A mai rohamosan fejlődő egészségügyi környezetben az orvosok hatalmas mennyiségű klinikai adattal szembesülnek különböző forrásokból, például gondozói feljegyzésekből, elektronikus egészségügyi nyilvántartásokból és képalkotó jelentésekből. Ez a rengeteg információ, bár nélkülözhetetlen a betegek ellátásához, az egészségügyi szakemberek számára is elsöprő és időigényes lehet a kiszűrése és elemzése. Az adatok hatékony összegzése és az azokból származó betekintések döntő fontosságú a jobb betegellátás és döntéshozatal szempontjából. Az összefoglalt beteginformációk hasznosak lehetnek számos későbbi folyamatban, például az adatok összesítésében, a betegek hatékony kódolásában vagy a hasonló diagnózisú betegek csoportosításában felülvizsgálat céljából.
A mesterséges intelligencia (AI) és a gépi tanulási (ML) modellek ígéretesnek bizonyultak e kihívások kezelésében. A modellek betaníthatók nagy mennyiségű szöveges adat elemzésére és értelmezésére, hatékonyan tömörítve az információkat tömör összefoglalókba. Az összegzési folyamat automatizálásával az orvosok gyorsan hozzáférhetnek a releváns információkhoz, így a betegek ellátására összpontosíthatnak, és megalapozottabb döntéseket hozhatnak. Lásd a következőket esettanulmány hogy többet tudjon meg egy valós használati esetről.
Amazon SageMaker, egy teljesen felügyelt ML szolgáltatás, ideális platformot biztosít különféle AI/ML alapú összefoglaló modellek és megközelítések tárolására és megvalósítására. Ebben a bejegyzésben megvizsgáljuk az összegzési technikák SageMaker alkalmazásban való megvalósításának különböző lehetőségeit, beleértve a használatát is Amazon SageMaker JumpStart alapozó modellek, a Hugging Face előre betanított modelljei finomhangolása és egyedi összefoglaló modellek készítése. Megbeszéljük az egyes megközelítések előnyeit és hátrányait is, így az egészségügyi szakemberek kiválaszthatják a legmegfelelőbb megoldást az összetett klinikai adatok tömör és pontos összefoglalóinak előállításához.
Két fontos kifejezést ismernünk kell, mielőtt elkezdenénk: előképzett és a finomhangolás. Az előre betanított vagy alapozó modell az, amelyet nagy mennyiségű adatra építettek és képeztek, jellemzően az általános nyelvtudásra. A finomhangolás az a folyamat, amelynek során egy előre betanított modell egy másik, tartományspecifikusabb adatkészletet kap, hogy javítsa teljesítményét egy adott feladaton. Egészségügyi környezetben ez azt jelentené, hogy a modellnek bizonyos adatokat kell megadnia, beleértve a kifejezetten a betegellátásra vonatkozó kifejezéseket és terminológiát.
Egyéni összefoglaló modellek létrehozása a SageMakeren
Bár ez a legnagyobb erőfeszítést igénylő megközelítés, egyes szervezetek inkább a semmiből szeretnének egyéni összefoglaló modelleket építeni a SageMakeren. Ez a megközelítés az AI/ML-modellek alaposabb ismeretét igényli, és magában foglalhatja a modellarchitektúra elölről történő létrehozását vagy a meglévő modellek egyedi igényekhez igazítását. Az egyedi modellek felépítése nagyobb rugalmasságot és ellenőrzést kínál az összegzési folyamat felett, ugyanakkor több időt és erőforrást igényel az előre betanított modellekből induló megközelítésekhez képest. Alapvető fontosságú, hogy alaposan mérlegelje ennek a lehetőségnek az előnyeit és hátrányait, mielőtt továbblépne, mert előfordulhat, hogy nem minden felhasználási esetre alkalmas.
SageMaker JumpStart alapozó modellek
Az összegzés megvalósítására a SageMaker-en nagyszerű lehetőség a JumpStart alapozó modellek használata. Ezek a vezető mesterséges intelligencia-kutató szervezetek által kifejlesztett modellek számos előre betanított nyelvi modellt kínálnak, amelyeket különféle feladatokra optimalizáltak, beleértve a szöveges összegzést is. A SageMaker JumpStart kétféle alapozó modellt kínál: szabadalmaztatott modelleket és nyílt forráskódú modelleket. A SageMaker JumpStart HIPAA-jogosultságot is biztosít, ami hasznossá teszi az egészségügyi feladatokhoz. A megfelelőség biztosítása végső soron az ügyfélen múlik, ezért feltétlenül tegye meg a megfelelő lépéseket. Lát Az Amazon Web Services HIPAA biztonságának és megfelelőségének tervezése fül alatt találsz.
