הפוסט הזה נכתב יחד עם מינג (מלווין) צ'ין, דיוויד בריקט ובראד ג'נרו מ-NVIDIA.
חוקרי ומפתחי בינה מלאכותית של הדמיה רפואית זקוקים למסגרת ארגונית ניתנת להרחבה כדי לבנות, לפרוס ולשלב את יישומי הבינה המלאכותית שלהם. AWS ו-NVIDIA התאחדו כדי להפוך את החזון הזה למציאות. AWS, NVIDIA ושותפים אחרים לבנות יישומים ופתרונות כדי להפוך את שירותי הבריאות לנגישים, סבירים ויעילים יותר על ידי האצת קישוריות הענן של הדמיה ארגונית. MONAI פריס הוא אחד מהמודולים המרכזיים בתוכו מונאי (Medical Open Network for Artificial Intelligence) פותח על ידי קונסורציום של מנהיגים אקדמיים ותעשייה, כולל NVIDIA. AWS HealthImaging (AHI) היא חנות לתמונות רפואיות המתאימה ל-HIPAA, ניתנת להרחבה, בעלת ביצועים וחסכונית. פיתחנו מחבר MONAI Deploy ל-AHI כדי לשלב יישומי בינה מלאכותית של הדמיה רפואית עם זמן השהייה של אחזור תמונה תת-שנייה בקנה מידה המופעל על ידי ממשקי API מקוריים בענן. ניתן לארח את הדגמים והאפליקציות של MONAI AI אמזון SageMaker, שהוא שירות מנוהל במלואו לפריסת מודלים של למידת מכונה (ML) בקנה מידה. SageMaker דואגת להגדיר ולנהל מופעים להסקת מסקנות ומספקת מדדים ויומנים מובנים לנקודות קצה בהן תוכלו להשתמש כדי לנטר ולקבל התראות. הוא מציע גם מגוון של מופעי NVIDIA GPU להסקת ML, כמו גם אפשרויות פריסה מרובות של מודלים עם קנה מידה אוטומטי, כולל מסקנות בזמן אמת, מסקנות ללא שרת, הסקה אסינכרונית, ו הפיכת אצווה.
בפוסט זה, אנו מדגימים כיצד לפרוס חבילת יישומים של MONAI (MAP) עם המחבר ל-AWS HealthImaging, באמצעות נקודת קצה מרובה מודלים של SageMaker להסקה בזמן אמת והסקת הסקה אסינכרונית. שתי האפשרויות הללו מכסות את רוב מקרי השימוש בצנרת להסקת הדמיה רפואית כמעט בזמן אמת.
סקירת פתרונות
התרשים הבא ממחיש את ארכיטקטורת הפתרונות.
תנאים מוקדמים
השלם את השלבים המוקדמים הבאים:
- השתמש בחשבון AWS עם אחד מהאזורים הבאים, שבהם AWS HealthImaging זמין: צפון וירג'יניה (
us-east-1
), אורגון (us-west-2
), אירלנד (eu-west-1
), וסידני (ap-southeast-2
). - צור סטודיו SageMaker של אמזון דומיין ופרופיל משתמש עם AWS זהות וניהול גישה הרשאת (IAM) לגשת ל-AWS HealthImaging.
- הפעל את סיומת JupyterLab v3 והתקן את Imjoy-jupyter-extension אם ברצונך להמחיש תמונות רפואיות במחברת SageMaker באופן אינטראקטיבי באמצעות itkwidgets.
מחבר MAP ל-AWS HealthImaging
AWS HealthImaging מייבאת קבצי DICOM P10 וממירה אותם ל-ImageSets, שהם ייצוג אופטימלי של סדרת DICOM. AHI מספקת גישת API למטא נתונים של ImageSet ול-ImageFrames. מטא נתונים מכילים את כל תכונות ה-DICOM במסמך JSON. ImageFrames מוחזרים מקודדים ב- תפוקה גבוהה JPEG2000 (HTJ2K) פורמט נטול אובדן, שניתן לפענח מהר במיוחד. ניתן לאחזר אימג'סטים על ידי שימוש ב- ממשק שורת הפקודה של AWS (AWS CLI) או ה- ערכות SDK של AWS.
