בנוף שירותי הבריאות המתפתח במהירות של ימינו, רופאים מתמודדים עם כמויות אדירות של נתונים קליניים ממקורות שונים, כגון הערות מטפלים, רשומות בריאות אלקטרוניות ודוחות הדמיה. שפע המידע הזה, על אף שהוא חיוני לטיפול בחולים, יכול גם להיות מכריע ולאורך זמן עבור אנשי מקצוע רפואיים לנפות ולנתח. סיכום וחילוץ יעיל של תובנות מנתונים אלה חיוניים לטיפול טוב יותר בחולים ולקבלת החלטות. מידע מטופל מסכם יכול להיות שימושי למספר תהליכים במורד הזרם כמו צבירת נתונים, קידוד יעיל של מטופלים או קיבוץ מטופלים עם אבחנות דומות לסקירה.
מודלים של בינה מלאכותית (AI) ולמידת מכונה (ML) הראו הבטחה גדולה בהתמודדות עם אתגרים אלה. ניתן לאמן מודלים לנתח ולפרש כמויות גדולות של נתוני טקסט, ולרכז מידע ביעילות לסיכומים תמציתיים. על ידי אוטומציה של תהליך הסיכום, הרופאים יכולים לקבל במהירות גישה למידע רלוונטי, מה שמאפשר להם להתמקד בטיפול בחולים ולקבל החלטות מושכלות יותר. ראה את הדברים הבאים מקרה מבחן למידע נוסף על מקרה שימוש בעולם האמיתי.
אמזון SageMaker, שירות ML מנוהל במלואו, מספק פלטפורמה אידיאלית לאירוח והטמעה של מודלים וגישות סיכום מבוססות בינה מלאכותית/ML. בפוסט זה, אנו בוחנים אפשרויות שונות ליישום טכניקות סיכום ב- SageMaker, כולל שימוש אמזון SageMaker JumpStart דגמי יסוד, כוונון עדין של דגמים מאומנים מראש מבית Hugging Face, ובניית דגמי סיכום מותאמים אישית. אנו גם דנים ביתרונות ובחסרונות של כל גישה, ומאפשרים לאנשי מקצוע בתחום הבריאות לבחור את הפתרון המתאים ביותר להפקת סיכומים תמציתיים ומדויקים של נתונים קליניים מורכבים.
שני מונחים שחשוב לדעת לפני שנתחיל: מאומן מראש ו כוונון עדין. מודל מאומן מראש או יסוד הוא מודל שנבנה והוכשר על קורפוס גדול של נתונים, בדרך כלל לידע כללי בשפה. כוונון עדין הוא התהליך שבו ניתן למודל מאומן מראש מערך נתונים נוסף ספציפי יותר לתחום על מנת לשפר את הביצועים שלו במשימה ספציפית. במסגרת שירותי בריאות, זה אומר לתת למודל כמה נתונים, כולל ביטויים ומינוח הנוגעים ספציפית לטיפול בחולים.
בנו מודלים של סיכום מותאמים אישית ב- SageMaker
למרות הגישה המאומצת ביותר, ארגונים מסוימים עשויים להעדיף לבנות מודלים של סיכום מותאמים אישית על SageMaker מאפס. גישה זו דורשת ידע מעמיק יותר של מודלים של AI/ML ועשויה לכלול יצירת ארכיטקטורת מודל מאפס או התאמת מודלים קיימים לצרכים ספציפיים. בניית מודלים מותאמים אישית יכולה להציע גמישות ושליטה רבה יותר בתהליך הסיכום, אך גם דורשת יותר זמן ומשאבים בהשוואה לגישות שמתחילות ממודלים שהוכשרו מראש. חשוב לשקול היטב את היתרונות והחסרונות של אפשרות זו לפני שתמשיך, מכיוון שהיא עשויה שלא להתאים לכל מקרי השימוש.
דגמי בסיס של SageMaker JumpStart
אפשרות מצוינת ליישום סיכום ב- SageMaker היא שימוש במודלים של בסיס JumpStart. מודלים אלה, שפותחו על ידי ארגוני מחקר מובילים בינה מלאכותית, מציעים מגוון מודלים של שפה מאומנים מראש המותאמים למשימות שונות, כולל סיכום טקסט. SageMaker JumpStart מספקת שני סוגים של מודלים בסיסיים: מודלים קנייניים ומודלים של קוד פתוח. SageMaker JumpStart מספק גם זכאות ל-HIPAA, מה שהופך אותו לשימושי עבור עומסי עבודה בתחום הבריאות. בסופו של דבר זה תלוי בלקוח להבטיח ציות, אז הקפד לנקוט בצעדים המתאימים. לִרְאוֹת אדריכלות עבור אבטחה ותאימות של HIPAA בשירותי האינטרנט של אמזון לקבלת פרטים נוספים.
