Tämä viesti on kirjoitettu yhdessä Chaoyang He:n, Al Nevarezin ja Salman Avestimehrin kanssa FedML:stä.
Monet organisaatiot ottavat käyttöön koneoppimista (ML) parantaakseen liiketoiminnan päätöksentekoaan automatisoinnin ja suurten hajautettujen tietojoukkojen käytön avulla. Paremman tiedonsaannin ansiosta ML voi tarjota vertaansa vailla olevia oivalluksia ja mahdollisuuksia liiketoimintaan. Raakojen, puhdistamattomien arkaluontoisten tietojen jakaminen eri paikoissa aiheuttaa kuitenkin merkittäviä turvallisuus- ja yksityisyysriskejä erityisesti säännellyillä aloilla, kuten terveydenhuolto.
Tämän ongelman ratkaisemiseksi Federated learning (FL) on hajautettu ja yhteistoiminnallinen ML-koulutustekniikka, joka tarjoaa tietojen yksityisyyden säilyttäen samalla tarkkuuden ja tarkkuuden. Toisin kuin perinteinen ML-harjoittelu, FL-harjoittelu tapahtuu eristetyssä asiakaspaikassa käyttämällä itsenäistä suojattua istuntoa. Asiakas jakaa vain tulosmallinsa parametrit keskitetyn palvelimen, joka tunnetaan nimellä koulutuskoordinaattori tai aggregointipalvelin, kanssa, ei todellisia tietoja, joita mallin harjoittamiseen käytetään. Tämä lähestymistapa lieventää monia tietosuojaongelmia ja mahdollistaa tehokkaan yhteistyön mallikoulutuksessa.
Vaikka FL on askel kohti parempaa tietosuojaa ja turvallisuutta, se ei ole taattu ratkaisu. Turvattomat verkot, joista puuttuu pääsynhallinta ja salaus, voivat silti paljastaa arkaluonteisia tietoja hyökkääjille. Lisäksi paikallisesti koulutetut tiedot voivat paljastaa yksityisiä tietoja, jos ne rekonstruoidaan johtopäätöshyökkäyksen avulla. Näiden riskien vähentämiseksi FL-malli käyttää henkilökohtaisia harjoitusalgoritmeja sekä tehokasta peittämistä ja parametrointia ennen tietojen jakamista koulutuskoordinaattorin kanssa. Vahva verkon ohjaus paikallisissa ja keskitetyissä paikoissa voi entisestään vähentää päättely- ja suodattumisriskejä.
Tässä viestissä jaamme FL-lähestymistavan FedML, Amazonin elastisten kuberneettien palvelu (Amazon EKS) ja Amazon Sage Maker parantaa potilaiden tuloksia samalla kun puututaan tietosuojaan ja tietoturvaan liittyviin huolenaiheisiin.
Liittyneen oppimisen tarve terveydenhuollossa
Terveydenhuolto on vahvasti riippuvainen hajautetuista tietolähteistä tehdäkseen tarkkoja ennusteita ja arvioita potilaiden hoidosta. Käytettävissä olevien tietolähteiden rajoittaminen yksityisyyden suojaamiseksi vaikuttaa negatiivisesti tulosten tarkkuuteen ja viime kädessä potilaan hoidon laatuun. Siksi ML luo haasteita AWS-asiakkaille, joiden on varmistettava yksityisyys ja tietoturva hajautettujen entiteettien välillä vaarantamatta potilaiden tuloksia.
Terveydenhuoltoorganisaatioiden on noudatettava tiukkoja säännöksiä, kuten sairausvakuutuksen siirrettävyys ja vastuullisuuslaki (HIPAA) Yhdysvalloissa, kun ne toteuttavat FL-ratkaisuja. Tietosuojan, turvallisuuden ja vaatimustenmukaisuuden varmistaminen tulee entistä kriittisemmäksi terveydenhuollossa, mikä edellyttää vahvaa salausta, pääsyn valvontaa, auditointimekanismeja ja suojattuja viestintäprotokollia. Lisäksi terveydenhuollon tietojoukot sisältävät usein monimutkaisia ja heterogeenisia tietotyyppejä, mikä tekee tietojen standardoinnista ja yhteentoimivuudesta haasteita FL-asetuksissa.
