Posting ini ditulis bersama Ming (Melvin) Qin, David Bericat dan Brad Genereaux dari NVIDIA.
Peneliti dan pengembang AI pencitraan medis memerlukan kerangka kerja perusahaan yang skalabel untuk membangun, menerapkan, dan mengintegrasikan aplikasi AI mereka. AWS dan NVIDIA bersatu untuk mewujudkan visi ini. AWS, NVIDIA, dan mitra lainnya membangun aplikasi dan solusi untuk membuat layanan kesehatan lebih mudah diakses, terjangkau, dan efisien dengan mempercepat konektivitas cloud pada pencitraan perusahaan. Penerapan MONAI adalah salah satu modul kunci di dalamnya MONAI (Medical Open Network for Artificial Intelligence) yang dikembangkan oleh konsorsium akademisi dan pemimpin industri, termasuk NVIDIA. AWS Pencitraan Kesehatan (AHI) adalah penyimpanan citra medis yang memenuhi syarat HIPAA, sangat skalabel, berkinerja tinggi, dan hemat biaya. Kami telah mengembangkan konektor MONAI Deploy ke AHI untuk mengintegrasikan aplikasi AI pencitraan medis dengan latensi pengambilan gambar subdetik dalam skala yang didukung oleh API cloud-native. Model dan aplikasi MONAI AI dapat dihosting Amazon SageMaker, yang merupakan layanan terkelola sepenuhnya untuk menerapkan model pembelajaran mesin (ML) dalam skala besar. SageMaker menangani pengaturan dan pengelolaan instans untuk inferensi dan menyediakan metrik dan log bawaan untuk titik akhir yang dapat Anda gunakan untuk memantau dan menerima peringatan. Ia juga menawarkan beragam Contoh GPU NVIDIA untuk inferensi ML, serta beberapa opsi penerapan model dengan penskalaan otomatis, termasuk inferensi waktu-nyata, inferensi tanpa server, inferensi asinkron, dan transformasi batch.
Dalam postingan ini, kami mendemonstrasikan cara men-deploy Paket Aplikasi MONAI (MAP) dengan konektor ke AWS HealthImaging, menggunakan titik akhir multi-model SageMaker untuk inferensi real-time dan inferensi asinkron. Kedua opsi ini mencakup sebagian besar kasus penggunaan saluran inferensi pencitraan medis yang hampir real-time.
Ikhtisar solusi
Diagram berikut menggambarkan arsitektur solusi.
Prasyarat
Selesaikan langkah-langkah prasyarat berikut:
- Gunakan akun AWS dengan salah satu Wilayah berikut, tempat AWS HealthImaging tersedia: North Virginia (
us-east-1
), Oregon (us-west-2
), Irlandia (eu-west-1
), dan Sidney (ap-southeast-2
). - Buat Studio Amazon SageMaker domain dan profil pengguna dengan Identitas AWS dan Manajemen Akses (IAM) izin untuk mengakses AWS HealthImaging.
- Aktifkan ekstensi JupyterLab v3 dan instal Imjoy-jupyter-extension jika Anda ingin memvisualisasikan gambar medis di notebook SageMaker secara interaktif menggunakan itu widget.
Konektor MAP ke AWS HealthImaging
AWS HealthImaging mengimpor file DICOM P10 dan mengonversinya menjadi ImageSets, yang merupakan representasi seri DICOM yang dioptimalkan. AHI menyediakan akses API ke metadata ImageSet dan ImageFrames. Metadata berisi semua atribut DICOM dalam dokumen JSON. ImageFrames dikembalikan dengan kode di JPEG2000 Throughput Tinggi (HTJ2K) format lossless, yang dapat didekodekan dengan sangat cepat. ImageSets dapat diambil dengan menggunakan Antarmuka Baris Perintah AWS (AWS CLI) atau SDK AWS.