מודלים של בסיס קנייניים
מודלים קנייניים, כגון דגמי Jurassic מ-AI21 ודגם Cohere Generate מ-Cohere, ניתן לגלות דרך SageMaker JumpStart ב- קונסולת הניהול של AWS והם נמצאים כעת בתצוגה מקדימה. שימוש במודלים קנייניים לסיכום הוא אידיאלי כאשר אינך צריך לכוונן את המודל שלך לפי נתונים מותאמים אישית. זה מציע פתרון קל לשימוש, מחוץ לקופסה שיכול לעמוד בדרישות הסיכום שלך עם תצורה מינימלית. על ידי שימוש ביכולות של מודלים מאומנים מראש, אתה יכול לחסוך זמן ומשאבים שאחרת היו מושקעים באימון וכיוונון עדין של דגם מותאם אישית. יתר על כן, מודלים קנייניים מגיעים בדרך כלל עם ממשקי API ו-SDK ידידותיים למשתמש, מה שמייעל את תהליך האינטגרציה עם המערכות והיישומים הקיימים שלך. אם ניתן לספק את צרכי הסיכום שלך על ידי מודלים קנייניים מאומנים מראש מבלי לדרוש התאמה אישית או כוונון עדין, הם מציעים פתרון נוח, חסכוני ויעיל למשימות סיכום הטקסט שלך. מכיוון שדגמים אלה אינם מאומנים במיוחד עבור מקרי שימוש רפואיים, לא ניתן להבטיח איכות לשפה רפואית מחוץ לקופסה ללא כוונון עדין.
Jurassic-2 Grande Instruct הוא מודל שפה גדול (LLM) של AI21 Labs, מותאם להוראות שפה טבעית וישים למשימות שפה שונות. הוא מציע ממשק API ו- Python SDK קל לשימוש, המאזנים בין איכות ובמחיר סביר. שימושים פופולריים כוללים יצירת עותק שיווקי, הפעלת צ'אטבוטים וסיכום טקסט.
בקונסולת SageMaker, נווט אל SageMaker JumpStart, מצא את דגם AI21 Jurassic-2 Grande Instruct ובחר נסה את הדגם.
אם אתה רוצה לפרוס את המודל לנקודת קצה של SageMaker שאתה מנהל, תוכל לבצע את השלבים בדוגמה זו מחברה, שמראה לך כיצד לפרוס את Jurassic-2 Large באמצעות SageMaker.
מודלים של בסיס קוד פתוח
דגמי קוד פתוח כוללים דגמי FLAN T5, Bloom ו-GPT-2 שניתן לגלות דרך SageMaker JumpStart ב- סטודיו SageMaker של אמזון ממשק משתמש, SageMaker JumpStart בקונסולת SageMaker וממשקי API של SageMaker JumpStart. ניתן לכוונן את המודלים הללו ולפרוס אותם לנקודות קצה תחת חשבון AWS שלך, מה שמעניק לך בעלות מלאה על משקלי מודל וקודי סקריפט.
Flan-T5 XL הוא דגם רב עוצמה ורב-תכליתי המיועד למגוון רחב של משימות שפה. על ידי כוונון עדין של המודל עם הנתונים הספציפיים לתחום שלך, אתה יכול לייעל את הביצועים שלו למקרה השימוש הספציפי שלך, כגון סיכום טקסט או כל משימת NLP אחרת. לפרטים על איך לכוונן את Flan-T5 XL באמצעות ממשק המשתמש של SageMaker Studio, עיין ב- כוונון עדין של הוראות עבור FLAN T5 XL עם Amazon SageMaker Jumpstart.
כוונון עדין של דגמים מאומנים מראש עם Hugging Face ב- SageMaker
אחת האפשרויות הפופולריות ביותר להטמעת סיכום ב- SageMaker היא כוונון עדין של דגמים מאומנים מראש באמצעות ה- Hugging Face רוֹבּוֹטרִיקִים סִפְרִיָה. Hugging Face מספק מגוון רחב של דגמי שנאים מאומנים מראש שתוכננו במיוחד עבור משימות שונות של עיבוד שפה טבעית (NLP), כולל סיכום טקסט. עם ספריית Hugging Face Transformers, אתה יכול בקלות לכוונן את המודלים המאומנים מראש על הנתונים הספציפיים לדומיין שלך באמצעות SageMaker. לגישה זו מספר יתרונות, כגון זמני אימון מהירים יותר, ביצועים טובים יותר בדומיינים ספציפיים ואריזה ופריסה קלה יותר של מודלים באמצעות הכלים והשירותים המובנים של SageMaker. אם אינך מצליח למצוא דגם מתאים ב- SageMaker JumpStart, תוכל לבחור כל דגם שמציעה Hugging Face ולכוון אותו עדין באמצעות SageMaker.
