To jest wspólny blog AWS i Philips.
Philips to firma z branży technologii medycznych, której celem jest poprawa życia ludzi poprzez znaczące innowacje. Od 2014 roku firma oferuje klientom platformę Philips HealthSuite Platform, która koordynuje dziesiątki usług AWS wykorzystywanych przez firmy z branży opieki zdrowotnej i nauk przyrodniczych w celu poprawy opieki nad pacjentami. Współpracuje ze świadczeniodawcami, start-upami, uniwersytetami i innymi firmami w celu opracowania technologii, która pomaga lekarzom w stawianiu bardziej precyzyjnych diagnoz i zapewnianiu bardziej spersonalizowanego leczenia milionom ludzi na całym świecie.
Jednym z kluczowych czynników strategii innowacji firmy Philips jest sztuczna inteligencja (AI), która umożliwia tworzenie inteligentnych i spersonalizowanych produktów i usług, które mogą poprawić wyniki zdrowotne, poprawić jakość obsługi klientów i zoptymalizować wydajność operacyjną.
Amazon Sage Maker zapewnia specjalnie zaprojektowane narzędzia do operacji uczenia maszynowego (MLops), które pomagają automatyzować i standaryzować procesy w całym cyklu życia uczenia maszynowego. Dzięki narzędziom SageMaker MLOps zespoły mogą łatwo szkolić, testować, rozwiązywać problemy, wdrażać i zarządzać modelami ML na dużą skalę, aby zwiększyć produktywność analityków danych i inżynierów ML przy jednoczesnym zachowaniu wydajności modeli w środowisku produkcyjnym.
W tym poście opisujemy współpracę firmy Philips z AWS w celu opracowania AI ToolSuite — skalowalnej, bezpiecznej i zgodnej platformy uczenia maszynowego w SageMaker. Platforma ta zapewnia możliwości od eksperymentowania, adnotacji danych, szkolenia, wdrażania modeli i szablonów do ponownego wykorzystania. Wszystkie te funkcje zostały stworzone, aby pomóc wielu branżom wprowadzać innowacje szybko i sprawnie, jednocześnie zarządzając na dużą skalę za pomocą centralnego sterowania. Przedstawiamy kluczowe przypadki użycia, które zapewniły wymagania dla pierwszej iteracji platformy, podstawowe komponenty i osiągnięte wyniki. Na koniec identyfikujemy trwające wysiłki mające na celu umożliwienie platformie obsługi generatywnych obciążeń AI oraz szybkie wdrażanie nowych użytkowników i zespołów w celu wdrożenia platformy.
Kontekst klienta
Firma Philips wykorzystuje sztuczną inteligencję w różnych dziedzinach, takich jak obrazowanie, diagnostyka, terapia, zdrowie osobiste i opieka online. Oto kilka przykładów rozwiązań wykorzystujących sztuczną inteligencję, które firma Philips opracowała w ciągu ostatnich lat:
- Inteligentna prędkość Philipsa – Technologia obrazowania MRI oparta na sztucznej inteligencji, wykorzystująca unikalny algorytm głębokiego uczenia AI oparty na technologii Compressed-SENSE, aby przenieść szybkość i jakość obrazu na wyższy poziom dla wielu różnych pacjentów
- eCareManager Philipsa – Rozwiązanie telezdrowia, które wykorzystuje sztuczną inteligencję do wspierania zdalnej opieki nad krytycznie chorymi pacjentami na oddziałach intensywnej terapii i zarządzania nimi, wykorzystując zaawansowaną analitykę i algorytmy kliniczne do przetwarzania danych pacjentów z wielu źródeł oraz zapewniając przydatne spostrzeżenia, alerty i zalecenia dla personelu medycznego. zespół opiekuńczy
- Philips Sonicare – Inteligentna szczoteczka do zębów, która wykorzystuje sztuczną inteligencję do analizy zachowań związanych ze szczotkowaniem i stanu zdrowia jamy ustnej użytkowników oraz zapewnia w czasie rzeczywistym wskazówki i spersonalizowane rekomendacje, takie jak optymalny czas szczotkowania, nacisk i pokrycie, w celu poprawy higieny zębów oraz zapobiegania próchnicy i chorobom dziąseł .
Od wielu lat firma Philips jest pionierem w opracowywaniu algorytmów opartych na danych, które wspierają jej innowacyjne rozwiązania w całym obszarze opieki zdrowotnej. W dziedzinie obrazowania diagnostycznego firma Philips opracowała wiele aplikacji ML do rekonstrukcji i interpretacji obrazów medycznych, zarządzania przepływem pracy i optymalizacji leczenia. Zespoły zajmujące się monitorowaniem pacjentów, terapią obrazową, ultrasonografią i zdrowiem osobistym tworzą algorytmy i aplikacje ML. Jednak innowacje były utrudnione ze względu na korzystanie z fragmentarycznych środowisk programistycznych AI w zespołach. Środowiska te obejmowały pojedyncze laptopy i komputery stacjonarne, różnorodne lokalne klastry obliczeniowe i infrastrukturę opartą na chmurze. Ta heterogeniczność początkowo umożliwiała różnym zespołom szybkie działanie na wczesnych etapach rozwoju sztucznej inteligencji, ale obecnie utrudnia skalowanie i poprawę wydajności naszych procesów rozwoju sztucznej inteligencji.
Było oczywiste, że aby naprawdę uwolnić potencjał przedsięwzięć opartych na danych w firmie Philips, konieczna była fundamentalna zmiana w kierunku ujednoliconego i ustandaryzowanego środowiska.
Kluczowe przypadki użycia AI/ML i wymagania dotyczące platformy
Propozycje obsługujące sztuczną inteligencję/ML mogą przekształcić opiekę zdrowotną poprzez automatyzację zadań administracyjnych wykonywanych przez lekarzy. Na przykład:
- Sztuczna inteligencja może analizować obrazy medyczne, aby pomóc radiologom szybciej i dokładniej diagnozować choroby
- Sztuczna inteligencja może przewidywać przyszłe zdarzenia medyczne, analizując dane pacjentów i ulepszając proaktywną opiekę
- Sztuczna inteligencja może zalecić spersonalizowane leczenie dostosowane do potrzeb pacjentów
- Sztuczna inteligencja może wyodrębniać i porządkować informacje z notatek klinicznych, aby zwiększyć efektywność prowadzenia dokumentacji
- Interfejsy AI mogą zapewnić pacjentowi wsparcie w zakresie zapytań, przypomnień i sprawdzania objawów
Ogólnie rzecz biorąc, sztuczna inteligencja/ML zapewnia ograniczenie błędów ludzkich, oszczędność czasu i kosztów, zoptymalizowane doświadczenia pacjentów oraz terminowe, spersonalizowane interwencje.
