To objavo so napisali Ming (Melvin) Qin, David Bericat in Brad Genereaux iz NVIDIA.
Raziskovalci in razvijalci umetne inteligence za medicinsko slikanje potrebujejo razširljivo poslovno ogrodje za gradnjo, uvajanje in integracijo svojih aplikacij umetne inteligence. AWS in NVIDIA sta se združila, da bi to vizijo uresničila. AWS, NVIDIA in drugi partnerji izdelajte aplikacije in rešitve, s katerimi bo zdravstvena oskrba bolj dostopna, cenovno ugodnejša in učinkovitejša s pospeševanjem povezljivosti slik v oblaku v podjetju. MONAI Deploy je eden izmed ključnih modulov znotraj MONAI (Medical Open Network for Artificial Intelligence), ki ga je razvil konzorcij akademskih in industrijskih voditeljev, vključno z NVIDIA. AWS HealthImaging (AHI) je HIPAA primerna, zelo razširljiva, zmogljiva in stroškovno učinkovita trgovina z medicinskimi posnetki. Razvili smo priključek MONAI Deploy za AHI za integracijo aplikacij umetne inteligence za medicinsko slikanje s podsekundnimi zakasnitvami pri pridobivanju slik v velikem obsegu, ki jih poganjajo API-ji, ki so izvorni v oblaku. Modele in aplikacije MONAI AI lahko gostite Amazon SageMaker, ki je v celoti upravljana storitev za uvajanje modelov strojnega učenja (ML) v velikem obsegu. SageMaker skrbi za nastavitev in upravljanje primerkov za sklepanje ter zagotavlja vgrajene meritve in dnevnike za končne točke, ki jih lahko uporabite za spremljanje in prejemanje opozoril. Ponuja tudi različne Primerki GPE NVIDIA za sklepanje ML, kot tudi več možnosti uvajanja modela s samodejnim skaliranjem, vključno z sklepanje v realnem času, sklepanje brez strežnika, asinhrono sklepanjein serijska preobrazba.
V tej objavi prikazujemo, kako razmestiti paket aplikacij MONAI (MAP) s priključkom za AWS HealthImaging z uporabo večmodelne končne točke SageMaker za sklepanje v realnem času in asinhrono sklepanje. Ti dve možnosti pokrivata večino primerov uporabe cevovoda za sklepanje medicinskih slik v skoraj realnem času.
Pregled rešitev
Naslednji diagram prikazuje arhitekturo rešitev.
Predpogoji
Izpolnite naslednje predpogojne korake:
- Uporabite račun AWS v eni od naslednjih regij, kjer je na voljo AWS HealthImaging: Severna Virginija (
us-east-1
), Oregon (us-west-2
), Irska (eu-west-1
), in Sydney (ap-southeast-2
). - Ustvari Amazon SageMaker Studio domeno in uporabniški profil z AWS upravljanje identitete in dostopa (IAM) dovoljenje za dostop do AWS HealthImaging.
- Omogočite razširitev JupyterLab v3 in namestite Imjoy-jupyter-extension, če želite interaktivno vizualizirati medicinske slike na prenosnem računalniku SageMaker z uporabo itkwidgets.
Priključek MAP za AWS HealthImaging
AWS HealthImaging uvozi datoteke DICOM P10 in jih pretvori v ImageSets, ki so optimizirana predstavitev serije DICOM. AHI omogoča dostop API do metapodatkov ImageSet in ImageFrames. Metapodatki vsebujejo vse atribute DICOM v dokumentu JSON. ImageFrame se vrnejo kodirane v Visoko zmogljiv JPEG2000 (HTJ2K) formatu brez izgub, ki ga je mogoče izjemno hitro dekodirati. ImageSets je mogoče pridobiti z uporabo Vmesnik ukazne vrstice AWS (AWS CLI) ali SDK-ji za AWS.
