Ezt a bejegyzést Ming (Melvin) Qin, David Bericat és Brad Genereaux írta az NVIDIA-tól.
Az orvosi képalkotó mesterséges intelligencia kutatóinak és fejlesztőinek skálázható vállalati keretrendszerre van szükségük AI-alkalmazásaik felépítéséhez, üzembe helyezéséhez és integrálásához. Az AWS és az NVIDIA összefogott, hogy ezt az elképzelést valóra váltsák. AWS, NVIDIA és más partnerek olyan alkalmazásokat és megoldásokat készíthet, amelyek elérhetőbbé, megfizethetőbbé és hatékonyabbá teszik az egészségügyi ellátást a vállalati képalkotás felhőkapcsolatának felgyorsításával. MONAI telepítés az egyik legfontosabb modul MONAI (Medical Open Network for Artificial Intelligence), amelyet az akadémiai és iparági vezetőkből álló konzorcium fejlesztett ki, beleértve az NVIDIA-t is. AWS HealthImaging (AHI) egy HIPAA-kompatibilis, jól méretezhető, hatékony és költséghatékony orvosi képanyag-áruház. Kifejlesztettünk egy MONAI Deploy csatlakozót az AHI-hez, hogy integráljuk az orvosi képalkotó mesterséges intelligencia-alkalmazásokat a felhőben natív API-k által működtetett léptékű, másodperc alatti képlekérési késleltetésekkel. A MONAI AI modellek és alkalmazások tárolhatók ezen Amazon SageMaker, amely egy teljesen felügyelt szolgáltatás a gépi tanulási (ML) modellek nagyszabású üzembe helyezéséhez. A SageMaker gondoskodik a következtetésekhez szükséges példányok beállításáról és kezeléséről, és beépített mérőszámokat és naplókat biztosít a végpontokhoz, amelyek segítségével figyelheti és fogadhatja a riasztásokat. Különféle szolgáltatásokat is kínál NVIDIA GPU példányok ML következtetéshez, valamint több modell telepítési lehetőség automatikus skálázással, beleértve valós idejű következtetés, szerver nélküli következtetés, aszinkron következtetésés kötegelt átalakítás.
Ebben a bejegyzésben bemutatjuk, hogyan lehet telepíteni egy MONAI alkalmazáscsomagot (MAP) az AWS HealthImaging csatlakozójával, SageMaker többmodell végpont használatával valós idejű következtetésekhez és aszinkron következtetésekhez. Ez a két lehetőség lefedi a közel valós idejű orvosi képalkotási következtetési csővezeték használati eseteinek többségét.
Megoldás áttekintése
A következő ábra a megoldás architektúráját mutatja be.
Előfeltételek
Hajtsa végre a következő előfeltétel lépéseket:
- Használjon AWS-fiókot a következő régiók egyikében, ahol az AWS HealthImaging elérhető: Észak-Virginia (
us-east-1
), Oregon (us-west-2
), Írország (eu-west-1
), és Sydney (ap-southeast-2
). - Létrehozása Amazon SageMaker Studio domain és felhasználói profil val vel AWS Identity and Access Management (IAM) engedélyt az AWS HealthImaging elérésére.
- Engedélyezze a JupyterLab v3 bővítményt és telepítse az Imjoy-jupyter-kiterjesztést, ha interaktívan szeretné megjeleníteni az orvosi képeket a SageMaker notebookon itkwidgets.
MAP csatlakozó az AWS HealthImaginghez
Az AWS HealthImaging importálja a DICOM P10 fájlokat, és azokat ImageSet-ekké alakítja, amelyek egy DICOM sorozat optimalizált reprezentációi. Az AHI API-hozzáférést biztosít az ImageSet metaadataihoz és az ImageFrame-ekhez. A metaadatok tartalmazzák az összes DICOM-attribútumot egy JSON-dokumentumban. Az ImageFrame-ek kódolása a Nagy áteresztőképességű JPEG2000 (HTJ2K) veszteségmentes formátum, amely rendkívül gyorsan dekódolható. Az ImageSet-ek a következővel tölthetők le AWS parancssori interfész (AWS CLI) vagy a AWS SDK-k.