Jednym z kluczowych wymagań stawianych platformie rozwoju i wdrażania ML była zdolność platformy do wspierania ciągłego, iteracyjnego procesu rozwoju i wdrażania, jak pokazano na poniższym rysunku.
Rozwój zasobów sztucznej inteligencji rozpoczyna się w środowisku laboratoryjnym, w którym gromadzone i selekcjonowane są dane, a następnie szkolone i weryfikowane są modele. Gdy model jest gotowy i zatwierdzony do użycia, zostaje wdrożony w rzeczywistych systemach produkcyjnych. Po wdrożeniu wydajność modelu jest stale monitorowana. Rzeczywista wydajność i opinie są ostatecznie wykorzystywane do dalszych ulepszeń modelu z pełną automatyzacją szkolenia i wdrażania modeli.
Bardziej szczegółowe wymagania pakietu AI ToolSuite zostały oparte na trzech przykładowych przypadkach użycia:
- Opracowanie aplikacji komputerowej służącej do wykrywania obiektów na krawędziach. Zespół zajmujący się analizą danych spodziewał się, że zautomatyzowany przepływ pracy z adnotacjami obrazów oparty na sztucznej inteligencji przyspieszy czasochłonny proces etykietowania.
- Pozwól zespołowi zajmującemu się analizą danych zarządzać rodziną klasycznych modeli uczenia maszynowego na potrzeby porównywania statystyk w wielu jednostkach medycznych. Projekt wymagał automatyzacji wdrażania modelu, śledzenia eksperymentów, monitorowania modelu i większej kontroli nad całym procesem od początku do końca, zarówno na potrzeby audytu, jak i ponownego szkolenia w przyszłości.
- Popraw jakość i czas wprowadzenia na rynek modeli głębokiego uczenia się w diagnostyce obrazowej medycznej. Istniejąca infrastruktura obliczeniowa nie pozwalała na prowadzenie wielu eksperymentów równolegle, co opóźniało rozwój modelu. Ponadto ze względów regulacyjnych konieczne jest zapewnienie pełnej powtarzalności uczenia modeli przez kilka lat.
Wymagania niefunkcjonalne
Budowa skalowalnej i solidnej platformy AI/ML wymaga dokładnego rozważenia wymagań niefunkcjonalnych. Wymagania te wykraczają poza konkretne funkcjonalności platformy i skupiają się na zapewnieniu:
- Skalowalność – Platforma AI ToolSuite musi być w stanie skuteczniej skalować infrastrukturę generowania spostrzeżeń firmy Philips, aby platforma była w stanie obsłużyć rosnącą ilość danych, użytkowników i obciążeń AI/ML bez utraty wydajności. Powinien być zaprojektowany tak, aby można go było skalować w poziomie i w pionie, aby bezproblemowo sprostać rosnącym wymaganiom, zapewniając jednocześnie centralne zarządzanie zasobami.
- Wydajność – Platforma musi zapewniać możliwości obliczeniowe o wysokiej wydajności, aby skutecznie przetwarzać złożone algorytmy AI/ML. SageMaker oferuje szeroką gamę typów instancji, w tym instancje z wydajnymi procesorami graficznymi, które mogą znacznie przyspieszyć zadania uczenia modeli i wnioskowania. Powinien także minimalizować opóźnienia i czasy reakcji, aby zapewnić wyniki w czasie rzeczywistym lub prawie w czasie rzeczywistym.
- Niezawodność – Platforma musi zapewniać wysoce niezawodną i solidną infrastrukturę sztucznej inteligencji obejmującą wiele stref dostępności. Ta architektura obejmująca wiele AZ powinna zapewnić nieprzerwane działanie sztucznej inteligencji poprzez dystrybucję zasobów i obciążeń pomiędzy różnymi centrami danych.
- Dostępność – Platforma musi być dostępna 24 godziny na dobę, 7 dni w tygodniu, z minimalnymi przestojami na konserwację i aktualizacje. Wysoka dostępność AI ToolSuite powinna obejmować równoważenie obciążenia, architekturę odporną na awarie i proaktywne monitorowanie.
- Bezpieczeństwo i zarządzanie – Platforma musi stosować solidne środki bezpieczeństwa, szyfrowanie, kontrolę dostępu, dedykowane role i mechanizmy uwierzytelniania z ciągłym monitorowaniem nietypowych działań i przeprowadzaniem audytów bezpieczeństwa.
- Zarządzanie danymi – Efektywne zarządzanie danymi ma kluczowe znaczenie dla platform AI/ML. Regulacje w branży opieki zdrowotnej wymagają szczególnie rygorystycznego zarządzania danymi. Powinien obejmować funkcje takie jak wersjonowanie danych, pochodzenie danych, zarządzanie danymi i zapewnianie jakości danych, aby zapewnić dokładne i wiarygodne wyniki.
- Interoperacyjność – Platformę należy zaprojektować tak, aby umożliwiała łatwą integrację z wewnętrznymi repozytoriami danych firmy Philips, umożliwiając bezproblemową wymianę danych i współpracę z aplikacjami innych firm.
- Łatwość utrzymania – Architektura platformy i baza kodu powinny być dobrze zorganizowane, modułowe i łatwe w utrzymaniu. Umożliwia to inżynierom i programistom Philips ML dostarczanie aktualizacji, poprawek błędów i przyszłych ulepszeń bez zakłócania pracy całego systemu.
- Optymalizacja zasobów – Platforma powinna bardzo uważnie monitorować raporty dotyczące wykorzystania, aby mieć pewność, że zasoby obliczeniowe są wykorzystywane efektywnie i alokować je dynamicznie w oparciu o zapotrzebowanie. Ponadto firma Philips powinna korzystać z narzędzi AWS do rozliczeń i zarządzania kosztami, aby mieć pewność, że zespoły otrzymają powiadomienia, gdy wykorzystanie przekroczy przydzieloną kwotę progową.
- Monitorowanie i rejestrowanie – Platforma powinna skorzystać Amazon Cloud Watch alerty umożliwiające kompleksowe monitorowanie i rejestrowanie danych, które są niezbędne do śledzenia wydajności systemu, identyfikowania wąskich gardeł i skutecznego rozwiązywania problemów.
