Günümüzün hızla gelişen sağlık hizmeti ortamında doktorlar, hasta bakıcı notları, elektronik sağlık kayıtları ve görüntüleme raporları gibi çeşitli kaynaklardan çok miktarda klinik veri ile karşı karşıya kalmaktadır. Bu bilgi zenginliği, hasta bakımı için gerekli olmakla birlikte, tıp uzmanları için gözden geçirmesi ve analiz etmesi için bunaltıcı ve zaman alıcı olabilir. Bu verilerden içgörüleri verimli bir şekilde özetlemek ve çıkarmak, daha iyi hasta bakımı ve karar verme için çok önemlidir. Özetlenmiş hasta bilgileri, veri toplama, hastaları etkili bir şekilde kodlama veya benzer teşhisleri olan hastaları gözden geçirme için gruplandırma gibi bir dizi aşağı akış sürecinde yararlı olabilir.
Yapay zeka (AI) ve makine öğrenimi (ML) modelleri, bu zorlukların üstesinden gelmede büyük umut vaat ediyor. Modeller, büyük hacimli metin verilerini analiz etmek ve yorumlamak için eğitilebilir ve bilgileri etkili bir şekilde özlü özetlere yoğunlaştırır. Özetleme sürecini otomatikleştirerek, doktorlar ilgili bilgilere hızlı bir şekilde erişebilir, bu da onların hasta bakımına odaklanmalarına ve daha bilinçli kararlar almalarına olanak tanır. Aşağıdakilere bakın örnek olay gerçek dünyadaki bir kullanım örneği hakkında daha fazla bilgi edinmek için.
Amazon Adaçayı YapıcıTamamen yönetilen bir ML hizmeti olan , çeşitli AI/ML tabanlı özetleme modellerini ve yaklaşımlarını barındırmak ve uygulamak için ideal bir platform sağlar. Bu yazıda, SageMaker'da özetleme tekniklerini uygulamak için farklı seçenekleri araştırıyoruz. Amazon SageMaker Hızlı Başlangıç temel modeller, Hugging Face'ten önceden eğitilmiş modellerde ince ayar yapma ve özel özetleme modelleri oluşturma. Ayrıca her bir yaklaşımın artılarını ve eksilerini tartışarak, sağlık uzmanlarının karmaşık klinik verilerin özlü ve doğru özetlerini oluşturmak için en uygun çözümü seçmelerini sağlıyoruz.
Başlamadan önce bilmeniz gereken iki önemli terim: önceden eğitilmiş ve ince ayar. Önceden eğitilmiş veya temel model, genellikle genel dil bilgisi için büyük bir veri topluluğu üzerinde oluşturulmuş ve eğitilmiş bir modeldir. İnce ayar, belirli bir görevdeki performansını artırmak için önceden eğitilmiş bir modele daha alana özgü başka bir veri kümesinin verildiği süreçtir. Bir sağlık hizmeti ortamında bu, modele özellikle hasta bakımıyla ilgili ifadeler ve terminoloji dahil bazı veriler vermek anlamına gelir.
SageMaker'da özel özetleme modelleri oluşturun
En zahmetli yaklaşım olsa da, bazı kuruluşlar SageMaker'da sıfırdan özel özetleme modelleri oluşturmayı tercih edebilir. Bu yaklaşım, AI/ML modelleri hakkında daha derinlemesine bilgi gerektirir ve sıfırdan bir model mimarisi oluşturmayı veya mevcut modelleri belirli ihtiyaçlara uyacak şekilde uyarlamayı içerebilir. Özel modeller oluşturmak, özetleme süreci üzerinde daha fazla esneklik ve kontrol sunabilir, ancak önceden eğitilmiş modellerden başlayan yaklaşımlara kıyasla daha fazla zaman ve kaynak gerektirir. Tüm kullanım durumları için uygun olmayabileceğinden, devam etmeden önce bu seçeneğin avantajlarını ve dezavantajlarını dikkatlice tartmak önemlidir.
SageMaker JumpStart temel modelleri
SageMaker'da özetlemeyi uygulamak için harika bir seçenek, JumpStart temel modellerini kullanmaktır. Önde gelen AI araştırma kuruluşları tarafından geliştirilen bu modeller, metin özetleme de dahil olmak üzere çeşitli görevler için optimize edilmiş bir dizi önceden eğitilmiş dil modeli sunar. SageMaker JumpStart iki tür temel model sağlar: tescilli modeller ve açık kaynak modeller. SageMaker JumpStart ayrıca HIPAA uygunluğu sağlayarak sağlık iş yükleri için kullanışlı hale getirir. Uyumluluğu sağlamak nihai olarak müşteriye bağlıdır, bu nedenle uygun adımları attığınızdan emin olun. Görmek Amazon Web Hizmetlerinde HIPAA Güvenliği ve Uyumluluğu için Mimari daha fazla ayrıntı için.