MONAI היא מסגרת בינה מלאכותית להדמיה רפואית שלוקחת פריצות דרך מחקר ויישומי בינה מלאכותית להשפעה קלינית. MONAI Deploy הוא צינור העיבוד המאפשר את זרימת העבודה מקצה לקצה, כולל אריזה, בדיקות, פריסה והרצת יישומי AI של הדמיה רפואית בייצור קליני. הוא כולל את מונאי פריסת אפליקציה SDK, MONAI Deploy Express, מנהל זרימת עבודה, ו שער אינפורמטיקה. MONAI Deploy App SDK מספק אלגוריתמים מוכנים לשימוש ומסגרת להאצת בניית יישומי בינה מלאכותית של הדמיה רפואית, כמו גם כלי עזר לאריזת האפליקציה לתוך מיכל MAP. הפונקציות המובנות המבוססות על סטנדרטים ב-SDK של האפליקציה מאפשרות ל-MAP להשתלב בצורה חלקה ברשתות IT בריאות, מה שדורש שימוש בתקנים כגון DICOM, HL7 ו-FHIR, ולרוחב סביבות מרכזי נתונים וענן. MAPs יכולים להשתמש גם באופרטורים מוגדרים מראש וגם בהתאמה אישית עבור טעינת תמונות DICOM, בחירת סדרות, הסקת מודל ועיבוד לאחר
פיתחנו א מודול פיתון באמצעות AWS HealthImaging Python SDK Boto3. אתה יכול להתקין אותו ב-pip ולהשתמש בפונקציית העזר כדי לאחזר מופעי DICOM Service-Object Pair (SOP) באופן הבא:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
ניתן להמחיש את מופעי ה-SOP של הפלט באמצעות ה-itkwidgets של מציג התמונות הרפואיות התלת-ממדיות האינטראקטיביות הבאות מחברה. ה AHItoDICOM class מנצלת תהליכים מרובים כדי לאחזר מסגרות פיקסל מ-AWS HealthImaging במקביל, ו לְפַעֲנֵחַ מה היא כתמים בינאריים HTJ2K באמצעות ספריית Python OpenJPEG. ה-ImageSetIds מגיעים מקובצי הפלט של עבודת ייבוא נתונה של AWS HealthImaging. בהינתן ה-DatastoreId וייבוא JobId, אתה יכול לאחזר את ה-ImageSetId, המקביל ל-UID של מופע מסדרת DICOM, באופן הבא:
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
עם ImageSetId, אתה יכול לאחזר את המטא נתונים של כותרות DICOM ופיקסלים של תמונה בנפרד באמצעות פונקציות מקוריות של AWS HealthImaging API. ה אגרגטים של יצואנים של DICOM כותרות DICOM ופיקסלים תמונה לתוך פידיקום מערך נתונים, אשר ניתן לעיבוד על ידי מפעיל מטעין נתונים של MAP DICOM. באמצעות הפונקציה DICOMizeImageSet() יצרנו מחבר לטעינת נתוני תמונה מ-AWS HealthImaging, בהתבסס על MAP מפעיל מטעין נתונים של DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
בקוד הקודם, ahi_client
הוא מופע של מחלקת היצואן AHItoDICOM DICOM, עם פונקציות של אחזור נתונים מאוירות. כללנו את מפעיל מטעין הנתונים החדש הזה לתוך א אפליקציית בינה מלאכותית של פילוח טחול תלת-ממדית שנוצרה על ידי MONAI Deploy App SDK. תחילה תוכל לחקור כיצד ליצור ולהפעיל את היישום הזה במופע מחברת מקומי, ולאחר מכן לפרוס את יישום MAP זה לתוך נקודות קצה מנוהלות של SageMaker.
מסקנות אסינכרוניות של SageMaker
SageMaker הסקה אסינכרונית נקודת הקצה משמשת עבור בקשות עם גדלי מטען גדולים (עד 1 GB), זמני עיבוד ארוכים (עד 15 דקות), ודרישות השהייה כמעט בזמן אמת. כאשר אין בקשות לעיבוד, אפשרות הפריסה הזו יכולה להקטין את ספירת המופעים לאפס לצורך חיסכון בעלויות, וזה אידיאלי לעומסי עבודה של הדמיה רפואית ML. בצע את השלבים ב- מחברת מדגם כדי ליצור ולהפעיל את נקודת הסיום האסינכרונית של SageMaker. ל ליצור נקודת קצה אסינכרונית של הסקה, תצטרך ליצור תחילה מודל SageMaker ותצורת נקודת קצה. כדי ליצור מודל SageMaker, תצטרך לטעון חבילת model.tar.gz עם א מבנה ספריות מוגדר לתוך מיכל Docker. חבילת model.tar.gz כוללת קובץ model.ts פילוח טחול מאומן מראש וקובץ inference.py מותאם אישית. השתמשנו בקונטיינר שנבנה מראש עם גירסאות המסגרת Python 3.8 ו- PyTorch 1.12.1 כדי לטעון את המודל ולהפעיל תחזיות.