- Zobowiązania – Platforma może również pomóc w poprawie zgodności z przepisami propozycji obsługujących sztuczną inteligencję. Odtwarzalność i identyfikowalność muszą być włączane automatycznie przez kompleksowe potoki przetwarzania danych, w których można automatycznie przygotować wiele obowiązkowych artefaktów dokumentacji, takich jak raporty dotyczące pochodzenia danych i karty modeli.
- Testowanie i walidacja – Należy wdrożyć rygorystyczne procedury testowania i walidacji, aby zapewnić dokładność i wiarygodność modeli AI/ML oraz zapobiec niezamierzonym stronniczości.
Omówienie rozwiązania
AI ToolSuite to kompleksowe, skalowalne, szybkie w uruchomieniu środowisko programistyczne AI, oferujące natywny program SageMaker i powiązane usługi AI/ML z zabezpieczeniami i ochroną prywatności Philips HealthSuite oraz integracją ekosystemu Philips. Istnieją trzy osoby z dedykowanymi zestawami uprawnień dostępu:
- Dane naukowiec – Przygotowywanie danych oraz opracowywanie i trenowanie modeli we wspólnym obszarze roboczym
- Inżynier ML – Twórz aplikacje ML z wdrażaniem, monitorowaniem i konserwacją modeli
- Administrator analityki danych – Utwórz projekt na żądanie zespołu, aby zapewnić dedykowane izolowane środowiska z szablonami dostosowanymi do konkretnych przypadków użycia
Rozwój platformy obejmował wiele cykli wydawniczych w iteracyjnym cyklu odkrywania, projektowania, budowania, testowania i wdrażania. Ze względu na unikalność niektórych aplikacji, rozbudowa platformy wymagała osadzenia istniejących, niestandardowych komponentów, takich jak magazyny danych lub autorskie narzędzia do adnotacji.
Poniższy rysunek ilustruje trójwarstwową architekturę AI ToolSuite, obejmującą infrastrukturę bazową jako pierwszą warstwę, wspólne komponenty ML jako drugą warstwę i szablony specyficzne dla projektu jako trzecią warstwę.
Warstwa 1 zawiera infrastrukturę bazową:
- Warstwa sieciowa z parametryzowanym dostępem do Internetu o wysokiej dostępności
- Udostępnianie samoobsługowe z infrastrukturą w postaci kodu (IaC)
- Zintegrowane środowisko programistyczne (IDE) wykorzystujące Studio Amazon SageMaker domena
- Role na platformie (administrator analityki danych, analityk danych)
- Przechowywanie artefaktów
- Rejestrowanie i monitorowanie pod kątem obserwowalności
Warstwa 2 zawiera typowe komponenty ML:
- Zautomatyzowane śledzenie eksperymentów dla każdego zadania i potoku
- Potok kompilacji modelu umożliwiający uruchomienie nowej aktualizacji kompilacji modelu
- Potok szkolenia modelu obejmujący szkolenie modelu, ocenę i rejestrację
- Potok wdrażania modelu umożliwiający wdrożenie modelu do końcowych testów i zatwierdzenia
- Rejestr modeli umożliwiający łatwe zarządzanie wersjami modeli
- Rola projektowa utworzona specjalnie dla danego przypadku użycia, do przypisania użytkownikom SageMaker Studio
- Repozytorium obrazów do przechowywania obrazów kontenerów przetwarzania, uczenia i wnioskowania zbudowanych na potrzeby projektu
- Repozytorium kodu do przechowywania artefaktów kodu
- Projekt Usługa Amazon Simple Storage Wiadro (Amazon S3) do przechowywania wszystkich danych i artefaktów projektu
Warstwa 3 zawiera szablony specyficzne dla projektu, które można utworzyć z niestandardowych komponentów zgodnie z wymaganiami nowych projektów. Na przykład:
- Szablon 1 – Zawiera komponent do odpytywania danych i śledzenia historii
- Szablon 2 – Zawiera komponent do adnotacji danych z niestandardowym przepływem pracy adnotacji umożliwiającym korzystanie z zastrzeżonych narzędzi do adnotacji
- Szablon 3 – Zawiera komponenty do niestandardowych obrazów kontenerów w celu dostosowania zarówno środowiska programistycznego, jak i procedur szkoleniowych, dedykowanego systemu plików HPC i dostępu z lokalnego IDE dla użytkowników
Poniższy diagram przedstawia kluczowe usługi AWS obejmujące wiele kont AWS do celów programowania, przemieszczania i produkcji.
W kolejnych sekcjach omawiamy kluczowe możliwości platformy udostępnianej przez usługi AWS, m.in. SageMaker, Katalog usług AWS, ChmuraWatch, AWS Lambda, Rejestr elastycznego pojemnika Amazon (Amazonka ECR), Amazonka S3, AWS Zarządzanie tożsamością i dostępem (IAM) i inne.
Infrastruktura jako kod
Platforma korzysta z IaC, co pozwala firmie Philips zautomatyzować udostępnianie i zarządzanie zasobami infrastruktury. Takie podejście pomoże również w odtwarzalności, skalowalności, kontroli wersji, spójności, bezpieczeństwie i przenośności na potrzeby programowania, testowania lub produkcji.
Dostęp do środowisk AWS
Dostęp do programu SageMaker i powiązanych usług AI/ML można uzyskać za pomocą zabezpieczeń umożliwiających przygotowanie danych, opracowywanie modeli, szkolenia, dodawanie adnotacji i wdrażanie.
Izolacja i współpraca
Platforma zapewnia izolację danych poprzez ich oddzielne przechowywanie i przetwarzanie, co ogranicza ryzyko nieuprawnionego dostępu czy naruszenia bezpieczeństwa danych.
Platforma ułatwia współpracę zespołową, co jest niezbędne w projektach AI, które zazwyczaj angażują zespoły wielofunkcyjne, w tym badaczy danych, administratorów analityki danych i inżynierów MLOps.
Kontrola dostępu oparta na rolach
Kontrola dostępu oparta na rolach (RBAC) jest niezbędna do zarządzania uprawnieniami i upraszczania zarządzania dostępem poprzez definiowanie ról i uprawnień w ustrukturyzowany sposób. Ułatwia zarządzanie uprawnieniami w miarę rozwoju zespołów i projektów oraz kontrolę dostępu dla różnych osób zaangażowanych w projekty AWS AI/ML, takich jak administrator analityki danych, analityk danych, administrator adnotacji, adnotator i inżynier MLOps.