Tescilli temel modelleri
AI21'den Jurassic modeller ve Cohere'den Cohere Generate modeli gibi tescilli modeller, SageMaker JumpStart aracılığıyla keşfedilebilir. AWS Yönetim Konsolu ve şu anda önizleme aşamasındadır. Özel veriler üzerinde modelinizde ince ayar yapmanız gerekmediğinde, özetleme için tescilli modelleri kullanmak idealdir. Bu, minimum yapılandırmayla özetleme gereksinimlerinizi karşılayabilen, kullanımı kolay, kullanıma hazır bir çözüm sunar. Bu önceden eğitilmiş modellerin yeteneklerini kullanarak, özel bir modelin eğitimi ve ince ayarı için harcanacak zamandan ve kaynaklardan tasarruf edebilirsiniz. Ayrıca, tescilli modeller genellikle kullanıcı dostu API'ler ve SDK'lar ile birlikte gelir ve mevcut sistemleriniz ve uygulamalarınızla entegrasyon sürecini kolaylaştırır. Özetleme ihtiyaçlarınız, özel özelleştirme veya ince ayar gerektirmeden önceden eğitilmiş tescilli modeller tarafından karşılanabiliyorsa, metin özetleme görevleriniz için uygun, uygun maliyetli ve verimli bir çözüm sunarlar. Bu modeller özellikle sağlık hizmeti kullanım durumları için eğitilmediğinden, ince ayar yapılmadan kullanıma hazır tıbbi dil için kalite garanti edilemez.
Jurassic-2 Grande Instruct, AI21 Labs tarafından geliştirilmiş, doğal dil yönergeleri için optimize edilmiş ve çeşitli dil görevlerine uygulanabilen büyük bir dil modelidir (LLM). Kullanımı kolay bir API ve Python SDK sunarak kalite ve satın alınabilirliği dengeler. Popüler kullanımlar arasında pazarlama metni oluşturma, sohbet robotlarını çalıştırma ve metin özetleme yer alır.
SageMaker konsolunda SageMaker JumpStart'a gidin, AI21 Jurassic-2 Grande Instruct modelini bulun ve seçin Modeli dene.
Modeli, yönettiğiniz bir SageMaker uç noktasına dağıtmak istiyorsanız bu örnekteki adımları izleyebilirsiniz. defterJurassic-2 Large'ı SageMaker kullanarak nasıl konuşlandıracağınızı gösteren .
Açık kaynak temel modelleri
Açık kaynak modeller, SageMaker JumpStart aracılığıyla keşfedilebilen FLAN T5, Bloom ve GPT-2 modellerini içerir. Amazon SageMaker Stüdyosu Kullanıcı Arayüzü, SageMaker konsolunda SageMaker JumpStart ve SageMaker JumpStart API'leri. Bu modellerde ince ayar yapılabilir ve AWS hesabınız altındaki uç noktalara dağıtılabilir, bu da size model ağırlıkları ve betik kodlarının tam mülkiyetini verir.
Flan-T5 XL, çok çeşitli dil görevleri için tasarlanmış güçlü ve çok yönlü bir modeldir. Modele etki alanına özgü verilerinizle ince ayar yaparak, performansını metin özetleme veya başka herhangi bir NLP görevi gibi özel kullanım durumunuz için optimize edebilirsiniz. SageMaker Studio kullanıcı arabirimini kullanarak Flan-T5 XL'de nasıl ince ayar yapılacağına ilişkin ayrıntılar için bkz. Amazon SageMaker Jumpstart ile FLAN T5 XL için talimat ince ayarı.
SageMaker'da Hugging Face ile önceden eğitilmiş modellerde ince ayar yapma
SageMaker'da özetlemeyi uygulamak için en popüler seçeneklerden biri, Hugging Face'i kullanarak önceden eğitilmiş modellerde ince ayar yapmaktır. Transformers kütüphane. Hugging Face, metin özetleme de dahil olmak üzere çeşitli doğal dil işleme (NLP) görevleri için özel olarak tasarlanmış çok çeşitli önceden eğitilmiş dönüştürücü modelleri sunar. Hugging Face Transformers kitaplığıyla, SageMaker'ı kullanarak bu önceden eğitilmiş modellere etki alanınıza özgü veriler üzerinde kolayca ince ayar yapabilirsiniz. Bu yaklaşımın, daha hızlı eğitim süreleri, belirli alanlarda daha iyi performans ve yerleşik SageMaker araçlarını ve hizmetlerini kullanarak daha kolay model paketleme ve devreye alma gibi çeşitli avantajları vardır. SageMaker JumpStart'ta uygun bir model bulamazsanız, Hugging Face tarafından sunulan herhangi bir modeli seçebilir ve SageMaker'ı kullanarak ince ayar yapabilirsiniz.
