Ez az AWS és a Philips közös blogja.
A Philips egy egészségügyi technológiai vállalat, amely az emberek életének javítására összpontosít jelentős innovációval. A vállalat 2014 óta kínálja ügyfeleinek a Philips HealthSuite Platformot, amely több tucat AWS-szolgáltatást irányít, amelyeket az egészségügyi és élettudományi cégek használnak a betegellátás javítására. Egészségügyi szolgáltatókkal, startupokkal, egyetemekkel és más cégekkel együttműködve olyan technológiát fejleszt ki, amely segít az orvosoknak pontosabb diagnózis felállításában és személyre szabottabb kezelésben emberek milliói számára világszerte.
A Philips innovációs stratégiájának egyik fő mozgatórugója a mesterséges intelligencia (AI), amely lehetővé teszi olyan intelligens és személyre szabott termékek és szolgáltatások létrehozását, amelyek javíthatják az egészségügyi eredményeket, javíthatják a vásárlói élményt és optimalizálhatják a működési hatékonyságot.
Amazon SageMaker célirányosan épített eszközöket biztosít a gépi tanulási műveletekhez (MLOps), amelyek segítik a folyamatok automatizálását és szabványosítását az ML életciklusa során. A SageMaker MLOps eszközökkel a csapatok egyszerűen betaníthatják, tesztelhetik, hibaelhárítást végezhetnek, telepíthetnek és irányíthatnak az ML-modelleket, hogy növeljék az adattudósok és az ML-mérnökök termelékenységét, miközben megőrzik a modell teljesítményét a termelésben.
Ebben a bejegyzésben bemutatjuk, hogy a Philips az AWS-szel együttműködve kifejlesztette az AI ToolSuite-ot – egy méretezhető, biztonságos és kompatibilis ML platformot a SageMakeren. Ez a platform a kísérletezéstől, az adatok megjegyzésétől, a képzéstől a modelltelepítésig és az újrafelhasználható sablonokig terjedő lehetőségeket kínál. Mindezek a képességek arra épülnek, hogy több üzletágat segítsenek gyorsan és agilisan innoválni, miközben a központi vezérlőkkel nagy léptékű kormányzást végeznek. Felvázoljuk azokat a kulcsfontosságú használati eseteket, amelyek követelményeket támasztanak a platform első iterációjához, az alapvető összetevőket és az elért eredményeket. Befejezésül azonosítjuk azokat a folyamatban lévő erőfeszítéseket, amelyek lehetővé teszik a platform generatív AI-munkaterhelését, valamint az új felhasználók és csapatok gyors bevezetését a platform bevezetésére.
Ügyfélkörnyezet
A Philips különféle területeken alkalmaz mesterséges intelligenciát, mint például a képalkotás, a diagnosztika, a terápia, a személyes egészség és a kapcsolódó ellátás. Néhány példa a Philips által az elmúlt években kifejlesztett mesterséges intelligencia-kompatibilis megoldásokra:
- Philips SmartSpeed – AI-alapú képalkotó technológia az MRI-hez, amely egyedülálló tömörített SENSE alapú mélytanuló AI algoritmust használ, hogy a sebességet és a képminőséget a következő szintre emelje sokféle páciens számára
- Philips eCareManager – Olyan távegészségügyi megoldás, amely mesterséges intelligencia segítségével támogatja a kritikus állapotú betegek távkezelését és kezelését az intenzív osztályokon, fejlett elemzési és klinikai algoritmusok használatával több forrásból származó betegadatok feldolgozására, valamint hasznos betekintést, figyelmeztetéseket és ajánlásokat biztosít a betegek számára. gondozó csapat
- Philips Sonicare – Intelligens fogkefe, amely mesterséges intelligencia segítségével elemzi a fogmosási viselkedést és a felhasználók szájhigiéniáját, és valós idejű útmutatást és személyre szabott ajánlásokat ad, például optimális fogmosási időt, nyomást és fedettséget, hogy javítsa foghigiéniáját, valamint megelőzze a fogszuvasodást és az ínybetegségeket. .
A Philips évek óta úttörő szerepet tölt be az adatvezérelt algoritmusok fejlesztésében, hogy innovatív megoldásait az egész egészségügyi kontinuumban táplálja. A diagnosztikai képalkotás területén a Philips számos ML-alkalmazást fejlesztett ki az orvosi képek rekonstrukciójára és értelmezésére, munkafolyamat-kezelésére és a kezelés optimalizálására. A betegek monitorozása, képvezérelt terápia, ultrahang és személyes egészségügyi csapatok is ML algoritmusokat és alkalmazásokat készítettek. Az innovációt azonban hátráltatta a széttagolt mesterséges intelligencia fejlesztői környezetek csapatok közötti használata. Ezek a környezetek az egyedi laptopoktól és asztali számítógépektől a különféle helyszíni számítási fürtökig és felhőalapú infrastruktúráig terjedtek. Ez a heterogenitás kezdetben lehetővé tette a különböző csapatok számára, hogy gyorsan haladjanak a korai mesterségesintelligencia-fejlesztési erőfeszítéseikben, de mára visszafogja a lehetőségeket az AI-fejlesztési folyamataink méretezésére és hatékonyságának javítására.
Nyilvánvaló volt, hogy az egységes és szabványosított környezet felé történő alapvető elmozdulás elengedhetetlen ahhoz, hogy a Philips adatvezérelt törekvéseiben rejlő lehetőségeket valóban kibontakoztathassuk.
Kulcsfontosságú AI/ML használati esetek és platformkövetelmények
Az AI/ML-kompatibilis javaslatok átalakíthatják az egészségügyi ellátást a klinikusok által végzett adminisztratív feladatok automatizálásával. Például:
- A mesterséges intelligencia elemezni tudja az orvosi képeket, hogy segítse a radiológusokat a betegségek gyorsabb és pontosabb diagnosztizálásában
- A mesterséges intelligencia a betegek adatainak elemzésével és a proaktív ellátás javításával képes előre jelezni a jövőbeli egészségügyi eseményeket
- A mesterséges intelligencia személyre szabott, a betegek igényeihez igazított kezelést tud javasolni
- A mesterséges intelligencia képes kinyerni és strukturálni az információkat a klinikai feljegyzésekből, hogy hatékonyabbá tegye a nyilvántartást
- Az AI interfészek segítséget nyújthatnak a betegeknek a lekérdezésekhez, emlékeztetőkhöz és tünet-ellenőrzőkhöz
Összességében az AI/ML csökkentett emberi hibákat, idő- és költségmegtakarítást, optimalizált páciensélményt és időszerű, személyre szabott beavatkozásokat ígér.