MONAI adalah kerangka kerja AI pencitraan medis yang membawa terobosan penelitian dan penerapan AI ke dalam dampak klinis. MONAI Deploy adalah jalur pemrosesan yang memungkinkan alur kerja menyeluruh, termasuk pengemasan, pengujian, penerapan, dan menjalankan aplikasi AI pencitraan medis dalam produksi klinis. Ini terdiri dari MONAI Menerapkan SDK Aplikasi, MONAI Menyebarkan Ekspres, Manajer Alur Kerja, dan Gerbang Informatika. MONAI Deploy App SDK menyediakan algoritme dan kerangka kerja yang siap digunakan untuk mempercepat pembuatan aplikasi AI pencitraan medis, serta alat utilitas untuk mengemas aplikasi ke dalam wadah MAP. Fungsionalitas berbasis standar bawaan dalam SDK aplikasi memungkinkan MAP berintegrasi dengan lancar ke dalam jaringan TI kesehatan, yang memerlukan penggunaan standar seperti DICOM, HL7, dan FHIR, serta di seluruh pusat data dan lingkungan cloud. MAP dapat menggunakan operator yang telah ditentukan sebelumnya dan disesuaikan untuk pemuatan gambar DICOM, pemilihan seri, inferensi model, dan pascapemrosesan
Kami telah mengembangkan sebuah Modul python menggunakan AWS HealthImaging Python SDK Boto3. Anda dapat melakukan pip install dan menggunakan fungsi pembantu untuk mengambil instance DICOM Service-Object Pair (SOP) sebagai berikut:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
Contoh SOP keluaran dapat divisualisasikan menggunakan widget penampil gambar medis 3D interaktif berikut ini buku catatan. itu AHItoDICOM kelas memanfaatkan beberapa proses untuk mengambil bingkai piksel dari AWS HealthImaging secara paralel, dan membaca sandi itu Gumpalan biner HTJ2K menggunakan Pustaka Python OpenJPEG. ImageSetIds berasal dari file keluaran tugas impor AWS HealthImaging tertentu. Dengan adanya DatastoreId dan impor JobId, Anda dapat mengambil ImageSetId, yang setara dengan UID instans seri DICOM, sebagai berikut:
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
Dengan ImageSetId, Anda dapat mengambil metadata header DICOM dan piksel gambar secara terpisah menggunakan fungsi API AWS HealthImaging asli. Itu agregat eksportir DICOM header DICOM dan piksel gambar ke dalam Pydicom kumpulan data yang dapat diproses oleh Operator pemuat data MAP DICOM. Dengan menggunakan fungsi DICOMizeImageSet(), kami telah membuat konektor untuk memuat data gambar dari AWS HealthImaging, berdasarkan MAP Operator pemuat data DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client โฆ def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
Dalam kode sebelumnya, ahi_client
adalah turunan dari kelas eksportir AHItoDICOM DICOM, dengan fungsi pengambilan data diilustrasikan. Kami telah memasukkan operator pemuat data baru ini ke dalam a Aplikasi AI segmentasi limpa 3D yang dibuat oleh MONAI Deploy App SDK. Anda bisa mendalami terlebih dahulu cara membuat dan menjalankan aplikasi ini pada contoh buku catatan lokal, lalu sebarkan aplikasi MAP ini ke titik akhir inferensi terkelola SageMaker.
Inferensi asinkron SageMaker
Seorang SageMaker inferensi asinkron titik akhir digunakan untuk permintaan dengan ukuran muatan besar (hingga 1 GB), waktu pemrosesan yang lama (hingga 15 menit), dan persyaratan latensi mendekati waktu nyata. Ketika tidak ada permintaan untuk diproses, opsi penerapan ini dapat menurunkan jumlah instans menjadi nol untuk menghemat biaya, yang ideal untuk beban kerja inferensi ML pencitraan medis. Ikuti langkah-langkah di buku catatan sampel untuk membuat dan memanggil titik akhir inferensi asinkron SageMaker. Ke membuat titik akhir inferensi asinkron, Anda harus membuat model SageMaker dan konfigurasi titik akhir terlebih dahulu. Untuk membuat model SageMaker, Anda perlu memuat paket model.tar.gz dengan a struktur direktori yang ditentukan ke dalam wadah Docker. Paket model.tar.gz mencakup file model.ts segmentasi limpa terlatih dan file inference.py yang disesuaikan. Kami telah menggunakan wadah bawaan dengan versi kerangka kerja Python 3.8 dan PyTorch 1.12.1 untuk memuat model dan menjalankan prediksi.