Makine öğreniminin yetenekleri hakkında bilgi edinmek amacıyla bir modelle çalışmaya başlamak için tek yapmanız gereken SageMaker Studio'yu açmak, kullanmak istediğiniz önceden eğitilmiş bir model bulmak. Sarılma Yüz Modeli Hubve dağıtım yönteminiz olarak SageMaker'ı seçin. Hugging Face, not defterinizde kopyalayıp yapıştırmanız ve çalıştırmanız için size kod verecektir. Bu kadar kolay! Makine öğrenimi mühendisliği deneyimi gerekmez.
Hugging Face Transformers kitaplığı, inşaatçıların önceden eğitilmiş modeller üzerinde çalışmasına ve sonraki bölümlerde inceleyeceğimiz ince ayar gibi gelişmiş görevleri gerçekleştirmesine olanak tanır.
Kaynakları sağlayın
Başlamadan önce bir defter hazırlamamız gerekiyor. Talimatlar için Adım 1 ve 2'ye bakın. Yerel Olarak Bir Makine Öğrenimi Modeli Oluşturun ve Eğitin. Bu örnek için, aşağıdaki ekran görüntüsünde gösterilen ayarları kullandık.
Ayrıca bir tane oluşturmamız gerekiyor. Amazon Basit Depolama Hizmeti Eğitim verilerini ve eğitim yapıtlarını depolamak için (Amazon S3) klasörü. Talimatlar için bkz. Bir kova oluşturma.
Veri kümesini hazırlayın
Daha iyi etki alanı bilgisine sahip olmak için modelimize ince ayar yapmak için göreve uygun verileri almamız gerekir. Bir kurumsal kullanım durumu için eğitim alırken, kendi verilerinizi eğitime hazır hale getirmek için bir dizi veri mühendisliği görevinden geçmeniz gerekir. Bu görevler bu yazının kapsamı dışındadır. Bu örnek için, hemşirelik notlarını taklit etmek için bazı yapay veriler oluşturduk ve bunları Amazon S3'te depoladık. Verilerimizi Amazon S3'te depolamak, iş yüklerimizi HIPAA uyumluluğu için tasarlayın. Bu notları alıp not defterimizin çalıştığı örneğe yükleyerek başlıyoruz:
Notlar, tam girişi, notu içeren bir sütun ve istenen çıktının ne olması gerektiğini örnekleyen kısaltılmış bir versiyonu içeren bir sütundan oluşur, özet. Bu veri setini kullanmanın amacı, modelimizin biyolojik ve tıbbi kelime dağarcığını geliştirmek, böylece sağlık bağlamında özetlemeye daha uyumlu hale getirmektir. etki alanı ince ayarı, ve modelimize özet çıktısını nasıl yapılandıracağını gösterin. Bazı özetleme durumlarında, bir makaleden bir özet veya bir incelemenin tek satırlık bir özetini oluşturmak isteyebiliriz, ancak bu durumda, modelimizin semptomların ve gerçekleştirilen eylemlerin kısaltılmış bir versiyonunu çıkarmasını sağlamaya çalışıyoruz. şimdiye kadar bir hasta için
modeli yükle
Temelimiz olarak kullandığımız model, Hugging Face Hub'da kullanıma sunulan Google Pegasus'un bir sürümüdür. Pegasus-xsum. Zaten özetleme için önceden eğitilmiştir, bu nedenle ince ayar sürecimiz, alan bilgisini genişletmeye odaklanabilir. Modelimizin çalıştırdığı görevi değiştirmek, bu gönderide ele alınmayan farklı bir ince ayar türüdür. Transformer kitaplığı, model tanımını yüklemek için bize bir sınıf sağlar. model_checkpoint: google/pegasus-xsum
. Bu, modeli hub'dan yükleyecek ve daha sonra kullanabilmemiz için not defterimizde başlatacaktır. Çünkü pegasus-xsum
diziden diziye bir modeldir, Seq2Seq türünü kullanmak istiyoruz Otomatik Model sınıf:
Artık modelimize sahip olduğumuza göre, eğitim döngümüzü çalıştırmamızı sağlayacak diğer bileşenlere dikkatimizi vermenin zamanı geldi.