בהתאמה אישית inference.py קובץ, אנו מייצרים מחלקה עוזרת של AHItoDICOM מ-AHItoDICOMInterface ומשתמשים בו כדי ליצור מופע MAP ב- model_fn()
פונקציה, ואנו מפעילים את אפליקציית MAP על כל בקשת הסקה ב- predict_fn()
פוּנקצִיָה:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
ל להפעיל את נקודת הקצה האסינכרונית, תצטרך להעלות את מטען קלט הבקשה אליו שירות אחסון פשוט של אמזון (Amazon S3), שהוא קובץ JSON המציין את מזהה מאגר הנתונים של AWS HealthImaging ומזהה ImageSet להפעיל הסקה לגבי:
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"]
ניתן למצוא את הפלט גם באמזון S3.
מסקנות בזמן אמת של SageMaker מרובות דגמים
SageMaker מסקנות בזמן אמת נקודות קצה עומדות בדרישות אינטראקטיביות עם זמן אחזור נמוך. אפשרות זו יכולה לארח מספר דגמים במיכל אחד מאחורי נקודת קצה אחת, שהיא פתרון ניתן להרחבה וחסכוני לפריסת מספר מודלים של ML. א נקודת קצה מרובה של SageMaker משתמשת ב-NVIDIA Triton Inference Server עם GPU כדי להפעיל מסקנות מרובות של מודל למידה עמוקה.
בסעיף זה, אנו עוברים דרך כיצד ליצור ולהפעיל נקודת קצה מרובת מודלים התאמת מיכל ההסקה שלך בהמשך מחברת מדגם. ניתן להגיש דגמים שונים במכולה משותפת באותו צי משאבים. נקודות קצה מרובות מודל מפחיתות תקורה של פריסה והסקת מודלים מוקטנים על סמך דפוסי התעבורה לנקודת הקצה. השתמשנו כלי מפתח AWS לְרַבּוֹת Amazon CodeCommit, אמזון CodeBuild, ו Amazon CodePipeline לבנות המכולה המותאמת אישית להסקת מודל SageMaker. הכנו א model_handler.py להביא מיכל משלך במקום הקובץ inference.py בדוגמה הקודמת, והטמיע את הפונקציות initialize(), preprocess() ו-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")
לאחר שהמכולה נבנית ונדחפת אליו מרשם מיכל אלסטי של אמזון (Amazon ECR), אתה יכול ליצור איתו מודל SageMaker, בתוספת חבילות מודל שונות (קבצי tar.gz) בנתיב נתון של Amazon S3:
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)
ראוי לציין כי model_url
כאן מציינת רק את הנתיב לתיקיה של קבצי tar.gz, ואתה מציין באיזו חבילת דגם להשתמש להסקת הסקה כאשר אתה מפעיל את נקודת הקצה, כפי שמוצג בקוד הבא:
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))
אנו יכולים להוסיף מודלים נוספים לנקודת הסיום מרובה המודל הקיימת ללא צורך לעדכן את נקודת הקצה או ליצור אחת חדשה.
לנקות את
אל תשכח להשלים את מחק את משאבי האירוח שלב ב מעבדה -3 ו מעבדה -4 מחברות למחיקת נקודות הקצה של SageMaker. עליך לדחות את מופע המחברת של SageMaker כדי לחסוך גם בעלויות. לבסוף, אתה יכול להתקשר לפונקציה של AWS HealthImaging API או להשתמש במסוף AWS HealthImaging כדי למחוק את ערכות התמונות ומאגר הנתונים שנוצרו קודם לכן:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
סיכום
בפוסט זה, הראינו לכם כיצד ליצור מחבר MAP ל-AWS HealthImaging, שניתן לשימוש חוזר ביישומים שנבנו עם MONAI Deploy App SDK, כדי לשלב ולהאיץ את אחזור נתוני התמונה מחנות DICOM מקורית בענן לעומסי עבודה של AI של הדמיה רפואית . ניתן להשתמש ב-MONAI Deploy SDK כדי לתמוך בפעולות בית חולים. הדגמנו גם שתי אפשרויות אירוח לפריסת יישומי MAP AI ב- SageMaker בקנה מידה.