MONAI je ogrodje umetne inteligence za medicinsko slikanje, ki prinaša raziskovalne dosežke in aplikacije umetne inteligence v klinični učinek. MONAI Deploy je procesni cevovod, ki omogoča potek dela od konca do konca, vključno s pakiranjem, testiranjem, uvajanjem in izvajanjem aplikacij umetne inteligence za medicinsko slikanje v klinični proizvodnji. Vsebuje MONAI Razmesti App SDK, MONAI Deploy Express, Upravitelj poteka delain Informatika Gateway. MONAI Deploy App SDK ponuja algoritme, pripravljene za uporabo, in ogrodje za pospešitev gradnje aplikacij umetne inteligence za medicinsko slikanje, kot tudi pripomočke za pakiranje aplikacije v vsebnik MAP. Vgrajene funkcionalnosti, ki temeljijo na standardih v aplikaciji SDK, omogočajo MAP-u nemoteno integracijo v zdravstvena IT omrežja, ki zahtevajo uporabo standardov, kot so DICOM, HL7 in FHIR, ter v okoljih podatkovnih centrov in oblakov. MAP-ji lahko uporabljajo vnaprej določene in prilagojene operaterje za nalaganje slik DICOM, izbiro serije, sklepanje o modelu in naknadno obdelavo
Razvili smo a Modul Python z uporabo AWS HealthImaging Python SDK Boto3. Lahko ga namestite s pipom in uporabite funkcijo pomočnika za pridobivanje primerkov DICOM Service-Object Pair (SOP), kot sledi:
!pip install -q AHItoDICOMInterface
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
instances = helper.DICOMizeImageSet(datastore_id=datastoreId , image_set_id=next(iter(imageSetIds)))
Izhodne primerke SOP je mogoče vizualizirati z uporabo interaktivnega 3D pregledovalnika medicinskih slik itkwidgets v naslednjih prenosnik. AHItoDICOM razred izkorišča več procesov za vzporedno pridobivanje okvirjev slikovnih pik iz AWS HealthImaging in dekodirati o HTJ2K binarne blobs uporabi Knjižnica Python OpenJPEG. ImageSetIds prihajajo iz izhodnih datotek danega opravila uvoza AWS HealthImaging. Glede na DatastoreId in import JobId lahko pridobite ImageSetId, ki je enakovreden UID-ju primerka serije DICOM, kot sledi:
imageSetIds = {}
try: response = s3.head_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/job-output-manifest.json") if response['ResponseMetadata']['HTTPStatusCode'] == 200: data = s3.get_object(Bucket=OutputBucketName, Key=f"output/{res_createstore['datastoreId']}-DicomImport-{res_startimportjob['jobId']}/SUCCESS/success.ndjson") contents = data['Body'].read().decode("utf-8") for l in contents.splitlines(): isid = json.loads(l)['importResponse']['imageSetId'] if isid in imageSetIds: imageSetIds[isid]+=1 else: imageSetIds[isid]=1
except ClientError: pass
Z ImageSetId lahko ločeno pridobite metapodatke glave DICOM in slikovne pike z uporabo izvornih funkcij AWS HealthImaging API. The DICOM izvozni agregati glave DICOM in slikovne pike v Pydicom nabor podatkov, ki jih lahko obdeluje Operater nalagalnika podatkov MAP DICOM. S funkcijo DICOMizeImageSet() smo ustvarili konektor za nalaganje slikovnih podatkov iz AWS HealthImaging, ki temelji na MAP Operater nalagalnika podatkov DICOM:
class AHIDataLoaderOperator(Operator): def __init__(self, ahi_client, must_load: bool = True, *args, **kwargs): self.ahi_client = ahi_client … def _load_data(self, input_obj: string): study_dict = {} series_dict = {} sop_instances = self.ahi_client.DICOMizeImageSet(input_obj['datastoreId'], input_obj['imageSetId'])
V prejšnji kodi je ahi_client
je primerek izvozniškega razreda DICOM AHItoDICOM s prikazanimi funkcijami za pridobivanje podatkov. Ta novi operater nalagalnika podatkov smo vključili v a Aplikacija AI za 3D segmentacijo vranice, ki jo je ustvaril MONAI Deploy App SDK. Najprej lahko raziščete, kako ustvariti in zagnati to aplikacijo na lokalnem primerku prenosnikain nato razmestite to aplikacijo MAP v končne točke sklepanja, ki jih upravlja SageMaker.
