โพสต์บล็อกนี้เขียนร่วมกับ Chaoyang He และ Salman Avestimehr จาก FedML
การวิเคราะห์ข้อมูลด้านการดูแลสุขภาพและวิทยาศาสตร์เพื่อชีวิตในโลกแห่งความเป็นจริง (HCLS) ทำให้เกิดความท้าทายในทางปฏิบัติหลายประการ เช่น ไซโลข้อมูลแบบกระจาย การขาดข้อมูลเพียงพอที่ไซต์ใดไซต์หนึ่งสำหรับเหตุการณ์ที่หายาก แนวทางการกำกับดูแลที่ห้ามแบ่งปันข้อมูล ความต้องการโครงสร้างพื้นฐาน และค่าใช้จ่ายที่เกิดขึ้นในการสร้าง ที่เก็บข้อมูลส่วนกลาง เนื่องจากพวกเขาอยู่ในโดเมนที่มีการควบคุมอย่างเข้มงวด คู่ค้าและลูกค้าของ HCLS จึงแสวงหากลไกการรักษาความเป็นส่วนตัวเพื่อจัดการและวิเคราะห์ข้อมูลขนาดใหญ่ กระจาย และละเอียดอ่อน
เพื่อบรรเทาความท้าทายเหล่านี้ เราขอเสนอให้ใช้เฟรมเวิร์กการเรียนรู้แบบสมาพันธ์แบบโอเพ่นซอร์ส (FL) ที่เรียกว่า FedMLซึ่งทำให้คุณสามารถวิเคราะห์ข้อมูล HCLS ที่ละเอียดอ่อนได้โดยการฝึกอบรมโมเดลแมชชีนเลิร์นนิงทั่วโลกจากข้อมูลแบบกระจายที่จัดเก็บไว้ในไซต์ต่างๆ FL ไม่ต้องการการย้ายหรือแบ่งปันข้อมูลระหว่างไซต์หรือกับเซิร์ฟเวอร์ส่วนกลางในระหว่างกระบวนการฝึกอบรมโมเดล
ในซีรีส์สองส่วนนี้ เราจะสาธิตวิธีการปรับใช้เฟรมเวิร์ก FL บนระบบคลาวด์บน AWS ในโพสต์แรก เราได้อธิบายแนวคิด FL และเฟรมเวิร์ก FedML ใน โพสต์ที่สองเรานำเสนอกรณีการใช้งานและชุดข้อมูลเพื่อแสดงประสิทธิภาพในการวิเคราะห์ชุดข้อมูลด้านการดูแลสุขภาพในโลกแห่งความเป็นจริง เช่น ข้อมูล eICUซึ่งประกอบด้วยฐานข้อมูลการดูแลผู้ป่วยวิกฤตแบบหลายศูนย์ที่รวบรวมจากโรงพยาบาลกว่า 200 แห่ง
พื้นหลัง
แม้ว่าปริมาณข้อมูลที่สร้างขึ้นโดย HCLS จะไม่เคยมีมากขึ้น แต่ความท้าทายและข้อจำกัดที่เกี่ยวข้องกับการเข้าถึงข้อมูลดังกล่าวจำกัดประโยชน์สำหรับการวิจัยในอนาคต แมชชีนเลิร์นนิง (ML) นำเสนอโอกาสในการจัดการกับข้อกังวลเหล่านี้และกำลังถูกนำมาใช้เพื่อพัฒนาการวิเคราะห์ข้อมูลและรับข้อมูลเชิงลึกที่มีความหมายจากข้อมูล HCLS ที่หลากหลายสำหรับกรณีการใช้งาน เช่น การส่งมอบการดูแล การสนับสนุนการตัดสินใจทางคลินิก การจัดการการดูแล เนื่องจากอัลกอริทึม ML มักจะไม่เพียงพอในการปกป้องความเป็นส่วนตัวของข้อมูลระดับผู้ป่วย จึงมีความสนใจเพิ่มขึ้นในหมู่พันธมิตรและลูกค้าของ HCLS ในการใช้กลไกและโครงสร้างพื้นฐานการรักษาความเป็นส่วนตัวสำหรับการจัดการและวิเคราะห์ข้อมูลขนาดใหญ่ กระจาย และละเอียดอ่อน [1]
เราได้พัฒนาเฟรมเวิร์ก FL บน AWS ที่ช่วยให้สามารถวิเคราะห์ข้อมูลสุขภาพที่กระจายและละเอียดอ่อนในลักษณะที่รักษาความเป็นส่วนตัวได้ โดยจะเกี่ยวข้องกับการฝึกโมเดล ML ที่แชร์โดยไม่ต้องย้ายหรือแชร์ข้อมูลข้ามไซต์หรือกับเซิร์ฟเวอร์ส่วนกลางในระหว่างกระบวนการฝึกโมเดล และสามารถนำไปใช้กับบัญชี AWS หลายบัญชีได้ ผู้เข้าร่วมสามารถเลือกที่จะรักษาข้อมูลของตนในระบบภายในองค์กรหรือในบัญชี AWS ที่พวกเขาควบคุม ดังนั้นจึงนำการวิเคราะห์มาสู่ข้อมูล แทนที่จะย้ายข้อมูลไปยังการวิเคราะห์