Dostęp do magazynów danych
Platforma umożliwia SageMakerowi dostęp do magazynów danych, co zapewnia efektywne wykorzystanie danych do uczenia modeli i wnioskowania bez konieczności duplikowania lub przenoszenia danych pomiędzy różnymi lokalizacjami przechowywania, optymalizując w ten sposób wykorzystanie zasobów i redukując koszty.
Adnotacje przy użyciu narzędzi do adnotacji opracowanych przez firmę Philips
AWS oferuje pakiet usług AI i ML, takich jak SageMaker, Amazon SageMaker Ground Prawda, Amazon Cognito, które są w pełni zintegrowane z opracowanymi przez firmę Philips narzędziami do adnotacji. Ta integracja umożliwia programistom trenowanie i wdrażanie modeli ML przy użyciu danych z adnotacjami w środowisku AWS.
Szablony ml
Platforma AI ToolSuite oferuje szablony w AWS dla różnych przepływów pracy ML. Szablony te to wstępnie skonfigurowane konfiguracje infrastruktury dostosowane do konkretnych przypadków użycia ML i są dostępne za pośrednictwem usług takich jak Szablony projektów SageMaker, Tworzenie chmury AWSi Katalog usług.
Integracja z Philips GitHub
Integracja z GitHub zwiększa wydajność, zapewniając scentralizowaną platformę do kontroli wersji, przeglądów kodu i zautomatyzowanych potoków CI/CD (ciągła integracja i ciągłe wdrażanie), redukując liczbę zadań wykonywanych ręcznie i zwiększając produktywność.
Integracja kodu Visual Studio
Integracja z Visual Studio Code zapewnia ujednolicone środowisko do kodowania, debugowania i zarządzania projektami ML. Usprawnia to cały przepływ pracy ML, ograniczając przełączanie kontekstu i oszczędzając czas. Integracja usprawnia także współpracę między członkami zespołu, umożliwiając im wspólną pracę nad projektami SageMaker w znanym środowisku programistycznym, wykorzystując systemy kontroli wersji oraz płynne udostępnianie kodu i notatników.
Pochodzenie modeli i danych oraz identyfikowalność w celu zapewnienia powtarzalności i zgodności
Platforma zapewnia wersjonowanie, które pomaga śledzić zmiany w danych szkoleniowych i wnioskowanych analityków danych na przestrzeni czasu, ułatwiając odtworzenie wyników i zrozumienie ewolucji zbiorów danych.
Platforma umożliwia także śledzenie eksperymentów SageMaker, co pozwala użytkownikom końcowym rejestrować i śledzić wszystkie metadane powiązane z ich eksperymentami ML, w tym hiperparametry, dane wejściowe, kod i artefakty modelu. Możliwości te są niezbędne do wykazania zgodności ze standardami regulacyjnymi oraz zapewnienia przejrzystości i odpowiedzialności w przepływach pracy AI/ML.
Generowanie raportów specyfikacji AI/ML w celu zapewnienia zgodności z przepisami
AWS utrzymuje certyfikaty zgodności z różnymi standardami i przepisami branżowymi. Raporty specyfikacji AI/ML służą jako niezbędna dokumentacja zgodności, wykazująca zgodność z wymogami regulacyjnymi. Raporty te dokumentują wersjonowanie zestawów danych, modeli i kodu. Kontrola wersji jest niezbędna do utrzymania pochodzenia danych, identyfikowalności i odtwarzalności, a wszystkie te czynniki mają kluczowe znaczenie dla zgodności z przepisami i audytu.
Zarządzanie budżetem na poziomie projektu
Zarządzanie budżetem na poziomie projektu pozwala organizacji ustalać limity wydatków, pomagając uniknąć nieoczekiwanych kosztów i zapewniając, że projekty ML mieszczą się w budżecie. Dzięki zarządzaniu budżetem organizacja może przydzielać określone budżety poszczególnym projektom lub zespołom, co pomaga zespołom wcześnie identyfikować nieefektywność zasobów lub nieoczekiwane skoki kosztów. Oprócz zarządzania budżetem, dzięki funkcji automatycznego zamykania bezczynnych notebooków, członkowie zespołu unikają płacenia za niewykorzystane zasoby, uwalniając także cenne zasoby, gdy nie są aktywnie używane, udostępniając je innym zadaniom lub użytkownikom.
Wyniki
AI ToolSuite został zaprojektowany i wdrożony jako ogólnokorporacyjna platforma do opracowywania i wdrażania systemów uczenia maszynowego dla analityków danych w całej firmie Philips. Podczas projektowania i rozwoju zebrano i uwzględniono różnorodne wymagania wszystkich jednostek biznesowych. Na początku projektu firma Philips zidentyfikowała liderów z zespołów biznesowych, którzy przekazali opinie i pomogli ocenić wartość platformy.
Osiągnięto następujące rezultaty:
- Przyjęcie rozwiązań przez użytkowników to jeden z kluczowych wskaźników wiodących dla firmy Philips. Przeszkolono i wdrożono użytkowników z kilku jednostek biznesowych, a w 2024 r. liczba ta ma wzrosnąć.
- Innym ważnym miernikiem jest wydajność dla użytkowników analityki danych. Dzięki AI ToolSuite nowe środowiska programistyczne uczenia maszynowego są wdrażane w mniej niż godzinę, a nie w kilka dni.
- Zespoły zajmujące się analizą danych mogą uzyskać dostęp do skalowalnej, bezpiecznej, ekonomicznej infrastruktury obliczeniowej opartej na chmurze.
- Zespoły mogą równolegle przeprowadzać wiele eksperymentów szkoleniowych z modelami, co znacznie skróciło średni czas szkolenia z tygodni do 1–3 dni.
- Ponieważ wdrożenie środowiska jest w pełni zautomatyzowane, nie wymaga praktycznie żadnego zaangażowania inżynierów infrastruktury chmurowej, co obniżyło koszty operacyjne.
- Zastosowanie AI ToolSuite znacznie zwiększyło ogólną dojrzałość danych i produktów AI poprzez promowanie stosowania dobrych praktyk uczenia maszynowego, standaryzowanych przepływów pracy i kompleksowej odtwarzalności, która ma kluczowe znaczenie dla zgodności z przepisami w branży opieki zdrowotnej.