Belirteç oluştur
Bu bileşenlerden ilki belirteç oluşturucudur. dizgeciklere girdi verilerinden gelen kelimelerin modelimizin anlayabileceği sayısal temsillere dönüştürüldüğü süreçtir. Yine, Transformer kitaplığı, modeli başlatmak için kullandığımız aynı kontrol noktasından bir belirteç tanımını yüklememiz için bir sınıf sağlar:
Bu belirteç oluşturucu nesneyle, bir ön işleme işlevi oluşturabilir ve bunu, modele beslenmeye hazır belirteçler vermek için veri kümemizle eşleyebiliriz. Son olarak, belirtilmiş çıktıyı formatlıyoruz ve orijinal metnimizi içeren sütunları kaldırıyoruz, çünkü model onları yorumlayamayacak. Şimdi, modele beslenmeye hazır, belirtilmiş bir girdi kaldı. Aşağıdaki koda bakın:
Verilerimiz belirtilmiş ve modelimiz başlatılmışken, bir eğitim döngüsü çalıştırmaya neredeyse hazırız. Oluşturmak istediğimiz sonraki bileşenler, veri harmanlayıcı ve optimize edicidir. Veri harmanlayıcı, Hugging Face tarafından Transformers kitaplığı aracılığıyla sağlanan ve eğitim için belirtilmiş veri gruplarını oluşturmak için kullandığımız başka bir sınıftır. Bunu, daha önce harmanlayıcı sınıfı için modelimiz (Seq2Seq) için kullandığımız ilgili sınıf tipini bularak zaten sahip olduğumuz belirteç ve model nesnelerini kullanarak kolayca oluşturabiliriz. Optimize edicinin işlevi, eğitim durumunu korumak ve biz döngü boyunca çalışırken eğitim kaybımıza dayalı olarak parametreleri güncellemektir. Bir optimize edici oluşturmak için, iyileştirmek bir dizi optimizasyon algoritmasının mevcut olduğu torç modülünden paket. Daha önce karşılaşmış olabileceğiniz bazı yaygın olanlar, Stokastik Gradyan İniş ve Adem, ikincisi bizim örneğimizde uygulanmıştır. Adam'ın yapıcısı, verilen eğitim çalıştırması için model parametrelerini ve parametreleştirilmiş öğrenme oranını alır. Aşağıdaki koda bakın:
Eğitime başlamadan önceki son adımlar, hızlandırıcıyı ve öğrenme oranı planlayıcısını oluşturmaktır. Hızlandırıcı, Hugging Face tarafından üretilen, uygun bir şekilde Accelerate adlı farklı bir kitaplıktan gelir (esas olarak Transformers kullanıyoruz) ve eğitim sırasında cihazları yönetmek için gereken mantığı (örneğin birden fazla GPU kullanarak) soyutlayacaktır. Son bileşen için, öğrenme oranı planlayıcımızı uygulamak üzere her zaman yararlı olan Transformers kitaplığını tekrar ziyaret ediyoruz. Zamanlayıcı türünü, döngümüzdeki toplam eğitim adımı sayısını ve önceden oluşturulmuş optimize ediciyi belirterek, get_scheduler
işlevi, eğitim süreci boyunca ilk öğrenme hızımızı ayarlamamızı sağlayan bir nesne döndürür:
Artık eğitim için tamamen hazırız! Örnekleyerek başlayarak bir eğitim işi ayarlayalım. eğitim_args Transformers kütüphanesini kullanmak ve parametre değerlerini seçmek. Bunları, hazırladığımız diğer bileşenler ve veri setimiz ile birlikte doğrudan bilgisayara aktarabiliriz. eğitici ve aşağıdaki kodda gösterildiği gibi eğitime başlayın. Veri kümenizin boyutuna ve seçilen parametrelere bağlı olarak bu, önemli miktarda zaman alabilir.
