医療画像の分析は、病気の診断と治療において重要な役割を果たします。 機械学習 (ML) 技術を使用してこのプロセスを自動化できるため、医療専門家は特定のがん、冠動脈疾患、眼科疾患をより迅速に診断できるようになります。 ただし、この分野の臨床医や研究者が直面する重要な課題の XNUMX つは、画像分類用の ML モデルの構築に時間がかかり、複雑であるという点です。 従来の方法では、コーディングの専門知識と ML アルゴリズムに関する広範な知識が必要ですが、これが多くの医療専門家にとって障壁となる可能性があります。
このギャップに対処するために、私たちは以下を使用しました Amazon SageMaker キャンバスは、コーディングや専門知識がなくても臨床医が ML モデルを構築して展開できるようにする視覚的なツールです。 このユーザーフレンドリーなアプローチにより、ML に伴う急な学習曲線が解消され、臨床医は解放されて患者に集中できるようになります。
Amazon SageMaker Canvas は、ML モデルを作成するためのドラッグアンドドロップインターフェイスを提供します。 臨床医は、使用するデータを選択し、目的の出力を指定して、モデルが自動的に構築およびトレーニングされるのを観察できます。 モデルがトレーニングされると、正確な予測が生成されます。
このアプローチは、ML を使用して診断と治療の決定を改善したいと考えている臨床医にとって理想的です。 Amazon SageMaker Canvas を使用すると、ML の専門家でなくても、ML の力を利用して患者を支援できます。
医療画像の分類は、患者の転帰と医療効率に直接影響します。 医療画像をタイムリーかつ正確に分類することで、病気の早期発見が可能になり、効果的な治療計画とモニタリングに役立ちます。 さらに、Amazon SageMaker Canvas のようなアクセスしやすいインターフェイスを介した ML の民主化により、広範な技術的背景を持たない医療専門家を含む、より幅広い医療専門家が医療画像分析の分野に貢献できるようになります。 この包括的なアプローチはコラボレーションと知識の共有を促進し、最終的には医療研究の進歩と患者ケアの改善につながります。
この投稿では、医療画像を分類する際の Amazon SageMaker Canvas の機能を調査し、その利点について説明し、医療診断への影響を示す実際のユースケースに焦点を当てます。
使用事例
皮膚がんは重篤で死に至る可能性のある病気であり、早期に発見されるほど治療が成功する可能性が高くなります。 統計的には、皮膚がん(基底細胞がんや扁平上皮がんなど)は最も一般的ながんの種類の XNUMX つであり、数十万人が死亡しています。 毎年。 それは皮膚細胞の異常な増殖を通じて現れます。
しかし、早期に診断できれば回復の可能性は大幅に高まります。 さらに、外科的、放射線療法、または化学療法が不要になるか、全体的な使用量が減り、医療費の削減につながる可能性があります。
皮膚がんの診断プロセスは、皮膚病変の全体的な形状、サイズ、色の特徴を検査するダーモスコピー[1]と呼ばれる手順から始まります。 病変が疑われる場合は、がん細胞の種類を確認するためにさらにサンプリングと組織学的検査が行われます。 医師は皮膚がんを検出するために、視覚的な検出から始めて複数の方法を使用します。 アメリカ皮膚科学研究センターは、黒色腫の考えられる形状に関するガイドを開発しました。 あいうえお (非対称、境界、色、直径) であり、医師が病気の初期スクリーニングに使用します。 皮膚病変の疑いが見つかった場合、医師は皮膚の目に見える病変の生検を行い、良性か悪性の診断と皮膚がんの種類を顕微鏡で検査します。 コンピューター ビジョン モデルは、疑わしいほくろや病変を特定する上で貴重な役割を果たし、より早期かつ正確な診断を可能にします。
がん検出モデルの作成は、以下に概要を示すように、複数のステップからなるプロセスです。
- 健康な皮膚とさまざまな種類の癌性または前癌性病変のある皮膚から大規模な画像データセットを収集します。 このデータセットは、精度と一貫性を確保するために慎重に精選する必要があります。
- コンピューター ビジョン技術を使用して画像を前処理し、健康な皮膚と癌性皮膚を区別するために関連する抽出を行います。
- 教師あり学習アプローチを使用して、前処理された画像で ML モデルをトレーニングし、異なる肌タイプを区別するようにモデルに学習させます。
- 精度や再現率などのさまざまな指標を使用してモデルのパフォーマンスを評価し、がん性皮膚を正確に識別し、誤検知を最小限に抑えます。
