Ini adalah postingan tamu yang ditulis bersama oleh Ajay K Gupta, Jean Felipe Teotonio dan Paul A Churchyard dari HSR.health.
HSR.kesehatan adalah perusahaan analisis risiko kesehatan geospasial yang mempunyai visi bahwa tantangan kesehatan global dapat diselesaikan melalui kecerdikan manusia dan penerapan analisis data yang fokus dan akurat. Pada postingan kali ini, kami menyajikan salah satu pendekatan pencegahan penyakit zoonosis yang menggunakan Kemampuan geospasial Amazon SageMaker untuk menciptakan alat yang memberikan informasi penyebaran penyakit yang lebih akurat kepada para ilmuwan kesehatan untuk membantu mereka menyelamatkan lebih banyak nyawa dengan lebih cepat.
Penyakit zoonosis menyerang hewan dan manusia. Peralihan suatu penyakit dari hewan ke manusia disebut dengan kelebihan, adalah fenomena yang terus terjadi di planet kita. Menurut organisasi kesehatan seperti Pusat Pengendalian dan Pencegahan Penyakit (CDC) dan Organisasi Kesehatan Dunia (SIAPA), peristiwa limpahan di pasar basah di Wuhan, Tiongkok kemungkinan besar menyebabkan penyakit virus corona 2019 (COVID-19). Penelitian menunjukkan bahwa virus yang ditemukan pada kelelawar buah mengalami mutasi signifikan sehingga memungkinkannya menginfeksi manusia. Pasien awal, atau 'pasien nol', untuk COVID-19 mungkin memulai wabah lokal berikutnya yang akhirnya menyebar secara internasional. HSR.kesehatanIndeks Risiko Limpahan Zoonosis (Zoonotic Spillover Risk Index) bertujuan untuk membantu mengidentifikasi wabah awal ini sebelum menyebar ke seluruh dunia dan menimbulkan dampak global yang luas.
Senjata utama kesehatan masyarakat dalam melawan penyebaran wabah regional adalah pengawasan penyakit: keseluruhan sistem pelaporan penyakit, investigasi, dan komunikasi data yang saling terkait antara berbagai tingkat sistem kesehatan masyarakat. Sistem ini tidak hanya bergantung pada faktor manusia, namun juga pada teknologi dan sumber daya untuk mengumpulkan data penyakit, menganalisis pola, dan menciptakan aliran transfer data yang konsisten dan berkesinambungan dari otoritas kesehatan lokal, regional, hingga pusat.
Kecepatan perubahan COVID-19 dari wabah lokal menjadi penyakit global yang terjadi di setiap benua harus menjadi contoh nyata betapa pentingnya memanfaatkan teknologi inovatif untuk menciptakan sistem pengawasan penyakit yang lebih efisien dan akurat.
Risiko penyebaran penyakit zoonosis sangat berkorelasi dengan berbagai faktor sosial, lingkungan, dan geografis yang memengaruhi seberapa sering manusia berinteraksi dengan satwa liar. HSR.kesehatan Indeks Risiko Tumpahan Penyakit Zoonosis menggunakan lebih dari 20 faktor geografis, sosial, dan lingkungan berbeda yang secara historis diketahui mempengaruhi risiko interaksi manusia-satwa liar dan oleh karena itu risiko penyebaran penyakit zoonosis. Banyak dari faktor-faktor ini dapat dipetakan melalui kombinasi citra satelit dan penginderaan jauh.
Dalam posting ini, kita mengeksplorasi bagaimana HSR.kesehatan menggunakan kemampuan geospasial SageMaker untuk mengambil fitur-fitur relevan dari citra satelit dan penginderaan jauh untuk mengembangkan indeks risiko. Kemampuan geospasial SageMaker memudahkan ilmuwan data dan insinyur pembelajaran mesin (ML) untuk membangun, melatih, dan menerapkan model menggunakan data geospasial. Dengan kemampuan geospasial SageMaker, Anda dapat secara efisien mengubah atau memperkaya kumpulan data geospasial berskala besar, mempercepat pembuatan model dengan model ML terlatih, dan menjelajahi prediksi model dan data geospasial pada peta interaktif menggunakan grafik akselerasi 3D dan alat visualisasi bawaan.
