Bu blog gönderisi, FedML'den Chaoyang He ve Salman Avestimehr ile birlikte yazılmıştır.
Gerçek dünya sağlık ve yaşam bilimleri (HCLS) verilerinin analizi, dağıtılmış veri siloları, herhangi bir tek yerde nadir olaylar için yeterli veri bulunmaması, veri paylaşımını yasaklayan düzenleyici yönergeler, altyapı gereksinimi ve oluşturma maliyeti gibi çeşitli pratik zorluklar ortaya çıkarır. merkezi bir veri deposu. Yüksek oranda düzenlenmiş bir alanda olduklarından, HCLS ortakları ve müşterileri büyük ölçekli, dağıtılmış ve hassas verileri yönetmek ve analiz etmek için gizliliği koruyan mekanizmalar ararlar.
Bu zorlukları azaltmak için, adı verilen açık kaynaklı bir birleşik öğrenme (FL) çerçevesi kullanmayı öneriyoruz. FedML, farklı sitelerde yerel olarak tutulan dağıtılmış verilerden küresel bir makine öğrenimi modeli eğiterek hassas HCLS verilerini analiz etmenizi sağlar. FL, model eğitim sürecinde siteler arasında veya merkezi bir sunucu ile verilerin taşınmasını veya paylaşılmasını gerektirmez.
Bu iki bölümden oluşan dizide, bulut tabanlı bir FL çerçevesini AWS'de nasıl dağıtabileceğinizi gösteriyoruz. İlk gönderide FL kavramlarını ve FedML çerçevesini tanımladık. İçinde ikinci gönderigibi gerçek dünyadaki sağlık hizmeti veri kümelerini analiz etmedeki etkinliğini göstermek için kullanım durumlarını ve veri kümesini sunuyoruz. eICU verileri200'den fazla hastaneden toplanan çok merkezli bir kritik bakım veri tabanından oluşur.
Olayın Arka Planı
HCLS tarafından üretilen verilerin hacmi hiç bu kadar büyük olmamıştı, ancak bu tür verilere erişimle ilgili zorluklar ve kısıtlamalar, gelecekteki araştırmalar için kullanımını sınırlıyor. Makine öğrenimi (ML), bu endişelerden bazılarını ele almak için bir fırsat sunar ve bakım sunumu, klinik karar desteği, hassas tıp, triyaj ve teşhis ve kronik gibi kullanım durumları için veri analitiğini ilerletmek ve çeşitli HCLS verilerinden anlamlı içgörüler elde etmek için benimsenmektedir. bakım Yönetimi. Makine öğrenimi algoritmaları genellikle hasta düzeyindeki verilerin gizliliğini korumada yeterli olmadığından, HCLS ortakları ve müşterileri arasında büyük ölçekli, dağıtılmış ve hassas verileri yönetmek ve analiz etmek için gizliliği koruyan mekanizmalar ve altyapı kullanmaya yönelik artan bir ilgi vardır. [1]
AWS üzerinde, dağıtılmış ve hassas sağlık verilerinin gizliliği koruyacak şekilde analiz edilmesini sağlayan bir FL çerçevesi geliştirdik. Model eğitimi sürecinde siteler arasında veya merkezi bir sunucuyla verileri taşımadan veya paylaşmadan paylaşılan bir makine öğrenimi modelinin eğitimini içerir ve birden çok AWS hesabında uygulanabilir. Katılımcılar verilerini şirket içi sistemlerinde veya kontrol ettikleri bir AWS hesabında tutmayı seçebilirler. Bu nedenle, verileri analitiğe taşımak yerine analitiği verilere taşır.