Käytä tapauskatsausta
Tässä viestissä hahmoteltu käyttötapaus koskee sydänsairaustietoja eri organisaatioissa, joiden pohjalta ML-malli käyttää luokittelualgoritmeja ennustaakseen potilaan sydänsairauksia. Koska nämä tiedot ovat eri organisaatioiden välillä, käytämme havaintojen yhdistämiseen yhdistettyä oppimista.
- Sydäntauti-tietojoukko Kalifornian yliopiston Irvine's Machine Learning Repository on laajalti käytetty tietojoukko sydän- ja verisuonitutkimukseen ja ennustavaan mallinnukseen. Se koostuu 303 näytteestä, joista jokainen edustaa potilasta, ja sisältää yhdistelmän kliinisiä ja demografisia ominaisuuksia sekä sydänsairauden olemassaoloa tai puuttumista.
Tässä monimuuttujatietojoukossa on 76 attribuuttia potilastiedoissa, joista 14 attribuuttia käytetään yleisimmin kehitettäessä ja arvioitaessa ML-algoritmeja sydänsairauksien esiintymisen ennustamiseksi annettujen attribuuttien perusteella.
FedML-kehys
FL-kehysten valikoima on laaja, mutta päätimme käyttää FedML-kehys tähän käyttötapaukseen, koska se on avoimen lähdekoodin ja tukee useita FL-paradigmoja. FedML tarjoaa suositun avoimen lähdekoodin kirjaston, MLOps-alustan ja sovellusekosysteemin FL:lle. Nämä helpottavat FL-ratkaisujen kehittämistä ja käyttöönottoa. Se tarjoaa kattavan valikoiman työkaluja, kirjastoja ja algoritmeja, joiden avulla tutkijat ja alan ammattilaiset voivat toteuttaa ja kokeilla FL-algoritmeja hajautetussa ympäristössä. FedML vastaa tietosuojan, viestinnän ja mallien yhdistämisen haasteisiin FL:ssä tarjoamalla käyttäjäystävällisen käyttöliittymän ja mukautettavia komponentteja. FedML keskittyy yhteistyöhön ja tiedon jakamiseen ja pyrkii nopeuttamaan FL:n käyttöönottoa ja edistämään innovaatioita tällä nousevalla alalla. FedML-kehys on malliagnostikko, mukaan lukien äskettäin lisätty tuki suurille kielimalleille (LLM). Lisätietoja on kohdassa FedLLM:n julkaiseminen: Rakenna omia suuria kielimallejasi omistusoikeudellisille tiedoille käyttämällä FedML-alustaa.
FedML Octopus
Järjestelmähierarkia ja heterogeenisuus ovat keskeinen haaste todellisissa FL-käyttötapauksissa, joissa eri tietosiiloissa voi olla erilainen infrastruktuuri prosessorin ja grafiikkasuorittimen kanssa. Tällaisissa skenaarioissa voit käyttää FedML Octopus.
FedML Octopus on cross-silo FL:n teollisuustason alusta organisaatioiden ja tilien väliseen koulutukseen. Yhdessä FedML MLOps:ien kanssa se antaa kehittäjille tai organisaatioille mahdollisuuden tehdä avointa yhteistyötä mistä tahansa ja missä tahansa mittakaavassa turvallisesti. FedML Octopus käyttää hajautettua koulutusparadigmaa jokaisessa tietosiilossa ja käyttää synkronisia tai asynkronisia harjoituksia.
FedML MLOps
FedML MLOps mahdollistaa koodin paikallisen kehittämisen, joka voidaan myöhemmin ottaa käyttöön missä tahansa FedML-kehysten avulla. Ennen koulutuksen aloittamista sinun on luotava FedML-tili sekä luotava ja ladattava palvelin- ja asiakaspaketit FedML Octopusissa. Katso lisätietoja osoitteesta vaiheet ja Esittelyssä FedML Octopus: yhdistetyn oppimisen skaalaaminen tuotantoon yksinkertaistetuilla MLO:illa.
Ratkaisun yleiskatsaus
Käytämme FedML:ää useisiin SageMakeriin integroituihin EKS-klustereihin kokeilujen seurantaa varten. Käytämme Amazon EKS -piirustukset Terraformille tarvittavan infrastruktuurin käyttöönottamiseksi. EKS Blueprints auttaa muodostamaan täydellisiä EKS-klustereita, jotka on täysin bootstrapped käyttöohjelmistolla, jota tarvitaan työkuormien käyttöönottoon ja käyttämiseen. EKS Blueprintsin avulla EKS-ympäristön halutun tilan, kuten ohjaustason, työntekijäsolmujen ja Kubernetes-lisäosien konfiguraatio kuvataan infrastruktuurina koodin (IaC) suunnitelmana. Kun suunnitelma on määritetty, sitä voidaan käyttää johdonmukaisten ympäristöjen luomiseen useille AWS-tileille ja -alueille jatkuvan käyttöönottoautomaation avulla.