Menggunakan ML dan data geospasial untuk mitigasi risiko
ML sangat efektif untuk mendeteksi anomali pada data spasial atau temporal karena kemampuannya belajar dari data tanpa diprogram secara eksplisit untuk mengidentifikasi jenis anomali tertentu. Data spasial, yang berkaitan dengan posisi fisik dan bentuk objek, sering kali mengandung pola dan hubungan kompleks yang mungkin sulit dianalisis oleh algoritma tradisional.
Menggabungkan ML dengan data geospasial akan meningkatkan kemampuan untuk mendeteksi anomali dan pola yang tidak biasa secara sistematis, yang penting untuk sistem peringatan dini. Sistem ini sangat penting dalam bidang-bidang seperti pemantauan lingkungan, manajemen bencana, dan keamanan. Pemodelan prediktif menggunakan data geospasial historis memungkinkan organisasi mengidentifikasi dan bersiap menghadapi potensi kejadian di masa depan. Peristiwa ini berkisar dari bencana alam dan gangguan lalu lintas hingga, seperti yang dibahas dalam postingan ini, wabah penyakit.
Mendeteksi risiko penyebaran zoonosis
Untuk memprediksi risiko penyebaran zoonosis, HSR.kesehatan telah mengadopsi pendekatan multimodal. Dengan menggunakan gabungan tipe dataโtermasuk informasi lingkungan, biogeografis, dan epidemiologiโmetode ini memungkinkan penilaian dinamika penyakit secara komprehensif. Perspektif multifaset tersebut sangat penting untuk mengembangkan langkah-langkah proaktif dan memungkinkan respons cepat terhadap wabah penyakit.
Pendekatan ini mencakup komponen-komponen berikut:
- Data penyakit dan wabah โ HSR.kesehatan menggunakan data penyakit dan wabah ekstensif yang disediakan oleh Gideon dan Organisasi Kesehatan Dunia (WHO), dua sumber informasi epidemiologi global yang tepercaya. Data ini berfungsi sebagai pilar fundamental dalam kerangka analitik. Bagi Gideon, datanya dapat diakses melalui API, dan bagi WHO, HSR.kesehatan telah membangun model bahasa besar (LLM) untuk mengumpulkan data wabah dari laporan wabah penyakit sebelumnya.
- Data pengamatan bumi โ Faktor lingkungan, analisis penggunaan lahan dan deteksi perubahan habitat merupakan komponen integral dalam menilai risiko zoonosis. Wawasan ini dapat diperoleh dari data observasi bumi berbasis satelit. HSR.kesehatan mampu menyederhanakan penggunaan data observasi bumi dengan menggunakan kemampuan geospasial SageMaker untuk mengakses dan memanipulasi kumpulan data geospasial skala besar. Geospasial SageMaker menawarkan katalog data yang kaya, termasuk kumpulan data dari USGS Landsat-8, Sentinel-1, Sentinel-2, dan lainnya. Dimungkinkan juga untuk memasukkan kumpulan data lain, seperti citra resolusi tinggi dari Planet Labs.
- Penentu risiko sosial โ Di luar faktor biologis dan lingkungan, tim di HSR.kesehatan juga mempertimbangkan faktor penentu sosial, yang mencakup berbagai indikator sosioekonomi dan demografi, dan memainkan peran penting dalam membentuk dinamika penyebaran zoonosis.
Dari komponen tersebut, HSR.kesehatan mengevaluasi berbagai faktor yang berbeda, dan ciri-ciri berikut ini telah diidentifikasi sebagai faktor yang berpengaruh dalam mengidentifikasi risiko penyebaran zoonosis:
- Habitat hewan dan zona layak huni โ Memahami habitat calon inang zoonosis dan zona layak huninya merupakan hal mendasar dalam menilai risiko penularan.
- Pusat populasi โ Kedekatan dengan daerah padat penduduk merupakan pertimbangan utama karena mempengaruhi kemungkinan interaksi manusia-hewan.
- Kehilangan habitat โ Degradasi habitat alami, khususnya akibat deforestasi, dapat mempercepat terjadinya penyebaran zoonosis.
- Antarmuka manusia-liar โ Kawasan dimana pemukiman manusia bersinggungan dengan habitat satwa liar berpotensi menjadi titik panas penularan zoonosis.
- Karakteristik sosial โ Faktor sosial ekonomi dan budaya dapat berdampak signifikan terhadap risiko zoonosis dan HSR.kesehatan memeriksa ini juga.
- Karakteristik kesehatan manusia โ Status kesehatan populasi manusia setempat merupakan variabel penting karena mempengaruhi kerentanan dan dinamika penularan.