כדי להתחיל לעבוד עם מודל כדי ללמוד על היכולות של ML, כל מה שאתה צריך לעשות הוא לפתוח את SageMaker Studio, למצוא מודל מאומן מראש שבו אתה רוצה להשתמש ב- רכזת דוגמניות פנים מחבקות, ובחר SageMaker כשיטת הפריסה שלך. Hugging Face יעניק לך את הקוד להעתקה, הדבקה והרצה במחברת שלך. זה קל כמו זה! אין צורך בניסיון הנדסי ב-ML.
ספריית Hugging Face Transformers מאפשרת לבונים לפעול על הדגמים שהוכשרו מראש ולבצע משימות מתקדמות כמו כוונון עדין, אותן אנו חוקרים בסעיפים הבאים.
אספקת משאבים
לפני שנוכל להתחיל, עלינו לספק מחברת. להנחיות, עיין בשלבים 1 ו-2 ב בנה והכשרת מודל למידת מכונה באופן מקומי. עבור דוגמה זו, השתמשנו בהגדרות המוצגות בצילום המסך הבא.
אנחנו צריכים גם ליצור א שירות אחסון פשוט של אמזון (Amazon S3) דלי לאחסון נתוני האימון וחפצי האימון. להנחיות, עיין ב יצירת דלי.
הכן את מערך הנתונים
כדי לכוונן את המודל שלנו לידע טוב יותר בתחום, עלינו לקבל נתונים המתאימים למשימה. בעת אימון למקרה שימוש ארגוני, תצטרך לעבור מספר משימות הנדסת נתונים כדי להכין את הנתונים שלך כדי להיות מוכנים להדרכה. המשימות הללו הן מחוץ לתחום הפוסט הזה. עבור הדוגמה הזו, יצרנו כמה נתונים סינתטיים כדי לחקות הערות הנקה ואחסנו אותם באמזון S3. אחסון הנתונים שלנו באמזון S3 מאפשר לנו לעשות זאת ארכיטקט את עומסי העבודה שלנו עבור תאימות HIPAA. אנו מתחילים בקבלת ההערות הללו וטעינתן במופע שבו המחברת שלנו פועלת:
ההערות מורכבות מעמודה המכילה את הערך המלא, הערה ועמודה המכילה גרסה מקוצרת המדגימה מה צריך להיות הפלט הרצוי שלנו, סיכום. מטרת השימוש במערך נתונים זה היא לשפר את אוצר המילים הביולוגי והרפואי של המודל שלנו, כך שהוא מותאם יותר לסיכום בהקשר רפואי, הנקרא כוונון עדין של הדומיין, והראה את המודל שלנו כיצד לבנות את התפוקה המסוכמת שלו. במקרים מסוימים של סיכום, אולי נרצה ליצור תקציר מתוך מאמר או תקציר בשורה אחת של סקירה, אך במקרה זה, אנו מנסים לגרום למודל שלנו להוציא גרסה מקוצרת של הסימפטומים והפעולות שננקטו. למטופל עד כה.
טען את הדגם
הדגם בו אנו משתמשים כבסיס שלנו הוא גרסה של Pegasus של גוגל, הזמינה ב-Hugging Face Hub, הנקראת pegasus-xsum. זה כבר הוכשר מראש לסיכום, כך שתהליך הכוונון שלנו יכול להתמקד בהרחבת הידע שלו בתחום. שינוי המשימה שהמודל שלנו מריץ הוא סוג אחר של כוונון עדין שאינו מכוסה בפוסט זה. ספריית ה-Transformer מספקת לנו מחלקה לטעינת הגדרת המודל שלנו model_checkpoint: google/pegasus-xsum
. פעולה זו תטען את הדגם מהרכזת ותציג אותו במחברת שלנו כדי שנוכל להשתמש בו מאוחר יותר. כי pegasus-xsum
הוא מודל רצף לרצף, אנו רוצים להשתמש בסוג Seq2Seq של דגם אוטומטי מעמד:
עכשיו כשיש לנו את המודל שלנו, הגיע הזמן לשים את תשומת הלב שלנו לרכיבים האחרים שיאפשרו לנו להפעיל את לולאת האימון שלנו.