Bu gönderide, açık kaynaklı FedML çerçevesini AWS'de nasıl dağıtabileceğinizi gösterdik. Çerçeveyi, hastane içi hasta ölümlerini tahmin etmek için 200'den fazla hastaneden toplanan çok merkezli bir kritik bakım veri tabanı olan eICU verileri üzerinde test ediyoruz. Genomik ve yaşam bilimleri verileri dahil olmak üzere diğer veri kümelerini analiz etmek için bu FL çerçevesini kullanabiliriz. Finans ve eğitim sektörleri dahil olmak üzere dağıtılmış ve hassas verilerle dolu diğer alanlar tarafından da benimsenebilir.
Federe öğrenme
Teknolojideki ilerlemeler, HCLS de dahil olmak üzere endüstriler genelinde büyük bir veri artışına yol açmıştır. HCLS kuruluşları genellikle verileri silolarda depolar. Bu, iyi genelleme yapmak ve istenen performans düzeyine ulaşmak için büyük veri kümeleri gerektiren veriye dayalı öğrenmede büyük bir zorluk teşkil eder. Ayrıca, yüksek kaliteli veri kümelerinin toplanması, düzenlenmesi ve sürdürülmesi önemli ölçüde zaman ve maliyete neden olur.
Birleşik öğrenme, dağıtılmış verileri kullanan makine öğrenimi modellerini bunları paylaşmaya veya merkezileştirmeye gerek kalmadan işbirliği içinde eğiterek bu zorlukları hafifletir. Çeşitli sitelerin son modelde temsil edilmesine izin vererek site tabanlı önyargı için potansiyel riski azaltır. Çerçeve, sunucunun istemcilerle genel bir modeli paylaştığı bir istemci-sunucu mimarisini izler. İstemciler, modeli yerel verilere dayalı olarak eğitir ve sunucuyla parametreleri (gradyanlar veya model ağırlıkları gibi) paylaşır. Sunucu, aşağıdaki şekilde gösterildiği gibi, daha sonra bir sonraki eğitim turu için istemcilerle paylaşılan genel modeli güncellemek için bu parametreleri toplar. Model eğitiminin bu yinelemeli süreci, küresel model yakınsayana kadar devam eder.
Son yıllarda, bu yeni öğrenme paradigması, makine öğrenimi modellerinin eğitiminde veri yönetişimi endişesini gidermek için başarıyla benimsenmiştir. Böyle bir çaba, MELLODDY, AWS tarafından desteklenen, Yenilikçi İlaçlar Girişimi (IMI) liderliğindeki bir konsorsiyum. 3 ilaç firması, 10 akademik kurum ve 2 teknoloji ortağının yer aldığı 3 yıllık bir programdır. Birincil amacı, ilaç keşfine dayalı modellerin tahmin performansını ve kimyasal uygulanabilirliğini geliştirmek için çok görevli bir FL çerçevesi geliştirmektir. Platform, her ilaç iş ortağının kendi özel veri kümelerini korumak için ilgili hesaplarının tam denetimini elinde tuttuğu birden çok AWS hesabından ve model eğitim görevlerini koordine eden merkezi bir makine öğrenimi hesabından oluşur.
Konsorsiyum, 20'den fazla biyolojik tahlilde 40,000 milyondan fazla küçük molekülden oluşan milyarlarca veri noktası üzerinde modeller eğitti. Deneysel sonuçlara dayalı olarak, işbirlikçi modeller, moleküllerin farmakolojik veya toksikolojik olarak aktif veya inaktif olarak sınıflandırılmasında %4'lük bir gelişme gösterdi. Ayrıca, yeni molekül türlerine uygulandığında güvenilir tahminler verme yeteneğinde %10'luk bir artışa yol açtı. Son olarak, işbirlikçi modeller, toksikolojik ve farmakolojik aktivitelerin değerlerini tahmin etmede tipik olarak %2 daha iyiydi.
