To jest post gościnny, którego współautorami są Ajay K Gupta, Jean Felipe Teotonio i Paul A Churchyard z HSR.health.
HSR.zdrowie to firma zajmująca się geoprzestrzenną analizą ryzyka zdrowotnego, której wizja zakłada, że globalne wyzwania zdrowotne można rozwiązać dzięki ludzkiej pomysłowości oraz ukierunkowanemu i dokładnemu zastosowaniu analizy danych. W tym poście przedstawiamy jedno podejście do zapobiegania chorobom odzwierzęcym, które wykorzystuje Możliwości geoprzestrzenne Amazon SageMaker stworzenie narzędzia dostarczającego naukowcom zajmującym się zdrowiem dokładniejszych informacji o rozprzestrzenianiu się chorób, co pomoże im szybciej uratować więcej istnień ludzkich.
Choroby odzwierzęce dotykają zarówno zwierzęta, jak i ludzi. Przejście choroby ze zwierzęcia na człowieka, tzw rozlewać się, to zjawisko, które nieustannie występuje na naszej planecie. Według organizacji zajmujących się zdrowiem, takich jak Centra Kontroli i Zapobiegania Chorobom (CDC) i Światowej Organizacji Zdrowia (KIM), zdarzenie rozprzestrzeniające się na mokrym targu w Wuhan w Chinach, najprawdopodobniej spowodowało chorobę koronawirusową 2019 (COVID-19). Badania sugerują, że wirus występujący u nietoperzy owocożernych przeszedł znaczące mutacje, dzięki czemu mógł zakażać ludzi. Początkowy pacjent, czyli „pacjent zero” w przypadku Covid-19, prawdopodobnie zapoczątkował kolejną lokalną epidemię, która ostatecznie rozprzestrzeniła się na cały świat. HSR.zdrowieIndeks ryzyka rozprzestrzeniania się chorób odzwierzęcych ma na celu pomóc w identyfikacji tych wczesnych epidemii, zanim przekroczą granice międzynarodowe i doprowadzą do rozległych skutków globalnych.
Główną bronią, jaką zdrowie publiczne ma przeciwko rozprzestrzenianiu się ognisk regionalnych, jest nadzór nad chorobami: cały, powiązany system zgłaszania chorób, badań i przesyłania danych między różnymi poziomami systemu zdrowia publicznego. System ten jest zależny nie tylko od czynników ludzkich, ale także od technologii i zasobów służących do gromadzenia danych na temat chorób, analizowania wzorców oraz tworzenia spójnego i ciągłego strumienia transferu danych od lokalnych, regionalnych i centralnych organów ds. zdrowia.
Szybkość, z jaką Covid-19 przeszedł od lokalnej epidemii do globalnej choroby występującej na każdym kontynencie, powinna być otrzeźwiającym przykładem pilnej potrzeby wykorzystania innowacyjnej technologii w celu stworzenia bardziej wydajnych i dokładnych systemów nadzoru nad chorobami.
Ryzyko przeniesienia chorób odzwierzęcych jest silnie skorelowane z wieloma czynnikami społecznymi, środowiskowymi i geograficznymi, które wpływają na częstotliwość interakcji ludzi z dziką przyrodą. HSR.zdrowia Indeks ryzyka rozprzestrzeniania się chorób odzwierzęcych wykorzystuje ponad 20 różnych czynników geograficznych, społecznych i środowiskowych, o których wiadomo, że wpływają na ryzyko interakcji człowiek-dzika przyroda, a tym samym ryzyko przeniesienia chorób odzwierzęcych. Wiele z tych czynników można zmapować poprzez połączenie zdjęć satelitarnych i teledetekcji.
W tym poście przyjrzymy się, jak HSR.zdrowie wykorzystuje możliwości geoprzestrzenne SageMaker do pobierania odpowiednich obiektów ze zdjęć satelitarnych i teledetekcji w celu opracowania indeksu ryzyka. Możliwości geoprzestrzenne SageMaker ułatwiają analitykom danych i inżynierom uczenia maszynowego (ML) budowanie, trenowanie i wdrażanie modeli przy użyciu danych geoprzestrzennych. Dzięki możliwościom geoprzestrzennym SageMaker możesz efektywnie przekształcać lub wzbogacać wielkoskalowe zbiory danych geoprzestrzennych, przyspieszać budowanie modeli za pomocą wstępnie wyszkolonych modeli uczenia maszynowego oraz eksplorować prognozy modeli i dane geoprzestrzenne na interaktywnej mapie przy użyciu grafiki 3D z akceleracją i wbudowanych narzędzi do wizualizacji.