צור אסימון
הראשון מבין הרכיבים הללו הוא הטוקנייזר. טוקניזציה הוא התהליך שבו מילים מנתוני הקלט הופכות לייצוגים מספריים שהמודל שלנו יכול להבין. שוב, ספריית ה-Transformer מספקת לנו מחלקה לטעינת הגדרת טוקנייזר מאותה נקודת ביקורת שבה השתמשנו ליצירת המודל:
עם אובייקט טוקנייזר זה, אנו יכולים ליצור פונקציית עיבוד מקדים ולמפות אותה על מערך הנתונים שלנו כדי לתת לנו אסימונים מוכנים להזנה למודל. לבסוף, אנו מפרמטים את הפלט האסימון ומסירים את העמודות המכילות את הטקסט המקורי שלנו, מכיוון שהמודל לא יוכל לפרש אותן. כעת נותר לנו קלט סמלי מוכן להזנה לדגם. ראה את הקוד הבא:
עם הנתונים שלנו אסימון והמודל שלנו מופק, אנחנו כמעט מוכנים להפעיל לולאת אימון. הרכיבים הבאים שאנו רוצים ליצור הם אוסף הנתונים והאופטימיזר. אוסף הנתונים הוא מחלקה נוספת שמסופקת על ידי Hugging Face דרך ספריית הרובוטריקים, שבה אנו משתמשים כדי ליצור קבוצות של הנתונים האסימונים שלנו לאימון. אנחנו יכולים בקלות לבנות את זה באמצעות הטוקנייזר ואובייקטי המודל שכבר יש לנו רק על ידי מציאת סוג המחלקה התואמת שהשתמשנו בו בעבר עבור המודל שלנו (Seq2Seq) עבור מחלקת האספנים. תפקידו של האופטימיזר הוא לשמור על מצב האימון ולעדכן את הפרמטרים על סמך אובדן האימון שלנו בזמן שאנו עובדים דרך הלולאה. כדי ליצור מייעל, נוכל לייבא את אופטי חבילה ממודול הלפיד, שבו זמינים מספר אלגוריתמי אופטימיזציה. כמה נפוצים שאולי נתקלתם בהם בעבר הם ירידה בדרגה סטוכסטית ו אדם, האחרון שבהם מיושם בדוגמה שלנו. הקונסטרוקטור של אדם לוקח את פרמטרי המודל ואת קצב הלמידה המוגדר לפרמטרים עבור ריצת האימון הנתונה. ראה את הקוד הבא:
השלבים האחרונים לפני שנוכל להתחיל באימון הם בניית המאיץ ואת מתזמן קצב הלמידה. המאיץ מגיע מספריה אחרת (בעיקר השתמשנו ב-Transformers) המיוצר על ידי Hugging Face, בשם ההולם Accelerate, ויפשט את ההיגיון הנדרש לניהול מכשירים במהלך האימון (באמצעות מספר GPUs למשל). עבור הרכיב האחרון, אנו מבקרים שוב בספריית רובוטריקים שימושית תמיד כדי ליישם את מתזמן קצב הלמידה שלנו. על ידי ציון סוג המתזמן, המספר הכולל של שלבי האימון בלולאה שלנו, והאופטימיזציה שנוצרה קודם לכן, get_scheduler
הפונקציה מחזירה אובייקט המאפשר לנו להתאים את קצב הלמידה הראשוני שלנו לאורך תהליך האימון:
אנחנו ערוכים לחלוטין לאימון! בואו נגדיר עבודת הכשרה, מתחילים במופע של training_args שימוש בספריית רובוטריקים ובחירת ערכי פרמטרים. אנחנו יכולים להעביר את אלה, יחד עם הרכיבים והמערך המוכנים האחרים שלנו, ישירות ל- מאמן ולהתחיל להתאמן, כפי שמוצג בקוד הבא. בהתאם לגודל מערך הנתונים שלך ולפרמטרים שנבחרו, זה עשוי לקחת פרק זמן משמעותי.
ארוז את הדגם להסקת מסקנות
לאחר הפעלת האימון, אובייקט הדגם מוכן לשימוש להסקת מסקנות. כשיטת עבודה מומלצת, בואו נשמור את העבודה שלנו לשימוש עתידי. אנחנו צריכים ליצור חפצי דגם שלנו, לרכוב אותם יחד ולהעלות את ה-tarball שלנו לאמזון S3 לאחסון. כדי להכין את המודל שלנו לזיכוי, עלינו לפרוק את הדגם המכוונן כעת, ולאחר מכן לשמור את קבצי התצורה הבינאריים של המודל וקבצי התצורה המשויכים. אנחנו גם צריכים לשמור את הטוקנייזר שלנו באותה ספרייה שבה שמרנו את חפצי המודל שלנו כדי שהוא יהיה זמין כשאנחנו משתמשים במודל להסקת מסקנות. שֶׁלָנוּ model_dir
התיקיה אמורה להיראות בערך כמו הקוד הבא:
כל מה שנותר הוא להפעיל פקודת tar כדי לדחוס את הספרייה שלנו ולהעלות את הקובץ tar.gz לאמזון S3:
הדגם המעודן החדש שלנו מוכן כעת וזמין לשימוש להסקת מסקנות.