Az ML fejlesztési és telepítési platformmal szemben támasztott egyik legfontosabb követelmény az volt, hogy a platform képes legyen támogatni a folyamatos iteratív fejlesztési és telepítési folyamatot, amint azt a következő ábra mutatja.
A mesterséges intelligencia eszközfejlesztése laborkörnyezetben kezdődik, ahol az adatokat összegyűjtik és összegyűjtik, majd a modelleket betanítják és validálják. Amikor a modell készen áll és jóváhagyásra került a használatra, bevezetik a valós termelési rendszerekbe. A telepítés után a modell teljesítményét folyamatosan figyelik. A valós teljesítményt és visszacsatolást végül a modell további fejlesztésére használják fel a modell betanításának és telepítésének teljes automatizálásával.
Az AI ToolSuite részletesebb követelményeit három példahasználati eset vezérelte:
- Fejlesszen ki egy számítógépes látásalkalmazást, amelynek célja a peremen lévő tárgyak észlelése. Az adattudományi csapat arra számított, hogy egy mesterséges intelligencia-alapú automatikus képannotációs munkafolyamat felgyorsítja az időigényes címkézési folyamatot.
- Lehetővé teszi egy adattudományi csapat számára, hogy kezelje a klasszikus ML-modellek családját a statisztikák összehasonlításához több egészségügyi egység között. A projekt a modelltelepítés automatizálását, a kísérletek nyomon követését, a modellfigyelést, valamint a teljes folyamat végpontok közötti nagyobb vezérlését igényelte, mind az auditálás, mind az átképzés érdekében a jövőben.
- Javítsa a mély tanulási modellek minőségét és piacra kerülési idejét a diagnosztikai orvosi képalkotás terén. A meglévő számítástechnikai infrastruktúra nem tette lehetővé sok kísérlet párhuzamos futtatását, ami késleltette a modellfejlesztést. Ezenkívül szabályozási okokból lehetővé kell tenni a modellképzés több évre szóló teljes reprodukálhatóságát.
Nem funkcionális követelmények
A méretezhető és robusztus AI/ML platform felépítése megköveteli a nem funkcionális követelmények alapos mérlegelését. Ezek a követelmények túlmutatnak a platform speciális funkcióin, és a következők biztosítására összpontosítanak:
- skálázhatóság – Az AI ToolSuite platformnak képesnek kell lennie a Philips insights-generáló infrastruktúrájának hatékonyabb skálázására, hogy a platform a teljesítmény feláldozása nélkül képes legyen kezelni az adatok, a felhasználók és az AI/ML munkaterhelések növekvő mennyiségét. Úgy kell megtervezni, hogy vízszintesen és vertikálisan méretezhető legyen, hogy zökkenőmentesen megfeleljen a növekvő igényeknek, miközben központi erőforrás-kezelést biztosít.
- teljesítmény – A platformnak nagy teljesítményű számítási képességeket kell biztosítania az összetett AI/ML algoritmusok hatékony feldolgozásához. A SageMaker példánytípusok széles skáláját kínálja, beleértve az erős GPU-kkal rendelkező példányokat is, amelyek jelentősen felgyorsíthatják a modell betanítását és a következtetési feladatokat. Minimálisra kell csökkentenie a várakozási időt és a válaszidőt is, hogy valós idejű vagy közel valós idejű eredményeket biztosítson.
- Megbízhatóság – A platformnak rendkívül megbízható és robusztus mesterséges intelligencia-infrastruktúrát kell biztosítania, amely több rendelkezésre állási zónára is kiterjed. Ennek a több-AZ-architektúrának biztosítania kell a megszakítás nélküli mesterséges intelligencia működését azáltal, hogy az erőforrásokat és a munkaterhelést külön adatközpontok között osztja el.
- Elérhetőség – A platformnak éjjel-nappal elérhetőnek kell lennie, minimális leállási idővel a karbantartáshoz és a frissítésekhez. Az AI ToolSuite magas rendelkezésre állása magában foglalja a terheléselosztást, a hibatűrő architektúrákat és a proaktív felügyeletet.
- Biztonság és kormányzás – A platformnak robusztus biztonsági intézkedéseket, titkosítást, hozzáférés-szabályozást, dedikált szerepköröket és hitelesítési mechanizmusokat kell alkalmaznia a szokatlan tevékenységek folyamatos figyelésével és biztonsági auditok végrehajtásával.
- Mérési adatok kezelése – A hatékony adatkezelés kulcsfontosságú az AI/ML platformok számára. Az egészségügyi ágazat szabályozása különösen szigorú adatkezelést tesz szükségessé. Tartalmaznia kell olyan funkciókat, mint az adatok verziószáma, az adatsor, az adatirányítás és az adatminőség-biztosítás a pontos és megbízható eredmények biztosítása érdekében.
- Az interoperabilitás – A platformot úgy kell megtervezni, hogy könnyen integrálható legyen a Philips belső adattáraival, lehetővé téve a zökkenőmentes adatcserét és együttműködést harmadik féltől származó alkalmazásokkal.
- Karbantarthatóság – A platform architektúrájának és kódbázisának jól szervezettnek, modulárisnak és karbantarthatónak kell lennie. Ez lehetővé teszi a Philips ML mérnökei és fejlesztői számára, hogy frissítéseket, hibajavításokat és jövőbeli fejlesztéseket biztosítsanak a teljes rendszer megzavarása nélkül.
- Erőforrás optimalizálás – A platformnak nagyon szorosan figyelemmel kell kísérnie a felhasználási jelentéseket, hogy megbizonyosodjon arról, hogy a számítási erőforrásokat hatékonyan használják fel, és az erőforrásokat dinamikusan, a kereslet alapján allokálja. Ezenkívül a Philipsnek az AWS számlázási és költségkezelési eszközeit kell használnia annak biztosítására, hogy a csapatok értesítést kapjanak, ha a felhasználás átlépi a kiosztott küszöbértéket.