ในโพสต์นี้ เราได้แสดงวิธีปรับใช้เฟรมเวิร์ก FedML แบบโอเพ่นซอร์สบน AWS เราทดสอบเฟรมเวิร์กบนข้อมูล eICU ซึ่งเป็นฐานข้อมูลการดูแลผู้ป่วยวิกฤตแบบหลายศูนย์ที่รวบรวมจากโรงพยาบาลกว่า 200 แห่ง เพื่อคาดการณ์การเสียชีวิตของผู้ป่วยในโรงพยาบาล เราสามารถใช้เฟรมเวิร์ก FL นี้เพื่อวิเคราะห์ชุดข้อมูลอื่นๆ รวมถึงข้อมูลจีโนมและชีววิทยาศาสตร์ นอกจากนี้ยังสามารถนำไปใช้กับโดเมนอื่นๆ ที่เต็มไปด้วยข้อมูลที่กระจายและละเอียดอ่อน รวมถึงภาคการเงินและการศึกษา
สหพันธ์การเรียนรู้
ความก้าวหน้าทางเทคโนโลยีนำไปสู่การเติบโตอย่างรวดเร็วของข้อมูลในอุตสาหกรรมต่างๆ รวมถึง HCLS องค์กร HCLS มักจะจัดเก็บข้อมูลในไซโล นี่เป็นความท้าทายที่สำคัญในการเรียนรู้ที่ขับเคลื่อนด้วยข้อมูล ซึ่งต้องใช้ชุดข้อมูลขนาดใหญ่เพื่อให้เข้าใจภาพรวมได้ดีและบรรลุประสิทธิภาพในระดับที่ต้องการ ยิ่งไปกว่านั้น การรวบรวม การดูแล และการบำรุงรักษาชุดข้อมูลคุณภาพสูงยังต้องใช้เวลาและค่าใช้จ่ายจำนวนมาก
การเรียนรู้แบบรวมศูนย์ช่วยลดความท้าทายเหล่านี้โดยการฝึกโมเดล ML ร่วมกันที่ใช้ข้อมูลแบบกระจาย โดยไม่จำเป็นต้องแชร์หรือรวมศูนย์ ช่วยให้สามารถแสดงไซต์ที่หลากหลายภายในโมเดลสุดท้ายได้ ซึ่งช่วยลดความเสี่ยงที่อาจเกิดขึ้นจากความลำเอียงตามไซต์ เฟรมเวิร์กเป็นไปตามสถาปัตยกรรมไคลเอ็นต์เซิร์ฟเวอร์ โดยที่เซิร์ฟเวอร์แชร์โมเดลส่วนกลางกับไคลเอนต์ ลูกค้าฝึกโมเดลตามข้อมูลในเครื่องและแชร์พารามิเตอร์ (เช่น การไล่ระดับสีหรือน้ำหนักโมเดล) กับเซิร์ฟเวอร์ เซิร์ฟเวอร์จะรวมพารามิเตอร์เหล่านี้เพื่ออัปเดตโมเดลส่วนกลาง ซึ่งจากนั้นจะแชร์กับไคลเอ็นต์สำหรับการฝึกอบรมรอบถัดไป ดังแสดงในรูปต่อไปนี้ กระบวนการทำซ้ำของการฝึกอบรมแบบจำลองนี้ดำเนินต่อไปจนกว่าแบบจำลองทั่วโลกจะมาบรรจบกัน
ในช่วงไม่กี่ปีที่ผ่านมา กระบวนทัศน์การเรียนรู้ใหม่นี้ประสบความสำเร็จในการนำมาใช้เพื่อจัดการกับข้อกังวลของการกำกับดูแลข้อมูลในการฝึกอบรมโมเดล ML ความพยายามอย่างหนึ่งคือ เมลโลดีซึ่งเป็นกลุ่มความร่วมมือที่นำโดย Innovative Medicines Initiative (IMI) ซึ่งขับเคลื่อนโดย AWS เป็นโครงการระยะเวลา 3 ปี โดยมีบริษัทยา 10 แห่ง สถาบันการศึกษา 2 แห่ง และพันธมิตรด้านเทคโนโลยี 3 ราย เป้าหมายหลักของบริษัทคือการพัฒนาเฟรมเวิร์ก FL แบบหลายภารกิจเพื่อปรับปรุงประสิทธิภาพการทำนายและการบังคับใช้สารเคมีของแบบจำลองที่อิงตามการค้นพบยา แพลตฟอร์มประกอบด้วยบัญชี AWS หลายบัญชี โดยคู่ค้าเภสัชกรรมแต่ละรายยังคงควบคุมบัญชีของตนได้อย่างเต็มที่เพื่อรักษาชุดข้อมูลส่วนตัว และบัญชี ML ส่วนกลางที่ประสานงานงานฝึกอบรมแบบจำลอง