Saját tulajdonú alapozó modellek
A szabadalmaztatott modellek, mint például az AI21 Jurassic modelljei és a Cohere Cohere Generate modellje a SageMaker JumpStart segítségével fedezhetők fel a AWS felügyeleti konzol és jelenleg előnézet alatt vannak. A szabadalmaztatott modellek használata az összegzéshez ideális, ha nem kell egyedi adatokon finomhangolnia a modellt. Ez egy könnyen használható, kész megoldást kínál, amely minimális konfigurációval megfelel az összesítési követelményeknek. Ezen előre betanított modellek képességeinek használatával időt és erőforrásokat takaríthat meg, amelyeket egyébként egy egyedi modell betanítására és finomhangolására fordítana. Ezenkívül a szabadalmaztatott modellek általában felhasználóbarát API-kkal és SDK-kkal érkeznek, amelyek leegyszerűsítik az integrációs folyamatot a meglévő rendszerekkel és alkalmazásaival. Ha az összegzési igényeit előre betanított szabadalmaztatott modellekkel lehet kielégíteni anélkül, hogy speciális testreszabást vagy finomhangolást igényelnének, akkor kényelmes, költséghatékony és hatékony megoldást kínálnak a szövegösszegzési feladatokhoz. Mivel ezeket a modelleket nem kifejezetten egészségügyi felhasználási esetekre képezték ki, finomhangolás nélkül nem garantálható a minőség az orvosi nyelvezetben.
A Jurassic-2 Grande Instruct az AI21 Labs nagy nyelvi modellje (LLM), amely természetes nyelvi utasításokra van optimalizálva, és különféle nyelvi feladatokra alkalmazható. Könnyen használható API-t és Python SDK-t kínál, egyensúlyban tartva a minőséget és a megfizethetőséget. A népszerű felhasználási területek közé tartozik a marketingszöveg létrehozása, a chatbotok működtetése és a szöveges összegzés.
A SageMaker konzolon navigáljon a SageMaker JumpStart oldalra, keresse meg az AI21 Jurassic-2 Grande Instruct modellt, és válassza Próbálja ki a modellt.
Ha a modellt egy Ön által kezelt SageMaker-végpontra szeretné telepíteni, kövesse az ebben a mintában található lépéseket. jegyzetfüzet, amely bemutatja, hogyan telepítheti a Jurassic-2 Large-ot a SageMaker segítségével.
Nyílt forráskódú alapozó modellek
A nyílt forráskódú modellek közé tartoznak a FLAN T5, Bloom és GPT-2 modellek, amelyek a SageMaker JumpStart segítségével fedezhetők fel a Amazon SageMaker Studio UI, SageMaker JumpStart a SageMaker konzolon és SageMaker JumpStart API-k. Ezek a modellek finomhangolhatók és üzembe helyezhetők az AWS-fiókja végpontjaiban, így teljes körűen birtokolhatja a modellsúlyokat és a szkriptkódokat.
A Flan-T5 XL egy erőteljes és sokoldalú modell, amelyet nyelvi feladatok széles skálájára terveztek. Ha finomhangolja a modellt a tartományspecifikus adatokkal, optimalizálhatja teljesítményét az adott használati esetre, például szöveges összegzésre vagy bármely más NLP-feladatra. A Flan-T5 XL SageMaker Studio felhasználói felülettel történő finomhangolásával kapcsolatos részletekért lásd: A FLAN T5 XL finomhangolása az Amazon SageMaker Jumpstart segítségével.