Korzystanie z uczenia maszynowego i danych geoprzestrzennych w celu ograniczenia ryzyka
ML jest bardzo skuteczny w wykrywaniu anomalii w danych przestrzennych lub czasowych ze względu na jego zdolność do uczenia się na podstawie danych bez bezpośredniego programowania w celu identyfikacji określonych typów anomalii. Dane przestrzenne, które odnoszą się do fizycznego położenia i kształtu obiektów, często zawierają złożone wzorce i zależności, które mogą być trudne do analizy w przypadku tradycyjnych algorytmów.
Włączenie uczenia maszynowego do danych geoprzestrzennych zwiększa zdolność do systematycznego wykrywania anomalii i nietypowych wzorców, co jest niezbędne w przypadku systemów wczesnego ostrzegania. Systemy te mają kluczowe znaczenie w takich dziedzinach, jak monitorowanie środowiska, zarządzanie katastrofami i bezpieczeństwo. Modelowanie predykcyjne wykorzystujące historyczne dane geoprzestrzenne pozwala organizacjom identyfikować potencjalne przyszłe zdarzenia i przygotowywać się na nie. Zdarzenia te obejmują klęski żywiołowe i zakłócenia w ruchu, jak opisano w tym poście, wybuchy chorób.
Wykrywanie ryzyka przeniesienia choroby odzwierzęcej
Aby przewidzieć ryzyko przeniesienia choroby odzwierzęcej, HSR.zdrowie przyjęła podejście multimodalne. Dzięki zastosowaniu kombinacji typów danych – w tym informacji środowiskowych, biogeograficznych i epidemiologicznych – metoda ta umożliwia wszechstronną ocenę dynamiki choroby. Taka wieloaspektowa perspektywa ma kluczowe znaczenie dla opracowania proaktywnych środków i umożliwienia szybkiego reagowania na epidemie.
Podejście obejmuje następujące elementy:
- Dane dotyczące chorób i ognisk – HSR.zdrowie wykorzystuje obszerne dane dotyczące chorób i ognisk dostarczone przez Gideon oraz Światowa Organizacja Zdrowia (WHO), dwa zaufane źródła globalnych informacji epidemiologicznych. Dane te stanowią podstawowy filar platformy analitycznej. W przypadku Gideona dostęp do danych można uzyskać za pośrednictwem interfejsu API, a w przypadku WHO – HSR.zdrowie zbudował duży model językowy (LLM) w celu wydobywania danych o ogniskach choroby z wcześniejszych raportów o ogniskach chorób.
- Dane z obserwacji Ziemi – Czynniki środowiskowe, analiza użytkowania gruntów i wykrywanie zmian siedlisk są integralnymi elementami oceny ryzyka odzwierzęcego. Wnioski te można uzyskać z danych pochodzących z satelitarnych obserwacji Ziemi. HSR.zdrowie jest w stanie usprawnić wykorzystanie danych z obserwacji Ziemi, wykorzystując funkcje geoprzestrzenne SageMaker do uzyskiwania dostępu do wielkoskalowych zbiorów danych geoprzestrzennych i manipulowania nimi. SageMaker geospatial oferuje bogaty katalog danych, w tym zestawy danych z USGS Landsat-8, Sentinel-1, Sentinel-2 i innych. Możliwe jest także wykorzystanie innych zbiorów danych, np. zdjęć w wysokiej rozdzielczości z Planet Labs.
- Społeczne determinanty ryzyka – Oprócz czynników biologicznych i środowiskowych zespół HSR.zdrowie uwzględniono także determinanty społeczne, które obejmują różne wskaźniki społeczno-ekonomiczne i demograficzne i odgrywają kluczową rolę w kształtowaniu dynamiki rozprzestrzeniania się chorób odzwierzęcych.
Z tych komponentów HSR.zdrowie ocenili szereg różnych czynników i uznano, że następujące cechy mają wpływ na identyfikację ryzyka przeniesienia chorób odzwierzęcych:
- Siedliska zwierząt i strefy mieszkalne – Zrozumienie siedlisk potencjalnych żywicieli odzwierzęcych i ich stref zamieszkiwalnych ma kluczowe znaczenie dla oceny ryzyka przeniesienia.
- Centra ludności – Bliskość obszarów gęsto zaludnionych jest kluczowym czynnikiem, ponieważ wpływa na prawdopodobieństwo interakcji człowiek-zwierzę.
- Utrata siedlisk – Degradacja siedlisk przyrodniczych, w szczególności poprzez wylesianie, może przyspieszyć rozprzestrzenianie się chorób odzwierzęcych.
- Interfejs człowieka i dzikiej przyrody – Obszary, w których osiedla ludzkie krzyżują się z siedliskami dzikich zwierząt, są potencjalnymi miejscami przenoszenia chorób odzwierzęcych.
- Cechy społeczne – Czynniki społeczno-ekonomiczne i kulturowe mogą znacząco wpływać na ryzyko odzwierzęce i HSR.zdrowie również je bada.