Tässä viestissä jaettu sisältö heijastaa tosielämän tilanteita ja kokemuksia, mutta on tärkeää huomata, että näiden tilanteiden leviäminen eri paikoissa voi vaihdella. Vaikka käytämme yhtä AWS-tiliä erillisillä VPC:illä, on tärkeää ymmärtää, että yksittäiset olosuhteet ja kokoonpanot voivat vaihdella. Sen vuoksi annettuja tietoja tulee käyttää yleisohjeina, ja ne saattavat vaatia mukauttamista erityisvaatimusten ja paikallisten olosuhteiden perusteella.
Seuraava kaavio kuvaa ratkaisuarkkitehtuuriamme.
FedML MLOpsin jokaiselle harjoitusajolle tarjoaman seurannan lisäksi käytämme Amazon SageMaker -kokeilut seurata kunkin asiakasmallin ja keskitetyn (aggregaattori) mallin suorituskykyä.
SageMaker Experiments on SageMakerin ominaisuus, jonka avulla voit luoda, hallita, analysoida ja vertailla ML-kokeitasi. Tallentamalla kokeen yksityiskohdat, parametrit ja tulokset tutkijat voivat toistaa ja validoida työnsä tarkasti. Se mahdollistaa erilaisten lähestymistapojen tehokkaan vertailun ja analyysin, mikä johtaa tietoiseen päätöksentekoon. Lisäksi kokeiden seuranta helpottaa iteratiivista parantamista tarjoamalla näkemyksiä mallien etenemisestä ja mahdollistamalla tutkijoiden oppimisen aikaisemmista iteraatioista, mikä nopeuttaa viime kädessä tehokkaampien ratkaisujen kehitystä.
Lähetämme seuraavat tiedot SageMaker Experimentsille jokaisesta ajosta:
- Mallin arviointimittarit – Harjoitteluhäviö ja käyrän alla oleva pinta-ala (AUC)
- hyperparametrien – Epoch, oppimisnopeus, eräkoko, optimointi ja painon lasku
Edellytykset
Jotta voit seurata tätä viestiä, sinulla tulee olla seuraavat edellytykset:
Ota ratkaisu käyttöön
Aloita kloonaamalla näytekoodia isännöivä arkisto paikallisesti:
Ota sitten käyttötapausinfrastruktuuri käyttöön seuraavilla komennoilla:
Terraform-mallin käyttöönotto voi kestää 20–30 minuuttia. Kun se on otettu käyttöön, suorita FL-sovellus seuraavien osien ohjeiden mukaan.
Luo MLOps-asennuspaketti
Osana FedML-dokumentaatiota meidän on luotava asiakas- ja palvelinpaketit, jotka MLOps-alusta jakaa palvelimelle ja asiakkaille koulutuksen aloittamiseksi.
Luo nämä paketit suorittamalla seuraava komentosarja, joka löytyy juurihakemistosta:
Tämä luo vastaavat paketit seuraavaan hakemistoon projektin juurihakemistossa:
Lataa paketit FedML MLOps -alustalle
Lataa paketit suorittamalla seuraavat vaiheet:
- Valitse FedML-käyttöliittymässä Omat sovellukset navigointipaneelissa.
- Valita Uusi sovellus.
- Lataa asiakas- ja palvelinpaketit työasemaltasi.
- Voit myös säätää hyperparametreja tai luoda uusia.
Käynnistä liittokoulutus
Suorita yhdistetty koulutus suorittamalla seuraavat vaiheet:
- Valitse FedML-käyttöliittymässä Projektiluettelo navigointipaneelissa.
- Valita Luo uusi projekti.
- Anna ryhmän nimi ja projektin nimi ja valitse sitten OK.
- Valitse juuri luotu projekti ja valitse Luo uusi ajo käynnistää harjoituslenkin.
- Valitse reuna-asiakaslaitteet ja keskuskoontipalvelin tätä harjoittelua varten.
- Valitse sovellus, jonka loit edellisissä vaiheissa.
- Päivitä mikä tahansa hyperparametri tai käytä oletusasetuksia.