בצע מסקנות
כדי להשתמש בחפץ מודל זה להסקת מסקנות, פתח קובץ חדש והשתמש בקוד הבא, תוך שינוי של model_data
פרמטר שיתאים למיקום שמירת החפצים שלך באמזון S3. ה HuggingFaceModel
הקונסטרוקטור יבנה מחדש את המודל שלנו מהמחסום אליו שמרנו model.tar.gz
, שאותו נוכל לפרוס להסקה באמצעות שיטת ה-deploy. פריסת נקודת הקצה תימשך מספר דקות.
לאחר פריסת נקודת הקצה, נוכל להשתמש במנבא שיצרנו כדי לבדוק אותה. תעביר את ה predict
השתמש במטען נתונים והפעל את התא, ותקבל את התגובה מהמודל המכוונן שלך:
כדי לראות את היתרון של כוונון עדין של דגם, בואו נעשה בדיקה מהירה. הטבלה הבאה כוללת הנחיה ותוצאות העברת הנחיה זו לדגם לפני ואחרי כוונון עדין.
הפקודה | תגובה ללא כוונון עדין | תגובה עם Fine-Tuning |
סכמו את התסמינים שהמטופל חווה. המטופל הוא גבר בן 45 עם תלונות על כאבים תת חזה המקרינים לזרוע שמאל. הכאב מופיע באופן פתאומי בזמן שהוא עשה עבודה בחצר, הקשור לקוצר נשימה קל וסחרחורת. עם ההגעה קצב הלב של המטופל היה 120, קצב הנשימה 24, לחץ הדם 170/95. אלקטרוקרדיוגרמה של 12 עופרת נעשתה עם ההגעה למחלקת המיון ושלושה ניטרוגליצרין תת לשוניים שניתנו ללא הקלה בכאבים בחזה. אלקטרוקרדיוגרמה מראה עלייה ב-ST ב-Leads קדמיים המדגימה אוטם שריר הלב הקדמי חריף. יצרנו קשר עם מעבדת צנתור לב והכנה לצנתור לב על ידי קרדיולוג. | אנו מציגים מקרה של אוטם שריר הלב חריף. | כאבים בחזה, MI קדמי, PCI. |
כפי שאתה יכול לראות, המודל המכוונן שלנו משתמש בטרמינולוגיה בריאותית אחרת, והצלחנו לשנות את מבנה התגובה כך שיתאים למטרות שלנו. שים לב שהתוצאות תלויות במערך הנתונים שלך ובבחירות העיצוב שנעשו במהלך ההדרכה. הגרסה שלך של המודל יכולה להציע תוצאות שונות מאוד.
לנקות את
כשתסיים עם מחברת SageMaker שלך, הקפד לכבות אותו כדי למנוע עלויות של משאבים ארוכי טווח. שים לב שכיבוי המופע יגרום לך לאבד את כל הנתונים המאוחסנים בזיכרון הארעי של המופע, לכן עליך לשמור את כל העבודה שלך לאחסון מתמשך לפני הניקוי. תצטרך גם ללכת ל נקודות קצה עמוד בקונסולת SageMaker ומחק את כל נקודות הקצה שנפרסו להסקת מסקנות. כדי להסיר את כל החפצים, אתה גם צריך ללכת לקונסולת Amazon S3 כדי למחוק קבצים שהועלו לדלי שלך.
סיכום
בפוסט זה, בדקנו אפשרויות שונות ליישום טכניקות סיכום טקסט ב- SageMaker כדי לעזור לאנשי מקצוע בתחום הבריאות לעבד ולחלץ תובנות ביעילות מכמויות אדירות של נתונים קליניים. דנו בשימוש במודלים של SageMaker Jumpstart, כוונון עדין של דגמים מאומנים מראש מבית Hugging Face, ובניית מודלים של סיכום מותאמים אישית. לכל גישה יתרונות וחסרונות משלה, העונים על צרכים ודרישות שונות.
