Ez egy vendégbejegyzés, amelynek társszerzői Ajay K Gupta, Jean Felipe Teotonio és Paul A Churchyard a HSR.health-től.
HSR.Egészség egy térinformatikai egészségügyi kockázatelemző cég, amelynek víziója az, hogy a globális egészségügyi kihívások emberi találékonysággal és az adatelemzés célzott és pontos alkalmazásával megoldhatók. Ebben a bejegyzésben a zoonózisos betegségek megelőzésének egyik megközelítését mutatjuk be Amazon SageMaker térinformatikai képességek olyan eszköz létrehozása, amely pontosabb információkat nyújt a betegségek terjedéséről az egészségügyi tudósoknak, hogy több életet menthessenek meg gyorsabban.
A zoonózisos betegségek az állatokat és az embereket egyaránt érintik. A betegség átmenete állatról emberre, ún kiömlés, egy olyan jelenség, amely folyamatosan előfordul bolygónkon. Az olyan egészségügyi szervezetek szerint, mint a Centers for Disease Control and Prevention (Centers for Disease Control and Prevention)CDC) és az Egészségügyi Világszervezet (WHO), valószínűleg a 2019-es koronavírus-betegséget (COVID-19) okozta a vuhani (Kína) nedves piacon. A tanulmányok azt sugallják, hogy a gyümölcsdenevérekben talált vírus jelentős mutációkon ment keresztül, ami lehetővé tette, hogy megfertőzze az embereket. A COVID-19 kezdeti betege vagy „nulladik betege” valószínűleg egy későbbi helyi járványt indított el, amely végül nemzetközileg is elterjedt. HSR.EgészségA Zoonotic Spillover Risk Index célja, hogy segítsen azonosítani ezeket a korai járványokat, még mielőtt azok átlépnék a nemzetközi határokat, és széles körű globális hatáshoz vezetnének.
A közegészségügy fő fegyvere a regionális járványok terjedése ellen a járványfelügyelet: a betegségek bejelentésének, kivizsgálásának és adatkommunikációjának teljes, egymással összefüggő rendszere a közegészségügyi rendszer különböző szintjei között. Ez a rendszer nemcsak az emberi tényezőktől függ, hanem a technológiától és az erőforrásoktól is a betegségekre vonatkozó adatok gyűjtése, a minták elemzése, valamint a helyi és regionális és központi egészségügyi hatóságok közötti következetes és folyamatos adatátvitel létrehozása érdekében.
Az a sebesség, amellyel a COVID-19 a helyi járványból a minden egyes kontinensen jelenlévő globális betegséggé fejlődött, kijózanító példája annak, hogy égető szükség van az innovatív technológia felhasználására a hatékonyabb és pontosabb járványfelügyeleti rendszerek létrehozására.
A zoonózisos betegségek átterjedésének kockázata élesen korrelál számos társadalmi, környezeti és földrajzi tényezővel, amelyek befolyásolják, hogy az emberek milyen gyakran lépnek kapcsolatba a vadon élő állatokkal. HSR.egészségügyi A zoonózisos betegségek átterjedésének kockázati indexe több mint 20 különböző földrajzi, társadalmi és környezeti tényezőt használ, amelyekről a történelemről ismert, hogy befolyásolják az ember és a vadon élő állatok közötti interakció kockázatát, és így a zoonózisok átterjedésének kockázatát. Ezen tényezők közül sok feltérképezhető műholdfelvételek és távérzékelés kombinációjával.
Ebben a bejegyzésben megvizsgáljuk, hogyan lehet a HSR-t.Egészség a SageMaker térinformatikai képességeit használja a releváns jellemzők lekérésére műholdképekből és távérzékelésből a kockázati index kialakításához. A SageMaker térinformatikai képességei megkönnyítik az adattudósok és a gépi tanulási (ML) mérnökök számára a térinformatikai adatokat használó modellek építését, betanítását és üzembe helyezését. A SageMaker térinformatikai képességeivel hatékonyan átalakíthatja vagy gazdagíthatja a nagyméretű térinformatikai adatkészleteket, felgyorsíthatja a modellépítést előre betanított ML-modellekkel, valamint felfedezheti a modell-előrejelzéseket és a térinformatikai adatokat egy interaktív térképen a 3D-s gyorsított grafika és a beépített vizualizációs eszközök segítségével.