Modeli çıkarım için paketleyin
Eğitim çalıştırıldıktan sonra, model nesnesi çıkarım için kullanılmaya hazırdır. En iyi uygulama olarak, çalışmamızı ileride kullanmak üzere kaydedelim. Model yapıtlarımızı oluşturmamız, bunları bir araya sıkıştırmamız ve tarball'ımızı depolama için Amazon S3'e yüklememiz gerekiyor. Modelimizi sıkıştırma işlemine hazırlamak için, artık ince ayarlı modeli açmamız, ardından model ikili dosyasını ve ilişkili yapılandırma dosyalarını kaydetmemiz gerekir. Ayrıca belirteç oluşturucumuzu, modeli çıkarım için kullandığımızda kullanılabilir olması için model yapıtlarımızı kaydettiğimiz aynı dizine kaydetmemiz gerekir. Bizim model_dir
klasör şimdi aşağıdaki kod gibi görünmelidir:
Geriye kalan tek şey, dizinimizi sıkıştırmak ve tar.gz dosyasını Amazon S3'e yüklemek için bir tar komutu çalıştırmaktır:
Yeni ince ayarlı modelimiz artık çıkarım için kullanılmaya hazırdır.
Çıkarım gerçekleştir
Bu model yapıtını çıkarım amacıyla kullanmak için yeni bir dosya açın ve aşağıdaki kodu kullanarak model_data
Amazon S3'teki yapı kaydetme konumunuza uyacak şekilde parametre. bu HuggingFaceModel
yapıcı, kaydettiğimiz kontrol noktasından modelimizi yeniden oluşturacak model.tar.gz
, ardından konuşlandırma yöntemini kullanarak çıkarım için konuşlandırabiliriz. Uç noktayı dağıtmak birkaç dakika sürer.
Uç nokta konuşlandırıldıktan sonra, onu test etmek için oluşturduğumuz öngörücüyü kullanabiliriz. Geç predict
bir veri yükünü yöntemleyin ve hücreyi çalıştırın; ince ayarlı modelinizden yanıt alacaksınız:
Bir modelde ince ayar yapmanın faydasını görmek için hızlı bir test yapalım. Aşağıdaki tablo, ince ayardan önce ve sonra bir istemi ve bu istemi modele geçirmenin sonuçlarını içerir.
İstemi | İnce Ayar Olmadan Yanıt | İnce Ayar ile Tepki |
Hastanın yaşadığı semptomları özetleyin. Hasta 45 yaşında erkek hasta sol kola yayılan substernal göğüs ağrısı şikayeti ile başvurdu. Ağrı, hafif nefes darlığı ve terleme ile ilişkili, bahçe işi yaparken ani başlıyor. Varışta hastanın kalp atış hızı 120, solunum sayısı 24, kan basıncı 170/95 idi. Acil servise varışta yapılan 12 derivasyonlu elektrokardiyogram ve göğüs ağrısı rahatlamadan üç dil altı nitrogliserin uygulandı. Elektrokardiyogram, akut anterior miyokard enfarktüsünü gösteren anterior derivasyonlarda ST elevasyonu gösteriyor. Kalp kateterizasyon laboratuvarı ile iletişime geçtik ve kardiyolog tarafından kalp kateterizasyonu için hazırlanıyoruz. | Akut miyokard enfarktüsü olgusunu sunuyoruz. | Göğüs ağrısı, anterior MI, PCI. |
Gördüğünüz gibi, ince ayarlı modelimiz sağlık terminolojisini farklı şekilde kullanıyor ve yanıtın yapısını amaçlarımıza uyacak şekilde değiştirmeyi başardık. Sonuçların veri kümenize ve eğitim sırasında yapılan tasarım seçimlerine bağlı olduğunu unutmayın. Modelin sizin sürümünüz çok farklı sonuçlar verebilir.
Temizlemek
SageMaker not defterinizle işiniz bittiğinde, uzun süre çalışan kaynaklardan kaynaklanan maliyetlerden kaçınmak için onu kapattığınızdan emin olun. Örneği kapatmanın, örneğin kısa ömürlü belleğinde saklanan tüm verileri kaybetmenize neden olacağını unutmayın; bu nedenle, temizlemeden önce tüm çalışmalarınızı kalıcı depolamaya kaydetmeniz gerekir. Ayrıca şu adrese gitmeniz gerekecek: Uç noktalar SageMaker konsolundaki sayfa ve çıkarım için dağıtılan uç noktaları silin. Tüm yapıları kaldırmak için Amazon S3 konsoluna giderek klasörünüze yüklenen dosyaları da silmeniz gerekir.
Sonuç
Bu yazıda, sağlık uzmanlarının çok miktarda klinik veriyi verimli bir şekilde işlemesine ve bunlardan içgörüler çıkarmasına yardımcı olmak için SageMaker'da metin özetleme tekniklerini uygulamaya yönelik çeşitli seçenekleri araştırdık. SageMaker Jumpstart temel modellerini kullanmayı, Hugging Face'ten önceden eğitilmiş modellerde ince ayar yapmayı ve özel özetleme modelleri oluşturmayı tartıştık. Her yaklaşımın kendi avantajları ve dezavantajları vardır ve farklı ihtiyaç ve gereksinimleri karşılar.