Czekamy z generatywną sztuczną inteligencją
Organizacje ścigają się, aby wdrożyć kolejny najnowocześniejszy model sztucznej inteligencji, dlatego konieczne jest przyjęcie nowej technologii w kontekście polityki bezpieczeństwa i zarządzania organizacją. Architektura AI ToolSuite zapewnia doskonały plan umożliwiający dostęp do generatywnych możliwości AI w AWS dla różnych zespołów w firmie Philips. Zespoły mogą korzystać z modeli podstawowych udostępnionych w programie Amazon SageMaker JumpStart, który zapewnia ogromną liczbę modeli open source od Hugging Face i innych dostawców. Dzięki już istniejącym niezbędnym barierom ochronnym w zakresie kontroli dostępu, udostępniania projektów i kontroli kosztów zespoły mogą bez problemu rozpocząć korzystanie z generatywnych możliwości sztucznej inteligencji w SageMaker.
Dodatkowo dostęp do Amazońska skała macierzysta, w pełni zarządzana usługa oparta na interfejsie API dla generatywnej sztucznej inteligencji, może zostać udostępniona indywidualnym kontom w oparciu o wymagania projektu, a użytkownicy mogą uzyskać dostęp do interfejsów API Amazon Bedrock za pośrednictwem interfejsu notebooka SageMaker lub preferowanego IDE.
Istnieją dodatkowe uwagi dotyczące przyjęcia generatywnej sztucznej inteligencji w otoczeniu regulowanym, takim jak opieka zdrowotna. Należy dokładnie rozważyć wartość wytworzoną przez generatywne zastosowania sztucznej inteligencji w kontekście związanego z nimi ryzyka i kosztów. Istnieje również potrzeba stworzenia ram prawnych i ryzyka regulujących wykorzystanie przez organizację generatywnych technologii AI. Elementy takie jak bezpieczeństwo danych, stronniczość i uczciwość oraz zgodność z przepisami należy uwzględnić jako część takich mechanizmów.
Wnioski
Firma Philips rozpoczęła podróż mającą na celu wykorzystanie mocy algorytmów opartych na danych w celu zrewolucjonizowania rozwiązań w zakresie opieki zdrowotnej. Na przestrzeni lat innowacje w obrazowaniu diagnostycznym zaowocowały kilkoma zastosowaniami ML, od rekonstrukcji obrazu po zarządzanie przepływem pracy i optymalizację leczenia. Jednak różnorodny zakres konfiguracji, od pojedynczych laptopów po klastry lokalne i infrastrukturę chmurową, stwarzał ogromne wyzwania. Oddzielna administracja systemem, środki bezpieczeństwa, mechanizmy wsparcia i protokół danych utrudniały kompleksowe spojrzenie na TCO i skomplikowane przejścia pomiędzy zespołami. Przejście od badań i rozwoju do produkcji było obciążone brakiem pochodzenia i powtarzalności, co utrudniało ciągłe przekwalifikowanie modeli.
W ramach strategicznej współpracy firm Philips i AWS stworzono platformę AI ToolSuite w celu opracowania skalowalnej, bezpiecznej i zgodnej platformy ML z SageMaker. Platforma ta zapewnia możliwości od eksperymentowania, adnotacji danych, szkolenia, wdrażania modeli i szablonów do ponownego wykorzystania. Wszystkie te możliwości zostały zbudowane iteracyjnie w ciągu kilku cykli odkrywania, projektowania, kompilowania, testowania i wdrażania. Pomogło to wielu jednostkom biznesowym wprowadzać innowacje szybko i sprawnie, a jednocześnie zarządzać na dużą skalę za pomocą centralnego sterowania.
Ta podróż stanowi inspirację dla organizacji, które chcą wykorzystać moc sztucznej inteligencji i uczenia maszynowego do napędzania innowacji i wydajności w opiece zdrowotnej, co ostatecznie przyniesie korzyści pacjentom i świadczeniodawcom na całym świecie. Bazując na tym sukcesie, firma Philips jest gotowa poczynić jeszcze większe postępy w poprawie wyników zdrowotnych dzięki innowacyjnym rozwiązaniom opartym na sztucznej inteligencji.
Aby dowiedzieć się więcej o innowacjach firmy Philips w AWS, odwiedź stronę Philipsa na platformie AWS.
O autorach
Franka Warteny jest menedżerem programu w firmie Philips Innovation & Strategy. Koordynuje zasoby platform związanych z danymi i sztuczną inteligencją, wspierając nasze propozycje firmy Philips obsługujące dane i sztuczną inteligencję. Posiada szerokie doświadczenie w zakresie sztucznej inteligencji, data science i interoperacyjności. W wolnym czasie Frank lubi biegać, czytać i wiosłować oraz spędzać czas z rodziną.
Irina Fedułowa jest głównym liderem ds. danych i sztucznej inteligencji w firmie Philips Innovation & Strategy. Kieruje działaniami strategicznymi skupiającymi się na narzędziach, platformach i najlepszych praktykach, które przyspieszają i skalują rozwój i produktywność (generatywnych) rozwiązań obsługujących sztuczną inteligencję w firmie Philips. Irina ma duże doświadczenie techniczne w zakresie uczenia maszynowego, przetwarzania w chmurze i inżynierii oprogramowania. Poza pracą lubi spędzać czas z rodziną, podróżować i czytać.
Selvakumar Palaniyappan jest właścicielem produktu w Philips Innovation & Strategy i odpowiada za zarządzanie produktami dla platformy Philips HealthSuite AI & ML. Ma duże doświadczenie w technicznym zarządzaniu produktami i inżynierii oprogramowania. Obecnie pracuje nad zbudowaniem skalowalnej i zgodnej platformy rozwoju i wdrażania AI i ML. Ponadto stoi na czele jego wdrożenia przez zespoły zajmujące się analizą danych firmy Philips w celu opracowania systemów i rozwiązań zdrowotnych opartych na sztucznej inteligencji.
Adnana Elci jest starszym architektem infrastruktury chmurowej w AWS Professional Services. Pełni funkcję lidera technologicznego, nadzorując różne operacje dla klientów z sektorów opieki zdrowotnej i nauk przyrodniczych, finansów, lotnictwa i produkcji. Jego entuzjazm dla automatyzacji jest widoczny w jego szerokim zaangażowaniu w projektowanie, budowanie i wdrażanie rozwiązań dla klientów na poziomie korporacyjnym w środowisku AWS. Poza zobowiązaniami zawodowymi Adnan aktywnie poświęca się pracy wolontariackiej, starając się wywrzeć znaczący i pozytywny wpływ na społeczność.