ML és térinformatikai adatok felhasználása a kockázat mérséklésére
Az ML rendkívül hatékony a térbeli vagy időbeli adatok anomáliáinak észlelésére, mivel képes tanulni az adatokból anélkül, hogy kifejezetten az anomáliák meghatározott típusainak azonosítására lenne programozva. A térbeli adatok, amelyek az objektumok fizikai helyzetére és alakjára vonatkoznak, gyakran olyan összetett mintákat és összefüggéseket tartalmaznak, amelyeket a hagyományos algoritmusok nehezen elemezhetnek.
Az ML térinformatikai adatokkal való integrálása növeli az anomáliák és szokatlan minták szisztematikus észlelésének képességét, ami elengedhetetlen a korai figyelmeztető rendszerek számára. Ezek a rendszerek kulcsfontosságúak olyan területeken, mint a környezeti megfigyelés, a katasztrófavédelem és a biztonság. A korábbi térinformatikai adatokat használó prediktív modellezés lehetővé teszi a szervezetek számára, hogy azonosítsák és felkészüljenek a lehetséges jövőbeli eseményekre. Ezek az események a természeti katasztrófáktól és a közlekedési zavaroktól a járványkitörésekig terjednek, ahogyan ez a bejegyzés tárgyalja.
A zoonózis átterjedésének kockázatának észlelése
A zoonózis spillover kockázatának előrejelzése, HSR.Egészség multimodális megközelítést fogadott el. Az adattípusok keverékének használatával – beleértve a környezeti, biogeográfiai és epidemiológiai információkat is – ez a módszer lehetővé teszi a betegségek dinamikájának átfogó értékelését. Az ilyen sokoldalú perspektíva kritikus fontosságú a proaktív intézkedések kidolgozásához és a járványkitörésekre való gyors reagáláshoz.
A megközelítés a következő összetevőket tartalmazza:
- Betegség- és járványadatok – HSR.Egészség által szolgáltatott kiterjedt betegség- és járványadatokat használja fel Gideon és az Egészségügyi Világszervezet (WHO), a globális epidemiológiai információk két megbízható forrása. Ezek az adatok alapvető pilléreként szolgálnak az elemzési keretrendszerben. A Gideon esetében az adatok API-n, a WHO-nál pedig a HSR-en keresztül érhetők el.Egészség nagy nyelvi modellt (LLM) épített fel a járványkitörési adatok kivonására a korábbi járványkitörési jelentésekből.
- Föld-megfigyelési adatok – A környezeti tényezők, a földhasználat elemzése és az élőhely-változások kimutatása a zoonózisos kockázat felmérésének szerves részét képezik. Ezek a betekintések műholdas alapú földmegfigyelési adatokból származtathatók. HSR.Egészség képes ésszerűsíteni a földmegfigyelési adatok felhasználását a SageMaker térinformatikai képességeinek használatával a nagyméretű térinformatikai adatkészletek eléréséhez és kezeléséhez. A SageMaker geospatial gazdag adatkatalógust kínál, beleértve az USGS Landsat-8, Sentinel-1, Sentinel-2 és mások adatkészleteit. Más adatkészletek, például a Planet Labs nagy felbontású képei is bevihetők.
- A kockázat társadalmi meghatározói – A biológiai és környezeti tényezőkön túl a HSR csapata.Egészség Társadalmi meghatározó tényezőket is figyelembe vettek, amelyek különböző társadalmi-gazdasági és demográfiai mutatókat foglalnak magukban, és kulcsfontosságú szerepet játszanak a zoonózisok átgyűrűzésének dinamikájának alakításában.
Ezekből az alkatrészekből a HSR.Egészség számos különböző tényezőt értékelt, és a következő jellemzőkről határozták meg, hogy befolyásolják a zoonózisok átgyűrűzésének kockázatát:
- Állati élőhelyek és lakható zónák – A lehetséges zoonózis-gazdaszervezetek élőhelyének és lakható zónáinak megismerése alapvető fontosságú az átviteli kockázat felméréséhez.
- Népesedési központok – A sűrűn lakott területek közelsége kulcsfontosságú szempont, mert befolyásolja az ember-állat interakciók valószínűségét.
- Élőhely elvesztése – A természetes élőhelyek degradációja, különösen az erdőirtás révén, felgyorsíthatja a zoonózisok átgyűrűzését.
- Ember-vadföld interfész – Azok a területek, ahol az emberi települések találkoznak vadon élő állatokkal, potenciális gócpontjai a zoonózisok terjedésének.