Ikhtisar solusi
HSR.kesehatanAlur kerja mencakup prapemrosesan data, ekstraksi fitur, dan pembuatan visualisasi informatif menggunakan teknik ML. Hal ini memungkinkan pemahaman yang jelas tentang evolusi data dari bentuk mentahnya hingga wawasan yang dapat ditindaklanjuti.
Berikut representasi visual alur kerja yang dimulai dengan data masukan dari Gideon, data observasi bumi, dan data determinan sosial risiko.
Ambil dan proses citra satelit menggunakan kemampuan geospasial SageMaker
Data satelit menjadi landasan analisis yang dilakukan untuk membangun indeks risiko, memberikan informasi penting mengenai perubahan lingkungan. Untuk menghasilkan wawasan dari citra satelit, HSR.kesehatan kegunaan Pekerjaan Pengamatan Bumi (EOJ). EOJ memungkinkan akuisisi dan transformasi data raster yang dikumpulkan dari permukaan bumi. EOJ memperoleh citra satelit dari sumber data yang ditentukanโmisalnya, konstelasi satelitโpada area dan periode waktu tertentu. Ini kemudian menerapkan satu atau lebih model ke gambar yang diambil.
Selain itu, Studio Amazon SageMaker menawarkan buku catatan geospasial yang sudah diinstal sebelumnya dengan perpustakaan geospasial yang umum digunakan. Notebook ini memungkinkan visualisasi langsung dan pemrosesan data geospasial dalam lingkungan notebook Python. EOJ dapat dibuat di lingkungan notebook geospasial.
Untuk mengkonfigurasi EOJ, parameter berikut digunakan:
- Konfigurasi Masukan โ Konfigurasi input menentukan sumber data dan kriteria pemfilteran yang akan digunakan selama akuisisi data:
- Pengumpulan Data RasterArn โ Menentukan satelit untuk mengumpulkan data.
- Area OfInterest โ Area minat geografis (AOI) menentukan batas poligon untuk pengumpulan gambar.
- Filter Rentang Waktu โ Rentang waktu minat:
{StartTime: <string>, EndTime: <string>}
. - Filter Properti โ Filter properti tambahan, seperti persentase cakupan awan yang dapat diterima atau sudut azimuth matahari yang diinginkan.
- Konfigurasi Pekerjaan โ Konfigurasi ini menentukan jenis pekerjaan yang akan diterapkan pada data citra satelit yang diambil. Ini mendukung operasi seperti matematika pita, pengambilan sampel ulang, geomosaik, atau penghapusan cloud.
Contoh kode berikut menunjukkan menjalankan EOJ untuk penghapusan cloud, yang mewakili langkah-langkah yang dilakukan oleh HSR.kesehatan:
HSR.kesehatan menggunakan beberapa operasi untuk memproses data terlebih dahulu dan mengekstrak fitur yang relevan. Hal ini mencakup operasi seperti klasifikasi tutupan lahan, pemetaan variasi suhu, dan indeks vegetasi.
Salah satu indeks vegetasi yang relevan untuk menunjukkan kesehatan vegetasi adalah Indeks Vegetasi Perbedaan Normalisasi (NDVI). NDVI mengukur kesehatan vegetasi dengan menggunakan cahaya inframerah-dekat, yang dipantulkan oleh vegetasi, dan lampu merah, yang diserap oleh vegetasi. Pemantauan NDVI dari waktu ke waktu dapat mengungkap perubahan pada vegetasi, seperti dampak aktivitas manusia seperti penggundulan hutan.
Cuplikan kode berikut menunjukkan cara menghitung indeks vegetasi seperti NDVI berdasarkan data yang telah melewati penghilangan awan:
Kita dapat memvisualisasikan hasil pekerjaan menggunakan kemampuan geospasial SageMaker. Kemampuan geospasial SageMaker dapat membantu Anda melapisi prediksi model pada peta dasar dan memberikan visualisasi berlapis untuk mempermudah kolaborasi. Dengan visualisator interaktif bertenaga GPU dan notebook Python, jutaan titik data dapat dijelajahi dalam satu tampilan, memfasilitasi eksplorasi kolaboratif atas wawasan dan hasil.
Langkah-langkah yang diuraikan dalam posting ini hanya menunjukkan satu dari banyak fitur berbasis raster yang HSR.kesehatan telah diekstraksi untuk membuat indeks risiko.