Hasana Poonawala jest starszym architektem rozwiązań AI/ML w AWS, Hasan pomaga klientom projektować i wdrażać aplikacje do uczenia maszynowego w produkcji na AWS. Posiada ponad 12-letnie doświadczenie zawodowe jako data scientist, praktyk uczenia maszynowego i programista. W wolnym czasie Hasan uwielbia poznawać przyrodę i spędzać czas z przyjaciółmi i rodziną.
Sreoshi Roy jest starszym menedżerem ds. globalnego zaangażowania w AWS. Jako partner biznesowy Klientów z branży Healthcare & Life Sciences posiada niezrównane doświadczenie w definiowaniu i dostarczaniu rozwiązań złożonych problemów biznesowych. Pomaga swoim klientom wyznaczać cele strategiczne, definiować i projektować strategie dotyczące chmury/danych oraz wdrażać skalowane i solidne rozwiązanie, aby spełnić ich cele techniczne i biznesowe. Oprócz wysiłków zawodowych jej zaangażowanie polega na wywieraniu znaczącego wpływu na życie ludzi poprzez wspieranie empatii i promowanie włączenia społecznego.
Wajahat Aziz jest liderem AI/ML i HPC w zespole AWS Healthcare i Life Sciences. Pełniąc funkcję lidera technologicznego na różnych stanowiskach w organizacjach zajmujących się naukami przyrodniczymi, Wajahat wykorzystuje swoje doświadczenie, aby pomóc klientom z branży opieki zdrowotnej i nauk przyrodniczych w wykorzystaniu technologii AWS do opracowywania najnowocześniejszych rozwiązań ML i HPC. Jego obecne obszary zainteresowań to wczesne badania, próby kliniczne i uczenie maszynowe chroniące prywatność.
Wioletta Stobieniecka jest Data Scientist w AWS Professional Services. W swojej karierze zawodowej zrealizowała wiele projektów analitycznych dla różnych branż, takich jak bankowość, ubezpieczenia, telco i sektor publiczny. Jej znajomość zaawansowanych metod statystycznych i uczenia maszynowego jest dobrze połączona ze zmysłem biznesowym. Wnosi najnowsze postępy w zakresie sztucznej inteligencji, aby tworzyć wartość dla klientów.
- 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/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :ma
- :Jest
- :nie
- :Gdzie
- $W GÓRĘ
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- zdolność
- Zdolny
- O nas
- przyśpieszyć
- przyspiesza
- dostęp
- Dostęp do danych
- dostęp
- dostępny
- odpowiedzialność
- Konta
- precyzja
- dokładny
- osiągnięty
- w poprzek
- zaskarżalny
- aktywnie
- zajęcia
- bystrość
- dodatek
- Dodatkowy
- przyczepność
- Admin
- administracja
- administracyjny
- przyjąć
- Przyjęcie
- zaawansowany
- postępy
- przed
- AI
- AI / ML
- wymierzony
- Alarmy
- algorytm
- Algorytmy
- Wszystkie kategorie
- przeznaczyć
- przydzielony
- dopuszczać
- Pozwalać
- pozwala
- już
- również
- Amazonka
- Amazon Sage Maker
- Amazon Web Services
- wśród
- ilość
- an
- analityka
- w czasie rzeczywistym sprawiają,
- Analizując
- i
- Pszczoła
- Zastosowanie
- aplikacje
- podejście
- zatwierdzony
- architektura
- SĄ
- obszary
- sztuczny
- sztuczna inteligencja
- Sztuczna inteligencja (AI)
- AS
- kapitał
- Aktywa
- przydzielony
- powiązany
- zapewnienie
- At
- audytu
- kontrole
- Uwierzytelnianie
- zautomatyzować
- zautomatyzowane
- automatycznie
- automatyzacja
- Automatyzacja
- dostępność
- dostępny
- średni
- lotnictwo
- uniknąć
- AWS
- Usługi profesjonalne AWS
- z powrotem
- tło
- równoważenie
- Bankowość
- baza
- na podstawie
- BE
- być
- zachowanie
- Benchmarkingu
- korzystne
- BEST
- Najlepsze praktyki
- pomiędzy
- Poza
- stronniczość
- uprzedzenia
- billing
- Blog
- plan
- podnieść
- pobudzanie
- obie
- wąskie gardła
- naruszenia
- Przynosi
- szeroki
- budżet
- Budżety
- Bug
- budować
- Budowanie
- wybudowany
- biznes
- ale
- by
- wezwanie
- CAN
- możliwości
- Pojemność
- Kartki okolicznosciowe
- który
- Kariera
- ostrożny
- walizka
- Etui
- katalog
- Centra
- centralny
- scentralizowane
- certyfikaty
- wyzwania
- Mistrzów
- Zmiany
- opłata
- klasyczny
- klientów
- Kliniczne
- Badania kliniczne
- klinicyści
- dokładnie
- Chmura
- cloud computing
- infrastruktura chmurowa
- kod
- podstawa kodu
- Kodowanie
- współpraca
- współpracy
- połączony
- byliśmy spójni, od początku
- zobowiązania
- wspólny
- społeczność
- Firmy
- sukcesy firma
- kompleks
- spełnienie
- zgodny
- skomplikowane
- składnik
- składniki
- wszechstronny
- Składa się
- obliczeniowy
- obliczać
- komputer
- Wizja komputerowa
- computing
- o
- stwierdza,
- prowadzenia
- połączony
- wynagrodzenie
- Rozważania
- za
- Pojemnik
- zawiera
- kontekst
- kontynuować
- ciągły
- bez przerwy
- Kontinuum
- kontrola
- kontroli
- rdzeń
- Koszty:
- Zarządzanie kosztami
- oszczędności
- Koszty:
- pokrycie
- Stwórz
- Utwórz wartość
- stworzony
- Tworzenie
- tworzenie
- krytyczny
- zespoły wielofunkcyjne
- istotny
- kurator
- Aktualny
- Obecnie
- zwyczaj
- klient
- doświadczenie klienta