สมาคมฝึกอบรมโมเดลบนจุดข้อมูลหลายพันล้านจุด ซึ่งประกอบด้วยโมเลกุลขนาดเล็กกว่า 20 ล้านโมเลกุลในการวิเคราะห์ทางชีววิทยามากกว่า 40,000 ครั้ง จากผลการทดลอง แบบจำลองการทำงานร่วมกันแสดงให้เห็นถึงการปรับปรุง 4% ในการจำแนกประเภทของโมเลกุลว่ามีฤทธิ์ทางเภสัชวิทยาหรือทางพิษวิทยาหรือไม่มีฤทธิ์ นอกจากนี้ยังนำไปสู่ความสามารถในการคาดการณ์ที่มั่นใจเพิ่มขึ้น 10% เมื่อนำไปใช้กับโมเลกุลประเภทใหม่ ในที่สุด แบบจำลองการทำงานร่วมกันมักจะดีขึ้น 2% ในการประมาณค่าของกิจกรรมทางพิษวิทยาและเภสัชวิทยา
FedML
FedML เป็นไลบรารีโอเพ่นซอร์สเพื่ออำนวยความสะดวกในการพัฒนาอัลกอริทึม FL รองรับกระบวนทัศน์การประมวลผลสามแบบ: การฝึกอบรมบนอุปกรณ์สำหรับอุปกรณ์เอดจ์ การประมวลผลแบบกระจาย และการจำลองเครื่องเดียว นอกจากนี้ยังมีการวิจัยอัลกอริทึมที่หลากหลายด้วยการออกแบบ API แบบทั่วไปที่ยืดหยุ่นและการใช้งานพื้นฐานอ้างอิงที่ครอบคลุม (เครื่องมือเพิ่มประสิทธิภาพ แบบจำลอง และชุดข้อมูล) สำหรับคำอธิบายโดยละเอียดของไลบรารี FedML โปรดดูที่ FedML.
รูปภาพต่อไปนี้แสดงสถาปัตยกรรมไลบรารีแบบโอเพ่นซอร์สของ FedML
ดังที่เห็นในรูปก่อนหน้านี้ จากมุมมองของแอปพลิเคชัน FedML จะป้องกันรายละเอียดของรหัสพื้นฐานและการกำหนดค่าที่ซับซ้อนของการฝึกอบรมแบบกระจาย ในระดับแอปพลิเคชัน เช่น การมองเห็นด้วยคอมพิวเตอร์ การประมวลผลภาษาธรรมชาติ และการทำเหมืองข้อมูล นักวิทยาศาสตร์ข้อมูลและวิศวกรจำเป็นต้องเขียนแบบจำลอง ข้อมูล และตัวฝึกในแบบเดียวกับโปรแกรมแบบสแตนด์อโลน จากนั้นจึงส่งต่อไปยังวัตถุ FedMLRunner เพื่อ เสร็จสิ้นกระบวนการทั้งหมดตามที่แสดงในรหัสต่อไปนี้ สิ่งนี้ช่วยลดค่าใช้จ่ายสำหรับนักพัฒนาแอปพลิเคชันในการดำเนินการ FL ได้อย่างมาก
อัลกอริทึม FedML ยังอยู่ในระหว่างดำเนินการและปรับปรุงอย่างต่อเนื่อง เพื่อจุดประสงค์นี้ FedML จะสรุปเนื้อหาของผู้ฝึกอบรมหลักและผู้รวบรวมและจัดเตรียมวัตถุนามธรรมสองรายการให้แก่ผู้ใช้ FedML.core.ClientTrainer
และ FedML.core.ServerAggregator
ซึ่งจำเป็นต้องสืบทอดอินเทอร์เฟซของวัตถุนามธรรมทั้งสองนี้และส่งต่อไปยัง FedMLRunner การปรับแต่งดังกล่าวช่วยให้นักพัฒนา ML มีความยืดหยุ่นสูงสุด คุณสามารถกำหนดโครงสร้างโมเดล ตัวเพิ่มประสิทธิภาพ ฟังก์ชันการสูญเสีย และอื่นๆ ตามอำเภอใจ การปรับแต่งเหล่านี้ยังสามารถเชื่อมต่อกับชุมชนโอเพ่นซอร์ส แพลตฟอร์มแบบเปิด และระบบนิเวศของแอปพลิเคชันที่กล่าวถึงก่อนหน้านี้ได้อย่างไร้รอยต่อด้วยความช่วยเหลือของ FedMLRunner ซึ่งช่วยแก้ปัญหาการแล็กที่ยาวนานตั้งแต่อัลกอริทึมที่เป็นนวัตกรรมไปจนถึงการนำไปใช้ในเชิงพาณิชย์ได้อย่างสมบูรณ์