Di disesuaikan inferensi.py file, kami membuat instance kelas pembantu AHItoDICOM dari AHItoDICOMInterface dan menggunakannya untuk membuat instance MAP di model_fn()
fungsi, dan kami menjalankan aplikasi MAP pada setiap permintaan inferensi di predict_fn()
fungsi:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): โฆ 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')
Untuk memanggil titik akhir asinkron, Anda harus mengunggah payload masukan permintaan Layanan Penyimpanan Sederhana Amazon (Amazon S3), yang merupakan file JSON yang menentukan ID penyimpanan data AWS HealthImaging dan ID ImageSet untuk menjalankan inferensi pada:
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"]
Outputnya juga dapat ditemukan di Amazon S3.
Inferensi real-time multi-model SageMaker
SageMaker inferensi waktu-nyata titik akhir memenuhi persyaratan interaktif dan latensi rendah. Opsi ini dapat menghosting beberapa model dalam satu kontainer di belakang satu titik akhir, yang merupakan solusi terukur dan hemat biaya untuk menerapkan beberapa model ML. A Titik akhir multi-model SageMaker menggunakan Server Inferensi NVIDIA Triton dengan GPU untuk menjalankan beberapa inferensi model pembelajaran mendalam.
Di bagian ini, kita akan mempelajari cara membuat dan memanggil titik akhir multi-model mengadaptasi wadah inferensi Anda sendiri berikut ini buku catatan sampel. Model yang berbeda dapat disajikan dalam kontainer bersama pada armada sumber daya yang sama. Titik akhir multi-model mengurangi overhead penerapan dan menskalakan inferensi model berdasarkan pola lalu lintas ke titik akhir. Kami menggunakan Alat pengembang AWS termasuk Amazon CodeCommit, Amazon Code Build, dan Amazon CodePipeline untuk membangun wadah yang disesuaikan untuk inferensi model SageMaker. Kami menyiapkan a model_handler.py untuk membawa container Anda sendiri alih-alih file inference.py pada contoh sebelumnya, dan mengimplementasikan fungsi inisialisasi(), preprocess(), dan inference():
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")
Setelah wadah dibuat dan didorong ke Registry Kontainer Elastis Amazon (Amazon ECR), Anda dapat membuat model SageMaker dengannya, ditambah paket model yang berbeda (file tar.gz) di jalur Amazon S3 tertentu:
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)
Perlu dicatat bahwa model_url
di sini hanya menentukan jalur ke folder file tar.gz, dan Anda menentukan paket model mana yang akan digunakan untuk inferensi ketika Anda memanggil titik akhir, seperti yang ditunjukkan dalam kode berikut:
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))
Kita dapat menambahkan lebih banyak model ke titik akhir inferensi multi-model yang ada tanpa harus memperbarui titik akhir atau membuat yang baru.
Membersihkan
Jangan lupa lengkapi Hapus sumber daya hosting langkah di laboratorium-3 dan laboratorium-4 notebook untuk menghapus titik akhir inferensi SageMaker. Anda juga harus menolak instans notebook SageMaker untuk menghemat biaya. Terakhir, Anda dapat memanggil fungsi API AWS HealthImaging atau menggunakan konsol AWS HealthImaging untuk menghapus kumpulan gambar dan penyimpanan data yang dibuat sebelumnya:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
Kesimpulan
Dalam postingan ini, kami menunjukkan kepada Anda cara membuat konektor MAP ke AWS HealthImaging, yang dapat digunakan kembali dalam aplikasi yang dibangun dengan MONAI Deploy App SDK, untuk berintegrasi dan mempercepat pengambilan data gambar dari penyimpanan DICOM cloud-native ke beban kerja AI pencitraan medis . MONAI Deploy SDK dapat digunakan untuk mendukung operasional rumah sakit. Kami juga mendemonstrasikan dua opsi hosting untuk menerapkan aplikasi MAP AI di SageMaker dalam skala besar.