- Társadalmi jellemzők – A társadalmi-gazdasági és kulturális tényezők jelentősen befolyásolhatják a zoonózis kockázatát és a HSR-t.Egészség ezeket is megvizsgálja.
- Az emberi egészség jellemzői – A helyi népesség egészségi állapota lényeges változó, mert befolyásolja a fogékonyságot és a átviteli dinamikát.
Megoldás áttekintése
HSR.EgészségA munkafolyamat magában foglalja az adatok előfeldolgozását, a jellemzők kinyerését és az informatív vizualizációk létrehozását ML technikák segítségével. Ez lehetővé teszi az adatok fejlődésének világos megértését a nyers formájuktól a használható betekintésekig.
Az alábbiakban a munkafolyamat vizuális ábrázolása látható, kezdve a Gideon bemeneti adataival, a földmegfigyelési adatokkal és a kockázati adatok társadalmi meghatározóival.
A SageMaker térinformatikai képességeinek segítségével lekérheti és feldolgozhatja a műholdképeket
A kockázati index felépítése érdekében végzett elemzés sarokkövét a műholdas adatok képezik, amelyek kritikus információkat szolgáltatnak a környezeti változásokról. Műholdfelvételekből betekintést nyerhet, HSR.Egészség használ Föld-megfigyelő állások (EOJ-k). Az EOJ-k lehetővé teszik a Föld felszínéről gyűjtött raszteres adatok megszerzését és átalakítását. Az EOJ egy meghatározott adatforrásból – például egy műhold-konstellációból – szerzi be a műholdképeket egy meghatározott területen és időszakban. Ezután egy vagy több modellt alkalmaz a letöltött képekre.
Emellett, Amazon SageMaker Studio olyan térinformatikai notebookot kínál, amely előre telepítve van az általánosan használt térinformatikai könyvtárakkal. Ez a notebook lehetővé teszi a térinformatikai adatok közvetlen megjelenítését és feldolgozását Python notebook környezetben. EOJ-k a térinformatikai notebook környezetben hozhatók létre.
Az EOJ konfigurálásához a következő paramétereket kell használni:
- InputConfig – A bemeneti konfiguráció meghatározza az adatgyűjtés során használandó adatforrásokat és szűrési feltételeket:
- RasterDataCollectionArn – Meghatározza azt a műholdat, amelyről adatokat kell gyűjteni.
- Érdeklődési terület – Az érdeklődésre számot tartó földrajzi terület (AOI) határozza meg a sokszög határait a képgyűjtéshez.
- TimeRangeFilter - Az érdeklődés időtartama:
{StartTime: <string>, EndTime: <string>}
. - PropertyFilters – További tulajdonságszűrők, például a felhőfedettség elfogadható százaléka vagy a kívánt napirányszög.
- JobConfig – Ez a konfiguráció határozza meg a lekért műholdképadatokra alkalmazandó feladat típusát. Támogatja az olyan műveleteket, mint a sáv matematika, újramintavételezés, geomozaik vagy felhő eltávolítás.
A következő példakód bemutatja az EOJ futtatását a felhő eltávolításához, amely a HSR által végrehajtott lépéseket reprezentálja.Egészség:
HSR.Egészség számos műveletet használt az adatok előfeldolgozására és a releváns jellemzők kinyerésére. Ez magában foglalja az olyan műveleteket, mint a talajborítás osztályozása, a hőmérséklet-ingadozás feltérképezése és a vegetációs indexek.
A vegetáció egészségének jelzése szempontjából lényeges vegetációs index a Normalizált Különbség Vegetációs Index (NDVI). Az NDVI a növényzet egészségét közeli infravörös fény segítségével méri, amelyet a növényzet visszaver, és vörös fényt, amelyet a növényzet elnyel. Az NDVI időbeli megfigyelése feltárhatja a növényzet változásait, például az emberi tevékenységek, például az erdőirtás hatásait.
A következő kódrészlet bemutatja, hogyan kell kiszámítani a vegetációs indexet, például az NDVI-t a felhő eltávolítása során átadott adatok alapján:
A feladat kimenetét a SageMaker térinformatikai képességeinek segítségével tudjuk megjeleníteni. A SageMaker térinformatikai képességei segíthetnek a modell-előrejelzések átfedésében az alaptérképen, és réteges megjelenítést biztosítanak az együttműködés megkönnyítése érdekében. A GPU-val hajtott interaktív megjelenítővel és a Python notebookokkal több millió adatpont fedezhető fel egyetlen nézetben, ami megkönnyíti a betekintések és az eredmények közös feltárását.