ประการสุดท้าย ดังที่แสดงในรูปก่อนหน้านี้ FedML สนับสนุนกระบวนการคำนวณแบบกระจาย เช่น โปรโตคอลความปลอดภัยที่ซับซ้อนและการฝึกอบรมแบบกระจายเป็นกระบวนการประมวลผลโฟลว์ Directed Acyclic Graph (DAG) ทำให้การเขียนโปรโตคอลที่ซับซ้อนคล้ายกับโปรแกรมแบบสแตนด์อโลน ตามแนวคิดนี้ โปรโตคอลความปลอดภัย Flow Layer 1 และกระบวนการอัลกอริทึม ML Flow Layer 2 สามารถแยกออกจากกันได้อย่างง่ายดาย เพื่อให้วิศวกรความปลอดภัยและวิศวกร ML สามารถทำงานได้ในขณะที่รักษาสถาปัตยกรรมโมดูลาร์
ไลบรารีโอเพ่นซอร์ส FedML รองรับกรณีการใช้งาน ML แบบรวมศูนย์สำหรับเอดจ์และคลาวด์ ที่เอดจ์ เฟรมเวิร์กช่วยอำนวยความสะดวกในการฝึกอบรมและปรับใช้โมเดลเอดจ์กับโทรศัพท์มือถือและอุปกรณ์อินเทอร์เน็ตในทุกสิ่ง (IoT) ในระบบคลาวด์ จะเปิดใช้งาน ML ที่ทำงานร่วมกันทั่วโลก รวมถึงเซิร์ฟเวอร์การรวมระบบคลาวด์สาธารณะแบบหลายภูมิภาคและหลายผู้เช่า ตลอดจนการปรับใช้ระบบคลาวด์ส่วนตัวในโหมด Docker เฟรมเวิร์กระบุข้อกังวลหลักเกี่ยวกับการรักษาความเป็นส่วนตัวของ FL เช่น ความปลอดภัย ความเป็นส่วนตัว ประสิทธิภาพ การกำกับดูแลที่อ่อนแอ และความยุติธรรม
สรุป
ในโพสต์นี้ เราได้แสดงวิธีปรับใช้เฟรมเวิร์ก FedML แบบโอเพ่นซอร์สบน AWS สิ่งนี้ทำให้คุณสามารถฝึกโมเดล ML บนข้อมูลแบบกระจาย โดยไม่จำเป็นต้องแชร์หรือย้าย เราสร้างสถาปัตยกรรมหลายบัญชี ซึ่งในสถานการณ์จริง องค์กรต่างๆ สามารถเข้าร่วมระบบนิเวศเพื่อรับประโยชน์จากการเรียนรู้ร่วมกันในขณะที่ยังคงรักษาการกำกับดูแลข้อมูล ใน โพสต์ต่อไปเราใช้ชุดข้อมูล eICU หลายโรงพยาบาลเพื่อแสดงให้เห็นถึงประสิทธิภาพในสถานการณ์จริง
โปรดทบทวนการนำเสนอที่งาน re:MARS 2022 ซึ่งเน้นเรื่อง “Managed Federated Learning บน AWS: กรณีศึกษาสำหรับการดูแลสุขภาพ” สำหรับคำแนะนำแบบละเอียดของโซลูชันนี้
อ้างอิง
[1] Kaissis, GA, Makowski, MR, Rückert, D. et al. แมชชีนเลิร์นนิงแบบรวมศูนย์ที่ปลอดภัย รักษาความเป็นส่วนตัวในการถ่ายภาพทางการแพทย์ แนท มัค อินเทล 2, 305–311 (2020) https://doi.org/10.1038/s42256-020-0186-1
[2] เฟดเอ็มแอล https://fedml.ai
เกี่ยวกับผู้เขียน
โอลิเวีย เชาฮูรีปริญญาเอก เป็น Senior Partner Solutions Architect ที่ AWS เธอช่วยคู่ค้าในโดเมน Healthcare และ Life Sciences ออกแบบ พัฒนา และปรับขนาดโซลูชันล้ำสมัยโดยใช้ AWS เธอมีพื้นฐานด้านจีโนมิกส์ การวิเคราะห์ด้านการดูแลสุขภาพ การเรียนรู้แบบรวมศูนย์ และการเรียนรู้ของเครื่องที่รักษาความเป็นส่วนตัว นอกเวลางาน เธอเล่นเกมกระดาน วาดภาพทิวทัศน์ และสะสมมังงะ
วิทยาสาคร รวิปาติ เป็นผู้จัดการที่ ห้องปฏิบัติการโซลูชัน Amazon MLซึ่งเขาใช้ประสบการณ์มากมายในระบบแบบกระจายขนาดใหญ่และความหลงใหลในการเรียนรู้ของเครื่องเพื่อช่วยลูกค้า AWS ในอุตสาหกรรมต่างๆ เร่งการนำ AI และระบบคลาวด์ไปใช้ ก่อนหน้านี้ เขาเป็นวิศวกรแมชชีนเลิร์นนิ่งใน Connectivity Services ที่ Amazon ซึ่งช่วยสร้างแพลตฟอร์มส่วนบุคคลและการบำรุงรักษาเชิงคาดการณ์