Asinhroni sklep SageMaker
Izdelovalec žajblja asinhrono sklepanje končna točka se uporablja za zahteve z velikimi obremenitvami (do 1 GB), dolgimi časi obdelave (do 15 minut) in zahtevami zakasnitve v skoraj realnem času. Ko ni nobenih zahtev za obdelavo, lahko ta možnost uvedbe zmanjša število instanc na nič za prihranek stroškov, kar je idealno za delovne obremenitve sklepanja ML medicinskega slikanja. Sledite korakom v vzorec zvezka za ustvarjanje in priklic končne točke asinhronega sklepanja SageMaker. Za ustvarite končno točko asinhronega sklepanja, boste morali najprej ustvariti model SageMaker in konfiguracijo končne točke. Če želite ustvariti model SageMaker, boste morali naložiti paket model.tar.gz z a definirano strukturo imenika v vsebnik Docker. Paket model.tar.gz vključuje vnaprej usposobljeno datoteko za segmentacijo vranice model.ts in prilagojeno datoteko inference.py. Za nalaganje modela in izvajanje napovedi smo uporabili vnaprej izdelan vsebnik z različicama ogrodja Python 3.8 in PyTorch 1.12.1.
V prilagojenem sklepanje.py datoteko, instanciramo pomožni razred AHItoDICOM iz AHItoDICOMInterface in ga uporabimo za ustvarjanje primerka MAP v model_fn()
in zaženemo aplikacijo MAP na vsaki zahtevi za sklepanje v predict_fn()
funkcija:
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
helper = AHItoDICOM()
def model_fn(model_dir, context): … monai_app_instance = AISpleenSegApp(helper, do_run=False,path="/home/model-server") def predict_fn(input_data, model): with open('/home/model-server/inputImageSets.json', 'w') as f: f.write(json.dumps(input_data)) output_folder = "/home/model-server/output" if not os.path.exists(output_folder): os.makedirs(output_folder) model.run(input='/home/model-server/inputImageSets.json', output=output_folder, workdir='/home/model-server', model='/opt/ml/model/model.ts')
Da pokliči asinhrono končno točko, boste morali naložiti koristni tovor za vnos zahteve v Preprosta storitev shranjevanja Amazon (Amazon S3), ki je datoteka JSON, ki določa ID shrambe podatkov AWS HealthImaging in ID ImageSet za izvajanje sklepanja na:
sess = sagemaker.Session()
InputLocation = sess.upload_data('inputImageSets.json', bucket=sess.default_bucket(), key_prefix=prefix, extra_args={"ContentType": "application/json"})
response = runtime_sm_client.invoke_endpoint_async(EndpointName=endpoint_name, InputLocation=InputLocation, ContentType="application/json", Accept="application/json")
output_location = response["OutputLocation"]
Rezultat je mogoče najti tudi v Amazon S3.
Večmodelno sklepanje v realnem času SageMaker
SageMaker sklepanje v realnem času končne točke izpolnjujejo interaktivne zahteve z nizko zakasnitvijo. Ta možnost lahko gosti več modelov v enem vsebniku za eno končno točko, kar je razširljiva in stroškovno učinkovita rešitev za uvajanje več modelov ML. A Večmodelna končna točka SageMaker uporablja NVIDIA Triton Inference Server z grafično procesorsko enoto za izvajanje več sklepov modela globokega učenja.