A MONAI egy orvosi képalkotó mesterséges intelligencia keretrendszer, amely a kutatási áttöréseket és a mesterséges intelligencia alkalmazásokat klinikai hatásokká alakítja. A MONAI Deploy az a feldolgozási folyamat, amely lehetővé teszi a végpontok közötti munkafolyamatot, beleértve az orvosi képalkotó mesterséges intelligencia alkalmazások csomagolását, tesztelését, üzembe helyezését és futtatását a klinikai termelésben. Ez tartalmazza a MONAI Alkalmazás SDK telepítése, MONAI Deploy Express, Munkafolyamat-kezelőés Informatikai átjáró. A MONAI Deploy App SDK használatra kész algoritmusokat és keretrendszert biztosít az orvosi képalkotó mesterséges intelligencia alkalmazások építésének felgyorsításához, valamint segédeszközöket az alkalmazás MAP-tárolóba csomagolásához. Az alkalmazás SDK beépített szabványalapú funkciói lehetővé teszik, hogy a MAP zökkenőmentesen integrálódjon az egészségügyi informatikai hálózatokba, amihez olyan szabványok használatára van szükség, mint a DICOM, HL7 és FHIR, valamint adatközponti és felhőkörnyezetekben. A MAP-ok előre definiált és testreszabott operátorokat is használhatnak a DICOM képbetöltéshez, sorozatválasztáshoz, modellkövetkeztetéshez és utófeldolgozáshoz
Kidolgoztuk a Python modul az AWS HealthImaging Python SDK Boto3 használatával. Pip telepítéssel és a helper funkcióval lekérheti a DICOM Service-Object Pair (SOP) példányokat az alábbiak szerint:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
A kimeneti SOP-példányok az interaktív 3D orvosi képnézegető itkwidgetekkel jeleníthetők meg a következőkben jegyzetfüzet Az AHItoDICOM osztály több folyamat előnyeit használja ki a pixelkockák párhuzamos lekérésére az AWS HealthImaging szolgáltatásból, és megfejt a HTJ2K bináris blobok használatával Python OpenJPEG könyvtár. Az ImageSetIds egy adott AWS HealthImaging importálási feladat kimeneti fájljaiból származik. A DatastoreId és az import JobId megadásával az ImageSetId azonosítót, amely egyenértékű a DICOM sorozat példányának UID-jével, az alábbiak szerint kérheti le:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
Az ImageSetId segítségével a natív AWS HealthImaging API-funkciók segítségével külön-külön lekérheti a DICOM-fejléc metaadatait és képpontjait. A DICOM exportőr aggregátumok a DICOM fejléceket és képpontokat a Pydicom adatkészlet, amelyet a MAP DICOM adatbetöltő operátor. A DICOMizeImageSet() függvény segítségével létrehoztunk egy összekötőt a képadatok betöltésére az AWS HealthImaging szolgáltatásból a MAP alapján. DICOM adatbetöltő kezelő:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
Az előző kódban ahi_client
az AHItoDICOM DICOM exportőr osztály egy példánya, adatvisszakereső funkciókkal. Ezt az új adatbetöltő operátort a 3D lépszegmentációs AI-alkalmazás, amelyet a MONAI Deploy App SDK hozott létre. Először megtudhatja, hogyan hozhatja létre és futtathatja ezt az alkalmazást egy helyi notebook példányon, majd telepítse ezt a MAP-alkalmazást a SageMaker felügyelt következtetési végpontjaiba.