- このモデルをユーザーフレンドリーなツールに統合すると、皮膚科医やその他の医療専門家が皮膚がんの検出と診断に役立てることができます。
全体として、皮膚がん検出モデルをゼロから開発するプロセスには、通常、多大なリソースと専門知識が必要です。 ここで、Amazon SageMaker Canvas がステップ 2 ~ 5 の時間と労力を簡素化するのに役立ちます。
ソリューションの概要
コードを書かずに皮膚がんコンピューター ビジョン モデルの作成を実証するために、Harvard Dataverse が公開している皮膚鏡検査皮膚がん画像データセットを使用します。 データセットを使用します。このデータセットは次の場所にあります。 HAM10000 皮膚がんのクラスを予測する皮膚がん分類モデルを構築するために、10,015 枚の皮膚鏡画像で構成されています。 データセットに関するいくつかの重要なポイント:
- このデータセットは、学術的な ML 目的のトレーニング セットとして機能します。
- これには、色素性病変の領域におけるすべての重要な診断カテゴリーの代表的なコレクションが含まれています。
- データセット内のいくつかのカテゴリは次のとおりです: 日光角化症および上皮内癌 / ボーエン病 (akiec)、基底細胞癌 (bcc)、良性角化症様病変 (太陽黒子 / 脂漏性角化症および角化症のような扁平苔癬、bkl)、皮膚線維腫 ( df)、黒色腫 (mel)、メラノサイト母斑 (nv)、および血管病変 (血管腫、血管角化腫、化膿性肉芽腫および出血、vasc)
- データセット内の病変の 50% 以上が組織病理学 (histo) によって確認されています。
- 残りのケースの真実は追跡調査によって決定されます (
follow_up
)、専門家の合意(コンセンサス)、またはによる確認 インビボの 共焦点顕微鏡(共焦点)。 - データセットには複数の画像を含む病変が含まれており、これらの病変は
lesion_id
内の列HAM10000_metadata
ファイルにソフトウェアを指定する必要があります。
Amazon SageMaker Canvas を使用してコードを記述せずに、複数の皮膚がんカテゴリの画像分類を簡素化する方法を紹介します。 皮膚病変の画像が与えられると、SageMaker Canvas 画像分類は画像を良性か癌の可能性があるものに自動的に分類します。
前提条件
- へのアクセス AWS 手順セクションで説明されているリソースを作成する権限を持つアカウント。
- AWS ID とアクセス管理 (AWS IAM) ユーザー Amazon SageMaker を使用するための完全な権限を持っています。
チュートリアル
- SageMaker ドメインのセットアップ
- データセットのセットアップ
- Amazon Simple Storage Service を作成する (アマゾンS3) 一意の名前を持つバケット。
image-classification-<ACCOUNT_ID>
ここで、ACCOUNT_ID は一意の AWS アカウント番号です。 - このバケットに XNUMX つのフォルダーを作成します。
training-data
およびtest-data
. - training-data の下に、データセットで特定された皮膚がんカテゴリごとに XNUMX つのフォルダーを作成します。
akiec
,bcc
,bkl
,df
,mel
,nv
,vasc
. - データセットには、複数の画像を含む病変が含まれており、
lesion_id-column
中でHAM10000_metadata
ファイル。 の使用lesion_id-column
、対応する画像を適切なフォルダーにコピーします (つまり、分類ごとに 100 枚の画像から開始できます)。
- Amazon Simple Storage Service を作成する (アマゾンS3) 一意の名前を持つバケット。
- Amazon SageMaker Canvas を使用する
- に行きます アマゾンセージメーカー コンソールでサービスを選択し、 キャンバス リストから。 キャンバスページに移動したら、選択してください オープンキャンバス
- 「キャンバス」ページに移動したら、次の項目を選択します。 私のモデル それから、 ニューモデル 画面の右側にある
- 新しいポップアップ ウィンドウが開き、名前を付けます。 画像分類 モデル名として [画像解析] を選択します。 問題の種類.