V tem razdelku bomo predstavili, kako ustvariti in priklicati končno točko z več modeli prilagajanje lastnega vsebnika sklepanja V nadaljevanju vzorec zvezka. Različne modele je mogoče streči v skupnem vsebniku na isti floti virov. Končne točke z več modeli zmanjšajo stroške uvajanja in prilagodijo sklepanje modela na podlagi vzorcev prometa do končne točke. Smo uporabili Orodja za razvijalce AWS Z Amazon CodeCommit, Amazon CodeBuildin Amazon CodePipeline zgraditi posodo po meri za sklepanje modela SageMaker. Pripravili smo a model_handler.py da prinesete svoj vsebnik namesto datoteke inference.py v prejšnjem primeru in implementirate funkcije initialize(), preprocess() in inference():
from app import AISpleenSegApp
from AHItoDICOMInterface.AHItoDICOM import AHItoDICOM
class ModelHandler(object): def __init__(self): self.initialized = False self.shapes = None def initialize(self, context): self.initialized = True properties = context.system_properties model_dir = properties.get("model_dir") gpu_id = properties.get("gpu_id") helper = AHItoDICOM() self.monai_app_instance = AISpleenSegApp(helper, do_run=False, path="/home/model-server/") def preprocess(self, request): inputStr = request[0].get("body").decode('UTF8') datastoreId = json.loads(inputStr)['inputs'][0]['datastoreId'] imageSetId = json.loads(inputStr)['inputs'][0]['imageSetId'] with open('/tmp/inputImageSets.json', 'w') as f: f.write(json.dumps({"datastoreId": datastoreId, "imageSetId": imageSetId})) return '/tmp/inputImageSets.json' def inference(self, model_input): self.monai_app_instance.run(input=model_input, output="/home/model-server/output/", workdir="/home/model-server/", model=os.environ["model_dir"]+"/model.ts")
Ko je posoda zgrajena in potisnjena v Registar elastičnih zabojnikov Amazon (Amazon ECR), lahko z njim ustvarite model SageMaker in različne pakete modelov (datoteke tar.gz) na določeni poti Amazon S3:
model_name = "DEMO-MONAIDeployModel" + strftime("%Y-%m-%d-%H-%M-%S", gmtime())
model_url = "s3://{}/{}/".format(bucket, prefix)
container = "{}.dkr.ecr.{}.amazonaws.com/{}:dev".format( account_id, region, prefix )
container = {"Image": container, "ModelDataUrl": model_url, "Mode": "MultiModel"}
create_model_response = sm_client.create_model(ModelName=model_name, ExecutionRoleArn=role, PrimaryContainer=container)
Omeniti velja, da je model_url
tukaj podaja samo pot do mape z datotekami tar.gz, vi pa določite, kateri paket modela naj se uporabi za sklepanje, ko prikličete končno točko, kot je prikazano v naslednji kodi:
Payload = {"inputs": [ {"datastoreId": datastoreId, "imageSetId": next(iter(imageSetIds))} ]}
response = runtime_sm_client.invoke_endpoint(EndpointName=endpoint_name, ContentType="application/json", Accept="application/json", TargetModel="model.tar.gz", Body=json.dumps(Payload))
Obstoječi končni točki sklepanja z več modeli lahko dodamo več modelov, ne da bi morali posodobiti končno točko ali ustvariti novo.
Čiščenje
Ne pozabite izpolniti Izbrišite vire gostovanja korak v laboratorij-3 in laboratorij-4 prenosnike za brisanje končnih točk sklepanja SageMaker. Zavrnite primerek prenosnega računalnika SageMaker, da prihranite tudi stroške. Končno lahko pokličete funkcijo AWS HealthImaging API ali uporabite konzolo AWS HealthImaging, da izbrišete nabore slik in shrambo podatkov, ustvarjeno prej:
for s in imageSetIds.keys(): medicalimaging.deleteImageSet(datastoreId, s)
medicalimaging.deleteDatastore(datastoreId)
zaključek
V tej objavi smo vam pokazali, kako ustvariti priključek MAP za AWS HealthImaging, ki ga je mogoče ponovno uporabiti v aplikacijah, zgrajenih z MONAI Deploy App SDK, za integracijo in pospešitev pridobivanja podatkov o slikah iz trgovine DICOM v oblaku do delovnih obremenitev umetne inteligence za medicinsko slikanje . MONAI Deploy SDK se lahko uporablja za podporo bolnišničnih operacij. Predstavili smo tudi dve možnosti gostovanja za uvajanje aplikacij MAP AI na SageMaker v velikem obsegu.