FedML
FedML, FL algoritması geliştirmeyi kolaylaştıran açık kaynaklı bir kitaplıktır. Üç bilgi işlem paradigmasını destekler: uç cihazlar için cihaz üzerinde eğitim, dağıtılmış bilgi işlem ve tek makine simülasyonu. Ayrıca, esnek ve genel API tasarımı ve kapsamlı referans temel uygulamaları (iyileştirici, modeller ve veri kümeleri) ile çeşitli algoritmik araştırmalar sunar. FedML kitaplığının ayrıntılı açıklaması için bkz. FedML.
Aşağıdaki şekil, FedML'nin açık kaynaklı kitaplık mimarisini göstermektedir.
Önceki şekilde görüldüğü gibi, uygulama açısından FedML, temel kodun ayrıntılarını ve dağıtılmış eğitimin karmaşık yapılandırmalarını korur. Bilgisayar görüşü, doğal dil işleme ve veri madenciliği gibi uygulama düzeyinde, veri bilimcilerin ve mühendislerin yalnızca modeli, verileri ve eğiticiyi bağımsız bir programla aynı şekilde yazmaları ve ardından bunu FedMLRunner nesnesine iletmeleri yeterlidir. tüm işlemleri aşağıdaki kodda gösterildiği gibi tamamlayın. Bu, uygulama geliştiricilerin FL gerçekleştirmesi için ek yükü büyük ölçüde azaltır.
FedML algoritması hala devam eden bir çalışmadır ve sürekli olarak geliştirilmektedir. Bu amaçla, FedML çekirdek eğitmeni ve toplayıcıyı soyutlar ve kullanıcılara iki soyut nesne sağlar, FedML.core.ClientTrainer
ve FedML.core.ServerAggregator
yalnızca bu iki soyut nesnenin arayüzlerini devralması ve bunları FedMLRunner'a iletmesi gerekir. Bu tür özelleştirme, makine öğrenimi geliştiricilerine maksimum esneklik sağlar. Rastgele model yapıları, optimize ediciler, kayıp fonksiyonları ve daha fazlasını tanımlayabilirsiniz. Bu özelleştirmeler, yenilikçi algoritmalardan ticarileştirmeye kadar uzun gecikme sorununu tamamen çözen FedMLRunner'ın yardımıyla daha önce bahsedilen açık kaynak topluluğu, açık platform ve uygulama ekolojisi ile sorunsuz bir şekilde bağlanabilir.
Son olarak, önceki şekilde gösterildiği gibi FedML, karmaşık güvenlik protokolleri ve Yönlendirilmiş Asiklik Grafik (DAG) akış bilgi işlem süreci olarak dağıtılmış eğitim gibi dağıtılmış bilgi işlem süreçlerini destekler ve karmaşık protokollerin yazılmasını bağımsız programlara benzer hale getirir. Bu fikre dayanarak, güvenlik protokolü Flow Layer 1 ve ML algoritma süreci Flow Layer 2 kolayca ayrılabilir, böylece güvenlik mühendisleri ve ML mühendisleri modüler bir mimariyi korurken çalışabilirler.
FedML açık kaynak kitaplığı, hem uç hem de bulut için birleştirilmiş makine öğrenimi kullanım örneklerini destekler. Uçta çerçeve, uç modellerin eğitimini ve cep telefonlarına ve nesnelerin interneti (IoT) cihazlarına dağıtılmasını kolaylaştırır. Bulutta, çok Bölgeli ve çok kiracılı genel bulut toplama sunucularının yanı sıra Docker modunda özel bulut dağıtımı dahil olmak üzere küresel işbirliğine dayalı makine öğrenimi sağlar. Çerçeve, güvenlik, mahremiyet, verimlilik, zayıf denetim ve adalet gibi mahremiyeti koruyan FL ile ilgili temel endişeleri ele alır.