- データセットをインポートする
- 次のページで選択してください データセットを作成する ポップアップ ボックスでデータセットに次の名前を付けます。 画像分類 選択 創造する
- 次のページで、 情報元 〜へ アマゾンS3。 画像を直接アップロードすることもできます (つまり、 ローカルアップロード).
- 選択したとき アマゾンS3, アカウントに存在するバケットのリストが表示されます。 データセットをサブフォルダーに保持する親バケットを選択します (例: 画像分類-2023 をクリックして インポート日 ボタン。 これにより、Amazon SageMaker Canvas はフォルダー名に基づいて画像に迅速にラベルを付けることができます。
- データセットが正常にインポートされると、[ステータス] 列の値が次のように変化します。 レディ から 処理.
- 次に、選択してデータセットを選択します データセットを選択 ページの下部にある。
- モデルを構築する
- ソフトウェア設定ページで、下図のように 完成に向けてあなたの背中を押してくれる、執筆のための持続可能で本物のモーメンタムを作り出す。 ページにアクセスすると、データがインポートされ、Amazon S3 のフォルダー名に従ってラベルが付けられていることが表示されます。
- 現在地に最も近い クイックビルド ボタン (つまり、次の画像で赤く強調表示されたコンテンツ) をクリックすると、モデルを構築するための XNUMX つのオプションが表示されます。 まず一つ目は、 クイックビルド そしてXNUMX番目は 標準ビルド。 名前のとおり、クイック ビルド オプションは精度よりも速度を重視しており、モデルのビルドにかかる時間は約 15 ~ 30 分です。 標準のビルドでは速度よりも精度が優先され、モデルの構築が完了するまでに 45 分から 4 時間かかります。 標準ビルドでは、ハイパーパラメーターのさまざまな組み合わせを使用して実験を実行し、バックエンドで (SageMaker Autopilot 機能を使用して) 多くのモデルを生成し、最適なモデルを選択します。
- 選択 標準ビルド をクリックしてモデルの構築を開始します。 完了までに約 2 ~ 5 時間かかります。
- モデルの構築が完了すると、図 11 に示すように推定精度が表示されます。
- あなたが選択した場合 得点 タブをクリックすると、モデルの精度に関する洞察が得られます。 また、 高度な指標 上のボタン 得点 タブをクリックして、適合率、再現率、および F1 スコア (クラスのバランスを考慮したバランスのとれた精度の尺度) を表示します。
- Amazon SageMaker Canvas が表示する高度なメトリクスは、モデルがデータに対して数値、カテゴリ、画像、テキスト、または時系列の予測を実行するかどうかによって異なります。 この場合、癌の検出を見逃すことは、正しく検出することよりもはるかに危険であるため、精度よりも再現率が重要であると考えられます。 2 カテゴリー予測や 3 カテゴリー予測などのカテゴリー予測は、分類の数学的概念を指します。 の 高度なメトリック 再現率は、すべての実陽性 (TP + 偽陰性) のうちの真陽性 (TP) の割合です。 これは、モデルによって陽性と正しく予測された陽性インスタンスの割合を測定します。 こちらをご参照ください Amazon SageMaker Canvas の高度なメトリクスの詳細 高度なメトリクスについて詳しく説明します。
これで、Amazon SageMaker Canvas でのモデル作成ステップが完了しました。
- モデルをテストする
- 選択できるようになりました。 予測する ボタンをクリックすると、 予測する ページでは、独自の画像をアップロードできます。 単一の予測 or バッチ予測。 ご希望のオプションを設定して選択してください インポート 画像をアップロードしてモデルをテストします。
- まずは単一画像の予測を行ってみましょう。 にいることを確認してください 単一の予測 選択して 画像をインポートする。 これにより、画像をアップロードする場所を選択できるダイアログ ボックスが表示されます。 アマゾンS3、または、 ローカルアップロード。 私たちの場合、選択します アマゾンS3 そして、テスト画像があるディレクトリを参照し、任意の画像を選択します。 次に選択します インポート日.