- Charakterystyka zdrowia człowieka – Stan zdrowia lokalnych populacji ludzkich jest istotną zmienną, ponieważ wpływa na podatność i dynamikę przenoszenia.
Omówienie rozwiązania
HSR.zdrowiePrzepływ pracy obejmuje wstępne przetwarzanie danych, wyodrębnianie cech i tworzenie informacyjnych wizualizacji przy użyciu technik ML. Pozwala to na jasne zrozumienie ewolucji danych od ich surowej formy do praktycznych wniosków.
Poniżej znajduje się wizualna reprezentacja przepływu pracy, zaczynająca się od danych wejściowych od firmy Gideon, danych z obserwacji Ziemi i danych o społecznych uwarunkowaniach ryzyka.
Pobieraj i przetwarzaj zdjęcia satelitarne, korzystając z funkcji geoprzestrzennych SageMaker
Dane satelitarne stanowią podstawę analiz przeprowadzanych w celu zbudowania wskaźnika ryzyka, dostarczając kluczowych informacji na temat zmian środowiskowych. Aby wygenerować spostrzeżenia na podstawie zdjęć satelitarnych, HSR.zdrowie zastosowania Praca związana z obserwacją Ziemi (EOJ). EOJ umożliwiają pozyskiwanie i przekształcanie danych rastrowych zebranych z powierzchni Ziemi. EOJ uzyskuje zdjęcia satelitarne z wyznaczonego źródła danych – na przykład konstelacji satelitów – dotyczące określonego obszaru i okresu. Następnie stosuje jeden lub więcej modeli do pobranych obrazów.
Dodatkowo, Studio Amazon SageMaker oferuje notatnik geoprzestrzenny z preinstalowanymi powszechnie używanymi bibliotekami geoprzestrzennymi. Ten notatnik umożliwia bezpośrednią wizualizację i przetwarzanie danych geoprzestrzennych w środowisku notatnika Python. EOJ można tworzyć w środowisku notatników geoprzestrzennych.
Aby skonfigurować EOJ, używane są następujące parametry:
- Konfiguracja wejścia – Konfiguracja wejściowa określa źródła danych i kryteria filtrowania stosowane podczas gromadzenia danych:
- RasterDataCollectionArn – Określa satelitę, z którego mają być zbierane dane.
- Obszar zainteresowań – Geograficzny obszar zainteresowania (AOI) definiuje granice wielokątów do gromadzenia obrazów.
- Filtr zakresu czasu – Interesujący przedział czasowy:
{StartTime: <string>, EndTime: <string>}
. - Filtry właściwości – Dodatkowe filtry właściwości, takie jak akceptowalny procent zachmurzenia czy pożądane kąty azymutu słońca.
- Konfig.zadań – Ta konfiguracja określa typ zadania, które ma być zastosowane do pobranych danych obrazu satelitarnego. Obsługuje takie operacje, jak matematyka pasmowa, ponowne próbkowanie, geomozaika lub usuwanie chmur.
Poniższy przykładowy kod demonstruje uruchomienie EOJ w celu usunięcia chmury, reprezentatywne dla kroków wykonywanych przez HSR.zdrowie:
HSR.zdrowie zastosował kilka operacji w celu wstępnego przetworzenia danych i wyodrębnienia odpowiednich cech. Obejmuje to takie operacje, jak klasyfikacja pokrycia terenu, mapowanie zmian temperatury i wskaźniki roślinności.
Jednym ze wskaźników roślinności istotnych dla wskazania zdrowia roślinności jest znormalizowany wskaźnik roślinności różnicowej (NDVI). NDVI określa ilościowo stan roślinności za pomocą światła bliskiej podczerwieni, które roślinność odbija, oraz światła czerwonego, które roślinność pochłania. Monitorowanie NDVI w czasie może ujawnić zmiany w roślinności, takie jak wpływ działalności człowieka, np. wylesianie.
Poniższy fragment kodu demonstruje, jak obliczyć wskaźnik wegetacji, taki jak NDVI, na podstawie danych przesłanych w procesie usuwania chmur:
Możemy wizualizować wyniki zadania, korzystając z możliwości geoprzestrzennych SageMaker. Możliwości geoprzestrzenne programu SageMaker mogą pomóc w nałożeniu prognoz modelu na mapę bazową i zapewnić warstwową wizualizację, ułatwiając współpracę. Dzięki interaktywnemu wizualizatorowi opartemu na procesorze graficznym i notatnikom w języku Python można eksplorować miliony punktów danych w jednym widoku, ułatwiając wspólne eksplorowanie spostrzeżeń i wyników.
Kroki opisane w tym poście demonstrują tylko jedną z wielu funkcji rastrowych, które oferuje HSR.zdrowie wyodrębniono w celu utworzenia indeksu ryzyka.