- Valita Aloita aloittaa harjoittelu.
- Valitse harjoittelun tila -välilehteä ja odota, että harjoitus päättyy. Voit myös navigoida käytettävissä oleviin välilehtiin.
- Kun koulutus on suoritettu, valitse järjestelmä -välilehti nähdäksesi harjoitusajan kestot reunapalvelimillasi ja koontitapahtumat.
Katso tulokset ja kokeilun tiedot
Kun koulutus on suoritettu, voit tarkastella tuloksia FedML:n ja SageMakerin avulla.
FedML-käyttöliittymässä Mallit -välilehti, näet kokoajan ja asiakasmallin. Voit myös ladata nämä mallit verkkosivustolta.
Voit myös kirjautua sisään Amazon SageMaker Studio Ja valitse Kokeilut navigointipaneelissa.
Seuraava kuvakaappaus näyttää kirjatut kokeet.
Kokeilun seurantakoodi
Tässä osiossa tutkimme koodia, joka integroi SageMaker-kokeilun seurannan FL-kehyskoulutukseen.
Avaa seuraava kansio valitsemassasi muokkausohjelmassa nähdäksesi koodin muokkaukset SageMaker-kokeilun seurantakoodin lisäämiseksi osana koulutusta:
Harjoittelun seurantaa varten me Luo SageMaker-kokeilu parametreilla ja mittareilla, jotka on kirjattu käyttämällä log_parameter
ja log_metric
komento seuraavan koodiesimerkin mukaisesti.
Sisäänkirjaus config/fedml_config.yaml
tiedosto ilmoittaa kokeilun etuliitteen, johon viitataan koodissa yksilöllisten kokeilujen nimien luomiseksi: sm_experiment_name: "fed-heart-disease"
. Voit päivittää tämän mihin tahansa valitsemaasi arvoon.
Katso esimerkiksi seuraava koodi heart_disease_trainer.py
, jota jokainen asiakas käyttää mallin kouluttamiseen omalla tietojoukollaan:
Jokaisen asiakasajon kokeen tietoja seurataan käyttämällä seuraavaa koodia osoitteessa heart_disease_trainer.py:
Vastaavasti voit käyttää koodia sisään heart_disease_aggregator.py
suorittaa testin paikallisille tiedoille mallin painojen päivittämisen jälkeen. Tiedot kirjataan lokiin jokaisen asiakasviestinnän jälkeen.
Puhdistaa
Kun olet valmis ratkaisun kanssa, muista puhdistaa käytetyt resurssit varmistaaksesi tehokkaan resurssien käytön ja kustannusten hallinnan sekä välttääksesi turhat kulut ja resurssien tuhlauksen. Ympäristön aktiivinen siivoaminen, kuten käyttämättömien tapausten poistaminen, tarpeettomien palvelujen pysäyttäminen ja tilapäisten tietojen poistaminen, edistävät puhdasta ja organisoitua infrastruktuuria. Voit käyttää seuraavaa koodia resurssien puhdistamiseen:
Yhteenveto
Käyttämällä Amazon EKS:ää infrastruktuurina ja FedML:ää FL:n viitekehyksenä pystymme tarjoamaan skaalautuvan ja hallitun ympäristön koulutukseen ja jaettujen mallien käyttöönottoon tietosuojaa kunnioittaen. FL:n hajautetun luonteen ansiosta organisaatiot voivat tehdä yhteistyötä turvallisesti, hyödyntää hajautetun tiedon potentiaalia ja parantaa ML-malleja vaarantamatta tietojen yksityisyyttä.
Kuten aina, AWS ottaa palautetta vastaan. Jätä ajatuksesi ja kysymyksesi kommenttiosioon.
Tietoja Tekijät
Randy DeFauw on AWS:n vanhempi ratkaisuarkkitehti. Hän on suorittanut MSEE-tutkinnon Michiganin yliopistosta, jossa hän työskenteli autonomisten ajoneuvojen tietokonenäön parissa. Hän on myös suorittanut MBA-tutkinnon Colorado State Universitystä. Randy on toiminut erilaisissa tehtävissä teknologia-alalla ohjelmistosuunnittelusta tuotehallintaan. Hän astui big data-avaruuteen vuonna 2013 ja jatkaa sen tutkimista. Hän työskentelee aktiivisesti projekteissa ML-tilassa ja on esiintynyt lukuisissa konferensseissa, mukaan lukien Strata ja GlueCon.