- 選択すると、次のような画面が表示されます。 予測結果の生成。 以下に示すように、数分以内に結果が表示されます。
- それでは、バッチ予測を試してみましょう。 選択する バッチ予測 下 予測を実行する 選択 新しいデータセットをインポートする ボタンを押して名前を付けます バッチ予測 とヒット 創造する
- 次のウィンドウで、Amazon S3 アップロードを選択していることを確認し、テスト セットがあるディレクトリを参照して、 インポート日
- 画像が入ったら レディ ステータスで、作成されたデータセットのラジオ ボタンを選択し、[予測の生成] を選択します。 これで、バッチ予測バッチのステータスが表示されるはずです。 予測の生成。 結果が出るまで数分待ちましょう。
- ステータスが入ったら レディ 状態で、データセット名を選択すると、すべての画像の詳細な予測を表示するページが表示されます。
- バッチ予測のもう XNUMX つの重要な機能は、結果を検証でき、さらに使用または共有するために予測を zip または csv ファイルでダウンロードできることです。
これにより、Amazon SageMaker Canvas を使用してモデルを作成し、トレーニングし、その予測をテストすることができました。
清掃
選択する ログアウト 左側のナビゲーションペインで Amazon SageMaker Canvas アプリケーションからログアウトし、 SageMaker Canvas ワークスペース インスタンスの時間 そしてすべてのリソースを解放します。
引用
[1]フライワン M、ファウリ E. 深層転移学習を使用した皮膚がんの自動検出と分類について。 センサー (バーゼル)。 2022 30 22;13(4963):10.3390。 土井:22134963/s35808463。 PMID: 9269808; PMCID: PMCXNUMX。
まとめ
この記事では、ML 技術を使用した医療画像解析がどのように皮膚がんの診断を迅速化できるか、また他の疾患の診断への応用可能性について説明しました。 ただし、画像分類用の ML モデルの構築は複雑で時間がかかることが多く、コーディングの専門知識と ML の知識が必要です。 Amazon SageMaker Canvas は、コーディングや専門的な ML スキルの必要性を排除するビジュアルインターフェイスを提供することで、この課題に対処しました。 これにより、医療専門家は急な学習曲線を必要とせずに ML を使用できるようになり、患者のケアに集中できるようになります。
がん検出モデルを開発する従来のプロセスは面倒で時間がかかります。 これには、厳選されたデータセットの収集、画像の前処理、ML モデルのトレーニング、そのパフォーマンスの評価、医療専門家向けの使いやすいツールへの統合が含まれます。 Amazon SageMaker Canvas により、前処理から統合までのステップが簡素化され、皮膚がん検出モデルの構築に必要な時間と労力が削減されました。
この投稿では、医療画像を分類する際の Amazon SageMaker Canvas の強力な機能を詳しく掘り下げ、その利点を明らかにし、医療診断に大きな影響を与える実際のユースケースを紹介しました。 私たちが調査したそのような魅力的なユースケースの XNUMX つは、皮膚がんの検出であり、早期診断が治療成果を大幅に向上させ、医療費を削減することがよくあります。
モデルの精度は、トレーニング データセットのサイズや使用されるモデルの特定の種類などの要因によって異なる可能性があることを認識することが重要です。 これらの変数は、分類結果のパフォーマンスと信頼性を決定する役割を果たします。
Amazon SageMaker Canvas は、医療従事者がより正確かつ効率的に病気を診断するのを支援する貴重なツールとして機能します。 ただし、医療専門家の専門知識や判断に代わるものではないことに注意することが重要です。 むしろ、患者の能力を強化し、より正確かつ迅速な診断を可能にすることで、患者に力を与えます。 意思決定プロセスには人間の要素が引き続き不可欠であり、最適な患者ケアを提供するには、医療専門家と Amazon SageMaker Canvas などの人工知能 (AI) ツールとのコラボレーションが極めて重要です。