Menggabungkan fitur berbasis raster dengan data kesehatan dan sosial
Setelah mengekstraksi fitur yang relevan dalam format raster, HSR.kesehatan menggunakan statistik zonal untuk mengumpulkan data raster dalam poligon batas administratif tempat data sosial dan kesehatan ditetapkan. Analisis ini menggabungkan kombinasi data geospasial raster dan vektor. Agregasi semacam ini memungkinkan pengelolaan data raster dalam kerangka geodata, yang memfasilitasi integrasinya dengan data kesehatan dan sosial untuk menghasilkan indeks risiko akhir.
Cuplikan kode berikut menunjukkan cara menggabungkan data raster ke batas vektor administratif:
Untuk mengevaluasi fitur yang diekstraksi secara efektif, model ML digunakan untuk memprediksi faktor yang mewakili setiap fitur. Salah satu model yang digunakan adalah support vector machine (SVM). Model SVM membantu dalam mengungkap pola dan hubungan dalam data yang menginformasikan penilaian risiko.
Indeks ini mewakili penilaian kuantitatif tingkat risiko, yang dihitung sebagai rata-rata tertimbang dari faktor-faktor tersebut, untuk membantu memahami potensi dampak limpahan di berbagai wilayah.
Gambar di sebelah kiri berikut menunjukkan agregasi klasifikasi gambar dari pemandangan kawasan uji di Peru utara yang digabungkan ke tingkat administratif distrik dengan perhitungan perubahan kawasan hutan antara tahun 2018โ2023. Deforestasi merupakan salah satu faktor kunci yang menentukan risiko penyebaran zoonosis. Gambar di sebelah kanan menyoroti tingkat keparahan risiko penyebaran zoonosis di wilayah yang dicakup, mulai dari risiko tertinggi (merah) hingga risiko terendah (hijau tua). Area tersebut dipilih sebagai salah satu area pelatihan untuk klasifikasi gambar karena keragaman tutupan lahan yang ditangkap dalam pemandangan, antara lain: perkotaan, hutan, pasir, air, padang rumput, dan pertanian. Selain itu, wilayah ini juga merupakan salah satu wilayah yang menarik untuk potensi terjadinya limpahan zoonosis akibat penggundulan hutan dan interaksi antara manusia dan hewan.
Dengan mengadopsi pendekatan multi-modal ini, yang mencakup data historis wabah penyakit, data pengamatan bumi, determinan sosial, dan teknik ML, kita dapat lebih memahami dan memprediksi risiko penyebaran zoonosis, yang pada akhirnya mengarahkan pengawasan penyakit dan strategi pencegahan ke wilayah dengan risiko wabah terbesar. Tangkapan layar berikut menunjukkan dasbor keluaran analisis risiko limpahan zoonosis. Analisis risiko ini menyoroti sumber daya dan pengawasan terhadap potensi wabah zoonosis baru sehingga penyakit berikutnya dapat dibendung sebelum menjadi endemik atau pandemi baru.
Pendekatan baru untuk pencegahan pandemi
Pada tahun 1998, di sepanjang Sungai Nipah di Malaysia, antara musim gugur tahun 1998 dan musim semi tahun 1999, 265 orang terinfeksi virus yang tidak diketahui sebelumnya yang menyebabkan ensefalitis akut dan gangguan pernapasan parah. 105 di antaranya meninggal, tingkat kematian 39.6%. Sebaliknya, angka kematian akibat COVID-19 yang tidak diobati adalah 6.3%. Sejak itu, Virus Nipah, demikian sebutannya sekarang, telah berpindah dari habitat hutannya dan menyebabkan lebih dari 20 wabah mematikan, sebagian besar di India dan Bangladesh.
Virus seperti Nipah muncul setiap tahun dan menimbulkan tantangan bagi kehidupan kita sehari-hari, terutama di negara-negara yang sulit membangun sistem pengawasan dan deteksi penyakit yang kuat, tahan lama, dan kuat. Sistem deteksi ini sangat penting untuk mengurangi risiko yang terkait dengan virus tersebut.
Solusi yang menggunakan ML dan data geospasial, seperti Zoonotic Spillover Risk Index, dapat membantu otoritas kesehatan masyarakat setempat dalam memprioritaskan alokasi sumber daya ke wilayah dengan risiko paling tinggi. Dengan melakukan hal ini, mereka dapat menetapkan langkah-langkah pengawasan yang tertarget dan terlokalisasi untuk mendeteksi dan menghentikan wabah regional sebelum menyebar ke luar negeri. Pendekatan ini secara signifikan dapat membatasi dampak wabah penyakit dan menyelamatkan nyawa.