Arnab Sinha on AWS:n vanhempi ratkaisuarkkitehti, joka toimii Field CTO:na auttamaan organisaatioita suunnittelemaan ja rakentamaan skaalautuvia ratkaisuja, jotka tukevat liiketoimintatuloksia palvelinkeskusten siirtymisessä, digitaalisessa muuntamisessa ja sovellusten modernisoinnissa, big datassa ja koneoppimisessa. Hän on tukenut asiakkaita useilla toimialoilla, mukaan lukien energia, vähittäiskauppa, valmistus, terveydenhuolto ja biotieteet. Arnabilla on kaikki AWS-sertifikaatit, mukaan lukien ML Specialty -sertifikaatti. Ennen AWS:lle tuloaan Arnab oli teknologiajohtaja ja toimi aiemmin arkkitehdin ja insinöörin johtotehtävissä.
Prachi Kulkarni on AWS:n vanhempi ratkaisuarkkitehti. Hänen erikoisalansa on koneoppiminen, ja hän työskentelee aktiivisesti ratkaisujen suunnittelussa käyttämällä erilaisia AWS ML-, big data- ja analytiikan tarjouksia. Prachilla on kokemusta useilta aloilta, mukaan lukien terveydenhuolto, edut, vähittäiskauppa ja koulutus, ja hän on työskennellyt useissa tehtävissä tuotesuunnittelussa ja arkkitehtuurissa, johtamisessa ja asiakkaiden menestyksessä.
Tamer Sherif on AWS:n pääratkaisuarkkitehti, jolla on monipuolinen tausta teknologian ja yrityskonsultointipalvelujen alalla. Hän on toiminut ratkaisuarkkitehdina yli 17 vuotta. Infrastruktuuriin keskittyen Tamerin asiantuntemus kattaa laajan kirjon toimialaa, mukaan lukien kaupallinen, terveydenhuolto, autoteollisuus, julkinen sektori, valmistus, öljy ja kaasu, mediapalvelut ja paljon muuta. Hänen pätevyytensä ulottuu useille eri aloille, kuten pilviarkkitehtuuriin, reunalaskentaan, verkkoon, tallennustilaan, virtualisointiin, liiketoiminnan tuottavuuteen ja tekniseen johtajuuteen.
Hans Nesbitt on vanhempi ratkaisuarkkitehti AWS:ssä Etelä-Kaliforniassa. Hän työskentelee Yhdysvaltojen länsiosissa olevien asiakkaiden kanssa luodakseen erittäin skaalautuvia, joustavia ja joustavia pilviarkkitehtuureja. Vapaa-ajallaan hän viettää aikaa perheen kanssa, ruoanlaittoa ja kitaransoittoa.
Chaoyang He on FedML, Inc:n perustaja ja teknologiajohtaja, startup, joka pyrkii rakentamaan avointa ja yhteistyöhön perustuvaa tekoälyä mistä tahansa ja missä tahansa mittakaavassa. Hänen tutkimuksensa keskittyy hajautettuihin ja yhdistettyihin koneoppimisalgoritmeihin, järjestelmiin ja sovelluksiin. Hän valmistui tietojenkäsittelytieteen tohtoriksi Etelä-Kalifornian yliopistosta.
Al Nevarez on FedML:n tuotehallinnan johtaja. Ennen FedML:ää hän oli Googlen ryhmätuotepäällikkö ja LinkedInin datatieteen vanhempi johtaja. Hänellä on useita datatuotteisiin liittyviä patentteja, ja hän opiskeli insinöörinä Stanfordin yliopistossa.
Salman Avestimehr on FedML:n perustaja ja toimitusjohtaja. Hän on toiminut dekaanin professorina USC:ssä, USC-Amazon Center on Trustworthy AI:n johtaja ja Amazon Scholar Alexa AI:ssä. Hän on hajautetun ja hajautetun koneoppimisen, tietoteorian, turvallisuuden ja yksityisyyden asiantuntija. Hän on IEEE:n stipendiaatti ja suoritti tohtorin tutkinnon EECS:stä UC Berkeleystä.
Samir Lad on AWS:n taitava yritysteknologi, joka työskentelee läheisessä yhteistyössä asiakkaiden C-tason johtajien kanssa. Entisenä C-suite-johtajana, joka on ajanut muutoksia useissa Fortune 100 -yrityksissä, Samir jakaa arvokkaat kokemuksensa auttaakseen asiakkaitaan menestymään omalla muutosmatkallaan.