Az előre betanított modellek finomhangolása Hugging Face segítségével a SageMakeren
Az összegzés megvalósításának egyik legnépszerűbb lehetősége a SageMaker-en az előre betanított modellek finomhangolása a Hugging Face segítségével. transzformerek könyvtár. A Hugging Face az előre betanított transzformátormodellek széles választékát kínálja, amelyeket kifejezetten különféle természetes nyelvi feldolgozási (NLP) feladatokhoz terveztek, beleértve a szövegösszegzést is. A Hugging Face Transformers könyvtárral a SageMaker segítségével könnyedén finomhangolhatja ezeket az előre betanított modelleket a domain-specifikus adataira. Ez a megközelítés számos előnnyel jár, mint például a gyorsabb betanítási idő, a jobb teljesítmény bizonyos tartományokon, valamint a modellek egyszerűbb csomagolása és telepítése a beépített SageMaker eszközök és szolgáltatások segítségével. Ha nem talál megfelelő modellt a SageMaker JumpStartban, kiválaszthatja a Hugging Face által kínált bármelyik modellt, és finomhangolhatja azt a SageMaker segítségével.
A modellel való munka megkezdéséhez, hogy megismerje az ML képességeit, mindössze annyit kell tennie, hogy megnyitja a SageMaker Studio alkalmazást, és meg kell találnia egy előre betanított modellt, amelyet használni szeretne. Átölelő arcmodell központ, és válassza ki a SageMakert telepítési módszerként. A Hugging Face megadja a kódot, amelyet másolhat, beilleszthet és futtathat a notebookban. Ez olyan egyszerű! ML mérnöki tapasztalat nem szükséges.
A Hugging Face Transformers könyvtár lehetővé teszi az építők számára, hogy az előre betanított modelleken dolgozzanak, és olyan speciális feladatokat hajtsanak végre, mint a finomhangolás, amelyet a következő szakaszokban tárgyalunk.
Erőforrások biztosítása
Mielőtt elkezdhetnénk, gondoskodnunk kell egy notebookról. Az utasításokat az 1. és 2. lépésben találja Építsen és tanítson gépi tanulási modellt helyben. Ebben a példában a következő képernyőképen látható beállításokat használtuk.
Létre kell hoznunk egy Amazon egyszerű tárolási szolgáltatás (Amazon S3) vödör az edzési adatok és az edzési műtermékek tárolására. Az utasításokat lásd Vödör létrehozása.
Készítse elő az adatkészletet
Ahhoz, hogy modellünket a jobb tartományismeret érdekében finomhangoljuk, a feladatnak megfelelő adatokat kell beszereznünk. Vállalati használati esetre való képzés során számos adatmérnöki feladaton kell keresztülmennie, hogy előkészítse saját adatait, hogy készen álljon a betanításra. Ezek a feladatok kívül esnek e poszton. Ebben a példában szintetikus adatokat generáltunk az ápolási feljegyzések emulálásához, és tároltuk az Amazon S3-ban. Adataink Amazon S3-ban való tárolása lehetővé teszi számunkra megtervezzük a munkaterhelésünket a HIPAA megfelelőség érdekében. Kezdjük azzal, hogy beszerezzük ezeket a jegyzeteket, és betöltjük azokat a példányt, ahol a notebookunk fut:
A megjegyzések egy oszlopból állnak, amely tartalmazza a teljes bejegyzést, megjegyzést, és egy oszlopból, amely egy rövidített változatot tartalmaz, amely példázza, hogy mi legyen a kívánt kimenet, összefoglaló. Ennek az adatkészletnek az a célja, hogy javítsuk modellünk biológiai és orvosi szókincsét, hogy jobban illeszkedjen az egészségügyi kontextusban történő összefoglaláshoz, ún. domain finomhangolás, és mutassuk meg modellünknek, hogyan strukturáljuk az összesített kimenetét. Egyes összefoglaló esetekben előfordulhat, hogy egy cikkből kivonatot vagy egy áttekintés egysoros szinopszisát szeretnénk készíteni, de ebben az esetben megpróbáljuk elérni, hogy modellünk a tünetek és a megtett intézkedések rövidített változatát adja ki. eddigi betegnek.
Töltse be a modellt
Az alapként használt modell a Google Pegasus egy verziója, amely a Hugging Face Hubban elérhető, ún. pegasus-xsum. Már előképzett az összegzésre, így a finomhangolási folyamatunk a tartományi ismeretek bővítésére összpontosíthat. A modellünk által futtatott feladat módosítása egy másfajta finomhangolás, amelyre ebben a bejegyzésben nem térünk ki. A Transformer könyvtár egy osztályt biztosít számunkra a modelldefiníció betöltéséhez model_checkpoint: google/pegasus-xsum
. Ez betölti a modellt a hubról, és példányosítja a notebookunkban, így később használhatjuk. Mert pegasus-xsum
egy szekvencia-szekvencia modell, a Seq2Seq típust szeretnénk használni AutoModel osztály:
Most, hogy megvan a modellünk, itt az ideje, hogy figyelmünket a többi összetevőre irányítsuk, amelyek lehetővé teszik számunkra az edzési kör futtatását.