Preglejte primere zvezkov v GitHub repozitorij če želite izvedeti več o tem, kako uvesti aplikacije MONAI na SageMaker z medicinskimi slikami, shranjenimi v AWS HealthImaging. Če želite izvedeti, kaj lahko AWS naredi za vas, se obrnite na Predstavnik AWS.
Za dodatne vire glejte naslednje:
O avtorjih
Ming (Melvin) Qin je neodvisni sodelavec ekipe Healthcare pri NVIDIA, ki se osredotoča na razvoj aplikacijskega ogrodja in platforme za sklepanje AI za prenos umetne inteligence v delovne tokove medicinskega slikanja. Preden se je Ming leta 2018 pridružil NVIDII kot ustanovni član Clara, je Ming 15 let razvijal Radiology PACS in Workflow SaaS kot vodilni inženir/arhitekt pri Stentor Inc., ki ga je kasneje prevzel Philips Healthcare, da bi ustanovil Enterprise Imaging.
David Bericat je produktni vodja za Healthcare pri NVIDIA, kjer vodi delovno skupino Project MONAI Deploy za prenos umetne inteligence od raziskav do kliničnih uvedb. Njegova strast je globalno pospešiti inovacije na področju zdravja in jih prevesti v pravi klinični učinek. Pred tem je David delal pri Red Hat, kjer je izvajal odprtokodna načela na stičišču umetne inteligence, oblaka, robnega računalništva in interneta stvari. Njegovi najbolj ponosni trenutki vključujejo pohod do baznega tabora Everesta in igranje nogometa več kot 20 let.
Brad Genereaux je globalni vodja, Healthcare Alliances pri NVIDIA, kjer je odgovoren za odnose z razvijalci s poudarkom na medicinskem slikanju za pospešitev umetne inteligence in globokega učenja, vizualizacije, virtualizacije in analitičnih rešitev. Brad z več kot 20-letnimi izkušnjami v IT v zdravstvu evangelizira vseprisotno sprejemanje in integracijo brezhibnega zdravstvenega varstva in medicinskih slikovnih tokov v vsakodnevno klinično prakso.
Gang Fu je arhitekt zdravstvenih rešitev pri AWS. Ima doktorat iz farmacevtskih znanosti na Univerzi Mississippi in ima več kot 10 let izkušenj s tehnologijo in biomedicinskimi raziskavami. Navdušen je nad tehnologijo in vplivom, ki ga lahko ima na zdravstveno varstvo.
JP Leger je višji arhitekt rešitev, ki podpira akademske medicinske centre in delovne poteke medicinskega slikanja pri AWS. Ima več kot 20 let strokovnega znanja na področju programskega inženiringa, IT v zdravstvu in medicinskega slikanja, z bogatimi izkušnjami pri arhitekturi sistemov za zmogljivost, razširljivost in varnost pri porazdeljenih uvedbah velikih količin podatkov v prostorih, v oblaku in hibridih z analitiko in AI .
Chris Hafey je glavni arhitekt rešitev pri Amazon Web Services. Ima več kot 25 let izkušenj v industriji medicinskega slikanja in je specializiran za gradnjo razširljivih visoko zmogljivih sistemov. Je ustvarjalec priljubljenega odprtokodnega projekta CornerstoneJS, ki poganja priljubljeni odprtokodni pregledovalnik zero footprint OHIF. Prispeval je k specifikaciji DICOMweb in si še naprej prizadeva za izboljšanje njene zmogljivosti za spletno gledanje.
- Distribucija vsebine in PR s pomočjo SEO. Okrepite se še danes.
- PlatoData.Network Vertical Generative Ai. Opolnomočite se. Dostopite tukaj.
- PlatoAiStream. Web3 Intelligence. Razširjeno znanje. Dostopite tukaj.
- PlatoESG. Ogljik, CleanTech, Energija, Okolje, sončna energija, Ravnanje z odpadki. Dostopite tukaj.