วาจาฮาต อาซิซ เป็น Principal Machine Learning และ HPC Solutions Architect ที่ AWS ซึ่งเขามุ่งเน้นที่การช่วยเหลือลูกค้าด้านการดูแลสุขภาพและวิทยาศาสตร์ชีวภาพในการใช้ประโยชน์จากเทคโนโลยี AWS เพื่อพัฒนาโซลูชัน ML และ HPC ที่ล้ำสมัยสำหรับกรณีการใช้งานที่หลากหลาย เช่น การพัฒนายา การทดลองทางคลินิกและการรักษาความเป็นส่วนตัวของแมชชีนเลิร์นนิง วาจาฮัตชอบสำรวจธรรมชาติ เดินป่า และอ่านหนังสือนอกเวลางาน
ดิวา ภาร์กาวี เป็นนักวิทยาศาสตร์ด้านข้อมูลและผู้นำด้านสื่อและความบันเทิงในแนวดิ่งที่ Amazon ML Solutions Lab ซึ่งเธอแก้ปัญหาทางธุรกิจที่มีมูลค่าสูงให้กับลูกค้า AWS โดยใช้แมชชีนเลิร์นนิง เธอทำงานเกี่ยวกับการทำความเข้าใจภาพ/วิดีโอ ระบบแนะนำกราฟความรู้ กรณีการใช้งานโฆษณาเชิงคาดการณ์
อุจวัล ราตัน เป็นผู้นำด้าน AI/ML และ Data Science ในหน่วยธุรกิจ AWS Healthcare and Life Science และยังเป็นสถาปนิกหลักด้าน AI/ML Solutions ในช่วงหลายปีที่ผ่านมา Ujjwal เป็นผู้นำทางความคิดในอุตสาหกรรมการดูแลสุขภาพและชีววิทยาศาสตร์ ช่วยให้องค์กร Global Fortune 500 หลายแห่งบรรลุเป้าหมายด้านนวัตกรรมโดยการนำการเรียนรู้ของเครื่องมาใช้ งานของเขาเกี่ยวกับการวิเคราะห์ภาพทางการแพทย์ ข้อความทางคลินิกที่ไม่มีโครงสร้าง และจีโนมช่วยให้ AWS สร้างผลิตภัณฑ์และบริการที่ให้การวินิจฉัยและการรักษาที่ตรงเป้าหมายและตรงเป้าหมายสูง ในเวลาว่าง เขาชอบฟัง (และเล่น) เพลงและเดินทางท่องเที่ยวกับครอบครัวโดยไม่ได้วางแผน
เชาหยาง เหอ เป็นผู้ร่วมก่อตั้งและ CTO ของ FedML, Inc. ซึ่งเป็นสตาร์ทอัพที่ทำงานเพื่อชุมชนที่สร้าง AI แบบเปิดและทำงานร่วมกันได้จากทุกที่ในทุกระดับ งานวิจัยของเขามุ่งเน้นไปที่อัลกอริธึม ระบบ และแอปพลิเคชันการเรียนรู้ของเครื่องแบบกระจาย/รวมศูนย์ เขาได้รับปริญญาเอกของเขา สาขาวิทยาการคอมพิวเตอร์จาก มหาวิทยาลัยแห่งแคลิฟอร์เนียภาคใต้ลอสแองเจลิส สหรัฐอเมริกา
ซัลมาน อาเวสตีเมียร์ เป็นศาสตราจารย์ ผู้อำนวยการคนแรกของ USC-Amazon Center for Secure and Trusted Machine Learning (Trusted AI) และผู้อำนวยการห้องปฏิบัติการวิจัยทฤษฎีสารสนเทศและการเรียนรู้ของเครื่อง (vITAL) ที่แผนกวิศวกรรมไฟฟ้าและคอมพิวเตอร์และแผนกวิทยาการคอมพิวเตอร์ของ มหาวิทยาลัยเซาเทิร์นแคลิฟอร์เนีย เขายังเป็นผู้ร่วมก่อตั้งและซีอีโอของ FedML เขาได้รับปริญญาเอกของฉัน สาขาวิศวกรรมไฟฟ้าและวิทยาการคอมพิวเตอร์จาก UC Berkeley ในปี 2008 งานวิจัยของเขามุ่งเน้นไปที่ทฤษฎีสารสนเทศ การเรียนรู้ของเครื่องแบบกระจายศูนย์และแบบรวมศูนย์ การเรียนรู้และคอมพิวเตอร์ที่ปลอดภัยและรักษาความเป็นส่วนตัว
- เนื้อหาที่ขับเคลื่อนด้วย SEO และการเผยแพร่ประชาสัมพันธ์ รับการขยายวันนี้
- เพลโตบล็อคเชน Web3 Metaverse ข่าวกรอง ขยายความรู้. เข้าถึงได้ที่นี่.