- Rozwiązania dla klientów
- Klientów
- dostosować
- cykl
- Cykle
- dane
- Naruszenie danych
- centra danych
- Wymiana danych
- zarządzanie danymi
- Przygotowywanie danych
- analiza danych
- nauka danych
- naukowiec danych
- bezpieczeństwo danych
- sterowane danymi
- zbiory danych
- Dni
- dedykowane
- poświęcenie
- głęboko
- głęboka nauka
- określić
- definiowanie
- opóźniony
- dostarczyć
- dostarczona
- dostarczanie
- Kreowanie
- wymagania
- demonstrowanie
- rozwijać
- wdrażane
- Wdrożenie
- wdrożenia
- opisać
- Wnętrze
- zaprojektowany
- projektowanie
- szczegółowe
- Wykrywanie
- rozwijać
- rozwinięty
- Deweloper
- deweloperzy
- rozwijanie
- oprogramowania
- diagnostyczny
- Diagnostyka obrazowa
- diagnostyka
- różne
- trudny
- odkryj
- dyskutować
- choroby
- odrębny
- rozdzielczy
- inny
- Lekarze
- dokument
- dokumentacja
- domena
- domeny
- zrobić
- na dół
- przestojów
- dziesiątki
- napęd
- napędzany
- sterowniki
- jazdy
- z powodu
- podczas
- dynamicznie
- Wcześnie
- łatwiej
- z łatwością
- Ekosystem
- krawędź
- faktycznie
- efektywność
- wydajny
- skutecznie
- starania
- bądź
- Elementy
- zaokrętowany
- osadzanie
- empatia
- umożliwiać
- włączony
- Umożliwia
- umożliwiając
- szyfrowanie
- zakończenia
- koniec końców
- starania
- zaręczynowy
- inżynier
- Inżynieria
- Inżynierowie
- wzmacniać
- wzmocnione
- ulepszenia
- Poprawia
- zapewnić
- zapewnia
- zapewnienie
- Enterprise
- entuzjazm
- Cały
- Środowisko
- środowiska
- błąd
- szczególnie
- niezbędny
- oceniać
- ewaluację
- Parzyste
- wydarzenia
- ostatecznie
- Każdy
- oczywisty
- ewolucja
- przykład
- przykłady
- doskonała
- wymiana
- Przede wszystkim system został opracowany
- spodziewany
- doświadczenie
- doświadczony
- Doświadczenia
- eksperyment
- eksperymenty
- odkryj
- rozbudowa
- rozległy
- wyciąg
- Twarz
- ułatwia
- uczciwość
- znajomy
- członków Twojej rodziny
- FAST
- szybciej
- Cecha
- Korzyści
- informacja zwrotna
- Postać
- filet
- finał
- finansować
- i terminów, a
- Skupiać
- koncentruje
- następujący
- W razie zamówieenia projektu
- wielki
- Naprzód
- wychowanie
- Fundacja
- rozdrobniony
- Framework
- szczery
- przyjaciele
- od
- Paliwo
- pełny
- w pełni
- funkcjonalności
- fundamentalny
- dalej
- Ponadto
- przyszłość
- generacja
- generatywny
- generatywna sztuczna inteligencja
- GitHub
- dany
- Globalne
- Go
- dobry
- zarządzanie
- rządzić
- rządzi
- GPU
- większy
- Ziemia
- Rosnąć
- Rozwój
- poradnictwo
- prowadzony
- uchwyt
- uprząż
- Wykorzystywanie
- Have
- mający
- he
- Zdrowie
- systemy ochrony zdrowia
- opieki zdrowotnej
- przemysł medyczny
- pomoc
- pomógł
- pomoc
- pomaga
- jej
- Wysoki
- wysoka wydajność
- pasemka
- wysoko
- samego siebie
- jego
- historia
- przytrzymanie
- poziomo
- godzina
- W jaki sposób
- Jednak
- HPC
- HTML
- http
- HTTPS
- człowiek
- zidentyfikowane
- zidentyfikować
- identyfikacja
- tożsamość
- Idle
- ilustruje
- obraz
- zdjęcia
- Obrazowanie
- Rezultat
- tryb rozkazujący
- wdrożenia
- realizowane
- wykonawczych
- ważny
- podnieść
- ulepszenia
- poprawy
- in
- zawierać
- obejmuje
- Włącznie z
- Włączenie
- wzrastający
- wskaźniki
- indywidualny
- przemysłowa
- przemysł
- standardy przemysłowe
- nieefektywności
- Informacja
- Infrastruktura
- początkowo
- wprowadzać innowacje
- Innowacja
- Strategia innowacji
- Innowacyjny
- wkład
- spostrzeżenia
- Inspiracja
- przykład
- zamiast
- ubezpieczenie
- integrować
- zintegrowany
- integracja
- integracje
- Inteligencja
- Interfejs
- interfejsy
- wewnętrzny
- Internet
- Interoperacyjność
- interpretacja
- interwencje
- najnowszych
- angażować
- zaangażowany
- Zaangażowanie
- Irina
- odosobniony
- izolacja
- problemy
- IT
- iteracja
- JEGO
- Praca
- połączenie
- podróż
- jpg
- Trzymać
- Klawisz
- wiedza
- laboratorium
- etykietowanie
- Brak
- laptopy
- duży
- Utajenie
- uruchomić
- warstwa
- prowadzić
- lider
- prowadzący
- UCZYĆ SIĘ
- nauka
- Regulamin
- ramy prawne
- mniej
- poziom
- Dźwignia
- wykorzystuje
- leży
- życie
- Life Science
- Life Sciences
- wifecycwe
- lubić
- Limity
- rodowód
- linie
- relacja na żywo
- Zyje
- załadować
- miejscowy
- lokalizacji
- log
- zalogowaniu
- poszukuje
- kocha
- maszyna
- uczenie maszynowe
- zrobiony
- Utrzymywane w utrzymaniu
- Utrzymywanie
- utrzymuje
- konserwacja
- robić
- WYKONUJE
- Dokonywanie
- zarządzanie
- zarządzane
- i konserwacjami
- Narzędzia zarządzania
- kierownik
- zarządzający
- obowiązkowe
- sposób
- podręcznik
- produkcja
- wiele
- rynek
- dojrzałość
- wymowny
- środków
- Mechanizmy
- medyczny
- Poznaj nasz
- Użytkownicy
- Metadane
- metody
- metryczny
- miliony
- minimalny
- ML
- MLOps
- model
- modele
- Modułowa
- monitor
- monitorowane
- monitorowanie
- jeszcze
- ruch
- MRI
- wielokrotność
- wielość
- musi