Az ebben a bejegyzésben felvázolt lépések csak egyet mutatnak be a HSR számos raszteralapú funkciója közül.Egészség a kockázati index létrehozásához.
A raszter alapú funkciók kombinálása egészségügyi és szociális adatokkal
A releváns jellemzők raszteres formátumú kinyerése után a HSR.Egészség zónastatisztikát használt a raszteres adatok összesítésére azokon a közigazgatási határpoligonokon belül, amelyekhez a szociális és egészségügyi adatok hozzá vannak rendelve. Az elemzés raszteres és vektoros térinformatikai adatok kombinációját tartalmazza. Ez a fajta aggregáció lehetővé teszi a raszteres adatok geoadatkeretben történő kezelését, ami megkönnyíti az egészségügyi és szociális adatokkal való integrálását a végső kockázati index létrehozásához.
A következő kódrészlet bemutatja, hogyan lehet a raszteradatokat adminisztratív vektorhatárokhoz összesíteni:
A kinyert jellemzők hatékony értékeléséhez ML-modelleket használnak az egyes jellemzőket képviselő tényezők előrejelzésére. Az egyik használt modell egy támogató vektorgép (SVM). Az SVM-modell segít felfedni a kockázatértékelést megalapozó adatokon belüli mintákat és asszociációkat.
Az index a kockázati szintek kvantitatív értékelését jelenti, amelyet e tényezők súlyozott átlagaként számítanak ki, hogy segítsenek megérteni a lehetséges átgyűrűző eseményeket a különböző régiókban.
Az alábbi bal oldali ábra a Peru északi részén található vizsgálati terület képi besorolásának összesítését mutatja a körzeti közigazgatási szintre aggregálva az erdőterület 2018–2023 közötti számított változásával. Az erdőirtás az egyik kulcsfontosságú tényező, amely meghatározza a zoonózisok átterjedésének kockázatát. A jobb oldali ábra kiemeli a zoonózis átgyűrűző kockázatának súlyossági szintjeit az érintett régiókon belül, a legmagasabb (piros) kockázattól a legalacsonyabb (sötétzöld) kockázatig. A területet a képbesorolás egyik képzési területévé választották a jelenetben megörökített talajborítás sokfélesége miatt, többek között városi, erdős, homokos, vízi, gyep és mezőgazdasági területeken. Ezen túlmenően, ez az egyik érdekes terület a lehetséges zoonózis-spillover események szempontjából az erdőirtás és az emberek és állatok közötti kölcsönhatás miatt.
Ennek a multimodális megközelítésnek az elfogadásával, amely magában foglalja a járványkitörések történeti adatait, a Föld-megfigyelési adatokat, a társadalmi meghatározó tényezőket és az ML-technikákat, jobban megérthetjük és előre jelezhetjük a zoonózisok átgyűrűzésének kockázatát, ami végső soron a betegségfelügyeleti és megelőzési stratégiákat a legnagyobb járványveszélyes területekre irányítja. A következő képernyőképen egy zoonózis-átgyűrűző kockázatelemzés kimenetének műszerfala látható. Ez a kockázatelemzés rávilágít arra, hogy hol fordulhatnak elő új lehetséges zoonózis-kitörések forrásai és felügyelete annak érdekében, hogy a következő betegség megfékezhető legyen, mielőtt az endémiává vagy új világjárványgá válna.
A járványmegelőzés újszerű megközelítése
1998-ban a malajziai Nipah folyó mentén, 1998 ősze és 1999 tavasza között 265 ember fertőződött meg egy akkor még ismeretlen vírussal, amely akut agyvelőgyulladást és súlyos légzési nehézséget okozott. Közülük 105-en meghaltak, ami 39.6%-os halálozási arány. Ezzel szemben a COVID-19 kezeletlen halálozási aránya 6.3%. Azóta a Nipah-vírus, ahogyan ma elnevezzük, elhagyta erdei élőhelyét, és több mint 20 halálos kitörést okozott, főleg Indiában és Bangladesben.
Az olyan vírusok, mint a Nipah, minden évben felbukkannak, és kihívást jelentenek mindennapi életünkben, különösen azokban az országokban, ahol nehezebb erős, tartós és robusztus rendszereket létrehozni a betegségek megfigyelésére és kimutatására. Ezek az észlelési rendszerek kulcsfontosságúak az ilyen vírusokkal kapcsolatos kockázatok csökkentésében.