Telusuri contoh buku catatan di Repositori GitHub untuk mempelajari lebih lanjut tentang cara men-deploy aplikasi MONAI di SageMaker dengan citra medis yang disimpan di AWS HealthImaging. Untuk mengetahui apa yang AWS dapat lakukan untuk Anda, hubungi perwakilan AWS.
Untuk sumber daya tambahan, lihat yang berikut ini:
Tentang Penulis
Ming (Melvin) Qin adalah kontributor independen di tim Layanan Kesehatan di NVIDIA, yang berfokus pada pengembangan kerangka kerja dan platform aplikasi inferensi AI untuk menghadirkan AI ke alur kerja pencitraan medis. Sebelum bergabung dengan NVIDIA pada tahun 2018 sebagai anggota pendiri Clara, Ming menghabiskan 15 tahun mengembangkan Radiologi PACS dan Workflow SaaS sebagai insinyur utama/arsitek di Stentor Inc., yang kemudian diakuisisi oleh Philips Healthcare untuk membentuk Enterprise Imaging-nya.
David Bericat adalah manajer produk Layanan Kesehatan di NVIDIA, yang memimpin kelompok kerja Project MONAI Deploy untuk membawa AI mulai dari penelitian hingga penerapan klinis. Semangatnya adalah untuk mempercepat inovasi kesehatan secara global dan menerjemahkannya menjadi dampak klinis yang nyata. Sebelumnya, David bekerja di Red Hat, menerapkan prinsip open source yang merupakan perpaduan antara AI, cloud, edge computing, dan IoT. Momen paling membanggakannya termasuk mendaki ke base camp Everest dan bermain sepak bola selama lebih dari 20 tahun.
Brad Genereaux adalah Pemimpin Global, Aliansi Layanan Kesehatan di NVIDIA, di mana ia bertanggung jawab atas hubungan pengembang dengan fokus pada pencitraan medis untuk mempercepat kecerdasan buatan dan solusi pembelajaran mendalam, visualisasi, virtualisasi, dan analitik. Brad menginjili adopsi dan integrasi alur kerja perawatan kesehatan dan pencitraan medis yang lancar ke dalam praktik klinis sehari-hari, dengan pengalaman lebih dari 20 tahun di bidang TI perawatan kesehatan.
Geng Fu adalah Arsitek Solusi Layanan Kesehatan di AWS. Beliau meraih gelar PhD dalam Ilmu Farmasi dari Universitas Mississippi dan memiliki lebih dari 10 tahun pengalaman dalam penelitian teknologi dan biomedis. Dia sangat tertarik dengan teknologi dan dampaknya terhadap layanan kesehatan.
JP Leger adalah Arsitek Solusi Senior yang mendukung pusat medis akademis dan alur kerja pencitraan medis di AWS. Beliau memiliki lebih dari 20 tahun keahlian di bidang rekayasa perangkat lunak, TI perawatan kesehatan, dan pencitraan medis, dengan pengalaman luas merancang sistem untuk kinerja, skalabilitas, dan keamanan dalam penerapan terdistribusi volume data besar di lokasi, di cloud, dan hibrid dengan analitik dan AI. .