SageMaker'da özel özetleme modelleri oluşturmak, çok fazla esneklik ve kontrol sağlar, ancak önceden eğitilmiş modelleri kullanmaktan daha fazla zaman ve kaynak gerektirir. SageMaker Jumpstart temel modelleri, basitleştirilmiş ince ayar için bazı seçeneklerin yanı sıra özel özelleştirme veya ince ayar gerektirmeyen kuruluşlar için kullanımı kolay ve uygun maliyetli bir çözüm sunar. Hugging Face'in önceden eğitilmiş modellerinde ince ayar yapmak, daha hızlı eğitim süreleri, alana özel daha iyi performans ve geniş bir model kataloğunda SageMaker araçları ve hizmetleriyle sorunsuz entegrasyon sunar, ancak biraz uygulama çabası gerektirir. Bu yazıyı yazarken, Amazon başka bir seçeneği duyurdu, Amazon Ana Kayası, daha fazla yönetilen bir ortamda özetleme yetenekleri sunacak.
Sağlık uzmanları ve kuruluşları, her bir yaklaşımın artılarını ve eksilerini anlayarak, karmaşık klinik verilerin özlü ve doğru özetlerini oluşturmak için en uygun çözüm hakkında bilgiye dayalı kararlar alabilir. Sonuç olarak, SageMaker'da AI/ML tabanlı özetleme modellerinin kullanılması, tıp uzmanlarının ilgili bilgilere hızla erişmesini ve kaliteli bakım sağlamaya odaklanmasını sağlayarak hasta bakımını ve karar vermeyi önemli ölçüde geliştirebilir.
Kaynaklar
Bu gönderide tartışılan tam komut dosyası ve bazı örnek veriler için bkz. GitHub repo. AWS'de makine öğrenimi iş yüklerinin nasıl çalıştırılacağı hakkında daha fazla bilgi için aşağıdaki kaynaklara bakın:
yazarlar hakkında
Cody Collins'in Amazon Web Services'ta New York merkezli bir Çözüm Mimarıdır. Bulutta sektör lideri çözümler oluşturmak için ISV müşterileriyle birlikte çalışır. Verimliliği ve ölçeklenebilirliği optimize ederek çeşitli endüstriler için karmaşık projeleri başarıyla teslim etti. Boş zamanlarında kitap okumaktan, seyahat etmekten ve jiu jitsu çalışmaktan hoşlanır.
Emir Hakme Pennsylvania'da ikamet eden bir AWS Çözüm Mimarıdır. Profesyonel odak noktası, Kuzeydoğu'daki Bağımsız yazılım satıcılarıyla işbirliği yaparak AWS Bulut üzerinde ölçeklenebilir, son teknoloji platformlar tasarlama ve oluşturma konusunda onlara rehberlik etmeyi içerir.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- PlatoData.Network Dikey Üretken Yapay Zeka. Kendine güç ver. Buradan Erişin.
- PlatoAiStream. Web3 Zekası. Bilgi Genişletildi. Buradan Erişin.