- Monitoring és naplózás – A platformnak használnia kell amazonfelhőóra riasztások az átfogó megfigyelési és naplózási képességekről, amelyek a rendszer teljesítményének nyomon követéséhez, a szűk keresztmetszetek azonosításához és a problémák hatékony elhárításához szükségesek.
- Teljesítés – A platform hozzájárulhat az AI-kompatibilis javaslatok szabályozási megfelelőségének javításához is. A reprodukálhatóságot és a nyomon követhetőséget automatikusan engedélyezni kell a végpontok közötti adatfeldolgozási folyamatoknak, ahol számos kötelező dokumentációs műtermék, például adatsorjelentések és modellkártyák automatikusan elkészíthetők.
- Tesztelés és érvényesítés – Szigorú tesztelési és érvényesítési eljárásokat kell bevezetni az AI/ML modellek pontosságának és megbízhatóságának biztosítása, valamint a nem szándékos torzítások elkerülése érdekében.
Megoldás áttekintése
Az AI ToolSuite egy teljes körű, méretezhető, gyorsan induló mesterséges intelligencia fejlesztői környezet, amely natív SageMaker-t és kapcsolódó AI/ML szolgáltatásokat kínál Philips HealthSuite biztonsági és adatvédelmi védőkorlátokkal, valamint Philips ökoszisztéma-integrációkkal. Három személy van dedikált hozzáférési engedélyekkel:
- Adat tudós – Adatok előkészítése, modellek fejlesztése és betanítása egy együttműködési munkaterületen
- ML mérnök – ML-alkalmazások gyártása modelltelepítéssel, felügyelettel és karbantartással
- Adattudományi adminisztrátor – Hozzon létre egy projektet csoportkérésenként, hogy dedikált izolált környezeteket biztosítson használati esetspecifikus sablonokkal
A platform fejlesztése több kiadási ciklust ölelt fel a felfedezés, tervezés, összeállítás, tesztelés és telepítés iteratív ciklusában. Egyes alkalmazások egyedisége miatt a platform kibővítése meglévő egyéni komponensek, például adattárak vagy szabadalmaztatott megjegyzések beágyazását igényelte.
A következő ábra az AI ToolSuite háromrétegű architektúráját szemlélteti, beleértve az alapinfrastruktúrát első rétegként, a közös ML összetevőket második rétegként és projektspecifikus sablonokat harmadik rétegként.
Az 1. réteg tartalmazza az alapinfrastruktúrát:
- Hálózati réteg parametrizált internet-hozzáféréssel, magas rendelkezésre állás mellett
- Önkiszolgáló kiépítés infrastruktúrával kódként (IaC)
- Egy integrált fejlesztői környezet (IDE), amely egy Amazon SageMaker Studio domain
- Platformszerepek (adattudományi adminisztrátor, adattudós)
- Műtárgyak tárolása
- Naplózás és megfigyelés a megfigyelhetőség érdekében
A 2. réteg általános ML-összetevőket tartalmaz:
- Automatikus kísérletkövetés minden munkához és folyamathoz
- Egy modell összeállítási folyamat egy új modell összeállítás frissítésének elindításához
- Modellképzési folyamat, amely modellképzésből, értékelésből és regisztrációból áll
- Egy modelltelepítési folyamat a modell végső tesztelés és jóváhagyás céljából történő üzembe helyezéséhez
- Modell-nyilvántartás a modellverziók egyszerű kezeléséhez
- Kifejezetten egy adott használati esethez létrehozott projektszerep, amelyet a SageMaker Studio felhasználóihoz kell hozzárendelni
- Képtár a projekthez épített feldolgozási, betanítási és következtetési tárolóképek tárolására
- Kódtárház kódtermékek tárolására
- Egy projekt Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör az összes projektadat és műtermék tárolására
A 3. réteg projektspecifikus sablonokat tartalmaz, amelyek az új projektek által igényelt egyedi összetevőkkel hozhatók létre. Például:
- 1. sablon – Tartalmaz egy komponenst az adatlekérdezéshez és az előzmények nyomon követéséhez
- 2. sablon – Tartalmaz egy komponenst az adatfeljegyzésekhez, egyedi annotációs munkafolyamattal a szabadalmaztatott annotációs eszközök használatához
- 3. sablon – Tartalmazza az egyéni konténerképekhez tartozó összetevőket a fejlesztői környezet és a képzési rutinok testreszabásához, dedikált HPC fájlrendszert és hozzáférést a helyi IDE-ről a felhasználók számára
A következő diagram kiemeli a kulcsfontosságú AWS-szolgáltatásokat, amelyek több AWS-fiókot ölelnek fel a fejlesztéshez, a gyártáshoz és a gyártáshoz.
A következő szakaszokban az AWS szolgáltatások által engedélyezett platform kulcsfontosságú képességeit tárgyaljuk, beleértve a SageMaker-t, AWS szolgáltatáskatalógus, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS Identity and Access Management (IAM) és mások.
Az infrastruktúra kódként
A platform IaC-t használ, amely lehetővé teszi a Philips számára, hogy automatizálja az infrastruktúra-erőforrások kiépítését és kezelését. Ez a megközelítés elősegíti a reprodukálhatóságot, a méretezhetőséget, a verziókezelést, a konzisztenciát, a biztonságot és a hordozhatóságot is fejlesztés, tesztelés vagy gyártás során.
Hozzáférés az AWS környezetekhez
A SageMaker és a kapcsolódó AI/ML szolgáltatások biztonsági korlátokkal érhetők el az adatok előkészítéséhez, a modellfejlesztéshez, a képzéshez, a megjegyzésekhez és a telepítéshez.
Elszigetelődés és együttműködés
A platform külön tárolás és feldolgozás révén biztosítja az adatok izolálását, csökkentve a jogosulatlan hozzáférés vagy adatszivárgás kockázatát.
A platform megkönnyíti a csoportos együttműködést, ami elengedhetetlen az olyan mesterséges intelligencia-projektekben, amelyekben jellemzően többfunkciós csapatok vesznek részt, beleértve adattudósokat, adattudományi adminisztrátorokat és MLOps mérnököket.