Stephen Kraemer on AWS:n hallituksen ja CxO:n neuvonantaja ja entinen johtaja. Stephen kannattaa kulttuuria ja johtajuutta menestyksen perustana. Hän tunnustaa turvallisuuden ja innovaation pilvimuutoksen ajureiksi, mikä mahdollistaa erittäin kilpailukykyiset, datavetoiset organisaatiot.
- 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/federated-learning-on-aws-using-fedml-amazon-eks-and-amazon-sagemaker/
- :on
- :On
- :ei
- :missä
- $ YLÖS
- 10
- 100
- 14
- 154
- 17
- 20
- 2013
- 247
- 300
- 7
- a
- pystyy
- Meistä
- poissaolo
- kiihdyttää
- kiihtyvä
- pääsy
- Tietojen saatavuus
- Suoritetut
- Tili
- vastuullisuutta
- Tilit
- tarkkuus
- tarkka
- tarkasti
- saavuttamisessa
- poikki
- Toimia
- toimiva
- aktiivinen
- aktiivisesti
- todellinen
- sovitus
- lisätä
- lisä-
- Lisäksi
- Lisäksi
- osoite
- osoitteet
- käsitellään
- säätää
- Hyväksyminen
- neuvonantaja
- kannattaa
- Jälkeen
- aggregaatti
- Kerääjä
- AI
- tavoitteet
- AL
- Alexa
- algoritmit
- Kaikki
- mahdollistaa
- pitkin
- Myös
- Vaikka
- aina
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- an
- analyysi
- Analytics
- analysoida
- ja
- Kaikki
- kaikkialla
- Hakemus
- sovellukset
- lähestymistapa
- lähestymistavat
- arkkitehtuuri
- arkkitehtuurit
- OVAT
- ALUE
- AS
- arvioinnit
- At
- hyökkäys
- attribuutteja
- ei mitään
- tilintarkastus
- Automaatio
- Automotive
- autonominen
- autonomiset ajoneuvot
- saatavissa
- välttää
- AWS
- tausta
- perustua
- BE
- koska
- tulee
- ollut
- ennen
- alkaa
- Hyödyt
- Berkeley
- Paremmin
- Iso
- Big Data
- suunnitelma
- hallitus
- laaja
- rakentaa
- Rakentaminen
- liiketoiminta
- mutta
- by
- C-sarja
- Kalifornia
- CAN
- valmiudet
- joka
- tapaus
- tapauksissa
- keskus
- keskeinen
- keskitetty
- toimitusjohtaja
- Certification
- sertifikaatit
- haaste
- haasteet
- valinta
- Valita
- olosuhteet
- luokittelu
- puhdas
- asiakas
- asiakkaat
- Kliininen
- tarkasti
- pilvi
- Perustaja
- koodi
- tehdä yhteistyötä
- yhteistyö
- yhteistyöhön
- Colorado
- yhdistelmä
- kommentit
- kaupallinen
- yleisesti
- Viestintä
- yhteisö
- yhteisö rakennus
- Yritykset
- verrata
- vertailu
- kilpailukykyinen
- täydellinen
- monimutkainen
- noudattaminen
- osat
- kattava
- vaarantamatta
- tietokone
- Tietojenkäsittelyoppi
- Tietokoneen visio
- tietojenkäsittely
- huolenaiheet
- olosuhteet
- Suorittaa
- konferenssit
- Konfigurointi
- määritetty
- johdonmukainen
- muodostuu
- konsultointi
- sisältää
- sisältää
- pitoisuus
- jatkuu
- jatkuva
- vaikuttaa omalta
- ohjaus
- valvonta
- Koordinaattori
- Hinta
- Kulujen hallinta
- kytketty
- Covers
- veneet
- luoda
- luotu
- luo
- kriittinen
- ratkaiseva
- CTO