- PlatoESG. Otomotiv / EV'ler, karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- Blok Ofsetleri. Çevre Dengeleme Sahipliğini Modernleştirme. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/exploring-summarization-options-for-healthcare-with-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 10
- 100
- 12
- 14
- İNDİRİM
- 24
- 33
- 7
- 8
- 9
- a
- Yapabilmek
- Hakkımızda
- ÖZET
- hızlandırmak
- hızlandırıcı
- erişim
- Hesap
- doğru
- karşısında
- eylemler
- Adem
- adresleme
- uygulanan
- ileri
- avantajları
- Sonra
- tekrar
- toplanma
- AI
- ai araştırma
- AI / ML
- algoritmalar
- Türkiye
- Izin
- veriyor
- boyunca
- zaten
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- miktar
- tutarları
- an
- çözümlemek
- ve
- açıkladı
- Başka
- herhangi
- api
- API'ler
- uygulanabilir
- uygulamaları
- uygulamalı
- yaklaşım
- yaklaşımlar
- uygun
- mimari
- ARE
- ARM
- varış
- göre
- AS
- ilişkili
- At
- Dikkat
- ayrıca otomasyonun
- mevcut
- önlemek
- uzakta
- AWS
- dengeleme
- merkezli
- BE
- Çünkü
- olmuştur
- önce
- başlamak
- yarar
- faydaları
- İYİ
- Daha iyi
- BIN
- kan
- Kan basıncı
- Çiçek açmak
- kutu
- Nefes
- geniş
- inşa etmek
- inşaatçılar
- bina
- yapılı
- yerleşik
- fakat
- by
- çağrı
- denilen
- CAN
- yetenekleri
- hangi
- dikkatlice
- dava
- durumlarda
- katalog
- Sebeb olmak
- zorluklar
- değişiklik
- chatbots
- choices
- Klinik
- seçme
- seçilmiş
- sınıf
- Klinik
- bulut
- kod
- kodları
- kodlama
- işbirliği
- Sütun
- Sütunlar
- nasıl
- geliyor
- ortak
- karşılaştırıldığında
- şikayetleri
- karmaşık
- uyma
- bileşen
- bileşenler
- oluşan
- Özlü
- yapılandırma
- Eksiler
- konsolos
- inşa
- bağlam
- kontrol
- Uygun
- uyan
- uygun maliyetli
- maliyetler
- olabilir
- kaplı
- yaratmak
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- çok önemli
- Şu anda
- görenek
- müşteri
- Müşteriler
- özelleştirme
- veri
- veri kümeleri
- Karar verme
- kararlar
- tanım
- teslim edilen
- tasviridir
- bölüm
- bağımlı
- bağlı
- dağıtmak
- konuşlandırılmış
- dağıtma
- açılma
- Dizayn
- tasarlanmış
- tasarım
- İstediğiniz
- ayrıntılar
- gelişmiş
- Cihaz
- farklı
- direkt olarak
- keşfetti
- tartışmak
- tartışılan
- çeşitli
- do
- Doktorlar
- yapıyor
- domain
- etki
- yapılmış
- Dont
- aşağı
- sakıncaları
- sırasında
- her
- kolay
- kolayca
- kolay
- kolay kullanımlı
- etkili bir şekilde
- verim
- verimli
- verimli biçimde
- çaba
- Elektronik
- Elektronik Sağlık Kayıtları
- uygunluk
- acil durum
- etkinleştirmek
- sağlar
- etkinleştirme
- Son nokta
- Mühendislik
- artırmak
- sağlamak
- kuruluş
- giriş
- çevre
- çağ
- gerekli
- Hatta
- gelişen
- örnek
- mevcut
- deneyim
- yaşıyor
- keşfetmek
- keşfedilmeyi
- Keşfetmek
- uzatma
- çıkarmak
- Yüz
- yüzlü
- uzak
- Daha hızlı
- Fed
- az
- fileto
- dosyalar
- son
- Nihayet
- bulmak
- bulma
- Ad
- uygun
- Esneklik
- odak
- takip et
- takip etme
- İçin
- biçim
- vakıf
- itibaren
- tam
- tamamen
- işlev
- Ayrıca
- gelecek
- Kazanç
- genel
- oluşturmak
- oluşturulan
- üreten
- almak
- alma
- Vermek
- verilmiş
- Verilmesi
- Go
- Google'ın
- GPU'lar
- harika
- büyük
- garanti
- Var
- he
- Sağlık
- sağlık
- Network XNUMX'in Kalbi
- yardım et
- onun
- hosting
- Ne kadar
- Nasıl Yapılır
- HTML
- http
- HTTPS
- merkez
- SarılmaYüz
- ideal
- if
- Görüntüleme
- uygulamak
- uygulama
- uygulanması
- ithalat
- önemli
- iyileştirmek
- in
- derinlemesine
- dahil
- içerir
- Dahil olmak üzere
- bağımsız
- Endüstri
- sanayi
- bilgi
- bilgi
- ilk
- giriş
- girişler
- anlayışlar
- örnek
- talimatlar
- bütünleşme
- İstihbarat
- içine
- dahil
- IT
- ONUN
- İş
- json
- sadece
- Bilmek
- bilgi
- laboratuvar
- Labs
- manzara
- dil
- büyük
- Soyad
- sonra
- öncülük etmek
- önemli
- İlanlar
- ÖĞRENİN
- öğrenme
- sol
- Kütüphane
- sevmek
- Yüksek Lisans
- yük
- yükleme
- yer
- mantık
- Bakın
- kaybetmek
- kayıp
- makine
- makine öğrenme
- yapılmış
- korumak
- yapmak
- Yapımı
- yönetmek
- yönetilen
- yönetim
- harita
- Pazarlama
- Mayıs..