עברו על המחברות לדוגמה ב- מאגר GitHub כדי ללמוד עוד על איך לפרוס יישומי MONAI ב- SageMaker עם תמונות רפואיות המאוחסנות ב-AWS HealthImaging. כדי לדעת מה AWS יכולה לעשות עבורך, צור קשר עם א נציג AWS.
למשאבים נוספים, עיין בפרטים הבאים:
על הכותבים
מינג (מלווין) צ'ין הוא תורם עצמאי בצוות הבריאות ב-NVIDIA, המתמקד בפיתוח מסגרת ופלטפורמה של יישומי מסקנות בינה מלאכותית כדי להביא בינה מלאכותית לתהליכי עבודה של הדמיה רפואית. לפני שהצטרפה ל-NVIDIA ב-2018 כחברה מייסדת של קלרה, מינג השקיע 15 שנים בפיתוח רדיולוגיה PACS ו-Workflow SaaS כמהנדס/ארכיטקט מוביל ב-Stentor Inc., שנרכש מאוחר יותר על ידי Philips Healthcare כדי להקים את Enterprise Imaging שלה.
דיוויד בריקט הוא מנהל מוצר עבור שירותי בריאות ב-NVIDIA, שם הוא מוביל את קבוצת העבודה Project MONAI Deploy כדי להביא AI ממחקר לפריסות קליניות. התשוקה שלו היא להאיץ חדשנות בריאותית בעולם ולתרגם אותה להשפעה קלינית אמיתית. בעבר, דיוויד עבד ב-Red Hat, והטמיע עקרונות קוד פתוח בצומת של AI, ענן, מחשוב קצה ו-IoT. הרגעים הכי גאים שלו כוללים טיול רגלי למחנה הבסיס של האוורסט ומשחק כדורגל במשך יותר מ-20 שנה.
בראד ז'נרו הוא Global Lead, Healthcare Alliances ב-NVIDIA, שם הוא אחראי על קשרי מפתחים עם התמקדות בהדמיה רפואית כדי להאיץ בינה מלאכותית ולמידה עמוקה, ויזואליזציה, וירטואליזציה ופתרונות ניתוח. בראד מבשר את האימוץ והשילוב בכל מקום של זרימות עבודה חלקות של שירותי בריאות והדמיה רפואית בפרקטיקה הקלינית היומיומית, עם יותר מ-20 שנות ניסיון ב-IT בתחום הבריאות.
כנופיית פו הוא אדריכל פתרונות בריאות ב-AWS. הוא בעל תואר דוקטור במדעי התרופות מאוניברסיטת מיסיסיפי ויש לו למעלה מ-10 שנות ניסיון בטכנולוגיה ובמחקר ביו-רפואי. הוא נלהב מהטכנולוגיה וההשפעה שהיא יכולה לעשות על שירותי הבריאות.
JP Leger הוא אדריכל פתרונות בכיר התומך במרכזים רפואיים אקדמיים ובתהליכי עבודה של הדמיה רפואית ב-AWS. יש לו למעלה מ-20 שנות מומחיות בהנדסת תוכנה, IT בריאות והדמיה רפואית, עם ניסיון רב בבניית מערכות לביצועים, מדרגיות ואבטחה בפריסות מבוזרות של נפחי נתונים גדולים במקום, בענן, והיברידית עם אנליטיקה ובינה מלאכותית. .