SageMaker aszinkron következtetés
Egy SageMaker aszinkron következtetés végpontot a nagy hasznos adatmérettel (akár 1 GB), a hosszú feldolgozási időkkel (akár 15 perc) és a közel valós idejű késleltetési követelményekkel rendelkező kérésekhez használják. Ha nincs feldolgozandó kérés, ez a telepítési lehetőség a példányszámot nullára csökkentheti a költségmegtakarítás érdekében, ami ideális az orvosi képalkotás ML következtetési munkaterheléseihez. Kövesse a lépéseket a mintafüzet a SageMaker aszinkron következtetési végpont létrehozásához és meghívásához. Nak nek hozzon létre egy aszinkron következtetési végpontot, először létre kell hoznia egy SageMaker modellt és végpont konfigurációt. A SageMaker modell létrehozásához be kell töltenie egy model.tar.gz csomagot az a meghatározott könyvtárszerkezet egy Docker konténerbe. A model.tar.gz csomag tartalmaz egy előre betanított lépszegmentációs model.ts fájlt és egy testreszabott inference.py fájlt. A modell betöltéséhez és az előrejelzések futtatásához egy előre beépített tárolót használtunk a Python 3.8 és a PyTorch 1.12.1 keretrendszer verzióival.
A testreszabott következtetés.py fájlban példányosítunk egy AHItoDICOM segédosztályt az AHItoDICOMInterface-ből, és ezzel hozunk létre egy MAP példányt a model_fn()
függvényt, és a MAP alkalmazást minden következtetési kérésre futtatjuk a predict_fn()
funkció:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
Nak nek meghívja az aszinkron végpontot, akkor fel kell töltenie a kérés bemeneti rakományát ide Amazon egyszerű tárolási szolgáltatás (Amazon S3), amely egy JSON-fájl, amely megadja az AWS HealthImaging adattár azonosítóját és az ImageSet azonosítót a következtetés futtatásához:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
A kimenet megtalálható az Amazon S3-ban is.
SageMaker többmodell valós idejű következtetés
SageMaker valós idejű következtetés végpontok megfelelnek az interaktív, alacsony késleltetésű követelményeknek. Ez a lehetőség több modellt is tárolhat egy tárolóban egy végpont mögött, ami méretezhető és költséghatékony megoldás több ML-modell üzembe helyezéséhez. A A SageMaker többmodell végpontja az NVIDIA Triton Inference Servert használja GPU-val több mély tanulási modell-következtetés futtatásához.
Ebben a részben azt mutatjuk be, hogyan hozhat létre és hívhat meg több modellből álló végpontot saját következtetési tárolójának adaptálása a következőkben mintafüzet. Különböző modellek kiszolgálhatók egy megosztott tárolóban ugyanazon az erőforrásflottán. A többmodelles végpontok csökkentik a telepítési többletköltséget és a méretezési modellkövetkeztetéseket a végpont felé irányuló forgalmi minták alapján. Használtuk AWS fejlesztői eszközök beleértve Amazon CodeCommit, Amazon CodeBuildés Amazon CodePipeline építeni a testreszabott konténer a SageMaker modellkövetkeztetéshez. Elkészítettük a model_handler.py hogy az előző példában szereplő inference.py fájl helyett saját tárolót hozzon létre, és megvalósítsa az inicializálás(), a preprocess() és az inference() függvényeket:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
Miután a konténer megépült és oda lett tolva Amazon Elastic Container Registry (Amazon ECR), létrehozhat vele SageMaker modellt, plusz különböző modellcsomagokat (tar.gz fájlokat) egy adott Amazon S3 elérési úton:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
Figyelemre méltó, hogy a model_url
itt csak a tar.gz fájlok mappájának elérési útját adja meg, és megadja, hogy melyik modellcsomagot használja a következtetéshez a végpont meghívásakor, ahogy az a következő kódban is látható:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
Több modellt is hozzáadhatunk a meglévő többmodelles következtetési végponthoz anélkül, hogy frissíteni kellene a végpontot vagy újat kellene létrehoznunk.