Hozzon létre egy tokenizert
Az első ilyen komponens a tokenizátor. tokenizálás az a folyamat, amelynek során a bemeneti adatokból származó szavak numerikus reprezentációkká alakulnak, amelyeket a modellünk megérthet. A Transformer könyvtár ismét egy osztályt biztosít számunkra, hogy betöltsünk egy tokenizátor definíciót ugyanabból az ellenőrzőpontból, amelyet a modell példányosításához használtunk:
Ezzel a tokenizáló objektummal létrehozhatunk egy előfeldolgozó függvényt, és leképezhetjük azt az adatkészletünkre, hogy készen álljanak a tokenek a modellbe való betáplálásra. Végül formázzuk a tokenizált kimenetet, és eltávolítjuk az eredeti szövegünket tartalmazó oszlopokat, mert a modell nem fogja tudni értelmezni azokat. Most maradt egy tokenizált bemenetünk, amely készen áll a modellbe való betáplálásra. Lásd a következő kódot:
Adataink tokenizálásával és modellünk példányosításával majdnem készen állunk a képzési ciklus futtatására. A következő alkotóelemek, amelyeket létrehozni szeretnénk, az adatgyűjtő és az optimalizáló. Az adatgyűjtő egy másik osztály, amelyet a Hugging Face biztosít a Transformers könyvtáron keresztül, amelyet arra használunk, hogy tokenizált adatainkat kötegekben hozzuk létre a képzéshez. Könnyedén felépíthetjük ezt a már meglévő tokenizátor és modellobjektumok segítségével, ha megtaláljuk a megfelelő osztálytípust, amelyet korábban a modellünkhöz (Seq2Seq) használtunk a Colator osztályhoz. Az optimalizáló funkciója a képzési állapot fenntartása és a paraméterek frissítése az edzési veszteségünk alapján, miközben a hurkon dolgozunk. Optimalizáló létrehozásához importálhatjuk a optim csomagot a fáklya modulból, ahol számos optimalizálási algoritmus áll rendelkezésre. Néhány gyakori, amivel korábban találkozhatott, a Sztochasztikus Gradiens süllyedés és Ádám, amelyek közül az utóbbit alkalmazzuk a példánkban. Adam konstruktora beveszi a modell paramétereit és a paraméterezett tanulási sebességet az adott edzésfutáshoz. Lásd a következő kódot:
Az edzés megkezdése előtt az utolsó lépések a gyorsító és a tanulási ütem ütemező felépítése. A gyorsító egy másik könyvtárból származik (elsősorban Transformers-t használtunk), amelyet a Hugging Face készített, találóan Accelerate néven, és elvonatkoztatja az eszközök kezeléséhez szükséges logikát edzés közben (például több GPU használatával). Az utolsó komponenshez újra meglátogatjuk a mindig hasznos Transformers könyvtárat, hogy megvalósítsuk tanulási ütemütemezőnket. Az ütemező típusának megadásával a ciklusunkban a képzési lépések teljes számát és a korábban létrehozott optimalizálót, a get_scheduler
függvény egy objektumot ad vissza, amely lehetővé teszi számunkra, hogy a kezdeti tanulási sebességünket a képzési folyamat során módosítsuk:
Teljesen felkészültünk az edzésre! Állítsunk be egy képzési munkát, kezdve a példányosítással képzési_args a Transformers könyvtár használatával és paraméterértékek kiválasztásával. Ezeket a többi előkészített komponensünkkel és adatkészletünkkel együtt közvetlenül továbbíthatjuk a edző és kezdje el az edzést a következő kód szerint. Az adatkészlet méretétől és a kiválasztott paraméterektől függően ez jelentős időt vehet igénybe.