Łączenie funkcji rastrowych z danymi dotyczącymi zdrowia i społeczności
Po wyodrębnieniu odpowiednich funkcji w formacie rastrowym HSR.zdrowie wykorzystał statystykę strefową do agregacji danych rastrowych w obrębie wielokątów granic administracyjnych, do których przypisane są dane społeczne i zdrowotne. Analiza uwzględnia kombinację rastrowych i wektorowych danych geoprzestrzennych. Ten rodzaj agregacji pozwala na zarządzanie danymi rastrowymi w georamce, co ułatwia ich integrację z danymi zdrowotnymi i społecznymi w celu uzyskania ostatecznego wskaźnika ryzyka.
Poniższy fragment kodu demonstruje, jak agregować dane rastrowe do granic wektorów administracyjnych:
Aby skutecznie ocenić wyodrębnione cechy, stosuje się modele ML do przewidywania czynników reprezentujących każdą cechę. Jednym z wykorzystywanych modeli jest maszyna wektorów nośnych (SVM). Model SVM pomaga w ujawnianiu wzorców i powiązań w danych, które stanowią podstawę oceny ryzyka.
Indeks stanowi ilościową ocenę poziomów ryzyka, obliczoną jako średnia ważona tych czynników, aby pomóc w zrozumieniu potencjalnych zdarzeń ubocznych w różnych regionach.
Poniższy rysunek po lewej stronie przedstawia agregację klasyfikacji obrazów ze sceny obszaru testowego w północnym Peru zagregowaną do poziomu administracyjnego okręgu z obliczoną zmianą powierzchni leśnej w latach 2018–2023. Wylesianie jest jednym z kluczowych czynników określających ryzyko przeniesienia chorób odzwierzęcych. Rysunek po prawej stronie przedstawia poziomy dotkliwości ryzyka przeniesienia choroby odzwierzęcej w objętych regionach, od najwyższego (czerwony) do najniższego (ciemnozielony) ryzyko. Obszar ten został wybrany jako jeden z obszarów szkoleniowych do klasyfikacji obrazu ze względu na różnorodność pokrycia terenu uchwyconego w scenie, w tym między innymi: miejski, leśny, piaszczysty, wodny, łąkowy i rolniczy. Ponadto jest to jeden z wielu obszarów zainteresowania ze względu na potencjalne skutki uboczne odzwierzęce w wyniku wylesiania i interakcji między ludźmi i zwierzętami.
Przyjmując to multimodalne podejście, obejmujące dane historyczne dotyczące ognisk chorób, dane z obserwacji Ziemi, uwarunkowania społeczne i techniki uczenia maszynowego, możemy lepiej zrozumieć i przewidzieć ryzyko przeniesienia choroby odzwierzęcej, ostatecznie kierując strategie nadzoru i zapobiegania chorobom na obszary o największym ryzyku wybuchu. Poniższy zrzut ekranu przedstawia panel wyników analizy ryzyka przeniesienia choroby odzwierzęcej. W tej analizie ryzyka wskazano, gdzie mogą pojawić się zasoby i nadzór nad nowymi potencjalnymi epidemiami odzwierzęcymi, aby można było powstrzymać kolejną chorobę, zanim stanie się chorobą endemiczną lub nową pandemią.
Nowatorskie podejście do zapobiegania pandemii
W 1998 r. nad rzeką Nipah w Malezji, od jesieni 1998 r. do wiosny 1999 r., 265 osób zostało zarażonych nieznanym wówczas wirusem, który spowodował ostre zapalenie mózgu i ciężką niewydolność oddechową. 105 z nich zmarło, co stanowi 39.6% śmiertelności. Dla porównania, wskaźnik śmiertelności nieleczonej choroby Covid-19 wynosi 6.3%. Od tego czasu wirus Nipah, jak go obecnie nazywamy, opuścił swoje leśne siedlisko i spowodował ponad 20 śmiertelnych ognisk, głównie w Indiach i Bangladeszu.
Wirusy takie jak Nipah pojawiają się co roku, stwarzając wyzwania dla naszego codziennego życia, szczególnie w krajach, w których ustanowienie silnych, trwałych i solidnych systemów nadzoru i wykrywania chorób jest trudniejsze. Te systemy wykrywania mają kluczowe znaczenie dla ograniczenia ryzyka związanego z takimi wirusami.
Rozwiązania wykorzystujące ML i dane geoprzestrzenne, takie jak wskaźnik ryzyka rozprzestrzeniania się chorób odzwierzęcych, mogą pomóc lokalnym organom odpowiedzialnym za zdrowie publiczne w ustalaniu priorytetów alokacji zasobów do obszarów o najwyższym ryzyku. W ten sposób mogą ustanowić ukierunkowane i lokalne środki nadzoru w celu wykrywania i powstrzymywania regionalnych ognisk choroby, zanim rozprzestrzenią się one poza granice kraju. Takie podejście może znacząco ograniczyć skutki wybuchu choroby i uratować życie.