Tisztítsuk meg
Ne felejtse el kitölteni a Törölje a tárhely-erőforrásokat lépj be a labor-3 és a labor-4 jegyzetfüzeteket a SageMaker következtetési végpontok törléséhez. A költségek megtakarítása érdekében le kell tiltania a SageMaker notebook példányt. Végül meghívhatja az AWS HealthImaging API függvényt, vagy az AWS HealthImaging konzolt használhatja a korábban létrehozott képkészletek és adattár törléséhez:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan hozhat létre MAP-csatlakozót az AWS HealthImaginghez, amely újrafelhasználható a MONAI Deploy App SDK-val épített alkalmazásokban, hogy integrálódjon és felgyorsítsa a képadatok visszakeresését a felhőben natív DICOM-tárolóból az orvosi képalkotó mesterséges intelligencia munkaterheléseibe. . A MONAI Deploy SDK használható a kórházi műveletek támogatására. Bemutattunk két tárhely-lehetőséget is a MAP AI-alkalmazások SageMakeren történő nagyszabású üzembe helyezéséhez.
Lapozd át a példafüzeteket a GitHub tárház hogy többet megtudjon arról, hogyan telepíthet MONAI alkalmazásokat a SageMakeren az AWS HealthImagingben tárolt orvosi képekkel. Ha meg szeretné tudni, hogy az AWS mit tud az Ön számára, vegye fel a kapcsolatot egy AWS képviselője.
További forrásokért tekintse meg a következőket:
A szerzőkről
Ming (Melvin) Qin az NVIDIA Healthcare csapatának független munkatársa, egy mesterséges intelligencia-következtetési alkalmazási keretrendszer és platform kifejlesztésére összpontosítva, hogy a mesterséges intelligenciát az orvosi képalkotási munkafolyamatokba vezesse be. Mielőtt 2018-ban a Clara alapító tagjaként csatlakozott az NVIDIA-hoz, Ming 15 évet töltött a Radiology PACS és a Workflow SaaS fejlesztésével a Stentor Inc. vezető mérnökeként/építészeként, amelyet később a Philips Healthcare felvásárolt, hogy megalakítsa az Enterprise Imaging-et.
David Bericat az NVIDIA Healthcare termékmenedzsere, ahol a Project MONAI Deploy munkacsoportot vezeti, hogy a mesterséges intelligenciát a kutatástól a klinikai telepítésekig vigye át. Szenvedélye az egészségügyi innováció globális felgyorsítása, valódi klinikai hatásra fordítva azt. Korábban David a Red Hatnél dolgozott, ahol nyílt forráskódú elveket valósított meg az AI, a felhő, az élszámítástechnika és az IoT metszéspontjában. Legbüszkébb pillanatai közé tartozik, hogy túrázott az Everest alaptáborába, és több mint 20 éven át focizott.
Brad Genereaux az NVIDIA egészségügyi szövetségének globális vezetője, ahol a fejlesztői kapcsolatokért felel, különös tekintettel az orvosi képalkotásra, hogy felgyorsítsa a mesterséges intelligenciát és a mély tanulást, a vizualizációt, a virtualizációt és az analitikai megoldásokat. Brad több mint 20 éves egészségügyi informatikai tapasztalattal hirdeti az egészségügyi és orvosi képalkotó munkafolyamatok zökkenőmentes átvételét és integrálását a mindennapi klinikai gyakorlatba.
Gang Fu egészségügyi megoldások építésze az AWS-nél. A Mississippi Egyetemen szerzett PhD fokozatot gyógyszertudományból, és több mint 10 éves technológiai és orvosbiológiai kutatási tapasztalattal rendelkezik. Szenvedélye a technológia és annak az egészségügyre gyakorolt hatása.
JP Leger Senior Solutions Architect, aki az AWS akadémiai orvosi központjait és orvosi képalkotó munkafolyamatait támogatja. Több mint 20 éves tapasztalattal rendelkezik a szoftverfejlesztés, az egészségügyi informatika és az orvosi képalkotás terén, és széleskörű tapasztalattal rendelkezik a teljesítményt, méretezhetőséget és biztonságot szolgáló rendszerek tervezésében nagy adatmennyiségek telephelyi, felhőben történő elosztott telepítéséhez, valamint az analitikával és mesterséges intelligenciával kombinálva. .