- PlatoHealth. Obveščanje o biotehnologiji in kliničnih preskušanjih. Dostopite tukaj.
- vir: https://aws.amazon.com/blogs/machine-learning/build-a-medical-imaging-ai-inference-pipeline-with-monai-deploy-on-aws/
- :ima
- : je
- :ne
- :kje
- $GOR
- 1
- 10
- 100
- 12
- 15 let
- 15%
- 20
- 20 let
- 200
- 2018
- 25
- 3d
- 7
- 8
- a
- O meni
- akademsko
- pospeši
- pospeševanje
- dostop
- dostopen
- Račun
- pridobljenih
- čez
- dodajte
- Dodatne
- Sprejetje
- Prednost
- cenovno
- AI
- AI modeli
- Opozorila
- algoritmi
- vsi
- Zveze
- omogočajo
- Prav tako
- Amazon
- Amazon Web Services
- an
- analitika
- in
- API
- Dostop do API-ja
- API-ji
- aplikacija
- uporaba
- aplikacije
- Arhitektura
- SE
- umetni
- Umetna inteligenca
- AS
- At
- lastnosti
- Samodejno
- Na voljo
- AWS
- baza
- temeljijo
- BE
- pred
- zadaj
- biomedicina
- telo
- tako
- brad
- preboji
- prinašajo
- izgradnjo
- Building
- zgrajena
- vgrajeno
- by
- klic
- Kamp
- CAN
- ki
- primeri
- center
- centri
- Clara
- razred
- klinični
- Cloud
- Koda
- kako
- dokončanje
- obsega
- računalništvo
- konfiguracija
- Povezovanje
- Konzole
- konzorcij
- kontakt
- Posoda
- Vsebuje
- Vsebina
- ozadje
- se nadaljuje
- prispevali
- prispeva
- strošek
- prihranki pri stroških
- stroškovno učinkovito
- stroški
- pokrov
- cowritten
- ustvarjajo
- ustvaril
- kreator
- meri
- datum
- Podatkovno središče
- David
- globoko
- globoko učenje
- izkazati
- Dokazano
- razporedi
- uvajanja
- uvajanje
- razmestitve
- dev
- razvili
- Razvojni
- Razvijalci
- razvoju
- drugačen
- porazdeljena
- do
- Lučki delavec
- dokument
- navzdol
- prej
- Edge
- robno računalništvo
- učinkovite
- bodisi
- ostalo
- omogoča
- konec koncev
- Končna točka
- Inženiring
- Podjetje
- okolja
- Enakovredna
- Everest
- Tudi vsak
- vsak dan
- Primer
- Razen
- obstoječih
- izkušnje
- strokovno znanje
- raziskuje
- obsežen
- Obširne izkušnje
- izredno
- false
- FAST
- file
- datoteke
- končno
- prva
- FLET
- Osredotočite
- osredotočena
- sledi
- po
- sledi
- Odtis
- za
- obrazec
- format
- je pokazala,
- ustanovitve
- Okvirni
- iz
- fu
- v celoti
- funkcija
- funkcionalnosti
- funkcije
- GitHub
- dana
- Globalno
- Globalno
- GPU
- skupina
- klobuk
- Imajo
- ob
- he
- Glave
- Zdravje
- zdravstveno varstvo
- tukaj
- visokozmogljivo
- zelo
- njegov
- drži
- Bolnišnica
- gostitelj
- gostila
- gostovanje
- Kako
- Kako
- HTML
- http
- HTTPS
- Hybrid
- ID
- idealen
- identiteta
- if
- ponazarja
- slika
- slike
- slikanje
- vpliv
- izvajali
- izvajanja
- uvoz
- uvoz
- izboljšanju
- in
- Inc
- vključujejo
- vključeno
- vključuje
- Vključno
- Neodvisni
- Industrija
- Inovacije
- vhod
- vhodi
- namestitev
- primer
- Namesto
- integrirati
- integracija
- Intelligence
- interaktivno
- križišče
- v
- Internet stvari
- Irska
- IT
- ITS