Kesimpulan
Posting ini menunjukkan bagaimana HSR.kesehatan berhasil mengembangkan Indeks Risiko Limpahan Zoonosis dengan mengintegrasikan data geospasial, kesehatan, determinan sosial, dan ML. Dengan menggunakan SageMaker, tim menciptakan alur kerja terukur yang dapat menunjukkan dengan tepat ancaman paling besar dari potensi pandemi di masa depan. Manajemen yang efektif terhadap risiko-risiko ini dapat mengurangi beban penyakit global. Manfaat besar dalam bidang ekonomi dan sosial dari pengurangan risiko pandemi tidak bisa dipungkiri lagi, dan manfaatnya juga meluas secara regional dan global.
HSR.kesehatan menggunakan kemampuan geospasial SageMaker untuk implementasi awal Indeks Risiko Limpahan Zoonosis dan kini sedang mencari kemitraan, serta dukungan dari negara tuan rumah dan sumber pendanaan, untuk mengembangkan indeks lebih lanjut dan memperluas penerapannya ke wilayah lain di seluruh dunia. Untuk informasi lebih lanjut tentang HSR.kesehatan dan Indeks Risiko Limpahan Zoonosis, kunjungi www.hsr.kesehatan.
Temukan potensi mengintegrasikan data pengamatan Bumi ke dalam inisiatif layanan kesehatan Anda dengan menjelajahi fitur geospasial SageMaker. Untuk informasi lebih lanjut, lihat Kemampuan geospasial Amazon SageMaker, atau terlibat dengan contoh tambahan untuk mendapatkan pengalaman langsung.
Tentang Penulis
Ajay K Gupta adalah salah satu pendiri dan CEO HSR.health, sebuah perusahaan yang mendisrupsi dan berinovasi dalam analisis risiko kesehatan melalui teknologi geospasial dan teknik AI untuk memprediksi penyebaran dan tingkat keparahan penyakit. Dan memberikan wawasan ini kepada industri, pemerintah, dan sektor kesehatan sehingga mereka dapat mengantisipasi, memitigasi, dan memanfaatkan risiko di masa depan. Di luar pekerjaan, Anda dapat menemukan Ajay di belakang mikrofon yang meledak di gendang telinga sambil menyanyikan lagu musik pop favoritnya dari U2, Sting, George Michael, atau Imagine Dragons.
Jean Felipe Teotonio adalah seorang dokter yang bersemangat dan ahli dalam kualitas layanan kesehatan dan epidemiologi penyakit menular, Jean Felipe memimpin tim kesehatan masyarakat HSR.health. Dia berupaya mencapai tujuan bersama untuk meningkatkan kesehatan masyarakat dengan mengurangi beban penyakit global dengan memanfaatkan pendekatan GeoAI untuk mengembangkan solusi bagi tantangan kesehatan terbesar di zaman kita. Di luar pekerjaan, hobinya antara lain membaca buku fiksi ilmiah, mendaki gunung, liga utama Inggris, dan bermain gitar bass.
Paul A Halaman Gereja, CTO dan Kepala Insinyur Geospasial untuk HSR.health, menggunakan keterampilan dan keahlian teknisnya yang luas untuk membangun infrastruktur inti bagi perusahaan serta Platform GeoMD yang dipatenkan dan dimilikinya. Selain itu, ia dan tim ilmu data menggabungkan analisis geospasial dan teknik AI/ML ke dalam semua indeks risiko kesehatan yang dihasilkan HSR.health. Di luar pekerjaan, Paul adalah DJ otodidak dan menyukai salju.
Janosch Woschitz adalah Arsitek Solusi Senior di AWS, yang berspesialisasi dalam AI/ML geospasial. Dengan pengalaman lebih dari 15 tahun, ia mendukung pelanggan secara global dalam memanfaatkan AI dan ML untuk solusi inovatif yang memanfaatkan data geospasial. Keahliannya mencakup pembelajaran mesin, rekayasa data, dan sistem terdistribusi yang dapat diskalakan, ditambah dengan latar belakang yang kuat dalam rekayasa perangkat lunak dan keahlian industri dalam domain kompleks seperti mengemudi otonom.
Emmet Nelson adalah Account Executive di AWS yang mendukung pelanggan Riset Nirlaba di sektor Kesehatan & Ilmu Hayati, Ilmu Bumi/Lingkungan, dan Pendidikan. Fokus utamanya adalah memungkinkan kasus penggunaan di seluruh analitik, AI/ML, komputasi kinerja tinggi (HPC), genomik, dan pencitraan medis. Emmett bergabung dengan AWS pada tahun 2020 dan berbasis di Austin, TX.