Chris Hafey az Amazon Web Services fő megoldási építésze. Több mint 25 éves tapasztalattal rendelkezik az orvosi képalkotó iparban, és skálázható, nagy teljesítményű rendszerek építésére specializálódott. Ő a népszerű CornerstoneJS nyílt forráskódú projekt megalkotója, amely a népszerű OHIF nyílt forráskódú nulla lábnyom-nézegetőjét hajtja végre. Hozzájárult a DICOMweb specifikációhoz, és továbbra is azon dolgozik, hogy javítsa a teljesítményét a webalapú megtekintéshez.
- 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/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 12
- 15 év
- 15%
- 20
- 20 év
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- Rólunk
- egyetemi
- gyorsul
- gyorsuló
- hozzáférés
- hozzáférhető
- Fiók
- szerzett
- át
- hozzá
- További
- Örökbefogadás
- Előny
- megfizethető
- AI
- AI modellek
- Figyelmeztetések
- algoritmusok
- Minden termék
- Szövetségek
- lehetővé
- Is
- amazon
- Az Amazon Web Services
- an
- analitika
- és a
- api
- API-hozzáférés
- API-k
- app
- Alkalmazás
- alkalmazások
- építészet
- VANNAK
- mesterséges
- mesterséges intelligencia
- AS
- At
- attribútumok
- Automatikus
- elérhető
- AWS
- bázis
- alapján
- BE
- előtt
- mögött
- orvosbiológiai
- test
- mindkét
- fejnélküli
- áttörések
- hoz
- épít
- Épület
- épült
- beépített
- by
- hívás
- Tábor
- TUD
- ami
- esetek
- Központ
- Centers
- Clara
- osztály
- Klinikai
- felhő
- kód
- hogyan
- teljes
- tartalmaz
- számítástechnika
- Configuration
- Connectivity
- Konzol
- konzorcium
- kapcsolat
- Konténer
- tartalmaz
- tartalom
- kontextus
- tovább
- hozzájárultak
- hozzájáruló
- Költség
- költségmegtakarítás
- költséghatékony
- kiadások
- terjed
- társszerzője
- teremt
- készítette
- Teremtő
- szabott
- dátum
- Adatközpont
- David
- mély
- mély tanulás
- bizonyítani
- igazolták
- telepíteni
- bevezetéséhez
- bevetés
- bevetések
- Dev
- fejlett
- Fejlesztő
- fejlesztők
- fejlesztése
- különböző
- megosztott
- do
- Dokkmunkás
- dokumentum
- le-
- Korábban
- él
- szélsőséges számítástechnika
- hatékony
- bármelyik
- más
- lehetővé teszi
- végtől végig
- Endpoint
- Mérnöki
- Vállalkozás
- környezetek
- Egyenértékű
- Everest
- Minden
- mindennapi
- példa
- Kivéve
- létező
- tapasztalat
- szakvélemény
- feltárása
- kiterjedt
- Átfogó tapasztalat
- rendkívüli módon
- hamis
- GYORS
- filé
- Fájlok
- Végül
- vezetéknév
- FLOTTA
- Összpontosít
- összpontosított
- következik
- következő
- következik
- Lábnyom
- A
- forma
- formátum
- talált
- alapító
- Keretrendszer
- ból ből
- fu
- teljesen
- funkció
- funkciós
- funkciók
- GitHub
- adott
- Globális
- globálisan
- GPU
- Csoport
- kalap
- Legyen
- tekintettel
- he
- fejlécek
- Egészség
- egészségügyi
- itt
- nagy teljesítményű
- nagyon
- övé
- tart
- kórház
- vendéglátó
- házigazdája
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- hibrid
- ID
- ideális
- Identitás
- if
- illusztrálja
- kép
- képek
- Leképezés
- Hatás
- végre
- végrehajtási
- importál
- behozatal
- javuló
- in
- Inc.