Az ML és térinformatikai adatokat használó megoldások, mint például a Zoonotic Spillover Risk Index, segíthetnek a helyi közegészségügyi hatóságoknak abban, hogy prioritást állítsanak fel az erőforrások elosztásában a legmagasabb kockázatú területeken. Ezáltal célzott és helyi felügyeleti intézkedéseket hozhatnak létre a regionális járványkitörések észlelésére és megállítására, még mielőtt azok a határokon túlnyúlnának. Ez a megközelítés jelentősen korlátozhatja a betegség kitörésének hatását és életeket menthet meg.
Következtetés
Ez a bejegyzés bemutatta, hogyan a HSR.Egészség sikeresen kifejlesztette a Zoonotic Spillover Risk Indexet a térinformatikai adatok, az egészségi állapot, a társadalmi meghatározó tényezők és az ML integrálásával. A SageMaker használatával a csapat egy méretezhető munkafolyamatot hozott létre, amely képes meghatározni egy lehetséges jövőbeli világjárvány legjelentősebb fenyegetéseit. E kockázatok hatékony kezelése a globális betegségteher csökkenéséhez vezethet. A világjárvány kockázatának csökkentésének jelentős gazdasági és társadalmi előnyeit nem lehet túlbecsülni, az előnyök regionálisan és globálisan is kiterjednek.
HSR.Egészség a SageMaker térinformatikai képességeit használta a Zoonotic Spillover Risk Index kezdeti megvalósításához, és most partnerségekre, valamint a fogadó országok és finanszírozási források támogatására törekszik, hogy továbbfejlessze az indexet, és kiterjeszthesse alkalmazását a világ további régióira. További információ a HSR-ről.Egészség és a Zoonotic Spillover Risk Index, látogassa meg www.hsr.health.
Fedezze fel a Föld-megfigyelési adatok egészségügyi kezdeményezéseibe való integrálásának lehetőségeit a SageMaker térinformatikai jellemzőinek felfedezésével. További információkért lásd: Amazon SageMaker térinformatikai képességek, vagy kapcsolatba léphet vele további példák gyakorlati tapasztalatszerzéshez.
A szerzőkről
Ajay K Gupta társalapítója és vezérigazgatója a HSR.health cégnek, amely megzavarja és megújítja az egészségügyi kockázatelemzést térinformatikai technológiával és mesterséges intelligencia technikákkal, hogy előre jelezze a betegségek terjedését és súlyosságát. Ezeket a betekintést nyújtja az iparnak, a kormányoknak és az egészségügyi szektornak, hogy előre jelezhessék, mérsékelhessék és kihasználhassák a jövőbeli kockázatokat. A munkán kívül Ajayt a mikrofon felrobbanó dobhártyája mögött találhatja, miközben kedvenc popzenei dallamait hallgatja a U2-tól, Stingtől, George Michaeltől vagy az Imagine Dragonstól.
Jean Felipe Teotonio Jean Felipe az egészségügyi ellátás minőségének és a fertőző betegségek epidemiológiájának motivált orvosa és szenvedélyes szakértője, a HSR.health közegészségügyi csapatának vezetője. A közegészségügy javítására irányuló közös cél érdekében dolgozik a betegségek globális terhének csökkentésével azáltal, hogy a GeoAI-megközelítéseket felhasználva megoldásokat dolgoz ki korunk legnagyobb egészségügyi kihívásaira. A munkán kívül hobbija a sci-fi könyvek olvasása, a túrázás, az angol Premier League és a basszusgitározás.
Pál A templomkert, a HSR.health műszaki igazgatója és fő térinformatikai mérnöke, széles körű műszaki készségeit és szakértelmét használja fel a cég alapvető infrastruktúrájának, valamint szabadalmaztatott és szabadalmaztatott GeoMD platformjának kiépítésére. Ezenkívül ő és az adattudományi csapat beépítik a térinformatikai elemzéseket és az AI/ML technikákat a HSR.health összes egészségügyi kockázati indexébe. A munkán kívül Paul autodidakta DJ, és imádja a havat.
Janosch Woschitz az AWS vezető megoldási építésze, a térinformatikai AI/ML-re szakosodott. Több mint 15 éves tapasztalatával világszerte támogatja ügyfeleit a mesterséges intelligencia és az ML innovatív megoldások kiaknázásában, amelyek kihasználják a térinformatikai adatokat. Szakértelme felöleli a gépi tanulást, az adattervezést és a méretezhető elosztott rendszereket, erős szoftvermérnöki háttérrel és iparági szakértelemmel olyan összetett területeken, mint például az autonóm vezetés.