Szerepalapú hozzáférés-vezérlés
A szerepkör-alapú hozzáférés-vezérlés (RBAC) elengedhetetlen az engedélyek kezeléséhez és a hozzáférés-kezelés egyszerűsítéséhez a szerepek és engedélyek strukturált módon történő meghatározásával. Egyszerűbbé teszi az engedélyek kezelését a csapatok és projektek növekedésével, valamint az AWS AI/ML projektekben részt vevő különböző személyek hozzáférésének szabályozását, mint például az adattudományi adminisztrátor, adattudós, annotációs adminisztrátor, annotátor és MLOps mérnök.
Hozzáférés az adattárolókhoz
A platform lehetővé teszi a SageMaker számára az adattárolók elérését, ami biztosítja, hogy az adatokat hatékonyan lehessen felhasználni a modelltanításhoz és következtetésekhez anélkül, hogy az adatokat más és más tárolóhelyek között kellene áthelyezni, ezáltal optimalizálva az erőforrás-kihasználást és csökkentve a költségeket.
Annotáció a Philips-specifikus annotációs eszközökkel
Az AWS mesterséges intelligencia és ML szolgáltatáscsomagot kínál, mint például a SageMaker, Amazon SageMaker Ground Truthés Amazon Cognito, amelyek teljes mértékben integrálva vannak a Philips-specifikus házon belüli annotációs eszközökkel. Ez az integráció lehetővé teszi a fejlesztők számára, hogy az AWS-környezetben található megjegyzésekkel ellátott adatok felhasználásával ML-modelleket képezzenek és telepítsenek.
ML sablonok
Az AI ToolSuite platform AWS-sablonokat kínál különféle ML munkafolyamatokhoz. Ezek a sablonok előre konfigurált infrastruktúra-beállítások, amelyek az ML használati eseteire szabottak, és olyan szolgáltatásokon keresztül érhetők el, mint pl. SageMaker projektsablonok, AWS felhőképződésés Szolgáltatáskatalógus.
Integráció a Philips GitHubbal
A GitHubbal való integráció növeli a hatékonyságot azáltal, hogy központi platformot biztosít a verziókezeléshez, a kódellenőrzésekhez és az automatizált CI/CD (folyamatos integráció és folyamatos telepítés) folyamatokhoz, csökkentve a kézi feladatokat és növelve a termelékenységet.
Visual Studio Code integráció
A Visual Studio Code-dal való integráció egységes környezetet biztosít az ML projektek kódolásához, hibakereséséhez és kezeléséhez. Ez leegyszerűsíti a teljes ML munkafolyamatot, csökkenti a környezetváltást és időt takarít meg. Az integráció a csapattagok közötti együttműködést is fokozza azáltal, hogy lehetővé teszi számukra, hogy együtt dolgozhassanak SageMaker projekteken egy ismerős fejlesztői környezetben, verziókezelő rendszereket használva, valamint zökkenőmentesen megosszák a kódot és a notebookokat.
Modell- és adatsor, valamint nyomon követhetőség a reprodukálhatóság és a megfelelőség érdekében
A platform verziókezelést biztosít, amely segít nyomon követni az adattudós képzésében bekövetkezett változásokat és az adatok következtetéseit az idő múlásával, megkönnyítve az eredmények reprodukálását és az adatkészletek fejlődésének megértését.
A platform lehetővé teszi a SageMaker kísérletkövetést is, amely lehetővé teszi a végfelhasználók számára, hogy naplózzák és nyomon kövessék az ML kísérleteikhez kapcsolódó összes metaadatot, beleértve a hiperparamétereket, a bemeneti adatokat, a kódot és a modelltermékeket. Ezek a képességek elengedhetetlenek a szabályozási szabványoknak való megfelelés bizonyításához, valamint az AI/ML munkafolyamatok átláthatóságának és elszámoltathatóságának biztosításához.
AI/ML specifikációs jelentés generálása a szabályozási megfelelés érdekében
Az AWS megfelelőségi tanúsítványokat tart fenn a különböző iparági szabványokhoz és előírásokhoz. Az AI/ML specifikációs jelentések alapvető megfelelőségi dokumentációként szolgálnak, bemutatva a szabályozási követelmények betartását. Ezek a jelentések dokumentálják az adatkészletek, modellek és kódok verziószámát. A verzióellenőrzés elengedhetetlen az adatsor, a nyomon követhetőség és a reprodukálhatóság fenntartásához, amelyek mindegyike kritikus a szabályozási megfelelés és az auditálás szempontjából.
Projektszintű költségvetés menedzsment
A projektszintű költségvetés-kezelés lehetővé teszi a szervezet számára, hogy korlátokat állítson fel a kiadásokra, így elkerülhető a váratlan költségek, és biztosítható, hogy az ML projektek a költségvetésen belül maradjanak. A költségvetés-kezeléssel a szervezet meghatározott költségvetéseket rendelhet az egyes projektekhez vagy csapatokhoz, ami segít a csapatoknak az erőforrás-hatékonyság vagy a váratlan költségugrások korai felismerésében. A költségvetés-kezelésen kívül a tétlen notebookok automatikus leállításával a csapattagok elkerülik, hogy fizessenek a fel nem használt erőforrásokért, és értékes erőforrásokat is felszabadítanak, amikor nincsenek aktívan használatban, így elérhetővé teszik azokat más feladatok vagy felhasználók számára.
Eredmények
Az AI ToolSuite-ot vállalati szintű platformként tervezték és valósították meg a Philips adattudósai számára az ML fejlesztéshez és telepítéshez. A tervezés és fejlesztés során minden üzleti egységtől eltérő igényeket gyűjtöttek össze és vettek figyelembe. A projekt elején a Philips azonosította a bajnokokat az üzleti csapatok közül, akik visszajelzést adtak és segítettek felmérni a platform értékét.
A következő eredmények születtek:
- A felhasználók elfogadása a Philips egyik legfontosabb mutatója. Számos üzleti egység felhasználóit képezték ki és vették fel a platformra, és ez a szám 2024-ben várhatóan növekedni fog.
- Egy másik fontos mérőszám az adattudományi felhasználók hatékonysága. Az AI ToolSuite segítségével az új ML fejlesztői környezetek több nap helyett kevesebb mint egy óra alatt üzembe helyezhetők.