Wnioski
W tym poście pokazano, jak HSR.zdrowie z powodzeniem opracował indeks ryzyka odzwierzęcego, łącząc dane geoprzestrzenne, czynniki zdrowotne, społeczne i przeciwdziałanie praniu pieniędzy. Korzystając z SageMaker, zespół stworzył skalowalny przepływ pracy, który może wskazać najbardziej istotne zagrożenia potencjalnej przyszłej pandemii. Skuteczne zarządzanie tymi zagrożeniami może prowadzić do zmniejszenia globalnego obciążenia chorobami. Nie można przecenić znaczących korzyści gospodarczych i społecznych wynikających ze zmniejszenia ryzyka pandemii, gdyż korzyści mają zasięg regionalny i globalny.
HSR.zdrowie wykorzystał możliwości geoprzestrzenne SageMaker do wstępnego wdrożenia indeksu ryzyka rozprzestrzeniania się chorób odzwierzęcych, a obecnie poszukuje partnerstw, a także wsparcia ze strony krajów goszczących i źródeł finansowania, aby dalej rozwijać indeks i rozszerzyć jego zastosowanie na dodatkowe regiony na całym świecie. Więcej informacji o HSR.zdrowie oraz Indeks Ryzyka Odzwierzęcego, odwiedź stronę www.hsr.health.
Odkryj potencjał integracji danych z obserwacji Ziemi z inicjatywami w zakresie opieki zdrowotnej, eksplorując funkcje geoprzestrzenne SageMaker. Aby uzyskać więcej informacji, zobacz Możliwości geoprzestrzenne Amazon SageMakerlub zaangażuj się dodatkowe przykłady aby zdobyć praktyczne doświadczenie.
O autorach
Ajay K Gupta jest współzałożycielem i dyrektorem generalnym HSR.health, firmy, która zakłóca i wprowadza innowacje w analizie ryzyka zdrowotnego za pomocą technologii geoprzestrzennych i technik sztucznej inteligencji w celu przewidywania rozprzestrzeniania się i ciężkości chorób. Dostarcza te spostrzeżenia przemysłowi, rządom i sektorowi zdrowia, aby mogli przewidywać, łagodzić i wykorzystywać przyszłe zagrożenia. Poza pracą możesz spotkać Ajaya za mikrofonem, który eksploduje bębenkami w uszach, wykrzykując swoje ulubione utwory muzyki pop z U2, Stinga, George'a Michaela czy Imagine Dragons.
Jean Felipe Teotonio to zapalony lekarz i pełen pasji ekspert w dziedzinie jakości opieki zdrowotnej i epidemiologii chorób zakaźnych. Jean Felipe kieruje zespołem ds. zdrowia publicznego HSR.health. Pracuje nad wspólnym celem, jakim jest poprawa zdrowia publicznego poprzez zmniejszenie globalnego obciążenia chorobami poprzez wykorzystanie podejść GeoAI do opracowania rozwiązań dla największych wyzwań zdrowotnych naszych czasów. Poza pracą jego hobby to czytanie książek science fiction, wędrówki, gra w angielskiej Premier League i gra na gitarze basowej.
Pawła A. Cmentarz, dyrektor ds. technicznych i główny inżynier ds. rozwiązań geoprzestrzennych w HSR.health, wykorzystuje swoje szerokie umiejętności techniczne i wiedzę specjalistyczną do budowy podstawowej infrastruktury firmy, a także opatentowanej i zastrzeżonej platformy GeoMD. Ponadto on i zespół zajmujący się analityką danych włączają analitykę geoprzestrzenną i techniki AI/ML do wszystkich wskaźników ryzyka zdrowotnego generowanych przez HSR.health. Poza pracą Paul jest DJ-em samoukiem i uwielbia śnieg.
Janoscha Woschitza jest starszym architektem rozwiązań w AWS, specjalizującym się w geoprzestrzennej sztucznej inteligencji/ML. Dzięki ponad 15-letniemu doświadczeniu wspiera klientów na całym świecie w wykorzystywaniu sztucznej inteligencji i uczenia maszynowego do innowacyjnych rozwiązań wykorzystujących dane geoprzestrzenne. Jego wiedza obejmuje uczenie maszynowe, inżynierię danych i skalowalne systemy rozproszone, poparte mocnym doświadczeniem w inżynierii oprogramowania i wiedzą branżową w złożonych dziedzinach, takich jak jazda autonomiczna.
Emmetta Nelsona jest Account Executive w AWS obsługującym klientów organizacji non-profit Research w sektorach opieki zdrowotnej i nauk przyrodniczych, nauk o Ziemi/Środowisku oraz edukacji. Jego głównym celem jest umożliwienie zastosowań w zakresie analityki, sztucznej inteligencji/ML, obliczeń o wysokiej wydajności (HPC), genomiki i obrazowania medycznego. Emmett dołączył do AWS w 2020 roku i mieszka w Austin w Teksasie.