著者について
ラマカント・ジョシ は、分析とサーバーレスのドメインを専門とする AWS ソリューション アーキテクトです。 彼はソフトウェア開発とハイブリッド アーキテクチャの経験があり、顧客のクラウド アーキテクチャの最新化を支援することに情熱を注いでいます。
ジェイク・ウェン AWS のソリューションアーキテクトであり、機械学習、自然言語処理、深層学習への情熱を原動力としています。 彼は、エンタープライズ顧客がクラウドで最新化とスケーラブルな展開を実現できるよう支援しています。 テクノロジーの世界を超えて、ジェイクはスケートボード、ハイキング、ドローンの操縦に喜びを感じています。
ソーヌー・シン は、分析ドメインを専門とする AWS ソリューション アーキテクトです。 データに基づいた意思決定を可能にし、それによってイノベーションと成長を促進することで、組織の変革を促進することに尽力してきました。 彼は、自分がデザインしたり作成したものがポジティブな影響をもたらすと喜びます。 AWS における彼の意図は、顧客が AWS の 200 以上のクラウド サービスから価値を引き出し、クラウドへの移行を支援できるよう支援することです。
ダリシュ・アジミ AWS のソリューション アーキテクトであり、機械学習、自然言語処理 (NLP)、Kubernetes を使用したマイクロサービス アーキテクチャを専門としています。 彼の使命は、データ ストレージ、アクセシビリティ、分析、予測機能を含む包括的なエンドツーエンド ソリューションを通じて、組織がデータの可能性を最大限に活用できるようにすることです。
- SEO を活用したコンテンツと PR 配信。 今日増幅されます。
- PlatoData.Network 垂直生成 Ai。 自分自身に力を与えましょう。 こちらからアクセスしてください。
- プラトアイストリーム。 Web3 インテリジェンス。 知識増幅。 こちらからアクセスしてください。
- プラトンESG。 カーボン、 クリーンテック、 エネルギー、 環境、 太陽、 廃棄物管理。 こちらからアクセスしてください。
- プラトンヘルス。 バイオテクノロジーと臨床試験のインテリジェンス。 こちらからアクセスしてください。
- 情報源: https://aws.amazon.com/blogs/machine-learning/simplify-medical-image-classification-using-amazon-sagemaker-canvas/
- :持っている
- :は
- :どこ
- $UP
- 1
- 10
- 100
- 11
- 12
- 13
- 14
- 視聴者の38%が
- 16
- 17
- 2022
- 30
- 32
- 7
- 8
- 9
- 97
- a
- 能力
- できる
- 私たちについて
- アカデミック
- アクセス
- 接近性
- アクセス可能な
- 精度
- 正確な
- 正確にデジタル化
- 達成する
- 認める
- 実際の
- 住所
- 対処する
- 進める
- 高度な
- 進歩
- AI
- 援助
- 空気
- アルゴリズム
- すべて
- 許可
- ことができます
- また
- Amazon
- アマゾンセージメーカー
- Amazon SageMaker キャンバス
- Amazon Webサービス
- アメリカ
- an
- 分析
- 分析論
- および
- どれか
- 申し込み
- アプローチ
- 建築
- です
- 周りに
- 人工の
- 人工知能
- 人工知能(AI)
- AS
- アシスト
- 関連する
- At
- 自動化する
- オートマチック
- 自動的に
- AWS
- バックエンド
- 背景
- 背景
- バリア
- ベース
- バーゼル
- BE
- なぜなら
- き
- 信じる
- 以下
- 利点
- BEST
- より良いです
- の間に
- 越えて
- 国境
- ボトム
- ボックス
- もたらす
- より広い
- ビルド
- 建物
- 構築します
- (Comma Separated Values) ボタンをクリックして、各々のジョブ実行の詳細(開始/停止時間、変数値など)のCSVファイルをダウンロードします。