- ที่มา: https://aws.amazon.com/blogs/machine-learning/part-1-federated-learning-on-aws-with-fedml-health-analytics-without-sharing-sensitive-data/
- 000
- 1
- 10
- 100
- 2%
- 2020
- 2022
- 7
- a
- ความสามารถ
- บทคัดย่อ
- บทคัดย่อ
- นักวิชาการ
- เร่งความเร็ว
- การเข้าถึง
- ลงชื่อเข้าใช้
- บัญชี
- บรรลุ
- ข้าม
- คล่องแคล่ว
- กิจกรรม
- วัฏจักร
- ที่อยู่
- ที่อยู่
- บุญธรรม
- การนำ
- การนำมาใช้
- ความก้าวหน้า
- การโฆษณา
- มวลรวม
- การรวมตัว
- รวบรวม
- AI
- AI / ML
- ขั้นตอนวิธี
- อัลกอริทึม
- อัลกอริทึม
- ทั้งหมด
- ช่วยให้
- อเมซอน
- ห้องปฏิบัติการโซลูชัน Amazon ML
- ในหมู่
- การวิเคราะห์
- การวิเคราะห์
- วิเคราะห์
- วิเคราะห์
- และ
- และโครงสร้างพื้นฐาน
- Angeles
- ทุกแห่ง
- API
- การใช้งาน
- การใช้งาน
- ประยุกต์
- สถาปัตยกรรม
- พื้นที่
- ที่เกี่ยวข้อง
- AWS
- พื้นหลัง
- ตาม
- baseline
- เพราะ
- กำลัง
- ประโยชน์
- เบิร์กลีย์
- ดีกว่า
- อคติ
- พันล้าน
- บล็อก
- คณะกรรมการ
- เกมกระดาน
- นำ
- สร้าง
- การก่อสร้าง
- ธุรกิจ
- แคลิฟอร์เนีย
- ที่เรียกว่า
- ซึ่ง
- กรณี
- กรณีศึกษา
- กรณี
- การจัดหมวดหมู่
- ศูนย์
- ส่วนกลาง
- ส่วนกลาง
- ผู้บริหารสูงสุด
- ท้าทาย
- ความท้าทาย
- สารเคมี
- Choose
- ลูกค้า
- คลินิก
- การทดลองทางคลินิก
- เมฆ
- การยอมรับระบบคลาวด์
- ผู้ร่วมก่อตั้ง
- รหัส
- การทำงานร่วมกัน
- การค้า
- ชุมชน
- การสร้างชุมชน
- บริษัท
- สมบูรณ์
- อย่างสมบูรณ์
- ซับซ้อน
- ครอบคลุม
- คอมพิวเตอร์
- วิศวกรรมคอมพิวเตอร์
- วิทยาการคอมพิวเตอร์
- วิสัยทัศน์คอมพิวเตอร์
- การคำนวณ
- แนวความคิด
- กังวล
- ความกังวลเกี่ยวกับ
- มั่นใจ
- งานที่เชื่อมต่อ
- การเชื่อมต่อ
- ประกอบด้วย
- สมาคม
- ไม่หยุดหย่อน
- ข้อ จำกัด
- อย่างต่อเนื่อง
- ควบคุม
- ประสานงาน
- แกน
- ราคา
- การสร้าง
- วิกฤติ
- CTO
- curating
- ลูกค้า
- การปรับแต่ง
- DAG
- ข้อมูล
- วิเคราะห์ข้อมูล
- การทำเหมืองข้อมูล
- จุดข้อมูล
- วิทยาศาสตร์ข้อมูล
- นักวิทยาศาสตร์ข้อมูล
- การแชร์ข้อมูล
- ที่ขับเคลื่อนด้วยข้อมูล
- ฐานข้อมูล
- ชุดข้อมูล
- ซึ่งกระจายอำนาจ
- การตัดสินใจ
- การจัดส่ง
- สาธิต
- แสดงให้เห็นถึง
- แผนก
- ปรับใช้
- การใช้งาน
- อธิบาย
- ลักษณะ
- ออกแบบ
- รายละเอียด
- รายละเอียด
- พัฒนา
- พัฒนา
- นักพัฒนา
- ที่กำลังพัฒนา
- พัฒนาการ
- เครื่อง
- อุปกรณ์
- ต่าง
- ผู้อำนวยการ
- กระจาย
- คอมพิวเตอร์แบบกระจาย
- ระบบกระจาย