- 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/how-hsr-health-is-limiting-risks-of-disease-spillover-from-animals-to-humans-using-amazon-sagemaker-geospatial-capabilities/
- :memiliki
- :adalah
- :bukan
- :Di mana
- 1
- 100
- 12
- 125
- 15 tahun
- 15%
- 16
- 1998
- 1999
- 20
- 2019
- 2020
- 36
- 39
- 3d
- 7
- a
- kemampuan
- Sanggup
- Tentang Kami
- menyerap
- mempercepat
- dipercepat
- diterima
- mengakses
- diakses
- Menurut
- Akun
- tepat
- perolehan
- di seluruh
- ditindaklanjuti
- kegiatan
- Tambahan
- Selain itu
- administratif
- diadopsi
- Mengadopsi
- Keuntungan
- keuntungan
- mempengaruhi
- terhadap
- agregat
- pengumpulan
- pertanian
- AI
- AI / ML
- Membantu
- bertujuan
- algoritma
- Semua
- alokasi
- Membiarkan
- memungkinkan
- sepanjang
- juga
- Amazon
- Amazon SageMaker
- geospasial Amazon SageMaker
- Amazon Web Services
- antara
- an
- analisis
- analisis
- menganalisa
- dan
- hewan
- hewan
- kelainan
- deteksi anomali
- mengharapkan
- api
- Aplikasi
- terapan
- berlaku
- pendekatan
- pendekatan
- ADALAH
- DAERAH
- daerah
- sekitar
- AS
- Menilai
- penilaian
- penilaian
- ditugaskan
- membantu
- membantu
- terkait
- asosiasi
- At
- ditambah
- austin
- Pihak berwenang
- otonom
- rata-rata
- AWS
- latar belakang
- PITA
- Bangladesh
- mendasarkan
- berdasarkan
- bas
- kelelawar
- BE
- karena
- menjadi
- menjadi
- sebelum
- di belakang
- makhluk
- makhluk
- Manfaat
- Lebih baik
- antara
- Luar
- Campuran
- Biru
- Buku-buku
- perbatasan
- kedua
- batas-batas
- batas
- batas
- Kotak
- membawa
- luas
- membangun
- Bangunan
- dibangun di
- built-in
- beban
- tapi
- by
- menghitung
- dihitung
- menghitung
- CAN
- tidak bisa
- kemampuan
- kemampuan
- bermodalkan
- ditangkap
- kasus
- katalog
- kategori
- Kategori
- disebabkan
- CDC
- Pusat
- Pusat Pengendalian dan Pencegahan Penyakit
- pusat
- ceo
- tantangan
- perubahan
- Perubahan
- karakteristik
- kepala
- Tiongkok
- terpilih
- kelas
- klasifikasi
- jelas
- awan
- Co-founder
- kode
- kolaborasi
- kolaboratif
- mengumpulkan
- koleksi
- Kolom
- kombinasi
- Komunikasi
- kompleks
- komponen
- luas
- komputasi
- konfigurasi
- pertimbangan
- dianggap
- konsisten
- berisi
- mengandung
- benua
- terus-menerus
- kontinu
- kontras
- kontrol
- Core
- landasan
- Coronavirus
- negara
- menutupi
- liputan
- tercakup
- Covid-19
- membuat
- dibuat
- membuat
- penciptaan
- kriteria
- kritis
- Cross
- sangat penting
- CTO
- kultural
- pelanggan
- harian
- gelap
- dasbor
- data
- Data Analytics
- titik data
- ilmu data
- kumpulan data
- Mendefinisikan
- deforestasi
- demografis
- mendemonstrasikan
- menunjukkan
- menunjukkan
- tergantung
- menyebarkan
- Berasal
- ditunjuk
- diinginkan
- menemukan
- Deteksi
- Menentukan
- mengembangkan
- dikembangkan
- berkembang
- meninggal
- perbedaan
- berbeda
- sulit
- mengerikan
- langsung
- Mengarahkan
- bencana
- Bencana
- Penyakit
- penyakit
- gangguan
- mengganggu
- berbeda
- penderitaan