Emmett Nelson fiókvezető az AWS-nél, aki az egészségügy és élettudományok, a föld-/környezettudományok és az oktatás területén támogatja a nonprofit kutatási ügyfeleket. Elsődleges célja az analitika, az AI/ML, a nagy teljesítményű számítástechnika (HPC), a genomika és az orvosi képalkotás felhasználási eseteinek lehetővé tétele. Emmett 2020-ban csatlakozott az AWS-hez, székhelye Austin, TX.
- 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/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/
- :van
- :is
- :nem
- :ahol
- 1
- 100
- 12
- 125
- 15 év
- 15%
- 16
- 1998
- 1999
- 20
- 2019
- 2020
- 36
- 39
- 3d
- 7
- a
- képesség
- Képes
- Rólunk
- elnyeli
- gyorsul
- felgyorsult
- elfogadható
- hozzáférés
- igénybe vett
- Szerint
- Fiók
- pontos
- beszerzés
- át
- perelhető
- tevékenységek
- További
- Ezen kívül
- adminisztratív
- fogadott
- Elfogadása
- Előny
- előnyei
- érint
- ellen
- adalékanyag
- összesítés
- mezőgazdaság
- AI
- AI / ML
- Támogatás
- célok
- algoritmusok
- Minden termék
- kiosztás
- lehetővé téve
- lehetővé teszi, hogy
- mentén
- Is
- amazon
- Amazon SageMaker
- Amazon SageMaker térinformatikai
- Az Amazon Web Services
- között
- an
- elemzés
- analitika
- elemez
- és a
- állat
- állatok
- anomáliák
- anomália észlelése
- számít
- api
- Alkalmazás
- alkalmazott
- alkalmazandó
- megközelítés
- megközelít
- VANNAK
- TERÜLET
- területek
- körül
- AS
- értékelése
- értékelés
- értékelések
- kijelölt
- segít
- segítséget nyújt
- társult
- egyesületek
- At
- bővített
- Austin
- Hatóság
- autonóm
- átlagos
- AWS
- háttér
- ZENEKAR
- Banglades
- bázis
- alapján
- basszus
- denevérek
- BE
- mert
- válik
- óta
- előtt
- mögött
- hogy
- lények
- Előnyök
- Jobb
- között
- Túl
- Keverék
- Kék
- Könyvek
- határok
- mindkét
- határait
- határ
- határokat
- Doboz
- hoz
- széles
- épít
- Épület
- épült
- beépített
- teher
- de
- by
- számít
- számított
- kiszámítása
- TUD
- nem tud
- képességek
- képesség
- tőkésít
- rögzített
- esetek
- katalógus
- kategóriák
- Kategória
- okozott
- CDC
- Centers
- Centers for Disease Control and Prevention
- központi
- vezérigazgató
- kihívások
- változik
- Változások
- jellemzők
- fő
- Kína
- választott
- osztály
- besorolás
- világos
- felhő
- Társalapító
- kód
- együttműködés
- kollaboratív
- gyűjt
- gyűjtemény
- Oszlopok
- kombináció
- közlés
- bonyolult
- alkatrészek
- átfogó
- számítástechnika
- Configuration
- megfontolás
- figyelembe vett
- következetes
- tartalmazott
- tartalmaz
- kontinens
- folyamatosan
- folyamatos
- kontraszt
- ellenőrzés
- Mag
- sarokköve
- koronavírus
- országok
- terjed
- lefedettség
- fedett
- Covid-19
- teremt
- készítette
- létrehozása
- teremtés
- kritériumok
- kritikai
- Kereszt
- kritikus
- CTO
- kulturális
- Ügyfelek
- napi
- sötét
- műszerfal
- dátum
- Adatelemzés
- adat pontok
- adat-tudomány
- adatkészletek
- Annak meghatározása,
- erdőirtás
- demográfiai
- bizonyítani
- igazolták
- mutatja
- függő
- telepíteni
- Származtatott
- kijelölt
- kívánatos
- kimutatására