- กระจายการฝึกอบรม
- หลาย
- นักเทียบท่า
- ไม่
- โดเมน
- โดเมน
- ยาเสพติด
- ในระหว่าง
- แต่ละ
- ก่อน
- อย่างง่ายดาย
- ระบบนิเวศ
- ขอบ
- การศึกษา
- ประสิทธิผล
- อย่างมีประสิทธิภาพ
- ความพยายาม
- ทั้ง
- ช่วยให้
- วิศวกร
- ชั้นเยี่ยม
- วิศวกร
- ความบันเทิง
- เหตุการณ์
- ประสบการณ์
- สำรวจ
- อำนวยความสะดวก
- อำนวยความสะดวก
- ความเป็นธรรม
- ครอบครัว
- รูป
- สุดท้าย
- ในที่สุด
- เงินทุน
- ชื่อจริง
- ความยืดหยุ่น
- มีความยืดหยุ่น
- ไหล
- มุ่งเน้น
- มุ่งเน้นไปที่
- ดังต่อไปนี้
- ดังต่อไปนี้
- โชคลาภ
- กรอบ
- ฟรี
- ราคาเริ่มต้นที่
- เต็ม
- ฟังก์ชั่น
- อนาคต
- เกม
- การรวบรวม
- ฟังก์ชั่น
- เหตุการณ์ที่
- เป้าหมาย
- เป้าหมาย
- การกำกับดูแล
- การไล่ระดับสี
- กราฟ
- มากขึ้น
- อย่างมาก
- การเจริญเติบโต
- การเจริญเติบโต
- แนวทาง
- สุขภาพ
- การดูแลสุขภาพ
- จัดขึ้น
- ช่วย
- ช่วย
- การช่วยเหลือ
- จะช่วยให้
- ที่มีคุณภาพสูง
- อย่างสูง
- โรงพยาบาล
- สรุป ความน่าเชื่อถือของ Olymp Trade?
- HPC
- HTTPS
- ความคิด
- การถ่ายภาพ
- การดำเนินการ
- นำเข้า
- ปรับปรุง
- การปรับปรุง
- การปรับปรุง
- in
- ไม่ได้ใช้งาน
- เกี่ยวกับการสถาปนา
- อิงค์
- รวมทั้ง
- เพิ่ม
- อุตสาหกรรม
- อุตสาหกรรม
- ข้อมูล
- โครงสร้างพื้นฐาน
- Initiative
- นักวิเคราะห์ส่วนบุคคลที่หาโอกาสให้เป็นไปได้มากที่สุด
- นวัตกรรม
- ข้อมูลเชิงลึก
- สถาบัน
- อยากเรียนรู้
- อินเตอร์เฟซ
- อินเทอร์เน็ต
- อินเทอร์เน็ตของสิ่งที่
- IOT
- IT
- ร่วม
- คีย์
- ความรู้
- กราฟความรู้
- ห้องปฏิบัติการ
- ไม่มี
- ภาษา
- ใหญ่
- ขนาดใหญ่
- ชั้น
- ชั้น 1
- เลเยอร์ 2
- นำ
- ผู้นำ
- การเรียนรู้
- นำ
- ชั้น
- เลฟเวอเรจ
- ยกระดับ
- การใช้ประโยชน์
- ห้องสมุด
- ชีวิต
- วิทยาศาสตร์ชีวภาพ
- วิทยาศาสตร์สิ่งมีชีวิต
- ขีด จำกัด
- การฟัง
- โหลด
- ในประเทศ
- ในท้องถิ่น
- นาน
- ลอส
- Los Angeles
- ปิด
- เครื่อง
- เรียนรู้เครื่อง
- เก็บรักษา
- การบำรุงรักษา
- สำคัญ
- การทำ
- จัดการ
- การจัดการ
- ผู้จัดการ
- การจัดการ
- ลักษณะ
- ดาวอังคาร
- สูงสุด
- มีความหมาย
- ภาพบรรยากาศ
- ทางการแพทย์
- ยา
- กล่าวถึง
- ล้าน
- การทำเหมืองแร่
- เอ็มไอที
- บรรเทา
- ML
- โทรศัพท์มือถือ
- โทรศัพท์มือถือ
- โหมด
- แบบ
- โมเดล
- โมดูลาร์
- ข้อมูลเพิ่มเติม
- ย้าย
- การย้าย
- หลาย
- ดนตรี
- โดยธรรมชาติ
- ประมวลผลภาษาธรรมชาติ
- ธรรมชาติ
- จำเป็นต้อง
- ใหม่
- ถัดไป
- วัตถุ
- วัตถุ