- didistribusikan
- sistem terdistribusi
- distrik
- Keragaman
- Divisi
- DJ
- melakukan
- domain
- didorong
- penggerak
- dijuluki
- dua
- duplikat
- selama
- dinamika
- setiap
- Awal
- bumi
- mudah
- Mudah
- Ekonomis
- Pendidikan
- Efektif
- efektif
- efisien
- efisien
- lain
- aktif
- memungkinkan
- memungkinkan
- mencakup
- meliputi
- meliputi
- mengikutsertakan
- insinyur
- Teknik
- Insinyur
- Inggris
- English Premier League
- Meningkatkan
- memperkaya
- Seluruh
- Lingkungan Hidup
- lingkungan
- penting
- menetapkan
- membangun
- mengevaluasi
- dievaluasi
- Acara
- peristiwa
- akhirnya
- Setiap
- evolusi
- Memeriksa
- contoh
- eksekutif
- pengalaman
- ahli
- keahlian
- secara eksplisit
- eksplorasi
- menyelidiki
- Menjelajahi
- memperpanjang
- memperpanjang
- luas
- ekstrak
- ekstraksi
- memfasilitasi
- memfasilitasi
- faktor
- faktor
- Jatuh
- Favorit
- Fitur
- Fitur
- Fields
- Angka
- File
- penyaringan
- filter
- terakhir
- Menemukan
- Perusahaan
- Fokus
- terfokus
- berikut
- Untuk
- hutan
- bentuk
- format
- bentuk
- ditemukan
- Kerangka
- dari
- mendasar
- pendanaan
- lebih lanjut
- masa depan
- dikumpulkan
- menghasilkan
- genomik
- geografis
- geografis
- George
- mendapatkan
- Aksi
- Kesehatan global
- Secara global
- tujuan
- Pemerintah
- GP
- grafis
- terbesar
- Hijau
- Tamu
- tamu Post
- Gupta
- hands-on
- memanfaatkan
- Memiliki
- he
- Kesehatan
- Sistem kesehatan
- kesehatan
- membantu
- High
- resolusi tinggi
- paling tinggi
- highlight
- sangat
- -nya
- historis
- secara historis
- tuan rumah
- host
- Seterpercayaapakah Olymp Trade? Kesimpulan
- How To
- HPC
- HTML
- HTTPS
- manusia
- faktor manusia
- Manusia
- ID
- Identifikasi
- diidentifikasi
- mengenali
- mengidentifikasi
- if
- gambar
- Klasifikasi gambar
- gambar
- membayangkan
- Pencitraan
- Dampak
- implementasi
- mengimpor
- meningkatkan
- in
- Di lain
- memasukkan
- termasuk
- Termasuk
- menggabungkan
- menggabungkan
- indeks
- indeks
- India
- Indikator
- indikator
- Indeks
- industri
- berjangkit
- mempengaruhi
- Berpengaruh
- memberitahu
- informasi
- informatif
- Infrastruktur
- kecerdikan
- mulanya
- inisiatif
- inovatif
- teknologi inovatif
- memasukkan
- wawasan
- contoh
- integral
- Mengintegrasikan
- integrasi
- berinteraksi
- interaksi
- interaksi
- interaktif
- bunga
- Antarmuka
- Internasional
- internasional
- memotong
- ke
- investigasi
- IT
- NYA
- Pekerjaan
- bergabung
- jpg
- hanya
- hanya satu
- kunci
- Jenis
- dikenal
- Labs
- Tanah
- bahasa
- besar
- besar-besaran
- abadi
- lapisan
- berlapis
- memimpin
- Memimpin
- Liga
- BELAJAR
- pengetahuan
- meninggalkan
- Tingkat
- adalah ide yang bagus
- leveraging
- perpustakaan
- Hidup
- Biologi
- cahaya
- 'like'
- kemungkinan
- Mungkin
- MEMBATASI
- membatasi
- hidup
- LLM
- lokal
- mencintai
- terendah
- mesin
- Mesin belajar
- Utama
- membuat
- Malaysia
- pengelolaan
- banyak
- peta
- pemetaan
- Pasar
- matematika
- Mungkin..