Csomagolja be a modellt a következtetéshez
A betanítás lefuttatása után a modellobjektum készen áll a következtetések levonására. A legjobb gyakorlat szerint mentsük el munkánkat későbbi használatra. Létre kell hoznunk a modelltermékeinket, össze kell csomagolnunk őket, és tárolás céljából fel kell töltenünk a tarballunkat az Amazon S3-ra. Modellünk tömörítésre való előkészítéséhez ki kell csomagolnunk az immár finomhangolt modellt, majd el kell mentenünk a modell bináris fájlját és a kapcsolódó konfigurációs fájlokat. A tokenizátorunkat is ugyanabba a könyvtárba kell mentenünk, ahová a modelltermékeinket mentettük, hogy elérhető legyen, amikor a modellt következtetésre használjuk. A miénk model_dir
A mappának a következő kódhoz hasonlónak kell lennie:
Nincs más hátra, mint egy tar parancs futtatása a könyvtárunk tömörítéséhez, és a tar.gz fájl feltöltése az Amazon S3-ba:
Újonnan finomhangolt modellünk készen áll, és felhasználható következtetésekre.
Végezzen következtetést
Ha ezt a modellműterméket következtetésekhez szeretné használni, nyisson meg egy új fájlt, és használja a következő kódot, módosítva a model_data
paramétert, hogy illeszkedjen a műtermék mentési helyéhez az Amazon S3-ban. A HuggingFaceModel
A konstruktor újraépíti a modellünket abból az ellenőrzőpontból, ahová mentettük model.tar.gz
, amelyet azután a telepítési metódus segítségével levonhatunk a következtetésre. A végpont üzembe helyezése néhány percet vesz igénybe.
A végpont üzembe helyezése után az általunk létrehozott előrejelzőt használhatjuk a teszteléshez. Adja át a predict
metódussal egy adatterhelést, és futtassa a cellát, és megkapja a választ a finomhangolt modelltől:
Ha látni szeretné a modell finomhangolásának előnyeit, végezzünk egy gyors tesztet. A következő táblázat egy promptot és annak a modellnek való átadásának eredményeit tartalmazza a finomhangolás előtt és után.
Gyors | Válasz finomhangolás nélkül | Válasz a finomhangolással |
Foglalja össze a beteg által tapasztalt tüneteket. A páciens egy 45 éves férfi, akinek panaszai a bal karba sugárzó mellkas alatti fájdalomra panaszkodnak. A fájdalom hirtelen jelentkezik, miközben udvari munkát végzett, és enyhe légszomjjal és izzadással jár. Érkezéskor a beteg pulzusa 120, légzésszáma 24, vérnyomása 170/95 volt. A sürgősségi osztályra érkezéskor 12 elvezetéses elektrokardiogramot és három szublingvális nitroglicerint adtak be a mellkasi fájdalom csillapítása nélkül. Az elektrokardiogram ST-emelkedést mutat az elülső vezetékekben, ami akut elülső szívizominfarktust jelez. Felvettük a kapcsolatot a szívkatéterező laborral és a kardiológus általi szívkatéterezés előkészítésével. | Egy akut miokardiális infarktus esetét mutatjuk be. | Mellkasi fájdalom, elülső MI, PCI. |
Amint láthatja, a finomhangolt modellünk eltérően használja az egészségügyi terminológiát, és sikerült megváltoztatnunk a válasz szerkezetét, hogy megfeleljen a céljainknak. Vegye figyelembe, hogy az eredmények az adatkészlettől és a képzés során meghozott tervezési döntésektől függenek. Az Ön modellváltozata nagyon eltérő eredményeket kínálhat.
Tisztítsuk meg
Ha végzett a SageMaker notebookjával, mindenképpen állítsa le, hogy elkerülje a hosszú távú erőforrásokból származó költségeket. Ne feledje, hogy a példány leállítása a példány efemer memóriájában tárolt adatok elvesztésével jár, ezért a tisztítás előtt minden munkáját tartós tárhelyre kell mentenie. Önnek is el kell mennie a Végpontok oldalt a SageMaker konzolon, és törölje a következtetéshez telepített végpontokat. Az összes műtermék eltávolításához az Amazon S3 konzolra is fel kell lépnie a tárolóba feltöltött fájlok törléséhez.
Következtetés
Ebben a bejegyzésben különféle lehetőségeket vizsgáltunk meg a szövegösszegzési technikák SageMaker alkalmazásban való megvalósítására, hogy segítsünk az egészségügyi szakembereknek hatékonyan feldolgozni és betekintést nyerni a hatalmas mennyiségű klinikai adatból. Megbeszéltük a SageMaker Jumpstart alapozó modellek használatát, a Hugging Face előre betanított modelljei finomhangolását és az egyéni összefoglaló modellek felépítését. Mindegyik megközelítésnek megvannak a maga előnyei és hátrányai, amelyek megfelelnek a különböző igényeknek és követelményeknek.