- ortalama
- tıbbi
- Neden
- Bellek
- araya geldi
- yöntem
- olabilir
- en az
- dakika
- ML
- model
- modelleri
- modül
- Daha
- çoğu
- En popüler
- çoklu
- adlı
- Doğal (Madenden)
- Doğal Dil İşleme
- Gezin
- gerek
- ihtiyaçlar
- yeni
- New York
- yeni
- sonraki
- nlp
- yok hayır
- defter
- notlar
- şimdi
- numara
- nesne
- nesneler
- of
- teklif
- sunulan
- Teklifler
- Eski
- on
- ONE
- olanlar
- başlangıç
- üstüne
- açık
- açık kaynak
- işletmek
- optimizasyon
- optimize
- optimize
- optimize
- seçenek
- Opsiyonlar
- or
- sipariş
- organizasyonlar
- orijinal
- Diğer
- aksi takdirde
- bizim
- dışarı
- çıktı
- dışında
- tekrar
- kendi
- mülkiyet
- paket
- ambalaj
- Kanal
- Ağrı
- parametre
- parametreler
- belirli
- geçmek
- Geçen
- hasta
- hastalar
- Pegasus
- Pensilvanya
- performans
- ilgili
- ifadeler
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- Nokta
- Popüler
- Çivi
- güçlü
- Açılması
- uygulama
- Predictor
- tercih
- Hazırlamak
- hazırlanmış
- mevcut
- basınç
- Önizleme
- Önceden
- öncelikle
- süreç
- Süreçler
- işleme
- Üretilmiş
- profesyonel
- profesyoneller
- Projeler
- söz
- özel
- Artıları
- sağlamak
- sağlanan
- sağlar
- sağlama
- hüküm
- amaç
- amaçlı
- koymak
- Python
- kalite
- Hızlı
- hızla
- menzil
- hızla
- oran
- Okuma
- hazır
- Gerçek dünya
- kayıtlar
- uygun
- kabartma
- Kaldır
- Raporlar
- gerektirir
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- Kaynaklar
- yanıt
- Sonuçlar
- İade
- yorum
- Rol
- koşmak
- koşu
- ishal
- sagemaker
- aynı
- İndirim
- ölçeklenebilirlik
- ölçeklenebilir
- kapsam
- çizik
- sdk
- SDK'lar
- sorunsuz
- bölümler
- güvenlik
- görmek
- ayrı
- hizmet
- Hizmetler
- set
- ayar
- ayarlar
- birkaç
- kısaltılmış
- meli
- şov
- gösterilen
- Gösteriler
- kapanıyor
- Elemek
- önemli
- önemli ölçüde
- benzer
- Basit
- basitleştirilmiş
- beden
- So
- şu ana kadar
- Yazılım
- çözüm
- Çözümler
- biraz
- bir şey
- kaynaklar
- özel
- özellikle
- harcanmış
- başlama
- XNUMX dakika içinde!
- Eyalet
- state-of-the-art
- Basamaklar
- hafızası
- mağaza
- saklı
- depolamak
- düzene
- yapı
- stüdyo
- dilaltı
- Başarılı olarak
- böyle
- ani
- Takım elbise
- uygun
- ÖZET
- elbette
- Belirtileri
- özet
- sentetik
- sentetik veri
- Sistemler
- tablo
- Bizi daha iyi tanımak için
- alınan
- alır
- Görev
- görevleri
- teknikleri
- terminoloji
- şartlar
- test
- göre
- o
- The
- Merkez
- Onları
- sonra
- Bunlar
- onlar
- Re-Tweet
- Bu
- üç
- İçinden
- boyunca
- zaman
- zaman tükeniyor
- zamanlar
- için
- bugünkü
- birlikte
- simgeleþtirilmiþ
- Jeton
- araçlar
- meşale
- Toplam
- Tren
- eğitilmiş
- Eğitim
- transforme
- transformatör
- transformatörler
- Seyahat
- iki
- tip
- türleri
- tipik
- ui
- eninde sonunda
- aciz
- altında
- anlamak
- anlayış
- Güncelleme
- Yüklenen
- us
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcı dostu
- kullanım
- kullanma
- Kullanılması
- onaylama
- Değerler
- çeşitli
- Geniş
- satıcıları
- çok yönlü
- versiyon
- çok
- hacimleri
- istemek
- oldu
- we
- servet
- ağ
- web hizmetleri
- tartmak
- İYİ
- Ne
- ne zaman
- hangi
- süre
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- olmadan
- sözler
- İş
- çalışma
- çalışır
- olur
- yazı yazıyor
- yıl
- york
- Sen
- zefirnet
- zip