Chris Hafey adalah Arsitek Solusi Utama di Amazon Web Services. Ia memiliki pengalaman lebih dari 25 tahun di industri pencitraan medis dan berspesialisasi dalam membangun sistem berkinerja tinggi yang dapat diskalakan. Dia adalah pencipta proyek sumber terbuka CornerstoneJS yang populer, yang mendukung penampil tanpa jejak sumber terbuka OHIF yang populer. Dia berkontribusi pada spesifikasi DICOMweb dan terus berupaya meningkatkan kinerjanya untuk tampilan berbasis web.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 10
- 100
- 12
- 15 tahun
- 15%
- 20
- 20 tahun
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- Tentang Kami
- akademik
- mempercepat
- mempercepat
- mengakses
- dapat diakses
- Akun
- diperoleh
- di seluruh
- menambahkan
- Tambahan
- Adopsi
- Keuntungan
- terjangkau
- AI
- Model AI
- Alerts
- algoritma
- Semua
- Aliansi
- mengizinkan
- juga
- Amazon
- Amazon Web Services
- an
- analisis
- dan
- api
- Akses API
- Lebah
- aplikasi
- Aplikasi
- aplikasi
- arsitektur
- ADALAH
- buatan
- kecerdasan buatan
- AS
- At
- atribut
- secara otomatis
- tersedia
- AWS
- mendasarkan
- berdasarkan
- BE
- sebelum
- di belakang
- biomedis
- tubuh
- kedua
- brad
- terobosan
- membawa
- membangun
- Bangunan
- dibangun di
- built-in
- by
- panggilan
- Kamp
- CAN
- yang
- kasus
- pusat
- Pusat
- Clara
- kelas
- Klinis
- awan
- kode
- bagaimana
- lengkap
- terdiri dari
- komputasi
- konfigurasi
- Konektivitas
- konsul
- konsorsium
- kontak
- Wadah
- mengandung
- isi
- konteks
- terus
- berkontribusi
- penyumbang
- Biaya
- penghematan biaya
- hemat biaya
- Biaya
- menutupi
- ditulis bersama
- membuat
- dibuat
- pencipta
- disesuaikan
- data
- Data Center
- David
- mendalam
- belajar mendalam
- mendemonstrasikan
- menunjukkan
- menyebarkan
- penggelaran
- penyebaran
- penyebaran
- dev
- dikembangkan
- Pengembang
- pengembang
- berkembang
- berbeda
- didistribusikan
- do
- Buruh pelabuhan
- dokumen
- turun
- Terdahulu
- Tepi
- komputasi tepi
- efisien
- antara
- lain
- memungkinkan
- ujung ke ujung
- Titik akhir
- Teknik
- Enterprise
- lingkungan
- Setara
- everest
- Setiap
- sehari-hari
- contoh
- Kecuali
- ada
- pengalaman
- keahlian
- menyelidiki
- luas
- Pengalaman yang luas
- sangat
- palsu
- FAST
- File
- File
- Akhirnya
- Pertama
- ARMADA KAPAL
- Fokus
- terfokus
- mengikuti
- berikut
- berikut
- Tapak
- Untuk
- bentuk
- format
- ditemukan
- pembinaan
- Kerangka
- dari
- fu
- sepenuhnya
- fungsi
- fungsionalitas
- fungsi
- GitHub
- diberikan
- Aksi
- Secara global
- GPU
- Kelompok
- topi
- Memiliki
- memiliki
- he
- header
- Kesehatan
- kesehatan
- di sini
- kinerja tinggi
- sangat
- -nya
- memegang
- rumah sakit
- tuan rumah
- host
- tuan
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HTML
- http
- HTTPS
- Hibrida
- ID
- ideal
- identitas
- if
- menggambarkan
- gambar
- gambar
- Pencitraan
- Dampak
- diimplementasikan
- mengimplementasikan
- mengimpor
- impor
- meningkatkan
- in
- Inc
- memasukkan
- termasuk
- termasuk
- Termasuk