- Az adattudományi csapatok méretezhető, biztonságos, költséghatékony, felhő alapú számítási infrastruktúrához férhetnek hozzá.
- A csapatok több modelledzési kísérletet is futtathatnak párhuzamosan, ami jelentősen csökkentette az átlagos edzési időt hetekről 1-3 napra.
- Mivel a környezet telepítése teljesen automatizált, gyakorlatilag nincs szükség a felhő infrastruktúra mérnökeinek bevonására, ami csökkentette a működési költségeket.
- Az AI ToolSuite használata jelentősen javította az adatok és a mesterséges intelligencia termékek általános érettségét azáltal, hogy előmozdította a helyes ML-gyakorlatokat, a szabványosított munkafolyamatokat és a végpontok közötti reprodukálhatóságot, ami kritikus fontosságú az egészségügyi ágazat szabályozási megfelelősége szempontjából.
Várom a generatív AI-t
Miközben a szervezetek versenyeznek a mesterséges intelligencia következő csúcstechnológiájának átvételéért, elengedhetetlen, hogy új technológiát alkalmazzanak a szervezet biztonsági és irányítási politikájával összefüggésben. Az AI ToolSuite architektúrája kiváló vázlatot biztosít az AWS generatív AI-képességeinek elérésére a Philips különböző csapatai számára. A csapatok használhatják a rendelkezésre álló alapmodelleket Amazon SageMaker JumpStart, amely hatalmas számú nyílt forráskódú modellt kínál a Hugging Face-től és más szolgáltatóktól. Mivel a szükséges védőkorlátok már rendelkezésre állnak a hozzáférés-szabályozás, a projektek rendelkezésre bocsátása és a költségszabályozás tekintetében, a csapatok zökkenőmentesen kezdhetik majd használni a SageMaker generatív AI-képességeit.
Ezen kívül hozzáférést Amazon alapkőzet, egy teljesen felügyelt API-vezérelt szolgáltatás a generatív mesterséges intelligencia számára, amely a projekt követelményei alapján kiépíthető egyéni fiókokhoz, és a felhasználók elérhetik az Amazon Bedrock API-kat a SageMaker notebook felületén vagy a preferált IDE-n keresztül.
További megfontolások vannak a generatív mesterséges intelligencia szabályozott környezetben, például az egészségügyben történő elfogadásával kapcsolatban. Gondosan mérlegelni kell a generatív mesterséges intelligencia alkalmazások által létrehozott értéket a kapcsolódó kockázatokkal és költségekkel szemben. Szükség van egy olyan kockázati és jogi keret létrehozására is, amely szabályozza a generatív AI-technológiák szervezet általi használatát. Az olyan elemeket, mint az adatbiztonság, az elfogultság és a méltányosság, valamint a szabályozási megfelelés az ilyen mechanizmusok részének kell tekinteni.
Következtetés
A Philips útnak indult, hogy az adatvezérelt algoritmusok erejét kihasználva forradalmasítsa az egészségügyi megoldásokat. Az évek során a diagnosztikai képalkotás innovációja számos ML-alkalmazást eredményezett, a képrekonstrukciótól a munkafolyamat-kezelésig és a kezelés optimalizálásáig. A beállítások sokfélesége, az egyedi laptopoktól a helyszíni fürtökig és a felhő infrastruktúráig azonban óriási kihívásokat jelentett. A külön rendszeradminisztráció, a biztonsági intézkedések, a támogatási mechanizmusok és az adatprotokoll megakadályozta a TCO átfogó áttekintését és a csapatok közötti bonyolult átmeneteket. A kutatás-fejlesztésről a termelésre való átállást a származás és a reprodukálhatóság hiánya nehezítette, ami megnehezítette a folyamatos modell-átképzést.
A Philips és az AWS közötti stratégiai együttműködés részeként az AI ToolSuite platformot azért hozták létre, hogy egy méretezhető, biztonságos és kompatibilis ML platformot fejlesszenek a SageMakerrel. Ez a platform a kísérletezéstől, az adatok megjegyzésétől, a képzéstől a modelltelepítésig és az újrafelhasználható sablonokig terjedő lehetőségeket kínál. Mindezek a képességek iteratív módon épültek fel a felfedezés, tervezés, összeállítás, tesztelés és üzembe helyezés több ciklusa során. Ez segített több üzleti egységnek a gyors és agilis innovációban, miközben a központi vezérlőkkel nagyszabású kormányzást végeztek.
Ez az utazás inspirációként szolgál azoknak a szervezeteknek, amelyek az AI és az ML erejét szeretnék kihasználni az innováció és az egészségügyi ellátás hatékonyságának előmozdítása érdekében, ami végső soron a betegek és az egészségügyi szolgáltatók javát szolgálja világszerte. Ahogy tovább építenek erre a sikerre, a Philips készen áll arra, hogy az innovatív AI-kompatibilis megoldások révén még nagyobb lépéseket tegyen az egészségügyi eredmények javítása terén.
Ha többet szeretne megtudni a Philips AWS-re vonatkozó innovációjáról, látogasson el ide Philips az AWS-en.
A szerzőkről
Frank Wartena a Philips Innovation & Strategy programvezetője. Koordinálja az adatokkal és mesterséges intelligenciával kapcsolatos platformeszközöket a Philips adatokra és mesterséges intelligenciára vonatkozó javaslataink támogatására. Széles körű tapasztalattal rendelkezik a mesterséges intelligencia, az adattudomány és az interoperabilitás területén. Szabadidejében Frank szeret futni, olvasni és evezni, valamint a családjával tölti az idejét.
Irina Fedulova a Philips Innovation & Strategy fő adat- és mesterségesintelligencia-vezetője. Stratégiai tevékenységeket irányít azokra az eszközökre, platformokra és bevált gyakorlatokra összpontosítva, amelyek felgyorsítják és skálázzák a (generatív) AI-kompatibilis megoldások fejlesztését és termékesítését a Philipsnél. Irina erős műszaki háttérrel rendelkezik a gépi tanulás, a számítási felhő és a szoftverfejlesztés területén. A munkán kívül szívesen tölt időt a családjával, utazik és olvas.