- by
- 呼ばれます
- 缶
- 癌
- キャンバス
- 機能
- これ
- 慎重に
- 場合
- 例
- 触媒作用
- カテゴリ
- 細胞
- センター
- 一定
- 挑戦する
- 課題
- チャンス
- チャンス
- 変化する
- 特性
- 選択
- 選択する
- 選択する
- class
- クラス
- 分類
- 臨床医
- クラウド
- クラウドサービス
- コード
- コーディング
- 環境、テクノロジーを推奨
- コレクション
- カラー
- コラム
- 組み合わせ
- コマンドと
- 説得力のある
- コンプリート
- 完了
- 複雑な
- 包括的な
- コンピュータ
- Computer Vision
- コンセプト
- 条件
- 確認
- 確認済み
- コンセンサス
- からなる
- 領事
- 消費
- コンテンツ
- 貢献する
- 正しい
- 対応する
- コスト
- 可能性
- 作ります
- 作成した
- 作成
- 創造
- 重大な
- 面倒
- キュレーション
- 曲線
- Customers
- 危険な
- データ
- データストレージ
- データ駆動型の
- データバース
- 死亡
- 意思決定
- 決定
- 深いです
- ディープダイブ
- 深い学習
- 喜び
- 民主化
- 実証します
- によっては
- 展開します
- 展開
- 記載された
- 設計
- 希望
- 詳細な
- 検出
- 検出された
- 検出
- 決定
- 決定
- 発展した
- 開発
- 開発
- 対話
- 異なります
- 区別する
- 直接に
- 話し合います
- 病気
- 病気
- 見分けます
- ダイビング
- do
- 医師
- 医師
- すること
- ドメイン
- ダウンロード
- 劇的に
- ドリブン
- ドローン
- e
- 各
- 前
- 早い
- 効果的な
- 効率
- 努力
- 素子
- 排除
- 採用
- エンパワー
- 力を与える
- 可能
- 有効にする
- 包含する
- 端から端まで
- 強化
- 確保
- Enterprise
- 本質的な
- 推定
- 評価する
- 試験
- 迅速化する
- 実験
- エキスパート
- 専門知識
- 探る
- 調査済み
- 広範囲
- エキス
- f1
- 直面して
- 要因
- false
- 遠く
- 特徴
- 少数の
- フィールド
- フィギュア
- File
- 発見
- 名
- フォーカス
- フォロー中
- 育てる
- 発見
- 分数
- から
- フル
- 機能性
- さらに
- ギャップ
- 集まり
- 生成する
- 生成
- 取得する
- 与えられた
- 大きい
- 陸上
- 成長性
- ガイド
- ハーネス
- ハーバード
- 持ってる
- he
- ヘルスケア
- 健康
- 助けます
- 助け
- 特徴
- 彼の
- ヒット
- 保持している
- HOURS
- 認定条件
- How To
- しかしながら
- HTML
- HTTPS
- 人間
- 人間的要素
- 何百
- ハイブリッド
- i
- 理想
- 特定され
- 識別する
- 識別する
- アイデンティティ
- if
- 画像
- 画像分類
- 画像
- 影響
- 影響
- import
- 重要
- 改善します
- 改善されました
- in
- 含ま
- 含めて
- 包括的
- 増加
- 初期
- 革新的手法
- 洞察
- インストルメンタル
- 統合する
- 統合
- インテリジェンス
- 意図された
- 意図
- インタフェース
- インターフェース
- に
- 貴重な
- IT
- ITS
- 自体
- 旅
- JPG
- キー
- 知識
- クマー
- ラベル
- ラベリング
- 言語
- 大
- リード
- 学習
- 左
- 光
- ような
- リスト
- リスト
- ログ
- 機械
- 機械学習
- make
- 管理
- 多くの
- 数学的
- 五月..
- だけど
- 措置
- 医療の
- メソッド
- メトリック
- 顕微鏡検査
- マイクロサービス
- 最小化する
- 分
- 行方不明
- ミッション
- ML
- モデル
- 近代化します
- モニタリング
- 他には?