Az egyéni összefoglaló modellek felépítése a SageMakeren nagy rugalmasságot és vezérlést tesz lehetővé, de több időt és erőforrást igényel, mint az előre betanított modellek használata. A SageMaker Jumpstart alapozó modellek könnyen használható és költséghatékony megoldást kínálnak olyan szervezetek számára, amelyek nem igényelnek speciális testreszabást vagy finomhangolást, valamint néhány lehetőséget az egyszerűsített finomhangolásra. A Hugging Face előképzett modelljei finomhangolása gyorsabb edzési időt, jobb tartományspecifikus teljesítményt és zökkenőmentes integrációt kínál a SageMaker eszközökkel és szolgáltatásokkal a modellek széles katalógusában, de ehhez némi megvalósítási erőfeszítésre van szükség. A bejegyzés írásakor az Amazon egy másik lehetőséget is bejelentett, Amazon alapkőzet, amely összefoglaló képességeket kínál majd egy még jobban felügyelt környezetben.
Az egyes megközelítések előnyeinek és hátrányainak megértésével az egészségügyi szakemberek és szervezetek megalapozott döntéseket hozhatnak a legmegfelelőbb megoldásról az összetett klinikai adatok tömör és pontos összefoglalóinak előállítására. Végső soron az AI/ML-alapú összefoglaló modellek használata a SageMaker-en jelentősen javíthatja a betegek ellátását és a döntéshozatalt azáltal, hogy az egészségügyi szakemberek gyorsan hozzáférhetnek a releváns információkhoz, és a minőségi ellátásra összpontosíthatnak.
Tudástár
Az ebben a bejegyzésben tárgyalt teljes szkripthez és néhány mintaadathoz tekintse meg a GitHub repo. Az ML-munkaterhelések AWS-en való futtatásával kapcsolatos további információkért tekintse meg a következő forrásokat:
A szerzőkről
Cody Collins az Amazon Web Services New York-i Solutions Architect-je. Az ISV-ügyfelekkel együttműködve iparágvezető megoldásokat épít a felhőben. Sikeresen szállított komplex projekteket különböző iparágak számára, optimalizálva a hatékonyságot és a méretezhetőséget. Szabadidejében szívesen olvas, utazik és edzi a jiu jitsut.
Ameer Hakme az AWS Solutions Architect, Pennsylvaniában lakik. Szakmai fókuszában az északkeleti független szoftverszállítókkal való együttműködés áll, és irányítja őket az AWS Cloud skálázható, legmodernebb platformjainak tervezésében és felépítésében.
- 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. Autóipar / elektromos járművek, Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
- BlockOffsets. A környezetvédelmi ellentételezési tulajdon korszerűsítése. Hozzáférés itt.