בניית מודלים של סיכום מותאמים אישית על SageMaker מאפשרת גמישות ושליטה רבה אך דורשת יותר זמן ומשאבים מאשר שימוש במודלים שהוכשרו מראש. מודלים של בסיס SageMaker Jumpstart מספקים פתרון קל לשימוש וחסכוני עבור ארגונים שאינם דורשים התאמה אישית או כוונון ספציפי, כמו גם כמה אפשרויות לכוונון עדין פשוט יותר. כוונון עדין של דגמים מאומנים מראש מבית Hugging Face מציע זמני אימון מהירים יותר, ביצועים טובים יותר ספציפיים לתחום ושילוב חלק עם הכלים והשירותים של SageMaker על פני קטלוג רחב של דגמים, אך זה דורש מאמץ יישום מסוים. בזמן כתיבת הפוסט הזה, אמזון הכריזה על אפשרות נוספת, סלע אמזון, שיציע יכולות סיכום בסביבה מנוהלת עוד יותר.
על ידי הבנת היתרונות והחסרונות של כל גישה, אנשי מקצוע וארגונים בתחום הבריאות יכולים לקבל החלטות מושכלות לגבי הפתרון המתאים ביותר להפקת סיכומים תמציתיים ומדויקים של נתונים קליניים מורכבים. בסופו של דבר, שימוש במודלים של סיכום מבוססי AI/ML ב- SageMaker יכול לשפר משמעותית את הטיפול בחולים ואת קבלת ההחלטות על ידי מתן אפשרות לאנשי מקצוע רפואיים לגשת במהירות למידע רלוונטי ולהתמקד במתן טיפול איכותי.
משאבים
לתסריט המלא שנדון בפוסט זה וכמה נתונים לדוגמה, עיין ב- GitHub ריפו. למידע נוסף על אופן הפעלת עומסי עבודה של ML ב-AWS, עיין במשאבים הבאים:
על המחברים
קודי קולינס הוא ארכיטקט פתרונות מבוסס ניו יורק בשירותי האינטרנט של אמזון. הוא עובד עם לקוחות ISV כדי לבנות פתרונות מובילים בענן. הוא העביר בהצלחה פרויקטים מורכבים לתעשיות מגוונות, תוך אופטימיזציה של יעילות ומדרגיות. בזמנו הפנוי, הוא נהנה לקרוא, לטייל ולהתאמן בג'יו ג'יטסו.
עמיר חקמה הוא אדריכל AWS Solutions המתגורר בפנסילבניה. ההתמקדות המקצועית שלו כוללת שיתוף פעולה עם ספקי תוכנה עצמאיים ברחבי הצפון-מזרח, הדרכתם בתכנון ובניית פלטפורמות מדרגיות חדישות בענן AWS.
- 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. רכב / רכבים חשמליים, פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
- BlockOffsets. מודרניזציה של בעלות על קיזוז סביבתי. גישה כאן.
- מקור: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :יש ל
- :הוא
- :לֹא
- :איפה
- $ למעלה
- 1
- 10
- 100
- 12
- 14
- 15%
- 24
- 33
- 7
- 8
- 9
- a
- יכול
- אודות
- תקציר
- להאיץ
- מאיץ
- גישה
- חֶשְׁבּוֹן
- מדויק
- לרוחב
- פעולות
- אדם
- פְּנִיָה
- מנוהל
- מתקדם
- יתרונות
- לאחר
- שוב
- - צבירה
- AI
- ai מחקר
- AI / ML
- אלגוריתמים
- תעשיות
- מאפשר
- מאפשר
- לאורך
- כְּבָר
- גם
- אמזון בעברית
- אמזון SageMaker
- אמזון שירותי אינטרנט
- כמות
- כמויות
- an
- לנתח
- ו
- הודיע
- אחר
- כל
- API
- ממשקי API
- ישים
- יישומים
- יישומית
- גישה
- גישות
- מתאים
- ארכיטקטורה
- ARE
- זרוע
- הגעה
- מאמר