כריס האפי הוא אדריכל פתרונות ראשי בשירותי האינטרנט של אמזון. יש לו ניסיון של למעלה מ-25 שנה בתעשיית ההדמיה הרפואית ומתמחה בבניית מערכות ניתנות להרחבה בעלות ביצועים גבוהים. הוא היוצר של פרויקט הקוד הפתוח CornerstoneJS הפופולרי, המניע את מציג הקוד הפתוח הפופולרי של OHIF Zero Footprint. הוא תרם למפרט DICOMweb וממשיך לפעול לשיפור הביצועים שלו לצפייה מבוססת אינטרנט.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
- PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
- PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 12
- שנים 15
- 15%
- 20
- שנים 20
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- אודות
- אקדמי
- להאיץ
- מאיצה
- גישה
- נגיש
- חֶשְׁבּוֹן
- נרכש
- לרוחב
- להוסיף
- נוסף
- אימוץ
- יתרון
- מחיר סביר
- AI
- דגמי AI
- התראות
- אלגוריתמים
- תעשיות
- בריתות
- להתיר
- גם
- אמזון בעברית
- אמזון שירותי אינטרנט
- an
- ניתוח
- ו
- API
- גישה לממשק API
- ממשקי API
- האפליקציה
- בקשה
- יישומים
- ארכיטקטורה
- ARE
- מלאכותי
- בינה מלאכותית
- AS
- At
- תכונות
- מכני עם סלילה אוטומטית
- זמין
- AWS
- בסיס
- מבוסס
- BE
- לפני
- מאחור
- ביו-רפואי
- גוּף
- שניהם
- בראד
- פריצות דרך
- להביא
- לִבנוֹת
- בִּניָן
- נבנה
- מובנה
- by
- שיחה
- מחנה
- CAN
- אשר
- מקרים
- מרכז
- מרכזים
- קלרה
- בכיתה
- קליני
- ענן
- קוד
- איך
- להשלים
- כולל
- מחשוב
- תְצוּרָה
- קישוריות
- קונסול
- קונסורציום
- צור קשר
- מכולה
- מכיל
- תוכן
- הקשר
- ממשיך
- תרם
- תורם
- עלות
- חיסכון עלויות
- עלות תועלת
- עלויות
- לכסות
- נכתב במשותף
- לִיצוֹר
- נוצר
- יוצר
- אישית
- נתונים
- מרכז נתונים
- דוד
- עמוק
- למידה עמוקה
- להפגין
- מופגן
- לפרוס
- פריסה
- פריסה
- פריסות
- dev
- מפותח
- מפתח
- מפתחים
- מתפתח
- אחר
- מופץ
- do
- סַוָר
- מסמך
- מטה
- מוקדם יותר
- אדג '
- קצה
- יעיל
- או
- אחר
- מאפשר
- מקצה לקצה
- נקודת קצה
- הנדסה
- מִפְעָל
- סביבות
- שווה
- אוורסט
- כל
- כל יום
- דוגמה
- אלא
- קיימים
- ניסיון
- מומחיות
- לחקור
- נרחב
- ניסיון רב
- מאוד
- שקר
- מהר
- שלח
- קבצים
- בסופו של דבר
- ראשון
- צי
- להתמקד
- מרוכז
- לעקוב
- הבא
- כדלקמן
- עָקֵב
- בעד
- טופס
- פוּרמָט
- מצא
- ייסוד
- מסגרת
- החל מ-
- fu
- לגמרי
- פונקציה
- פונקציות
- פונקציות
- GitHub
- נתן
- גלוֹבָּלִי
- ברחבי עולם
- GPU
- קְבוּצָה
- כובע
- יש
- יש
- he
- כותרות
- בְּרִיאוּת
- בריאות
- כאן
- ביצועים גבוהים
- מאוד
- שֶׁלוֹ
- מחזיק
- בית חולים
- המארח
- אירח
- אירוח
- איך
- איך
- HTML
- http
- HTTPS
- היברידי
- ID
- אידאל
- זהות
- if
- מדגים
- תמונה
- תמונות
- הדמיה
- פְּגִיעָה
- יושם
- יישום
- לייבא
- יבוא
- שיפור
- in
- בע"מ
- לכלול
- כלול
- כולל
- כולל
- עצמאי
- תעשייה
- חדשנות