- Dystrybucja treści i PR oparta na SEO. Uzyskaj wzmocnienie już dziś.
- PlatoData.Network Pionowe generatywne AI. Wzmocnij się. Dostęp tutaj.
- PlatoAiStream. Inteligencja Web3. Wiedza wzmocniona. Dostęp tutaj.
- PlatonESG. Węgiel Czysta technologia, Energia, Środowisko, Słoneczny, Gospodarowanie odpadami. Dostęp tutaj.
- Platon Zdrowie. Inteligencja w zakresie biotechnologii i badań klinicznych. Dostęp tutaj.
- Źródło: 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/
- :ma
- :Jest
- :nie
- :Gdzie
- 1
- 100
- 12
- 125
- 15 roku
- 15%
- 16
- 1998
- 1999
- 20
- 2019
- 2020
- 36
- 39
- 3d
- 7
- a
- zdolność
- Zdolny
- O nas
- wchłania
- przyśpieszyć
- przyśpieszony
- do przyjęcia
- dostęp
- dostęp
- Stosownie
- Konto
- dokładny
- nabycie
- w poprzek
- zaskarżalny
- zajęcia
- Dodatkowy
- do tego
- administracyjny
- przyjęty
- Przyjęcie
- Korzyść
- Zalety
- oddziaływać
- przed
- agregat
- zbiór
- rolnictwo
- AI
- AI / ML
- AID
- Cele
- Algorytmy
- Wszystkie kategorie
- przydział
- Pozwalać
- pozwala
- wzdłuż
- również
- Amazonka
- Amazon Sage Maker
- Dane geoprzestrzenne Amazon SageMaker
- Amazon Web Services
- wśród
- an
- analiza
- analityka
- w czasie rzeczywistym sprawiają,
- i
- zwierzę
- zwierzęta
- anomalie
- wykrywanie anomalii
- przewidywać
- api
- Zastosowanie
- stosowany
- dotyczy
- podejście
- awanse
- SĄ
- POWIERZCHNIA
- obszary
- na około
- AS
- oceniając
- oszacowanie
- oceny
- przydzielony
- pomagać
- pomaga
- powiązany
- stowarzyszenia
- At
- zwiększona
- Austin
- Władze
- autonomiczny
- średni
- AWS
- tło
- ZESPÓŁ MUZYCZNY
- Bangladesz
- baza
- na podstawie
- bas
- nietoperze
- BE
- bo
- staje się
- być
- zanim
- za
- jest
- istoty
- Korzyści
- Ulepsz Swój
- pomiędzy
- Poza
- Mieszanka
- Niebieski
- Książki
- Granice
- obie
- Granice
- granica
- miedza
- Pudełko
- przynieść
- szeroki
- budować
- Budowanie
- wybudowany
- wbudowany
- ciężar
- ale
- by
- obliczać
- obliczony
- obliczenie
- CAN
- nie może
- możliwości
- zdolność
- skapitalizować
- Zajęte
- Etui
- katalog
- kategorie
- Kategoria
- powodowany
- CDC
- Centra
- Centers for Disease Control and Prevention
- centralny
- ceo
- wyzwania
- zmiana
- Zmiany
- Charakterystyka
- szef
- Chiny
- wybrany
- klasa
- klasyfikacja
- jasny
- Chmura
- Współzałożyciel
- kod
- współpraca
- współpracy
- zbierać
- kolekcja
- kolumny
- połączenie
- Komunikacja
- kompleks
- składniki
- wszechstronny
- computing
- systemu
- wynagrodzenie
- za
- zgodny
- zawarte
- zawiera
- kontynent
- nieustannie
- ciągły
- kontrast
- kontrola
- rdzeń
- kamień węgielny
- Koronawirus
- kraje
- pokrywa
- pokrycie
- pokryty
- COVID-19
- Stwórz
- stworzony
- Tworzenie
- tworzenie
- Kryteria
- krytyczny
- Krzyż
- istotny
- CTO
- kulturalny
- Klientów
- codziennie
- Ciemny
- tablica rozdzielcza
- dane
- Analityka danych
- punkty danych
- nauka danych
- zbiory danych
- Definiuje
- wylesianie
- demograficzny
- wykazać
- wykazać
- demonstruje
- zależny
- rozwijać
- Pochodny
- wyznaczony
- życzenia
- wykryć
- Wykrywanie
- Ustalać
- rozwijać
- rozwinięty
- rozwijanie
- zmarł
- różnica
- różne
- trudny