- Job
- pridružil
- jpg
- json
- Ključne
- Vedite
- velika
- Latenca
- pozneje
- vodi
- Voditelji
- Interesenti
- UČITE
- učenje
- vrstica
- obremenitev
- nakladač
- nalaganje
- lokalna
- Long
- stroj
- strojno učenje
- Večina
- Znamka
- upravlja
- upravitelj
- upravljanje
- map
- Zemljevidi
- medicinski
- Srečati
- član
- metapodatki
- Meritve
- Minute
- ML
- način
- Model
- modeli
- Moduli
- Trenutki
- monitor
- več
- Končna točka več modelov
- več
- materni
- Nimate
- mreža
- omrežij
- Novo
- št
- Noben
- sever
- prenosnik
- vredno omeniti
- Nvidia
- predmet
- of
- Ponudbe
- on
- ONE
- samo
- odprite
- odprto omrežje
- open source
- operacije
- operater
- operaterji
- optimizirana
- Možnost
- možnosti
- or
- Oregon
- OS
- Ostalo
- izhod
- več
- lastne
- paket
- pakete
- embalaža
- par
- vzporedno
- strast
- strastno
- pot
- vzorci
- performance
- Dovoljenje
- Farmacevtska
- Dr.
- plinovod
- pixel
- platforma
- platon
- Platonova podatkovna inteligenca
- PlatoData
- igranje
- plus
- Popular
- Prispevek
- poganja
- Pooblastila
- praksa
- Napovedi
- pripravljeni
- prejšnja
- prej
- , ravnateljica
- Načela
- Postopek
- Predelano
- Procesi
- obravnavati
- Izdelek
- produktni vodja
- proizvodnja
- Projekt
- Lastnosti
- zagotavlja
- potisnilo
- Python
- pitorha
- v realnem času
- Reality
- prejeti
- Rdeča
- Red Hat
- zmanjša
- glejte
- okolica
- regije
- Odnosi
- zastopanje
- zahteva
- zahteva
- Zahteve
- zahteva
- Raziskave
- raziskovalci
- viri
- Odgovor
- odgovorna
- vrnitev
- za večkratno uporabo
- Run
- tek
- s
- SaaS
- sagemaker
- Sklep SageMaker
- Enako
- Shrani
- Prihranki
- Prilagodljivost
- razširljive
- Lestvica
- skaliranje
- Znanost
- SDK
- brezšivne
- Oddelek
- varnost
- segmentacija
- izbor
- SAMO
- višji
- Serija
- služil
- Storitev
- Storitve
- Kompleti
- nastavitev
- več
- Oblike
- deli
- shouldnt
- je pokazala,
- pokazale
- Enostavno
- velikosti
- gladko
- Soccer
- Software
- inženiring programske opreme
- Rešitev
- rešitve
- vir
- specializirano
- specifikacija
- porabljen
- standardi
- Korak
- Koraki
- shranjevanje
- trgovina
- shranjeni
- String
- taka
- podpora
- Podpora
- sydney
- sistemi
- meni
- skupina
- Tehnologija
- Testiranje
- kot
- da
- O
- njihove
- Njih
- POTEM
- Tukaj.
- te
- ta
- skozi
- krat
- do
- skupaj
- orodja
- proti
- Prometa
- Triton
- Res
- poskusite
- OBRAT
- dva
- povsod
- univerza
- Nadgradnja
- uporaba
- Rabljeni
- uporabnik
- uporablja
- uporabo
- pripomoček
- raznolikost
- različice
- ogled
- Virginia
- Vizija
- vizualizacija
- vizualizirati
- prostornine
- W
- sprehod
- želeli
- we
- web
- spletne storitve
- Web-Based
- Dobro
- Kaj
- kdaj
- ki
- bo
- z
- v
- brez
- delo
- delal
- potek dela
- delovnih tokov
- deluje
- Delovna skupina
- let
- Vi
- Vaša rutina za
- zefirnet
- nič