- tartalmaz
- beleértve
- magában foglalja a
- Beleértve
- független
- ipar
- Innováció
- bemenet
- bemenet
- telepíteni
- példa
- helyette
- integrálni
- integráció
- Intelligencia
- interaktív
- útkereszteződés
- bele
- tárgyak internete
- Írország
- IT
- ITS
- Munka
- csatlakozott
- jpg
- json
- Kulcs
- Ismer
- nagy
- Késleltetés
- a későbbiekben
- vezet
- vezetők
- vezetékek
- TANUL
- tanulás
- vonal
- kiszámításának
- rakodó
- betöltés
- helyi
- Hosszú
- gép
- gépi tanulás
- Többség
- csinál
- sikerült
- menedzser
- kezelése
- térkép
- Térképek
- orvosi
- Találkozik
- tag
- Metaadatok
- Metrics
- Perc
- ML
- Mód
- modell
- modellek
- Modulok
- Pillanatok
- monitor
- több
- Többmodell végpont
- többszörös
- bennszülött
- Szükség
- hálózat
- hálózatok
- Új
- nem
- Egyik sem
- Északi
- jegyzetfüzet
- figyelemre méltó
- Nvidia
- tárgy
- of
- Ajánlatok
- on
- ONE
- csak
- nyitva
- nyílt hálózat
- nyílt forráskódú
- Művelet
- operátor
- üzemeltetők
- optimalizált
- opció
- Opciók
- or
- Oregon
- OS
- Más
- teljesítmény
- felett
- saját
- csomag
- csomagok
- csomagolás
- pár
- Párhuzamos
- szenvedély
- szenvedélyes
- ösvény
- minták
- teljesítmény
- engedély
- Gyógyszeripari
- phd
- csővezeték
- pixel
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- plusz
- Népszerű
- állás
- powered
- hatáskörök
- gyakorlat
- Tippek
- előkészített
- előző
- korábban
- Fő
- elvek
- folyamat
- Feldolgozott
- Folyamatok
- feldolgozás
- Termékek
- termék menedzser
- Termelés
- program
- ingatlanait
- biztosít
- meglökött
- Piton
- pytorch
- real-time
- Valóság
- kap
- Piros
- Red Hat
- csökkenteni
- utal
- vidék
- régiók
- kapcsolatok
- képviselet
- kérni
- kéri
- követelmények
- megköveteli,
- kutatás
- kutatók
- Tudástár
- válasz
- felelős
- visszatérés
- újrahasználható
- futás
- futás
- s
- SaaS
- sagemaker
- SageMaker következtetés
- azonos
- Megtakarítás
- Megtakarítás
- skálázhatóság
- skálázható
- Skála
- skálázás
- Tudomány
- sdk
- zökkenőmentes
- Rész
- biztonság
- szegmentáció
- kiválasztás
- MAGA
- idősebb
- Series of
- szolgált
- szolgáltatás
- Szolgáltatások
- Szettek
- beállítás
- számos
- formák
- megosztott
- kellene
- kimutatta,
- mutatott
- Egyszerű
- méretek
- simán
- Futball
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- forrás
- specializálódott
- leírás
- költött
- szabványok
- Lépés
- Lépései
- tárolás
- tárolni
- memorizált
- Húr
- ilyen
- támogatás
- Támogató
- sydney
- Systems
- tart
- csapat
- Technológia
- Tesztelés
- mint
- hogy
- A
- azok
- Őket
- akkor
- Ott.
- Ezek
- ezt
- Keresztül
- alkalommal
- nak nek
- együtt
- szerszámok
- felé
- forgalom
- Triton
- igaz
- megpróbál
- FORDULAT
- kettő
- mindenütt jelenlevő
- egyetemi
- Frissítések
- használ
- használt
- használó
- használ
- segítségével
- hasznosság
- fajta
- verzió
- megtekintők
- Virginia
- látomás
- megjelenítés
- Képzeld
- kötetek
- W
- séta
- akar
- we
- háló
- webes szolgáltatások
- web-alapú
- JÓL
- Mit
- amikor
- ami
- lesz
- val vel
- belül
- nélkül
- Munka
- dolgozott
- munkafolyamat
- munkafolyamatok
- dolgozó
- Munkacsoport
- év
- te
- A te
- zephyrnet
- nulla