- straszny
- kierować
- kierowniczy
- katastrofa
- Klęski
- choroba
- choroby
- zakłócenia
- zakłóca
- odrębny
- nieszczęście
- dystrybuowane
- systemy rozproszone
- dzielnica
- Różnorodność
- podział
- DJ
- robi
- domeny
- napędzany
- jazdy
- dubbingowane
- z powodu
- duplikaty
- podczas
- dynamika
- każdy
- Wcześnie
- Ziemia
- łatwiej
- łatwo
- Gospodarczy
- Edukacja
- Efektywne
- faktycznie
- wydajny
- skutecznie
- więcej
- umożliwiać
- Umożliwia
- umożliwiając
- objąć
- obejmuje
- obejmujący
- zobowiązany
- inżynier
- Inżynieria
- Inżynierowie
- Angielski
- Angielska Premier League
- Poprawia
- wzbogacać
- Cały
- Środowisko
- środowiskowy
- niezbędny
- zapewniają
- ustanowienie
- oceniać
- oceniane
- wydarzenie
- wydarzenia
- ostatecznie
- Każdy
- ewolucja
- Bada
- przykład
- wykonawczy
- doświadczenie
- ekspert
- ekspertyza
- wyraźnie
- eksploracja
- odkryj
- Exploring
- rozciągać się
- rozsuwalny
- rozległy
- wyciąg
- ekstrakcja
- ułatwia
- ułatwienie
- czynnik
- Czynniki
- Spadać
- Moja lista
- Cecha
- Korzyści
- Łąka
- Postać
- filet
- filtracja
- filtry
- finał
- Znajdź
- Firma
- Skupiać
- koncentruje
- następujący
- W razie zamówieenia projektu
- las
- Nasz formularz
- format
- formularze
- znaleziono
- Framework
- od
- fundamentalny
- Finansowanie
- dalej
- przyszłość
- zebrane
- Generować
- genomika
- geograficzny
- geograficzny
- George
- otrzymać
- Globalne
- Globalne zdrowie
- Globalnie
- cel
- Rządy
- GP
- grafika
- Największym
- Zielony
- Gość
- Guest Post
- Gupta
- hands-on
- uprząż
- Have
- he
- Zdrowie
- System zdrowotny
- opieki zdrowotnej
- pomoc
- Wysoki
- wysoka rozdzielczość
- Najwyższa
- pasemka
- wysoko
- jego
- historyczny
- historycznie
- gospodarz
- gospodarze
- W jaki sposób
- How To
- HPC
- HTML
- HTTPS
- człowiek
- czynniki ludzkie
- Ludzie
- ID
- Identyfikacja
- zidentyfikowane
- zidentyfikować
- identyfikacja
- if
- obraz
- Klasyfikacja obrazu
- zdjęcia
- obraz
- Obrazowanie
- Rezultat
- realizacja
- importować
- poprawy
- in
- W innych
- zawierać
- obejmuje
- Włącznie z
- włączać
- zawiera
- wskaźnik
- indeksy
- Indie
- Wskaźnik
- wskaźniki
- Indeksy
- przemysł
- zakaźny
- wpływ
- Wpływowy
- informować
- Informacja
- informacyjny
- Infrastruktura
- pomysłowość
- początkowy
- inicjatywy
- Innowacyjny
- Innowacyjna technologia
- wkład
- spostrzeżenia
- przykład
- integralny
- Integracja
- integracja
- interakcji
- wzajemne oddziaływanie
- Interakcje
- interaktywne
- odsetki
- Interfejs
- na świecie
- międzynarodowo
- krzyżować
- najnowszych
- śledztwo
- IT
- JEGO
- Praca
- Dołączył
- jpg
- właśnie
- tylko jeden
- Klawisz
- Uprzejmy
- znany
- Labs
- Kraj
- język
- duży
- na dużą skalę
- trwały
- warstwa
- warstwowy
- prowadzić
- Wyprowadzenia
- Liga
- UCZYĆ SIĘ
- nauka
- lewo
- poziom
- poziomy
- lewarowanie
- biblioteki
- życie
- Life Sciences
- lekki
- lubić
- prawdopodobieństwo
- Prawdopodobnie
- LIMIT
- ograniczenie
- Zyje
- LLM
- miejscowy
- kocha
- najniższy
- maszyna
- uczenie maszynowe
- Główny
- robić
- Malezja
- i konserwacjami
- wiele
- mapa
- mapowanie
- rynek
- matematyka
- Może..