- AS
- המשויך
- At
- תשומת לב
- אוטומציה
- זמין
- לְהִמָנַע
- רָחוֹק
- AWS
- איזון
- מבוסס
- BE
- כי
- היה
- לפני
- להתחיל
- תועלת
- הטבות
- הטוב ביותר
- מוטב
- BIN
- דם
- לחץ דם
- לִפְרוֹחַ
- אריזה מקורית
- נשימה
- רחב
- לִבנוֹת
- בוני
- בִּניָן
- נבנה
- מובנה
- אבל
- by
- שיחה
- נקרא
- CAN
- יכולות
- אשר
- בזהירות
- מקרה
- מקרים
- קטלוג
- לגרום
- האתגרים
- שינוי
- chatbots
- בחירות
- בחרו
- בחירה
- נבחר
- בכיתה
- קליני
- ענן
- קוד
- קודים
- סִמוּל
- שיתוף פעולה
- טור
- עמודות
- איך
- מגיע
- Common
- לעומת
- תלונות
- מורכב
- הענות
- רְכִיב
- רכיבים
- מורכב
- תמציתית
- תְצוּרָה
- חסרונות
- קונסול
- בנייה
- הקשר
- לִשְׁלוֹט
- נוֹחַ
- תוֹאֵם
- עלות תועלת
- עלויות
- יכול
- מכוסה
- לִיצוֹר
- נוצר
- יוצרים
- מכריע
- כיום
- מנהג
- לקוח
- לקוחות
- התאמה אישית
- נתונים
- מערכי נתונים
- קבלת החלטות
- החלטות
- הגדרה
- נתן
- הפגנה
- מַחלָקָה
- תלוי
- תלוי
- לפרוס
- פרס
- פריסה
- פריסה
- עיצוב
- מעוצב
- תכנון
- רצוי
- פרטים
- מפותח
- התקנים
- אחר
- ישירות
- גילה
- לדון
- נָדוֹן
- שונה
- do
- רופאים
- עושה
- תחום
- תחומים
- עשה
- לא
- מטה
- חסרונות
- בְּמַהֲלָך
- כל אחד
- קל יותר
- בקלות
- קל
- קל לשימוש
- יעילות
- יְעִילוּת
- יעיל
- יעילות
- מאמץ
- אֶלֶקטרוֹנִי
- רשומות בריאות אלקטרוניות
- זכאות
- חירום
- לאפשר
- מאפשר
- מה שמאפשר
- נקודת קצה
- הנדסה
- להגביר את
- לְהַבטִיחַ
- מִפְעָל
- כניסה
- סביבה
- תקופה
- חיוני
- אֲפִילוּ
- מתפתח
- דוגמה
- קיימים
- ניסיון
- התנסות
- לחקור
- חקר
- היכרות
- מאריך
- תמצית
- פָּנִים
- מתמודד
- רחוק
- מהר יותר
- הפד
- מעטים
- שלח
- קבצים
- סופי
- בסופו של דבר
- מציאת
- ראשון
- מתאים
- גמישות
- להתמקד
- לעקוב
- הבא
- בעד
- פוּרמָט
- קרן
- החל מ-
- מלא
- לגמרי
- פונקציה
- יתר על כן
- עתיד
- לְהַשִׂיג
- כללי
- ליצור
- נוצר
- יצירת
- לקבל
- מקבל
- לתת
- נתן
- נתינה
- Go
- גוגל
- GPUs
- גדול
- יותר
- מובטח
- יש
- he
- בְּרִיאוּת
- בריאות
- לֵב
- לעזור
- שֶׁלוֹ
- אירוח
- איך
- איך
- HTML
- http
- HTTPS
- טבור
- חיבוק פנים
- אידאל
- if
- הדמיה
- ליישם
- הפעלה
- יישום
- לייבא
- חשוב
- לשפר
- in
- מעמיק
- לכלול
- כולל
- כולל
- עצמאי
- תעשיות
- תעשייה
- מידע
- הודעה
- בתחילה
- קלט
- תשומות
- תובנות
- למשל
- הוראות
- השתלבות
- מוֹדִיעִין
- אל תוך
- לערב
- IT
- שֶׁלָה
- עבודה
- ג'סון
- רק
- לדעת
- ידע
- מעבדה
- מעבדות
- נוף
- שפה
- גָדוֹל
- אחרון
- מאוחר יותר
- עוֹפֶרֶת
- מוביל
- מוביל
- לִלמוֹד
- למידה
- עזבו
- סִפְרִיָה
- כמו
- LLM
- לִטעוֹן
- טוען
- מיקום
- הגיון
- נראה
- להפסיד
- את
- מכונה
- למידת מכונה
- עשוי
- לתחזק
- לעשות
- עשייה
- לנהל
- הצליח
- ניהול
- מַפָּה
- שיווק
- מאי..