- Érzékelés
- Határozzuk meg
- Fejleszt
- fejlett
- fejlesztése
- meghalt
- különbség
- különböző
- nehéz
- szörnyű
- közvetlen
- rendezés
- katasztrófa
- katasztrófák
- betegség
- betegségek
- zavarok
- széttöredezik
- különböző
- szorongás
- megosztott
- elosztott rendszerek
- kerület
- Sokféleség
- osztály
- DJ
- Ennek
- domainek
- hajtott
- vezetés
- szinkronizált
- két
- ismétlődések
- alatt
- dinamika
- minden
- Korai
- föld
- könnyebb
- könnyű
- Gazdasági
- Oktatás
- Hatékony
- hatékonyan
- hatékony
- eredményesen
- más
- lehetővé
- lehetővé teszi
- lehetővé téve
- felölel
- felöleli
- átfogó
- vegyenek
- mérnök
- Mérnöki
- Mérnökök
- Angol
- Angol Premier League
- Javítja
- gazdagítják
- Egész
- Környezet
- környezeti
- alapvető
- létrehozni
- létrehozó
- értékelni
- értékelték
- esemény
- események
- végül is
- Minden
- evolúció
- megvizsgálja
- példa
- végrehajtó
- tapasztalat
- szakértő
- szakvélemény
- kifejezetten
- kutatás
- feltárása
- Feltárása
- terjed
- kiterjedő
- kiterjedt
- kivonat
- kitermelés
- megkönnyíti
- megkönnyítését
- tényező
- tényezők
- Esik
- Kedvenc
- Funkció
- Jellemzők
- Fields
- Ábra
- filé
- szűrő
- Szűrők
- utolsó
- Találjon
- Cég
- Összpontosít
- összpontosított
- következő
- A
- erdő
- forma
- formátum
- formák
- talált
- Keretrendszer
- ból ből
- alapvető
- finanszírozás
- további
- jövő
- összegyűjtött
- generál
- genomika
- földrajzi
- földrajzi
- György
- kap
- Globális
- Globális egészség
- globálisan
- cél
- A kormányok
- GP
- grafika
- legnagyobb
- Zöld
- Vendég
- Vendég bejegyzés
- Gupta
- hands-on
- hám
- Legyen
- he
- Egészség
- Egészségügyi rendszer
- egészségügyi
- segít
- Magas
- nagy felbontású
- legnagyobb
- kiemeli
- nagyon
- övé
- történeti
- történelmileg
- vendéglátó
- hosts
- Hogyan
- How To
- hpc
- HTML
- HTTPS
- emberi
- emberi tényezők
- Az emberek
- ID
- Azonosítás
- azonosított
- azonosítani
- azonosító
- if
- kép
- Képosztályozás
- képek
- kép
- Leképezés
- Hatás
- végrehajtás
- importál
- javuló
- in
- Más
- tartalmaz
- magában foglalja a
- Beleértve
- bele
- magában
- index
- indexek
- India
- Mutató
- mutatók
- indexek
- ipar
- fertőző
- befolyás
- Befolyásos
- tájékoztat
- információ
- tájékoztató
- Infrastruktúra
- találékonyság
- kezdetben
- kezdeményezések
- újító
- innovatív technológia
- bemenet
- meglátások
- példa
- szerves
- integrálása
- integráció
- kölcsönhatásba
- kölcsönhatás
- kölcsönhatások
- interaktív
- kamat
- Felület
- Nemzetközi
- nemzetközileg
- keresztezik
- bele
- vizsgálat
- IT
- ITS
- Munka
- csatlakozott
- jpg
- éppen
- csak egy
- Kulcs
- Kedves
- ismert
- Labs
- Telek
- nyelv
- nagy
- nagyarányú
- tartós
- réteg
- réteges
- vezet
- vezetékek
- Liga
- TANUL
- tanulás
- balra
- szint
- szintek
- erőfölény
- könyvtárak
- élet
- Life Sciences
- fény
- mint
- valószínűség
- Valószínű
- LIMIT
- korlátozó
- életek
- LLM
- helyi
- szeret
- legalacsonyabb
- gép
- gépi tanulás
- Fő
- csinál
- Malajzia
- vezetés
- sok
- térkép
- térképészet
- piacára
- matematikai
- Lehet..