- Kulttuuri
- käyrä
- asiakas
- Asiakkaan menestys
- Asiakkaat
- muokattavissa
- CXO
- tiedot
- Data Center
- Tietosuoja
- Tietosuoja ja tietoturva
- tietojenkäsittely
- data-driven
- aineistot
- hajautettu
- päätti
- Päätöksenteko
- julistaa
- oletusarvo
- demografiset
- sijoittaa
- käyttöön
- levityspinnalta
- käyttöönotto
- on kuvattu
- Malli
- suunnittelu
- haluttu
- tuhota
- yksityiskohdat
- dev
- kehittäjille
- kehittämällä
- Kehitys
- laite
- Laitteet
- kaavio
- erota
- eri
- digitaalinen
- Digital Transformation
- Johtaja
- hakemisto
- Sairaus
- jakaa
- jaettu
- hajautettu koulutus
- useat
- dokumentointi
- verkkotunnuksia
- tehty
- download
- ajaa
- ajanut
- kuljettajat
- kukin
- ekosysteemi
- reuna
- reunan tietojenkäsittely
- toimittaja
- koulutus
- Tehokas
- tehokas
- syntymässä
- mahdollistaa
- mahdollistaa
- mahdollistaa
- salaus
- energia
- Tekniikka
- parantaa
- varmistaa
- varmistamalla
- astui sisään
- yritys
- yksiköt
- merkintä
- ympäristö
- ympäristöissä
- aikakausi
- aikakausia
- erityisesti
- arviointiin
- arviointi
- Jopa
- Tapahtumat
- esimerkki
- johtaja
- johtajat
- suodatus
- kulut
- experience
- Elämykset
- kokeilu
- kokeiluja
- asiantuntija
- asiantuntemus
- tutkia
- ulottuu
- helpottamaan
- Helpottaa
- perhe
- Federated
- palaute
- kaveri
- tarkkuus
- ala
- filee
- tulokset
- joustava
- Keskittää
- keskittyy
- seurata
- jälkeen
- varten
- Entinen
- rikkaus
- löytyi
- Perustukset
- Puitteet
- puitteet
- alkaen
- täysin
- toiminto
- edelleen
- GAS
- general
- GitHub
- tietty
- GPU
- Ryhmä
- taattu
- ohjaavat
- Olla
- he
- terveys
- sairausvakuutus
- terveydenhuollon
- sydän
- Sydänsairaus
- raskaasti
- sankari
- auttaa
- auttaa
- hänen
- hierarkia
- erittäin
- hänen
- pitää
- hotellit
- Kuitenkin
- HTML
- HTTPS
- i
- IEEE
- if
- havainnollistaa
- toteuttaa
- täytäntöönpanosta
- tärkeä
- parantaa
- parannus
- in
- Inc.
- Mukaan lukien
- kasvoi
- itsenäinen
- henkilökohtainen
- teollisuuden
- teollisuus
- tiedot
- tietoa
- Infrastruktuuri
- pistää
- Innovaatio
- turvaton
- sisällä
- oivalluksia
- vakuutus
- integroitu
- integroi
- liitäntä
- Interoperability
- tulee
- korvaamaton
- yksittäinen
- kysymys
- IT
- toistojen
- SEN
- tuloaan
- matka
- jpeg
- jpg
- avain
- tuntemus
- tunnettu
- puuttuva
- Kieli
- suuri
- myöhemmin
- johtaja
- Johto
- johtava
- OPPIA
- oppiminen
- jättää
- Lets
- kirjastot
- Kirjasto
- elämä
- Life Sciences
- rajoittamalla
- paikallinen
- paikallisesti
- sijainti
- sijainnit
- log
- kirjattu
- pois
- kone
- koneoppiminen
- ylläpitäminen
- tehdä
- Tekeminen
- hoitaa
- onnistui
- johto
- johtaja
- tapa
- valmistus
- monet
- Saattaa..