- Forrás: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :van
- :is
- :nem
- :ahol
- $ UP
- 1
- 10
- 100
- 12
- 14
- 15%
- 24
- 33
- 7
- 8
- 9
- a
- Képes
- Rólunk
- KIVONAT
- gyorsul
- gázpedál
- hozzáférés
- Fiók
- pontos
- át
- cselekvések
- Ádám
- címzés
- beadott
- fejlett
- előnyei
- Után
- újra
- összesítés
- AI
- ai kutatás
- AI / ML
- algoritmusok
- Minden termék
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- már
- Is
- amazon
- Amazon SageMaker
- Az Amazon Web Services
- összeg
- Összegek
- an
- elemez
- és a
- bejelentés
- Másik
- bármilyen
- api
- API-k
- alkalmazható
- alkalmazások
- alkalmazott
- megközelítés
- megközelít
- megfelelő
- építészet
- VANNAK
- ARM
- érkezés
- cikkben
- AS
- társult
- At
- figyelem
- automatizálás
- elérhető
- elkerülése érdekében
- el
- AWS
- kiegyensúlyozó
- alapján
- BE
- mert
- óta
- előtt
- kezdődik
- haszon
- Előnyök
- BEST
- Jobb
- BIN
- vér
- Vérnyomás
- Virágzik
- Doboz
- Lehelet
- széles
- épít
- építők
- Épület
- épült
- beépített
- de
- by
- hívás
- hívott
- TUD
- képességek
- ami
- gondosan
- eset
- esetek
- katalógus
- Okoz
- kihívások
- változik
- chatbots
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választja
- választott
- osztály
- Klinikai
- felhő
- kód
- kódok
- Kódolás
- együttműködő
- Oszlop
- Oszlopok
- hogyan
- jön
- Közös
- képest
- panaszok
- bonyolult
- teljesítés
- összetevő
- alkatrészek
- áll
- tömör
- Configuration
- Hátrányok
- Konzol
- építése
- kontextus
- ellenőrzés
- Kényelmes
- Megfelelő
- költséghatékony
- kiadások
- tudott
- fedett
- teremt
- készítette
- létrehozása
- kritikus
- Jelenleg
- szokás
- vevő
- Ügyfelek
- testreszabás
- dátum
- adatkészletek
- Döntéshozatal
- határozatok
- definíció
- szállított
- bemutatását,
- osztály
- függő
- attól
- telepíteni
- telepített
- bevezetéséhez
- bevetés
- Design
- tervezett
- tervezés
- kívánatos
- részletek
- fejlett
- Eszközök
- különböző
- közvetlenül
- felfedezett
- megvitatni
- tárgyalt
- számos
- do
- Orvosok
- Ennek
- domain
- domainek
- csinált
- ne
- le-
- hátrányai
- alatt
- minden
- könnyebb
- könnyen
- könnyű
- könnyen használható
- hatékonyan
- hatékonyság
- hatékony
- eredményesen
- erőfeszítés
- Elektronikus
- Elektronikus egészségügyi nyilvántartás
- jogosultság
- vészhelyzet
- lehetővé
- lehetővé teszi
- lehetővé téve
- Endpoint
- Mérnöki
- növelése
- biztosítására
- Vállalkozás
- belépés
- Környezet
- korszak
- alapvető
- Még
- fejlődik
- példa
- létező
- tapasztalat
- tapasztal
- feltárása
- feltárt
- Feltárása
- kiterjedő
- kivonat
- Arc
- szembe
- messze
- gyorsabb
- Fed
- kevés
- filé
- Fájlok
- utolsó
- Végül
- Találjon
- megtalálása
- vezetéknév
- megfelelő
- Rugalmasság
- Összpontosít
- következik
- következő
- A
- formátum
- Alapítvány
- ból ből
- Tele
- teljesen
- funkció
- Továbbá
- jövő
- Nyereség
- általános
- generál
- generált
- generáló
- kap
- szerzés
- Ad
- adott
- Giving
- Go
- GPU
- nagy
- nagyobb
- Garantált
- Legyen
- he
- Egészség
- egészségügyi
- Szív
- segít
- övé
- tárhely
- Hogyan
- How To
- HTML
- http
- HTTPS
- Kerékagy
- HuggingFace
- ideális
- if
- Leképezés
- végre
- végrehajtás
- végrehajtási
- importál
- fontos
- javul
- in
- mélyreható
- tartalmaz
- magában foglalja a
- Beleértve
- független
- iparágak
- ipar
- információ
- tájékoztatták
- kezdetben
- bemenet
- bemenet
- meglátások
- példa
- utasítás
- integráció
- Intelligencia
- bele
- vonja
- IT
- ITS
- Munka
- json
- éppen
- Ismer
- tudás
- labor
- Labs
- táj
- nyelv
- nagy
- keresztnév
- a későbbiekben
- vezet
- vezető
- vezetékek
- TANUL
- tanulás
- balra
- könyvtár
- mint
- LLM
- kiszámításának
- betöltés
- elhelyezkedés
- logika
- néz
- veszít
- le
- gép
- gépi tanulás
- készült
- fenntartása
- csinál
- Gyártás
- kezelése
- sikerült
- vezetés
- térkép
- Marketing
- Lehet..