Selvakumar Palaniyappan a Philips Innovation & Strategy terméktulajdonosa, a Philips HealthSuite AI és ML platform termékkezeléséért felelős. Nagy tapasztalattal rendelkezik a műszaki termékmenedzsment és szoftverfejlesztés területén. Jelenleg egy méretezhető és kompatibilis AI és ML fejlesztési és telepítési platform felépítésén dolgozik. Emellett élen jár a Philips adattudományi csapatai általi elfogadásában az AI-vezérelt egészségügyi rendszerek és megoldások fejlesztése érdekében.
Adnan Elci az AWS Professional Services vezető felhő-infrastruktúra építésze. Technikai vezetőként tevékenykedik, felügyelve az ügyfelek különböző műveleteit az egészségügy és élettudományok, a pénzügy, a légi közlekedés és a gyártás területén. Az automatizálás iránti lelkesedése megnyilvánul az AWS-környezeten belüli nagyvállalati szintű ügyfélmegoldások tervezésében, kiépítésében és megvalósításában való kiterjedt részvételében. Szakmai elkötelezettségein túl Adnan aktívan az önkéntes munkának szenteli magát, és arra törekszik, hogy értelmes és pozitív hatást gyakoroljon a közösségen belül.
Hasan Poonawala az AWS vezető AI/ML-specialistája, a Hasan segít az ügyfeleknek gépi tanulási alkalmazások tervezésében és üzembe helyezésében az AWS-en. Több mint 12 éves szakmai tapasztalattal rendelkezik adattudósként, gépi tanulással foglalkozó szakemberként és szoftverfejlesztőként. Szabadidejében Hasan szereti felfedezni a természetet, és időt tölt barátaival és családjával.
Sreoshi Roy az AWS vezető globális elkötelezettségi menedzsere. Az Egészségügyi és Élettudományi Ügyfelek üzleti partnereként páratlan tapasztalattal rendelkezik a komplex üzleti problémák megoldásának meghatározásában és szállításában. Segít ügyfeleinek stratégiai célok kitűzésében, felhő-/adatstratégiák meghatározásában és tervezésében, valamint a skálázott és robusztus megoldás megvalósításában, hogy teljesítsék műszaki és üzleti céljaikat. Szakmai törekvésein túl elkötelezettsége abban rejlik, hogy az empátia elősegítésével és az inkluzivitás előmozdításával jelentős hatást gyakoroljon az emberek életére.
Wajahat Aziz az AI/ML és a HPC vezetője az AWS Healthcare and Life Sciences csapatában. Miután technológiai vezetőként szolgált különböző szerepekben az élettudományi szervezeteknél, Wajahat tapasztalatait felhasználva segíti az egészségügyi és élettudományi ügyfeleket az AWS-technológiák kiaknázásában a legkorszerűbb ML és HPC megoldások fejlesztésében. Jelenlegi fókuszterülete a korai kutatás, a klinikai vizsgálatok és a magánélet védelmét szolgáló gépi tanulás.
Wioletta Stobieniecka az AWS Professional Services adattudósa. Szakmai pályafutása során számos analitika által vezérelt projektet hajtott végre különböző iparágakban, például banki, biztosítási, telekommunikációs és közszférában. A fejlett statisztikai módszerekről és a gépi tanulásról szerzett tudása jól párosul az üzleti érzékkel. A legújabb mesterséges intelligencia fejlesztéseket hozza el, hogy értéket teremtsen az ügyfelek számára.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
- PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
- PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- képesség
- Képes
- Rólunk
- gyorsul
- gyorsul
- hozzáférés
- Az adatokhoz való hozzáférés
- igénybe vett
- hozzáférhető
- felelősségre vonhatóság
- Fiókok
- pontosság
- pontos
- elért
- át
- perelhető
- aktívan
- tevékenységek
- éleslátás
- mellett
- További
- tapadás
- admin
- igazgatás
- adminisztratív
- elfogadja
- Örökbefogadás
- fejlett
- fejlesztések
- ellen
- AI
- AI / ML
- célzó
- Figyelmeztetések
- algoritmus
- algoritmusok
- Minden termék
- kioszt
- elkülönített
- lehetővé
- lehetővé téve
- lehetővé teszi, hogy
- már
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- között
- összeg
- an
- analitika
- elemez
- elemzése
- és a
- API-k
- Alkalmazás
- alkalmazások
- megközelítés
- jóváhagyott
- építészet
- VANNAK
- területek
- mesterséges
- mesterséges intelligencia
- Mesterséges intelligencia (AI)
- AS
- vagyontárgy
- Eszközök
- kijelölt
- társult
- biztosíték
- At
- könyvvizsgálat
- ellenőrzések
- Hitelesítés
- automatizált
- Automatizált
- automatikusan
- automatizálás
- Automatizálás
- elérhetőség
- elérhető
- átlagos
- repülés
- elkerülése érdekében
- AWS
- AWS professzionális szolgáltatások
- vissza
- háttér
- kiegyensúlyozó
- Banking
- bázis
- alapján
- BE
- óta
- viselkedés
- benchmarking
- részesülő
- BEST
- legjobb gyakorlatok
- között
- Túl
- előítélet
- torzítások
- számlázás
- Blog
- tervrajz
- fellendítésére
- fellendítése
- mindkét
- szűk
- megsértésének
- Bring
- széles
- költségvetés
- Költségvetési
- Bogár
- épít
- Épület
- épült
- üzleti
- de
- by
- hívás
- TUD
- képességek
- Kapacitás
- Kártyák
- ami
- Karrier
- óvatos
- eset
- esetek
- katalógus
- Centers
- központi
- központosított
- tanúsítványok
- kihívások
- Champions
- Változások
- díj
- klasszikus