- קלט
- תשומות
- להתקין
- למשל
- במקום
- לשלב
- השתלבות
- מוֹדִיעִין
- אינטראקטיבי
- הִצטַלְבוּת
- אל תוך
- IOT
- אירלנד
- IT
- שֶׁלָה
- עבודה
- הצטרפות
- jpg
- ג'סון
- מפתח
- לדעת
- גָדוֹל
- חֶבִיוֹן
- מאוחר יותר
- עוֹפֶרֶת
- מנהיגים
- מוביל
- לִלמוֹד
- למידה
- קו
- לִטעוֹן
- מטעין
- טוען
- מקומי
- ארוך
- מכונה
- למידת מכונה
- הרוב
- לעשות
- הצליח
- מנהל
- ניהול
- מַפָּה
- מפות
- רפואי
- לִפְגוֹשׁ
- חבר
- מידע נוסף
- מדדים
- דקות
- ML
- מצב
- מודל
- מודלים
- מודולים
- רגעים
- צג
- יותר
- נקודת קצה מרובת דגמים
- מספר
- יליד
- צורך
- רשת
- רשתות
- חדש
- לא
- ללא חתימה
- צפון
- מחברה
- ראוי לציון
- Nvidia
- אובייקט
- of
- המיוחדות שלנו
- on
- ONE
- רק
- לפתוח
- רשת פתוחה
- קוד פתוח
- תפעול
- מפעיל
- מפעילי
- אופטימיזציה
- אפשרות
- אפשרויות
- or
- אורגון
- OS
- אחר
- תפוקה
- יותר
- שֶׁלוֹ
- חבילה
- חבילות
- אריזה
- זוג
- מקביל
- תשוקה
- לוהט
- נתיב
- דפוסי
- ביצועים
- רשות
- התרופות
- דוקטורט
- צינור
- פיקסל
- פלטפורמה
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- ועוד
- פופולרי
- הודעה
- מופעל
- כוחות
- תרגול
- התחזיות
- מוּכָן
- קודם
- קוֹדֶם
- מנהל
- עקרונות
- תהליך
- מעובד
- תהליכים
- תהליך
- המוצר
- מנהל מוצר
- הפקה
- פּרוֹיֶקט
- נכסים
- מספק
- דחף
- פיתון
- פיטורך
- זמן אמת
- מציאות
- לקבל
- Red
- רד האט
- להפחית
- להתייחס
- באזור
- אזורים
- יחסים
- נציגות
- לבקש
- בקשות
- דרישות
- דורש
- מחקר
- חוקרים
- משאבים
- תגובה
- אחראי
- לַחֲזוֹר
- לשימוש חוזר
- הפעלה
- ריצה
- s
- SaaS
- בעל חכמים
- SageMaker Inference
- אותו
- שמור
- חיסכון
- בקרת מערכות ותקשורת
- להרחבה
- סולם
- דרוג
- מדע
- Sdk
- בצורה חלקה
- סעיף
- אבטחה
- פילוח
- מבחר
- עצמי
- לחצני מצוקה לפנסיונרים
- סדרה
- שירת
- שרות
- שירותים
- סטים
- הצבה
- כמה
- צורות
- משותף
- צריך
- הראה
- הראה
- פָּשׁוּט
- גדל
- חלק
- כדורגל
- תוכנה
- הנדסת תוכנה
- פִּתָרוֹן
- פתרונות
- מָקוֹר
- מתמחה
- מפרט
- בילה
- תקנים
- שלב
- צעדים
- אחסון
- חנות
- מאוחסן
- מחרוזת
- כזה
- תמיכה
- מסייע
- סידני
- מערכות
- לוקח
- נבחרת
- טכנולוגיה
- בדיקות
- מֵאֲשֶׁר
- זֶה
- השמיים
- שֶׁלָהֶם
- אותם
- אז
- שם.
- אלה
- זֶה
- דרך
- פִּי
- ל
- יַחַד
- כלים
- לקראת
- תְנוּעָה
- טריטון
- נָכוֹן
- לנסות
- תור
- שתיים
- נמצא בכל מקום
- אוניברסיטה
- עדכון
- להשתמש
- מְשׁוּמָשׁ
- משתמש
- שימושים
- באמצעות
- תועלת
- מגוון
- גירסאות
- צפייה
- וירג'יניה
- חזון
- ראיה
- לחזות
- כרכים
- W
- ללכת
- רוצה
- we
- אינטרנט
- שירותי אינטרנט
- המבוסס על האינטרנט
- טוֹב
- מה
- מתי
- אשר
- יצטרך
- עם
- בתוך
- לְלֹא
- תיק עבודות
- עבד
- זרימת עבודה
- זרימות עבודה
- עובד
- קבוצת עבודה
- שנים
- אתה
- זפירנט
- אפס