- jelent
- orvosi
- Találkozik
- Memory design
- találkozott
- módszer
- esetleg
- minimális
- Perc
- ML
- modell
- modellek
- Modulok
- több
- a legtöbb
- Legnepszerubb
- többszörös
- Nevezett
- Természetes
- Természetes nyelvi feldolgozás
- Keresse
- Szükség
- igények
- Új
- New York
- újonnan
- következő
- NLP
- nem
- jegyzetfüzet
- Megjegyzések
- Most
- szám
- tárgy
- objektumok
- of
- ajánlat
- felajánlott
- Ajánlatok
- Régi
- on
- ONE
- azok
- fellépő
- -ra
- nyitva
- nyílt forráskódú
- működik
- optimalizálás
- Optimalizálja
- optimalizált
- optimalizálása
- opció
- Opciók
- or
- érdekében
- szervezetek
- eredeti
- Más
- másképp
- mi
- ki
- teljesítmény
- kívül
- felett
- saját
- tulajdon
- csomag
- csomagolás
- oldal
- Fájdalom
- paraméter
- paraméterek
- különös
- elhalad
- Múló
- beteg
- betegek
- Pegazus
- Pennsylvania
- teljesítmény
- vonatkozó
- kifejezés
- emelvény
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- pont
- Népszerű
- állás
- erős
- Bekapcsolom
- gyakorlat
- Predictor
- jobban szeret
- Készít
- előkészített
- be
- nyomás
- Preview
- korábban
- elsősorban
- folyamat
- Folyamatok
- feldolgozás
- Készült
- szakmai
- tehetséges alkalmazottal
- projektek
- ígéret
- szabadalmazott
- PROS
- ad
- feltéve,
- biztosít
- amely
- ellátás
- cél
- célokra
- tesz
- Piton
- világítás
- Quick
- gyorsan
- hatótávolság
- gyorsan
- Arány
- Olvasás
- kész
- való Világ
- nyilvántartások
- megkönnyebbülés
- eltávolítása
- Jelentések
- szükség
- kötelező
- követelmények
- megköveteli,
- kutatás
- Tudástár
- válasz
- Eredmények
- Visszatér
- Kritika
- Szerep
- futás
- futás
- fut
- sagemaker
- azonos
- Megtakarítás
- skálázhatóság
- skálázható
- hatálya
- kaparni
- sdk
- sdks
- zökkenőmentes
- szakaszok
- biztonság
- lát
- különálló
- szolgáltatás
- Szolgáltatások
- készlet
- beállítás
- beállítások
- számos
- rövidített
- kellene
- előadás
- mutatott
- Műsorok
- leállítás
- Szitál
- jelentős
- jelentősen
- hasonló
- Egyszerű
- egyszerűsített
- Méret
- So
- eddig
- szoftver
- megoldások
- Megoldások
- néhány
- valami
- Források
- különleges
- kifejezetten
- költött
- kezdet
- Kezdve
- Állami
- csúcs-
- Lépései
- tárolás
- tárolni
- memorizált
- tárolása
- ésszerűsítése
- struktúra
- stúdió
- nyelvalatti
- sikeresen
- ilyen
- hirtelen
- Öltöny
- megfelelő
- ÖSSZEFOGLALÓ
- biztos
- Tünetek
- szinopszis
- szintetikus
- szintetikus adatok
- Systems
- táblázat
- Vesz
- meghozott
- tart
- Feladat
- feladatok
- technikák
- terminológia
- feltételek
- teszt
- mint
- hogy
- A
- az agy
- Őket
- akkor
- Ezek
- ők
- ezt
- azok
- három
- Keresztül
- egész
- idő
- időigényes
- alkalommal
- nak nek
- mai
- együtt
- Vezérjeles
- tokenek
- szerszámok
- fáklya
- Végösszeg
- Vonat
- kiképzett
- Képzések
- át
- transzformátor
- transzformerek
- Utazó
- kettő
- típus
- típusok
- jellemzően
- ui
- Végül
- képtelen
- alatt
- megért
- megértés
- Frissítések
- feltöltve
- us
- használ
- használati eset
- használt
- barátságos felhasználói
- használ
- segítségével
- kihasználva
- érvényesítés
- Értékek
- különféle
- Hatalmas
- gyártók
- sokoldalú
- változat
- nagyon
- kötetek
- akar
- volt
- we
- Vagyon
- háló
- webes szolgáltatások
- mérjünk
- JÓL
- Mit
- amikor
- ami
- míg
- széles
- Széleskörű
- lesz
- val vel
- nélkül
- szavak
- Munka
- dolgozó
- művek
- lenne
- írás
- év
- york
- te
- A te
- zephyrnet
- Postai irányítószám