- ügyfél részére
- Klinikai
- klinikai vizsgálatok
- klinikusok
- szorosan
- felhő
- cloud computing
- felhő infrastruktúra
- kód
- kódbázis
- Kódolás
- együttműködés
- kollaboratív
- kombinált
- jön
- kötelezettségvállalások
- Közös
- közösség
- Companies
- vállalat
- bonyolult
- teljesítés
- engedékeny
- bonyolult
- összetevő
- alkatrészek
- átfogó
- Tartalmaz
- számítási
- Kiszámít
- számítógép
- Számítógépes látás
- számítástechnika
- vonatkozó
- megállapítja,
- vezető
- összefüggő
- megfontolás
- megfontolások
- figyelembe vett
- Konténer
- tartalmaz
- kontextus
- folytatódik
- folyamatos
- folyamatosan
- Folytonosság
- ellenőrzés
- ellenőrzések
- Mag
- Költség
- Költséggazdálkodás
- költségmegtakarítás
- kiadások
- lefedettség
- teremt
- Érték létrehozása
- készítette
- létrehozása
- teremtés
- kritikai
- többfunkciós csapatok
- kritikus
- a válogatott
- Jelenlegi
- Jelenleg
- szokás
- vevő
- Vásárlói élmény
- Ügyfélmegoldások
- Ügyfelek
- testre
- ciklus
- ciklusok
- dátum
- Adatok megsértése
- adatközpontok
- Adatcsere
- adatkezelés
- Adatok előkészítése
- adatfeldolgozás
- adat-tudomány
- adattudós
- adatbiztonság
- adatalapú
- adatkészletek
- Nap
- elszánt
- ajánlás
- mély
- mély tanulás
- meghatározott
- meghatározó
- Késik
- szállít
- szállított
- átadó
- Kereslet
- igények
- bemutatását,
- telepíteni
- telepített
- bevetés
- bevetések
- leírni
- Design
- tervezett
- tervezés
- részletes
- Érzékelés
- Fejleszt
- fejlett
- Fejlesztő
- fejlesztők
- fejlesztése
- Fejlesztés
- diagnosztikai
- Diagnosztikai képalkotás
- diagnosztika
- különböző
- nehéz
- felfedez
- megvitatni
- betegségek
- különböző
- elosztó
- számos
- Orvosok
- dokumentum
- dokumentáció
- domain
- domainek
- csinált
- le-
- állásidő
- tucat
- hajtás
- hajtott
- illesztőprogramok
- vezetés
- két
- alatt
- dinamikusan
- Korai
- könnyebb
- könnyen
- ökoszisztéma
- él
- hatékonyan
- hatékonyság
- hatékony
- eredményesen
- erőfeszítések
- bármelyik
- elemek
- belefogott
- beágyazás
- átélés
- lehetővé
- engedélyezve
- lehetővé teszi
- lehetővé téve
- titkosítás
- végén
- végtől végig
- törekvéseket
- eljegyzés
- mérnök
- Mérnöki
- Mérnökök
- növelése
- fokozott
- fejlesztések
- Javítja
- biztosítására
- biztosítja
- biztosítása
- Vállalkozás
- lelkesedés
- Egész
- Környezet
- környezetek
- hiba
- különösen
- alapvető
- értékelni
- értékelés
- Még
- események
- végül is
- Minden
- nyilvánvaló
- evolúció
- példa
- példák
- kiváló
- csere
- létező
- várható
- tapasztalat
- tapasztalt
- Tapasztalatok
- kísérlet
- kísérletek
- feltárása
- kiterjesztés
- kiterjedt
- kivonat
- Arc
- megkönnyíti
- méltányosság
- ismerős
- család
- GYORS
- gyorsabb
- Funkció
- Jellemzők
- Visszacsatolás
- Ábra
- filé
- utolsó
- finanszíroz
- vezetéknév
- Összpontosít
- összpontosított
- következő
- A
- csodálatos
- Előre
- elősegítése
- Alapítvány
- töredezett
- Keretrendszer
- őszinte
- barátok
- ból ből
- Üzemanyag
- Tele
- teljesen
- funkciós
- alapvető
- további
- Továbbá
- jövő
- generáció
- nemző
- Generatív AI
- GitHub
- adott
- Globális
- Go
- jó
- kormányzás
- irányító
- irányelv szabályozza
- GPU
- nagyobb
- Földi
- Nő
- Növekvő
- útmutatást
- vezetett
- fogantyú
- hám
- hasznosítása
- Legyen
- tekintettel
- he
- Egészség
- az egészségügyi rendszerek
- egészségügyi
- egészségügyi ágazat
- segít
- segített
- segít
- segít
- neki
- Magas
- nagy teljesítményű
- kiemeli
- nagyon
- saját maga
- övé
- történelem
- holding
- vízszintesen
- óra
- Hogyan
- azonban
- hpc
- HTML
- http
- HTTPS
- emberi
- azonosított
- azonosítani
- azonosító
- Identitás
- Idle
- illusztrálja
- kép
- képek
- Leképezés
- Hatás
- parancsoló
- végre
- végre
- végrehajtási
- fontos
- javul
- fejlesztések
- javuló
- in
- tartalmaz
- magában foglalja a
- Beleértve
- befogadás
- növekvő
- mutatók
- egyéni
- iparágak
- ipar
- ipari szabványok
- elégtelenségek
- információ
- Infrastruktúra
- alapvetően
- újít
- Innováció
- Innovációs Stratégia
- újító
- bemenet
- meglátások
- Ihlet
- példa
- helyette
- biztosítás
- integrálni
- integrált
- integráció
- integrációk
- Intelligencia
- Felület
- interfészek
- belső
- Internet
- Az interoperabilitás
- értelmezés
- beavatkozások
- bele
- vonja
- részt
- bevonása
- Irina
- izolált
- szigetelés
- kérdések
- IT
- ismétlés
- ITS
- Munka
- közös
- utazás
- jpg
- Tart
- Kulcs
- tudás
- labor
- címkézés
- hiány
- laptopok
- nagy
- Késleltetés
- indít
- réteg
- vezet
- vezető
- vezető
- TANUL
- tanulás
- Jogi
- jogi keretrendszer
- kevesebb
- szint
- Tőkeáttétel
- kihasználja
- fekszik
- élet
- Élettudományi
- Life Sciences
- életciklus
- mint
- határértékek
- leszármazás
- vonalak
- él
- életek
- kiszámításának
- helyi
- helyszínek
- log
- fakitermelés
- keres
- szeret
- gép
- gépi tanulás
- készült
- Karbantartható
- fenntartása
- fenntartja
- karbantartás
- csinál
- KÉSZÍT
- Gyártás
- kezelése
- sikerült
- vezetés