- ukuran
- medis
- penggabungan
- metode
- metrik
- Michael
- mungkin
- jutaan
- Mengurangi
- ML
- model
- pemodelan
- model
- pemantauan
- lebih
- lebih efisien
- paling
- kebanyakan
- multifaset
- beberapa
- musik
- nama
- Alam
- Perlu
- New
- berikutnya
- Nirlaba
- buku catatan
- novel
- sekarang
- mati rasa
- objek
- pengamatan
- memperoleh
- terjadi
- of
- Penawaran
- sering
- on
- ONE
- hanya
- Operasi
- or
- organisasi
- organisasi
- Lainnya
- Lainnya
- kami
- di luar
- pecahnya
- diuraikan
- keluaran
- di luar
- lebih
- dilebih-lebihkan
- ikhtisar
- panda
- pandemi
- parameter
- khususnya
- kemitraan
- Lulus
- bergairah
- lalu
- dipatenkan
- pasien
- pola
- paul
- Konsultan Ahli
- persentase
- prestasi
- dilakukan
- periode
- perspektif
- peru
- gejala
- fisik
- dokter
- Pilar
- sangat penting
- pixel
- planet
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- Bermain
- bermain
- poin
- Poligon
- pop
- diisi
- populasi
- posisi
- mungkin
- Pos
- potensi
- meramalkan
- Prediksi
- perdana menteri
- Mempersiapkan
- menyajikan
- Pencegahan
- primer
- memprioritaskan
- Proaktif
- mungkin
- proses
- pengolahan
- menghasilkan
- menghasilkan
- diprogram
- properties
- milik
- hak milik
- memberikan
- disediakan
- menyediakan
- menyediakan
- publik
- kesehatan masyarakat
- Ular sanca
- kualitas
- menghitung
- kuantitatif
- lebih cepat
- jarak
- mulai
- cepat
- Penilaian
- Mentah
- Bacaan
- Merah
- mengurangi
- pengurangan
- lihat
- mencerminkan
- daerah
- secara regional
- daerah
- berhubungan
- Hubungan
- relevan
- terpencil
- pemindahan
- menghapus
- Pelaporan
- laporan
- perwakilan
- wakil
- mewakili
- merupakan
- penelitian
- sumber
- Sumber
- tanggapan
- Hasil
- mengungkapkan
- mengungkapkan
- Kaya
- benar
- Risiko
- risiko
- Sungai
- kuat
- Peran
- berjalan
- pembuat bijak
- SAND
- satelit
- Save
- terukur
- adegan
- SCI
- Ilmu
- ILMU PENGETAHUAN
- ilmuwan
- sektor
- keamanan
- pencarian
- memilih
- senior
- melayani
- Layanan
- Pemukiman
- beberapa
- parah
- Bentuknya
- membentuk
- berbagi
- harus
- Pertunjukkan
- penting
- signifikan
- sejak
- tunggal
- keterampilan
- potongan
- salju
- So
- serius
- Sosial
- sosioekonomi
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- sumber
- rentang
- spasial
- mengkhususkan diri
- tertentu
- kecepatan
- penyebaran
- musim semi
- mulai
- Mulai
- statistika
- statistik
- Status
- Tangga
- strategi
- aliran
- mempersingkat
- Tali
- kuat
- studi
- selanjutnya
- besar
- berhasil
- seperti itu
- menyarankan
- matahari
- mendukung
- pendukung
- Mendukung
- Permukaan
- pengawasan
- kerawanan
- sistem
- sistem
- Mengambil
- ditargetkan
- tim
- tech
- Teknis
- keterampilan teknis
- teknik
- Teknologi
- uji
- dari
- bahwa
- Grafik
- Daerah
- Dunia
- mereka
- Mereka
- kemudian
- karena itu
- Ini
- mereka
- ini
- ancaman
- Melalui
- waktu
- untuk
- alat
- alat
- terhadap
- tradisional
- lalu lintas
- Pelatihan VE
- Pelatihan
- transfer
- Mengubah
- Transformasi
- transisi
- dialihkan
- transmisi
- Terpercaya
- lagu
- dua
- TX
- mengetik
- jenis
- Akhirnya
- memahami
- pemahaman
- menjalani
- tidak dikenal
- perkotaan
- menggunakan
- bekas
- kegunaan
- menggunakan
- nilai
- Nilai - Nilai
- variabel
- berbagai
- tumbuh-tumbuhan
- versi
- vertikal
- View
- virus
- virus
- penglihatan
- Mengunjungi
- visual
- visualisasi
- membayangkan
- peringatan
- adalah
- air
- we
- jaringan
- layanan web
- berat
- BAIK
- pergi
- adalah
- basah
- yang
- sementara
- SIAPA
- yang
- tersebar luas
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- bekerja
- dunia
- Organisasi Kesehatan Dunia
- X
- tahun
- tahun
- Kamu
- Anda
- zephyrnet.dll
- zona