- เสนอ
- ONE
- เปิด
- โอเพนซอร์ส
- ทำงาน
- โอกาส
- องค์กร
- อื่นๆ
- ด้านนอก
- ตัวอย่าง
- พารามิเตอร์
- ส่วนหนึ่ง
- ผู้เข้าร่วม
- หุ้นส่วน
- พาร์ทเนอร์
- กิเลส
- ผู้ป่วย
- ดำเนินการ
- การปฏิบัติ
- ส่วนบุคคล
- ส่วนบุคคล
- Pharma
- เภสัชกรรม
- โทรศัพท์
- เวที
- แพลตฟอร์ม
- เพลโต
- เพลโตดาต้าอินเทลลิเจนซ์
- เพลโตดาต้า
- เล่น
- จุด
- จุดชมวิว
- จุด
- โพสท่า
- โพสต์
- ที่มีศักยภาพ
- ขับเคลื่อน
- ประยุกต์
- อย่างแม่นยำ
- ความแม่นยำ
- คาดการณ์
- การคาดการณ์
- นำเสนอ
- การเสนอ
- นำเสนอ
- ก่อนหน้านี้
- ประถม
- หลัก
- ความเป็นส่วนตัว
- ส่วนตัว
- ปัญหา
- ปัญหาที่เกิดขึ้น
- กระบวนการ
- กระบวนการ
- การประมวลผล
- ผลิตภัณฑ์
- ศาสตราจารย์
- โครงการ
- โปรแกรม
- ความคืบหน้า
- เสนอ
- ปกป้อง
- โปรโตคอล
- โปรโตคอล
- ให้
- ให้
- สาธารณะ
- คลาวด์สาธารณะ
- หายาก
- RE
- การอ่าน
- โลกแห่งความจริง
- ที่ได้รับ
- เมื่อเร็ว ๆ นี้
- แนะนำ
- ลด
- ลด
- ความนับถือ
- ควบคุม
- หน่วยงานกำกับดูแล
- กรุ
- เป็นตัวแทนของ
- ต้องการ
- ความต้องการ
- ต้อง
- การวิจัย
- ว่า
- ผลสอบ
- การรักษา
- ทบทวน
- ความเสี่ยง
- ถนน
- ปัดเศษ
- วิ่ง
- เดียวกัน
- ขนาด
- วิทยาศาสตร์
- วิทยาศาสตร์
- นักวิทยาศาสตร์
- นักวิทยาศาสตร์
- ได้อย่างลงตัว
- ภาค
- ปลอดภัย
- ความปลอดภัย
- แสวงหา
- ระดับอาวุโส
- มีความละเอียดอ่อน
- ชุด
- เซิร์ฟเวอร์
- บริการ
- ชุด
- หลาย
- Share
- ที่ใช้ร่วมกัน
- หุ้น
- ใช้งานร่วมกัน
- โชว์
- แสดง
- สำคัญ
- คล้ายคลึงกัน
- จำลอง
- เดียว
- เว็บไซต์
- สถานที่ทำวิจัย
- เล็ก
- So
- ทางออก
- โซลูชัน
- แก้ปัญหา
- บาง
- ทางใต้
- สแตนด์อโลน
- เริ่มต้น
- การเริ่มต้น
- รัฐของศิลปะ
- ยังคง
- จัดเก็บ
- ศึกษา
- ประสบความสำเร็จ
- อย่างเช่น
- เพียงพอ
- การดูแล
- สนับสนุน
- รองรับ
- ระบบ
- การ
- เป้าหมาย
- งาน
- เทคโนโลยี
- เทคโนโลยี
- ทดสอบ
- พื้นที่
- ข้อมูล
- ของพวกเขา
- การบำบัดโรค
- ดังนั้น
- สิ่ง
- คิดว่า
- สาม
- เวลา
- ไปยัง
- รถไฟ
- ผ่านการฝึกอบรม
- การฝึกอบรม
- การทดลอง
- ที่เชื่อถือ
- ชนิด
- เป็นปกติ
- พื้นฐาน
- ความเข้าใจ
- หน่วย
- มหาวิทยาลัย
- บันทึก
- สหรัฐอเมริกา
- ใช้
- ผู้ใช้
- ประโยชน์
- ความคุ้มค่า
- ความหลากหลาย
- กว้างใหญ่
- แนวดิ่ง
- รายละเอียด
- วิสัยทัศน์
- จำเป็น
- ปริมาณ
- คำแนะนำ
- ที่
- ในขณะที่
- WHO
- กว้าง
- ภายใน
- ไม่มี
- งาน
- โรงงาน
- เขียน
- การเขียน
- ปี
- ผล
- คุณ
- ลมทะเล