- środków
- medyczny
- połączenie
- metoda
- metryczny
- Michał
- może
- miliony
- Złagodzić
- ML
- model
- modelowanie
- modele
- monitorowanie
- jeszcze
- bardziej wydajny
- większość
- przeważnie
- wieloaspektowy
- wielokrotność
- Muzyka
- Nazwa
- Naturalny
- Potrzebować
- Nowości
- Następny
- Niedochodowy
- notatnik
- powieść
- już dziś
- tępy
- obiekty
- obserwacja
- uzyskuje
- występować
- of
- Oferty
- często
- on
- ONE
- tylko
- operacje
- or
- organizacja
- organizacji
- Inne
- Pozostałe
- ludzkiej,
- na zewnątrz
- wybuch
- opisane
- wydajność
- zewnętrzne
- koniec
- zawyżone
- przegląd
- pandy
- pandemiczny
- parametry
- szczególnie
- partnerstwa
- minęło
- namiętny
- Przeszłość
- patentowany
- pacjent
- wzory
- Paweł
- Ludzie
- procent
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- wykonywane
- okres
- perspektywa
- Peru
- zjawisko
- fizyczny
- lekarz
- Filar
- kluczowy
- piksel
- planeta
- Platforma
- plato
- Analiza danych Platona
- PlatoDane
- Grać
- gra
- zwrotnica
- Wielokąt
- muzyka pop
- zaludniony
- populacje
- position
- możliwy
- Post
- potencjał
- przewidzieć
- Przewidywania
- premier
- Przygotować
- teraźniejszość
- Zapobieganie
- pierwotny
- ustalanie priorytetów
- Proaktywne
- prawdopodobnie
- wygląda tak
- przetwarzanie
- produkować
- produkuje
- zaprogramowany
- niska zabudowa
- własność
- własność
- zapewniać
- pod warunkiem,
- zapewnia
- że
- publiczny
- zdrowie publiczne
- Python
- jakość
- kwantyfikuje
- ilościowy
- szybciej
- zasięg
- nośny
- szybki
- Kurs
- Surowy
- Czytający
- Czerwony
- redukcja
- redukcja
- odnosić się
- odzwierciedla
- regionalny
- regionalnie
- regiony
- dotyczy
- Relacje
- zdalny
- usuwanie
- usuwanie
- Raportowanie
- Raporty
- reprezentacja
- przedstawiciel
- reprezentowanie
- reprezentuje
- Badania naukowe
- Zasób
- Zasoby
- odpowiedź
- Efekt
- ujawniać
- odkrywczy
- Bogaty
- prawo
- Ryzyko
- ryzyko
- Rzeka
- krzepki
- Rola
- bieganie
- sagemaker
- PIASEK
- satelita
- Zapisz
- skalowalny
- scena
- SCI
- nauka
- NAUKI
- Naukowcy
- sektor
- bezpieczeństwo
- poszukuje
- wybierając
- senior
- służy
- Usługi
- Rozliczenia
- kilka
- ciężki
- Shape
- modelacja
- shared
- powinien
- Targi
- znaczący
- znacznie
- ponieważ
- pojedynczy
- umiejętności
- skrawek
- śnieg
- So
- otrzeźwiający
- Obserwuj Nas
- społeczno-ekonomiczne
- Tworzenie
- Inżynieria oprogramowania
- rozwiązanie
- Rozwiązania
- Źródła
- rozpiętości
- Przestrzenne
- specjalizujący się
- specyficzny
- prędkość
- rozpiętość
- wiosna
- rozpoczęty
- Startowy
- statystyka
- statystyki
- Rynek
- Cel
- strategie
- strumień
- opływowy
- sznur
- silny
- badania naukowe
- kolejny
- znaczny
- Z powodzeniem
- taki
- sugerować
- Niedz
- wsparcie
- Wspierający
- podpory
- Powierzchnia
- inwigilacja
- podatność
- system
- systemy
- Brać
- ukierunkowane
- zespół
- tech
- Techniczny
- umiejętności techniczne
- Techniki
- Technologia
- test
- niż
- że
- Połączenia
- Strefa
- świat
- ich
- Im
- następnie
- w związku z tym
- Te
- one
- to
- zagrożenia
- Przez
- czas
- do
- narzędzie
- narzędzia
- w kierunku
- tradycyjny
- ruch drogowy
- Pociąg
- Trening
- przenieść
- Przekształcać
- Transformacja
- przejście
- przeniesiony
- transmisja
- zaufany
- tunes
- drugiej
- TX
- rodzaj
- typy
- Ostatecznie
- zrozumieć
- zrozumienie
- przeszedł
- nieznany
- miejski
- posługiwać się
- używany
- zastosowania
- za pomocą
- wartość
- Wartości
- zmienna
- różnorodny
- wegetacja
- wersja
- pionowe
- Zobacz i wysłuchaj
- wirus
- Wirusy
- wizja
- Odwiedzić
- wizualny
- wyobrażanie sobie
- wyobrażać sobie
- ostrzeżenie
- była
- Woda
- we
- sieć
- usługi internetowe
- waga
- DOBRZE
- poszedł
- były
- prawo
- który
- Podczas
- KIM
- którego
- rozpowszechniony
- w
- w ciągu
- bez
- Praca
- workflow
- działa
- świat
- Światowa Organizacja Zdrowia
- X
- rok
- lat
- You
- Twój
- zefirnet
- Strefy