
- Kautta
- kauttaaltaan
- aika
- aikaavievä
- kertaa
- että
- tämän päivän
- yhdessä
- tokenized
- tokens
- työkalut
- taskulamppu
- Yhteensä
- Juna
- koulutettu
- koulutus
- transformoitu
- muuntaja
- muuntajat
- Matkustaminen
- kaksi
- tyyppi
- tyypit
- tyypillisesti
- ui
- Lopulta
- kykenemätön
- varten
- ymmärtää
- ymmärtäminen
- Päivitykset
- ladattu
- us
- käyttää
- käyttölaukku
- käytetty
- helppokäyttöinen
- käyttötarkoituksiin
- käyttämällä
- Hyödyntämällä
- validointi
- arvot
- eri
- valtava
- myyjät
- monipuolinen
- versio
- hyvin
- volyymit
- haluta
- oli
- we
- Rikkaus
- verkko
- verkkopalvelut
- punnita
- HYVIN
- Mitä
- kun
- joka
- vaikka
- leveä
- Laaja valikoima
- tulee
- with
- ilman
- sanoja
- Referenssit
- työskentely
- toimii
- olisi
- kirjoittaminen
- vuosi
- york
- Voit
- Sinun
- zephyrnet
- Postinumero