- rodzimy
- Natura
- niezbędny
- Potrzebować
- wymagania
- sieci
- Nowości
- nowi użytkownicy
- Następny
- Nie
- notatnik
- Uwagi
- Powiadomienia
- już dziś
- numer
- przedmiot
- Wykrywanie obiektów
- Cele
- of
- oferuje
- Oferty
- on
- Onboard
- pewnego razu
- ONE
- trwający
- koncepcja
- open source
- działa
- operacyjny
- operacje
- Szanse
- Optymalny
- optymalizacja
- Optymalizacja
- zoptymalizowane
- optymalizacji
- or
- Zdrowie jamy ustnej
- zamówienie
- organizacja
- organizacji
- Zorganizowany
- Inne
- Pozostałe
- ludzkiej,
- wyniki
- zarys
- zewnętrzne
- koniec
- ogólny
- nadzorowanie
- właściciel
- Parallel
- część
- partnerem
- partner
- wzmacniacz
- przebiegi
- Przeszłość
- pacjent
- pacjenci
- zwracając
- Ludzie
- Ludzie na
- dla
- jest gwarancją najlepszej jakości, które mogą dostarczyć Ci Twoje monitory,
- uprawnienia
- osobisty
- Personalizowany
- Pionierskość
- rurociąg
- Miejsce
- Platforma
- Platformy
- plato
- Analiza danych Platona
- PlatoDane
- Gotowy
- polityka
- ruchliwość
- stwarzane
- pozytywny
- Post
- potencjał
- power
- mocny
- praktyki
- precyzyjny
- przewidzieć
- Korzystny
- przygotowanie
- Przygotować
- przygotowany
- konserwowanie
- nacisk
- zapobiec
- Główny
- prywatność
- Proaktywne
- problemy
- procedury
- wygląda tak
- procesów
- przetwarzanie
- Produkt
- zarządzanie produktem
- Produkcja
- wydajność
- Produkty
- profesjonalny
- Program
- projekt
- dane projektu
- projektowanie
- obiecuje
- promowanie
- własność
- protokół
- zapewniać
- pod warunkiem,
- dostawców
- zapewnia
- że
- publiczny
- cele
- jakość
- zapytania
- Szybki
- Wyścig
- zasięg
- nośny
- szybko
- Czytający
- gotowy
- Prawdziwy świat
- w czasie rzeczywistym
- otrzymać
- niedawny
- polecić
- zalecenia
- Zredukowany
- redukcja
- rejestr
- regulowane
- regulamin
- regulacyjne
- Zgodność z przepisami
- związane z
- zwolnić
- uwalniając
- niezawodność
- rzetelny
- zdalny
- raport
- Raporty
- składnica
- zażądać
- wymagany
- wymagania
- Wymaga
- Badania naukowe
- badania i rozwój
- Zasób
- Zasoby
- odpowiedź
- Efekt
- wielokrotnego użytku
- Recenzje
- zrewolucjonizować
- rygorystyczny
- Ryzyko
- ryzyko
- krzepki
- Rola
- role
- run
- bieganie
- poświęcanie
- sagemaker
- oszczędność
- Oszczędności
- Skalowalność
- skalowalny
- Skala
- nauka
- NAUKI
- Naukowiec
- Naukowcy
- bezszwowy
- płynnie
- druga
- działy
- sektor
- bezpieczne
- bezpieczeństwo
- Audyty bezpieczeństwa
- Środki bezpieczeństwa
- senior
- oddzielny
- służyć
- służył
- służy
- usługa
- Usługi
- zestaw
- Zestawy
- ustawienie
- kilka
- dzielenie
- ona
- przesunięcie
- powinien
- ściąganie
- pokazane
- zamknąć
- zamknąć
- znacznie
- Prosty
- upraszczanie
- ponieważ
- mądry
- So
- Tworzenie
- Inżynieria oprogramowania
- rozwiązanie
- Rozwiązania
- kilka
- Źródło
- Źródła
- napięcie
- rozpiętości
- pionierem
- specjalista
- specyficzny
- swoiście
- specyfikacja
- prędkość
- wydać
- Spędzanie
- kolce
- inscenizacja
- standardy
- stojaki
- początek
- rozpocznie
- Startups
- state-of-the-art
- statystyczny
- statystyka
- pobyt
- przechowywanie
- sklep
- sklep
- przechowywania
- bezpośredni
- Strategiczny
- strategie
- Strategia
- kroczy
- usiłujący
- silny
- Struktura
- zbudowany
- studio
- sukces
- taki
- apartament
- wsparcie
- pewnie
- symptom
- system
- systemy
- dostosowane
- Brać
- zadania
- zespół
- Członkowie Zespołu
- Zespoły
- tech
- Techniczny
- Technologies
- Technologia
- Telco
- telezdrowie
- Szablony
- REGULAMIN
- test
- Testowanie
- niż
- że
- Połączenia
- Przyszłość
- ich
- Im
- następnie
- Tam.
- a tym samym
- Te
- one
- Trzeci
- innych firm
- to
- trzy
- próg
- Przez
- poprzez
- czas
- czasochłonne
- aktualny
- czasy
- do
- razem
- narzędzia
- w kierunku
- Możliwość śledzenia
- śledzić
- Śledzenie
- Pociąg
- przeszkolony
- Trening
- Przekształcać
- przejście
- przejścia
- Przezroczystość
- Podróżowanie
- leczenie
- Próby
- naprawdę
- typy
- zazwyczaj
- Ostatecznie
- Nieupoważniony
- zrozumieć
- Nieoczekiwany
- Ujednolicony
- wyjątkowy
- wyjątkowość
- jednostek
- Uniwersytety
- rozpętać
- niezrównany
- nieużywana
- Nowości
- Uaktualnienia
- na
- posługiwać się
- przypadek użycia
- używany
- Użytkownicy
- zastosowania
- za pomocą
- wykorzystany
- Wykorzystując
- zatwierdzony
- uprawomocnienie
- Cenny
- wartość
- różnorodność
- różnorodny
- Naprawiono
- wersja
- pionowo
- początku.
- przez
- Zobacz i wysłuchaj
- prawie
- wizja
- Odwiedzić
- wizualny
- Tom
- wolontariusz
- była
- we
- sieć
- usługi internetowe
- tygodni
- DOBRZE
- były
- jeśli chodzi o komunikację i motywację
- który
- Podczas
- KIM
- szeroki
- Szeroki zasięg
- będzie
- w
- w ciągu
- bez
- Praca
- workflow
- przepływów pracy
- pracujący
- na calym swiecie
- lat
- wydany
- zefirnet
- Strefy