- mekanismit
- Media
- Metrics
- Michigan
- minuuttia
- lieventää
- ML
- MLOps
- malli
- mallintaminen
- mallit
- Moduulit
- lisää
- eniten
- moninkertainen
- täytyy
- nimi
- nimet
- luonto
- Navigoida
- suunnistus
- Tarve
- tarvitaan
- negatiivisesti
- verkko
- verkostoituminen
- verkot
- Uusi
- hiljattain
- seuraava
- solmut
- huomata
- useat
- of
- tarjoamalla
- tarjoukset
- Tarjoukset
- usein
- Öljy
- Öljy ja kaasu
- on
- yhdet
- vain
- avata
- avoimen lähdekoodin
- käyttää
- toiminta-
- Mahdollisuudet
- or
- organisaatioiden
- Järjestetty
- meidän
- ulos
- tuloksiin
- hahmoteltu
- ulostulo
- yli
- oma
- paketit
- lasi
- paradigma
- paradigmat
- parametrit
- osa
- Ohimenevä
- Patentit
- potilas
- suorituskyky
- yksilöllinen
- phd
- kone
- foorumi
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Ole hyvä
- Suosittu
- siirrettävyys
- aiheuttaa
- kantoja
- Kirje
- mahdollinen
- ennustaa
- Ennusteet
- edellytyksiä
- läsnäolo
- esitetty
- edellinen
- aiemmin
- Pääasiallinen
- Aikaisempi
- yksityisyys
- Tietosuoja ja turvallisuus
- yksityinen
- Tuotteet
- tuotehallinta
- tuotepäällikkö
- tuotanto
- tuottavuus
- Opettaja
- eteneminen
- projekti
- hankkeet
- patentoitu
- suojella
- protokollat
- toimittaa
- mikäli
- tarjoaa
- tarjoamalla
- julkinen
- laatu
- kysymykset
- alue
- alainen
- sijoitus
- hinta
- raaka
- valtakunta
- sai
- äskettäin
- äänitys
- vähentää
- katso
- viitattu
- heijastaa
- alueet
- säännelty
- säännellyillä teollisuudenaloilla
- määräykset
- vetoaa
- poistamalla
- säilytyspaikka
- edustavat
- edellyttää
- tarvitaan
- vaatimukset
- tutkimus
- Tutkijat
- kimmoisa
- resurssi
- Esittelymateriaalit
- kunnioittaen
- ne
- johtua
- tulokset
- vähittäiskauppa
- riskit
- luja
- roolit
- juuri
- kierros
- ajaa
- juoksu
- toimii
- sagemaker
- Salman
- näyte
- skaalautuva
- Asteikko
- skaalaus
- skenaariot
- tutkija
- tiede
- tieteet
- käsikirjoitus
- Osa
- osiot
- sektori
- turvallinen
- turvallisesti
- turvallisuus
- nähdä
- valinta
- lähettää
- vanhempi
- sensible
- erillinen
- palvelin
- servers
- Palvelut
- Istunto
- settings
- useat
- Jaa:
- yhteinen
- osakkeet
- jakaminen
- hän
- shouldnt
- Näytä
- merkittävä
- siilot
- yksinkertaistettu
- single
- tilanteita
- Koko
- Tuotteemme
- ohjelmistotuotanto
- ratkaisu
- Ratkaisumme
- lähde
- Lähteet
- Eteläinen
- Tila
- jännitys
- Erikoisuus
- erityinen
- spektri
- menot
- standardointi
- Stanford
- Stanfordin yliopisto
- Alkaa
- käynnistyksen
- Osavaltio
- Valtiot
- Vaihe
- Stephen
- Askeleet
- Yhä
- pysäyttäminen
- Levytila
- Tiukka
- vahva
- tutkittu
- menestyä
- menestys
- niin
- sviitti
- tuki
- Tuetut
- Tukea
- Tukee
- varma
- järjestelmät
- ottaa
- Tekninen
- tekniikka
- teknologi
- Elektroniikka
- sapluuna
- tilapäinen
- terraform
- testi
- että
- -
- tiedot
- heidän
- sitten
- teoria
- siksi
- Nämä
- tätä
- Kautta
- aika
- että
- työkalut
- kohti
- raita
- Seuranta
- perinteinen
- Juna
- koulutettu
- koulutus
- koulutukset
- Muutos
- muunnokset
- laukaista
- luotettava
- tyypit
- ui
- Lopulta
- varten
- ymmärtää
- unique
- Yhtenäinen
- Yhdysvallat
- yliopisto
- University of California
- toisin kuin
- avata
- tarpeeton
- vertaansa vailla oleva
- käyttämätön
- Päivitykset
- päivittäminen
- us
- käyttää
- käyttölaukku
- käytetty
- helppokäyttöinen
- käyttötarkoituksiin
- käyttämällä
- käyttää
- VAHVISTA
- validointi
- arvo
- lajike
- eri
- vaihdella
- Ajoneuvot
- pystysuunnassa
- Näytä
- visio
- odottaa
- oli
- we
- verkko
- verkkopalvelut
- Verkkosivu
- paino
- suhtautuu
- HYVIN
- western
- joka
- vaikka
- KUKA
- leveä
- laajalti
- tulee
- with
- sisällä
- ilman
- Referenssit
- työskenteli
- työntekijä
- työskentely
- toimii
- työasema
- vuotta
- Voit
- Sinun
- zephyrnet