- אומר
- רפואי
- לִפְגוֹשׁ
- זכרון
- נפגש
- שיטה
- יכול
- מינימלי
- דקות
- ML
- מודל
- מודלים
- מודול
- יותר
- רוב
- הכי פופולארי
- מספר
- שם
- טבעי
- עיבוד שפה טבעית
- נווט
- צורך
- צרכי
- חדש
- ניו יורק
- חדש
- הבא
- NLP
- לא
- מחברה
- הערות
- עַכשָׁיו
- מספר
- אובייקט
- אובייקטים
- of
- הַצָעָה
- מוצע
- המיוחדות שלנו
- זקן
- on
- ONE
- יחידות
- התחלתה
- עַל גַבֵּי
- לפתוח
- קוד פתוח
- להפעיל
- אופטימיזציה
- מטב
- אופטימיזציה
- מיטוב
- אפשרות
- אפשרויות
- or
- להזמין
- ארגונים
- מְקוֹרִי
- אחר
- אַחֶרֶת
- שלנו
- הַחוּצָה
- תפוקה
- בחוץ
- יותר
- שֶׁלוֹ
- בעלות
- חבילה
- אריזה
- עמוד
- כְּאֵב
- פרמטר
- פרמטרים
- מסוים
- לעבור
- חולף
- חולה
- חולים
- פגסוס
- פנסילבניה
- ביצועים
- הנוגעים
- ביטויים
- פלטפורמה
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- נקודה
- פופולרי
- הודעה
- חזק
- כוח
- תרגול
- חיזוי
- לְהַעֲדִיף
- להכין
- מוּכָן
- להציג
- לחץ
- תצוגה מקדימה
- קוֹדֶם
- בראש ובראשונה
- תהליך
- תהליכים
- תהליך
- מיוצר
- מקצועי
- אנשי מקצוע
- פרויקטים
- הבטחה
- קניינית
- PROS
- לספק
- ובלבד
- מספק
- מתן
- אַספָּקָה
- מטרה
- למטרות
- גם
- פיתון
- איכות
- מָהִיר
- מהירות
- רכס
- מהר
- ציון
- קריאה
- מוכן
- עולם אמיתי
- רשום
- רלוונטי
- הקלה
- להסיר
- דוחות לדוגמא
- לדרוש
- נדרש
- דרישות
- דורש
- מחקר
- משאבים
- תגובה
- תוצאות
- החזרות
- סקירה
- תפקיד
- הפעלה
- ריצה
- פועל
- בעל חכמים
- אותו
- שמור
- בקרת מערכות ותקשורת
- להרחבה
- היקף
- לגרד
- Sdk
- sdks
- בצורה חלקה
- סעיפים
- אבטחה
- לִרְאוֹת
- נפרד
- שרות
- שירותים
- סט
- הצבה
- הגדרות
- כמה
- מקוצר
- צריך
- לְהַצִיג
- הראה
- הופעות
- כיבוי
- לְנַפּוֹת
- משמעותי
- באופן משמעותי
- דומה
- פָּשׁוּט
- פשוט
- מידה
- So
- עד כה
- תוכנה
- פִּתָרוֹן
- פתרונות
- כמה
- משהו
- מקורות
- ספציפי
- במיוחד
- בילה
- התחלה
- החל
- מדינה
- מדינה-of-the-art
- צעדים
- אחסון
- חנות
- מאוחסן
- אחסון
- התייעלות
- מִבְנֶה
- סטודיו
- תת לשוני
- בהצלחה
- כזה
- פתאומי
- כדלקמן
- מַתְאִים
- סיכום
- בטוח
- תסמינים
- תַקצִיר
- סינטטי
- נתונים סינתטיים
- מערכות
- שולחן
- לקחת
- משימות
- לוקח
- המשימות
- משימות
- טכניקות
- טרמינולוגיה
- מונחים
- מבחן
- מֵאֲשֶׁר
- זֶה
- השמיים
- הרכזת
- אותם
- אז
- אלה
- הֵם
- זֶה
- אלה
- שְׁלוֹשָׁה
- דרך
- בכל
- זמן
- דורש זמן רב
- פִּי
- ל
- של היום
- יַחַד
- token
- מטבעות
- כלים
- לפיד
- סה"כ
- רכבת
- מְאוּמָן
- הדרכה
- טרנספורמציה
- שנאי
- רוֹבּוֹטרִיקִים
- נסיעה
- שתיים
- סוג
- סוגים
- בדרך כלל
- ui
- בסופו של דבר
- לא מסוגל
- תחת
- להבין
- הבנה
- עדכון
- נטען
- us
- להשתמש
- במקרה להשתמש
- מְשׁוּמָשׁ
- ידידותי למשתמש
- שימושים
- באמצעות
- ניצול
- אימות
- ערכים
- שונים
- Vast
- ספקים
- רב צדדי
- גרסה
- מאוד
- כרכים
- רוצה
- היה
- we
- עושר
- אינטרנט
- שירותי אינטרנט
- לשקול
- טוֹב
- מה
- מתי
- אשר
- בזמן
- רָחָב
- טווח רחב
- יצטרך
- עם
- לְלֹא
- מילים
- תיק עבודות
- עובד
- עובד
- היה
- כתיבה
- שנה
- york
- אתה
- זפירנט
- רוכסן