- menedzsment eszközök
- menedzser
- kezelése
- kötelező
- mód
- kézikönyv
- gyártási
- sok
- piacára
- érettség
- jelentőségteljes
- intézkedések
- mechanizmusok
- orvosi
- Találkozik
- Partnerek
- Metaadatok
- mód
- metrikus
- Több millió
- minimális
- ML
- MLOps
- modell
- modellek
- moduláris
- monitor
- ellenőrizni
- ellenőrzés
- több
- mozog
- MRI
- többszörös
- sokaság
- kell
- bennszülött
- Természet
- elengedhetetlen
- Szükség
- igények
- hálózatba
- Új
- új felhasználó
- következő
- nem
- jegyzetfüzet
- Megjegyzések
- értesítések
- Most
- szám
- tárgy
- Objektumfelismerés
- célok
- of
- felajánlás
- Ajánlatok
- on
- Fedélzeti
- egyszer
- ONE
- folyamatban lévő
- nyitva
- nyílt forráskódú
- működik
- operatív
- Művelet
- Lehetőségek
- optimálisan
- optimalizálás
- Optimalizálja
- optimalizált
- optimalizálása
- or
- Szájhigiénia
- érdekében
- szervezet
- szervezetek
- Szervezett
- Más
- Egyéb
- mi
- eredmények
- vázlat
- kívül
- felett
- átfogó
- felügyeletét
- tulajdonos
- Párhuzamos
- rész
- partner
- társult
- partnerek
- bérletek
- múlt
- beteg
- betegek
- fizet
- Emberek (People)
- emberek
- mert
- teljesítmény
- engedélyek
- személyes
- Személyre
- úttörő
- csővezeték
- Hely
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- lebeg
- politika
- hordozhatóság
- jelent
- pozitív
- állás
- potenciális
- hatalom
- erős
- gyakorlat
- pontos
- előre
- előnyben részesített
- előkészítés
- Készít
- előkészített
- megőrzése
- nyomás
- megakadályozása
- Fő
- magánélet
- proaktív
- problémák
- eljárások
- folyamat
- Folyamatok
- feldolgozás
- Termékek
- termékmenedzsment
- Termelés
- termelékenység
- Termékek
- szakmai
- Program
- program
- projekt adatai
- projektek
- ígér
- támogatása
- szabadalmazott
- protokoll
- ad
- feltéve,
- szolgáltatók
- biztosít
- amely
- nyilvános
- célokra
- világítás
- lekérdezések
- Quick
- Futam
- hatótávolság
- kezdve
- gyorsan
- Olvasás
- kész
- való Világ
- real-time
- kap
- új
- ajánl
- ajánlások
- Csökkent
- csökkentő
- iktató hivatal
- szabályozott
- előírások
- szabályozók
- Előírásoknak való megfelelés
- összefüggő
- engedje
- felszabadító
- megbízhatóság
- megbízható
- távoli
- jelentést
- Jelentések
- raktár
- kérni
- kötelező
- követelmények
- megköveteli,
- kutatás
- kutatás és fejlesztés
- forrás
- Tudástár
- válasz
- Eredmények
- újrahasználható
- Vélemények
- forradalmasítani
- szigorú
- Kockázat
- kockázatok
- erős
- Szerep
- szerepek
- futás
- futás
- feláldozása
- sagemaker
- megtakarítás
- Megtakarítás
- skálázhatóság
- skálázható
- Skála
- Tudomány
- TUDOMÁNYOK
- Tudós
- tudósok
- zökkenőmentes
- zökkenőmentesen
- Második
- szakaszok
- szektor
- biztonság
- biztonság
- Biztonsági auditok
- Biztonsági intézkedések
- idősebb
- különálló
- szolgál
- szolgált
- szolgálja
- szolgáltatás
- Szolgáltatások
- készlet
- Szettek
- beállítás
- számos
- megosztás
- ő
- váltás
- kellene
- kirakatba
- mutatott
- becsuk
- Állítsa le
- jelentősen
- Egyszerű
- egyszerűsítése
- óta
- okos
- So
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- néhány
- forrás
- Források
- feszültség
- ível
- vezetőiként
- szakember
- különleges
- kifejezetten
- leírás
- sebesség
- költ
- Költési
- tüskék
- színpadra állítás
- szabványok
- állványok
- kezdet
- kezdődik
- Startups
- csúcs-
- statisztikai
- statisztika
- tartózkodás
- tárolás
- tárolni
- árnyékolók
- tárolása
- egyértelmű
- Stratégiai
- stratégiák
- Stratégia
- léptekkel
- törekvés
- erős
- struktúra
- szerkesztett
- stúdió
- siker
- ilyen
- kíséret
- támogatás
- biztos
- tünet
- rendszer
- Systems
- szabott
- Vesz
- feladatok
- csapat
- Csapattagok
- csapat
- tech
- Műszaki
- Technologies
- Technológia
- Telco
- távegészségügyi
- sablonok
- feltételek
- teszt
- Tesztelés
- mint
- hogy
- A
- A jövő
- azok
- Őket
- akkor
- Ott.
- ezáltal
- Ezek
- ők
- Harmadik
- harmadik fél
- ezt
- három
- küszöb
- Keresztül
- egész
- idő
- időigényes
- időszerű
- alkalommal
- nak nek
- együtt
- szerszámok
- felé
- Nyomon követhetőség
- vágány
- Csomagkövetés
- Vonat
- kiképzett
- Képzések
- Átalakítás
- átmenet
- átmenetek
- Átláthatóság
- Utazó
- kezelés
- vizsgálatok
- valóban
- típusok
- jellemzően
- Végül
- jogtalan
- megért
- Váratlan
- egységes
- egyedi
- egyediség
- egységek
- Egyetemek
- szabadítsa
- példátlan
- felhasználatlan
- Frissítés
- fejlesztések
- upon
- használ
- használati eset
- használt
- Felhasználók
- használ
- segítségével
- hasznosított
- kihasználva
- érvényesített
- érvényesítés
- Értékes
- érték
- fajta
- különféle
- Hatalmas
- változat
- függőlegesen
- nagyon
- keresztül
- Megnézem
- gyakorlatilag
- látomás
- Látogat
- vizuális
- kötet
- önkéntes
- volt
- we
- háló
- webes szolgáltatások
- Hetek
- JÓL
- voltak
- amikor
- ami
- míg
- WHO
- széles
- Széleskörű
- lesz
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- munkafolyamatok
- dolgozó
- világszerte
- év
- engedett
- zephyrnet
- zónák