- independen
- industri
- Innovation
- memasukkan
- input
- install
- contoh
- sebagai gantinya
- mengintegrasikan
- integrasi
- Intelijen
- interaktif
- persimpangan
- ke
- idiot
- Irlandia
- IT
- NYA
- Pekerjaan
- bergabung
- jpg
- json
- kunci
- Tahu
- besar
- Latensi
- kemudian
- memimpin
- pemimpin
- Memimpin
- BELAJAR
- pengetahuan
- baris
- memuat
- pemuat
- pemuatan
- lokal
- Panjang
- mesin
- Mesin belajar
- Mayoritas
- membuat
- berhasil
- manajer
- pelaksana
- peta
- Peta
- medis
- Pelajari
- anggota
- Metadata
- Metrik
- menit
- ML
- mode
- model
- model
- Modul
- Waktu
- Memantau
- lebih
- Titik Akhir Multi-Model
- beberapa
- asli
- Perlu
- jaringan
- jaringan
- New
- tidak
- None
- utara
- buku catatan
- penting
- Nvidia
- obyek
- of
- Penawaran
- on
- ONE
- hanya
- Buka
- jaringan terbuka
- open source
- Operasi
- operator
- operator
- dioptimalkan
- pilihan
- Opsi
- or
- Oregon
- OS
- Lainnya
- keluaran
- lebih
- sendiri
- paket
- paket
- pengemasan
- pasangan
- Paralel
- gairah
- bergairah
- path
- pola
- prestasi
- izin
- farmasi
- phd
- pipa saluran
- pixel
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- bermain
- plus
- Populer
- Pos
- didukung
- kekuatan
- praktek
- Prediksi
- siap
- sebelumnya
- sebelumnya
- Utama
- prinsip-prinsip
- proses
- Diproses
- proses
- pengolahan
- Produk
- manajer produk
- Produksi
- proyek
- properties
- menyediakan
- terdorong
- Ular sanca
- pytorch
- real-time
- Kenyataan
- menerima
- Merah
- Red Hat
- menurunkan
- lihat
- wilayah
- daerah
- hubungan
- perwakilan
- permintaan
- permintaan
- Persyaratan
- membutuhkan
- penelitian
- peneliti
- Sumber
- tanggapan
- tanggung jawab
- kembali
- dapat digunakan kembali
- Run
- berjalan
- s
- SaaS
- pembuat bijak
- Inferensi SageMaker
- sama
- Save
- Tabungan
- Skalabilitas
- terukur
- Skala
- skala
- Ilmu
- SDK
- mulus
- Bagian
- keamanan
- segmentasi
- seleksi
- DIRI
- senior
- Seri
- yang telah dilayani
- layanan
- Layanan
- set
- pengaturan
- beberapa
- bentuk
- berbagi
- harus
- menunjukkan
- ditunjukkan
- Sederhana
- ukuran
- lancar
- Sepak bola
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- sumber
- spesialisasi
- spesifikasi
- menghabiskan
- standar
- Langkah
- Tangga
- penyimpanan
- menyimpan
- tersimpan
- Tali
- seperti itu
- mendukung
- pendukung
- sydney
- sistem
- Dibutuhkan
- tim
- Teknologi
- pengujian
- dari
- bahwa
- Grafik
- mereka
- Mereka
- kemudian
- Sana.
- Ini
- ini
- Melalui
- kali
- untuk
- bersama
- alat
- terhadap
- lalu lintas
- Pelaut
- benar
- mencoba
- MENGHIDUPKAN
- dua
- di mana-mana
- universitas
- Memperbarui
- menggunakan
- bekas
- Pengguna
- kegunaan
- menggunakan
- kegunaan
- variasi
- Versi
- melihat
- virginia
- penglihatan
- visualisasi
- membayangkan
- volume
- W
- berjalan
- ingin
- we
- jaringan
- layanan web
- berbasis web
- BAIK
- Apa
- ketika
- yang
- akan
- dengan
- dalam
- tanpa
- Kerja
- bekerja
- alur kerja
- Alur kerja
- kerja
- Kelompok kerja
- tahun
- Kamu
- Anda
- zephyrnet.dll
- nol