- intézkedések
- orvosi
- egyesülő
- módszer
- metrikus
- Michael
- esetleg
- Több millió
- Enyhít
- ML
- modell
- modellezés
- modellek
- ellenőrzés
- több
- hatékonyabb
- a legtöbb
- többnyire
- sokrétű
- többszörös
- zene
- név
- Természetes
- Szükség
- Új
- következő
- nonprofit
- jegyzetfüzet
- regény
- Most
- számtalan
- objektumok
- megfigyelés
- megszerzi
- előfordul
- of
- Ajánlatok
- gyakran
- on
- ONE
- csak
- Művelet
- or
- szervezet
- szervezetek
- Más
- Egyéb
- mi
- ki
- kitörés
- vázolt
- teljesítmény
- kívül
- felett
- túlértékelt
- áttekintés
- pandák
- járvány
- paraméterek
- különösen
- partnerségek
- Elmúlt
- szenvedélyes
- múlt
- szabadalmaztatott
- beteg
- minták
- Paul
- Emberek (People)
- százalék
- teljesítmény
- teljesített
- időszak
- perspektíva
- peru
- jelenség
- fizikai
- orvos
- Pillér
- döntő
- pixel
- bolygó
- emelvény
- Plató
- Platón adatintelligencia
- PlatoData
- játszani
- játék
- pont
- Poligon
- pop
- benépesített
- populációk
- pozíció
- lehetséges
- állás
- potenciális
- előre
- Tippek
- miniszterelnök
- Készít
- be
- Megelőzés
- elsődleges
- prioritások
- proaktív
- valószínűleg
- folyamat
- feldolgozás
- gyárt
- termel
- programozott
- ingatlanait
- ingatlan
- szabadalmazott
- ad
- feltéve,
- biztosít
- amely
- nyilvános
- közegészségügy
- Piton
- világítás
- számszerűsíti
- mennyiségi
- gyorsabb
- hatótávolság
- kezdve
- gyors
- Arány
- Nyers
- Olvasás
- Piros
- csökkentő
- csökkentés
- utal
- tükrözi
- regionális
- regionálisan
- régiók
- vonatkozik
- Kapcsolatok
- távoli
- eltávolítás
- eltávolítása
- Jelentő
- Jelentések
- képviselet
- reprezentatív
- képviselő
- jelentése
- kutatás
- forrás
- Tudástár
- válasz
- Eredmények
- mutatják
- felfedve
- Gazdag
- jobb
- Kockázat
- kockázatok
- Folyó
- erős
- Szerep
- futás
- sagemaker
- SAND
- műhold
- Megtakarítás
- skálázható
- színhely
- SCI
- Tudomány
- TUDOMÁNYOK
- tudósok
- szektor
- biztonság
- keres
- kiválasztása
- idősebb
- szolgálja
- Szolgáltatások
- települések
- számos
- szigorú
- Alak
- formálás
- megosztott
- kellene
- Műsorok
- jelentős
- jelentősen
- óta
- egyetlen
- készségek
- töredék
- hó
- So
- kijózanítás
- Közösség
- társadalmi-gazdasági
- szoftver
- szoftverfejlesztés
- megoldások
- Megoldások
- Források
- ível
- térbeli
- szakosodott
- különleges
- sebesség
- terjedése
- tavasz
- kezdődött
- Kezdve
- statisztika
- statisztika
- Állapot
- Lépései
- stratégiák
- folyam
- áramvonal
- Húr
- erős
- tanulmányok
- későbbi
- lényeges
- sikeresen
- ilyen
- javasol
- nap
- támogatás
- Támogató
- Támogatja
- felületi
- felügyelet
- fogékonyság
- rendszer
- Systems
- Vesz
- célzott
- csapat
- tech
- Műszaki
- technikai készségek
- technikák
- Technológia
- teszt
- mint
- hogy
- A
- A terület
- a világ
- azok
- Őket
- akkor
- ebből adódóan
- Ezek
- ők
- ezt
- fenyegetések
- Keresztül
- idő
- nak nek
- szerszám
- szerszámok
- felé
- hagyományos
- forgalom
- Vonat
- Képzések
- átruházás
- Átalakítás
- Átalakítás
- átmenet
- átállított
- átvitel
- Megbízható
- dallamok
- kettő
- TX
- típus
- típusok
- Végül
- megért
- megértés
- esett át
- ismeretlen
- városi
- használ
- használt
- használ
- segítségével
- érték
- Értékek
- változó
- különféle
- növényzet
- változat
- függőlegesek
- Megnézem
- vírus
- vírusok
- látomás
- Látogat
- vizuális
- megjelenítés
- Képzeld
- figyelmeztetés
- volt
- Víz
- we
- háló
- webes szolgáltatások
- súly
- JÓL
- ment
- voltak
- nedves
- ami
- míg
- WHO
- akinek
- széles körben elterjedt
- val vel
- belül
- nélkül
- Munka
- munkafolyamat
- művek
- világ
- World Health Organization
- X
- év
- év
- te
- A te
- zephyrnet
- zónák