- さらに
- 最も
- の試合に
- 名
- 名
- ナチュラル
- 自然言語処理
- 自然
- ナビゲート
- ナビゲーション
- 必要
- 必要
- ニーズ
- ネガ
- 新作
- 次の
- NIHの
- NLP
- 今
- NV
- オブジェクト
- of
- 頻繁に
- on
- かつて
- ONE
- 開きます
- 最適な
- オプション
- オプション
- or
- 組織
- その他
- 私たちの
- でる
- 成果
- 概説
- 出力
- が
- 全体
- 自分の
- ページ
- ペイン
- 情熱
- 情熱的な
- 患者
- 患者
- 以下のために
- パフォーマンス
- 実行する
- パーミッション
- ピック
- 操縦
- 極めて重要な
- 計画
- プラトン
- プラトンデータインテリジェンス
- プラトデータ
- プレイ
- 演劇
- お願いします
- ポイント
- ポップアップ
- 正の
- 可能
- ポスト
- 潜在的な
- :
- 電力
- 強力な
- 正確な
- 精度
- 予測
- 予測
- 予測
- 予測
- 現在
- 優先する
- 手続き
- プロセス
- 処理
- 専門家
- 深遠な
- 割合
- 提供します
- は、大阪で
- 提供
- 公表
- 目的
- クイック
- すぐに
- ラジオ
- 範囲
- むしろ
- 現実の世界
- realm
- 回復
- 減らします
- 電話代などの費用を削減
- 軽減
- 参照する
- 指し
- リリース
- 関連した
- 信頼性
- 残っている
- replace
- 代表者
- 必要とする
- の提出が必要です
- 必要
- 研究
- 研究者
- リソース
- REST
- 結果
- 右
- 職種
- runs
- セージメーカー
- 言う
- ド電源のデ
- スコア
- スクラッチ
- 画面
- スクリーニング
- 二番
- セクション
- 選択
- センサー
- シリーズ
- 深刻な
- 役立つ
- サーバレス
- 仕える
- サービス
- サービス
- セッションに
- セブン
- 形状
- シェアリング
- シフト
- すべき
- ショーケース
- 示されました
- 示す
- 作品
- 重要
- 著しく
- 簡単な拡張で
- 簡略化されました
- 簡素化する
- サイズ
- スキル
- 肌
- ソフトウェア
- ソフトウェア開発
- 太陽
- 溶液
- ソリューション
- 何か
- 専門の
- 特化
- 特定の
- スピード
- 標準
- start
- 起動
- 開始
- 都道府県
- Status:
- 手順
- ステップ
- Force Stop
- ストレージ利用料
- 勉強
- 成功した
- 首尾よく
- そのような
- 示唆する
- 確か
- 外科的な
- 疑わしい
- 取り
- 取得
- テク
- 技術的
- テクニック
- test
- テスト
- 클라우드 기반 AI/ML및 고성능 컴퓨팅을 통한 디지털 트윈의 기초 – Edward Hsu, Rescale CPO 많은 엔지니어링 중심 기업에게 클라우드는 R&D디지털 전환의 첫 단계일 뿐입니다. 클라우드 자원을 활용해 엔지니어링 팀의 제약을 해결하는 단계를 넘어, 시뮬레이션 운영을 통합하고 최적화하며, 궁극적으로는 모델 기반의 협업과 의사 결정을 지원하여 신제품을 결정할 때 데이터 기반 엔지니어링을 적용하고자 합니다. Rescale은 이러한 혁신을 돕기 위해 컴퓨팅 추천 엔진, 통합 데이터 패브릭, 메타데이터 관리 등을 개발하고 있습니다. 이번 자리를 빌려 비즈니스 경쟁력 제고를 위한 디지털 트윈 및 디지털 스레드 전략 개발 방법에 대한 인사이트를 나누고자 합니다.
- より
- それ
- アプリ環境に合わせて
- それら
- その後
- そこ。
- それによって
- ボーマン
- 彼ら
- この
- それらの
- 数千
- 介して
- 時間
- 時系列
- 時間がかかる
- タイムリーな
- 〜へ
- ツール
- 豊富なツール群
- tp
- 伝統的な
- トレーニング
- 訓練された
- トレーニング
- 列車
- 転送
- 変形させる
- 治療
- 治療
- true
- 真実
- 試します
- 2
- type
- 一般的に
- 最終的に
- 下
- 受ける
- ユニーク
- 不要
- 使用法
- つかいます
- 使用事例
- 中古
- 「DeckleBenchは非常に使いやすく最適なソリューションを簡単に見つけることができるため、稼働率が向上しコストも削減した。当社の旧システムは良かったが改善は期待していなかった。
- 貴重な
- 値
- 多様
- さまざまな
- 確認する
- 詳しく見る
- 目に見える
- ビジョン
- 極めて重要な
- wait
- 欲しいです
- ました
- よく見る
- we
- ウェブ
- Webサービス
- した
- いつ
- かどうか
- which
- 誰
- ウィンドウを使用して入力ファイルを追加します。
- 以内
- 無し
- ワークショップ
- 世界
- 書き込み
- 年
- You
- あなたの
- ゼファーネット
- 〒