Sonuç
Bu gönderide, açık kaynaklı FedML çerçevesini AWS'de nasıl dağıtabileceğinizi gösterdik. Bu, paylaşmaya veya taşımaya gerek kalmadan dağıtılmış veriler üzerinde bir makine öğrenimi modeli eğitmenize olanak tanır. Gerçek dünya senaryosunda kuruluşların veri yönetişimini sürdürürken işbirliğine dayalı öğrenmeden faydalanmak için ekosisteme katılabileceği çok hesaplı bir mimari kurduk. İçinde sonraki yazı, gerçek dünya senaryosundaki etkinliğini göstermek için çok hastaneli eICU veri setini kullanıyoruz.
Lütfen re:MARS 2022'deki sunumu inceleyin "AWS'de Yönetilen Birleşik Öğrenim: Sağlık hizmetlerine yönelik bir örnek olay incelemesi” bu çözümün ayrıntılı bir açıklaması için.
Referans
[1] Kaissis, GA, Makowski, MR, Rückert, D. et al. Tıbbi görüntülemede güvenli, gizliliği koruyan ve birleşik makine öğrenimi. Nat Mach Intell 2, 305–311 (2020). https://doi.org/10.1038/s42256-020-0186-1
[2] FedML https://fedml.ai
Yazarlar Hakkında
Olivia Choudhury, PhD, AWS'de Kıdemli Çözüm Ortağı Çözüm Mimarıdır. Sağlık ve Yaşam Bilimleri alanındaki iş ortaklarına AWS'den yararlanan son teknoloji çözümleri tasarlama, geliştirme ve ölçeklendirme konusunda yardımcı olur. Genomik, sağlık analitiği, birleşik öğrenme ve gizliliği koruyan makine öğrenimi konularında bir geçmişe sahiptir. İş dışında tahta oyunları oynuyor, manzara resimleri yapıyor ve manga koleksiyonu yapıyor.
Vidya Sagar Ravipati şirketinde yöneticidir Amazon ML Çözümleri Laboratuvarı, farklı sektör dikeylerindeki AWS müşterilerinin yapay zeka ve bulutu benimsemelerini hızlandırmalarına yardımcı olmak için büyük ölçekli dağıtılmış sistemlerdeki engin deneyiminden ve makine öğrenimine olan tutkusundan yararlanıyor. Daha önce, Amazon'da Bağlantı Hizmetlerinde kişiselleştirme ve kestirimci bakım platformları oluşturmaya yardımcı olan bir Makine Öğrenimi Mühendisiydi.
vejahat aziz AWS'de Baş Makine Öğrenimi ve HPC Çözümleri Mimarıdır ve burada sağlık hizmetleri ve yaşam bilimleri müşterilerinin İlaç Geliştirme gibi çok çeşitli kullanım durumlarına yönelik son teknoloji makine öğrenimi ve HPC çözümleri geliştirmek için AWS teknolojilerinden yararlanmasına yardımcı olmaya odaklanır. Klinik Araştırmalar ve Gizliliği Koruyan Makine Öğrenimi. Wajahat, iş dışında doğayı keşfetmeyi, yürüyüş yapmayı ve okumayı seviyor.
Divya Bhargavi Amazon ML Solutions Lab'de Veri Bilimcisi ve Medya ve Eğlence Sektörü Lideridir ve burada Makine Öğrenimi kullanarak AWS müşterileri için yüksek değerli iş sorunlarını çözmektedir. Görüntü/video anlayışı, bilgi grafiği öneri sistemleri, tahmine dayalı reklam kullanım senaryoları üzerinde çalışmaktadır.
Ujjwal Ratan AWS Sağlık ve Yaşam Bilimleri İş Birimi'nde AI/ML ve Veri Bilimi lideridir ve aynı zamanda AI/ML Solutions Baş Mimarıdır. Ujjwal, yıllar boyunca sağlık ve yaşam bilimleri endüstrisinde bir düşünce lideri olmuş ve çok sayıda Global Fortune 500 kuruluşunun makine öğrenimini benimseyerek inovasyon hedeflerine ulaşmasına yardımcı olmuştur. Tıbbi görüntüleme, yapılandırılmamış klinik metin ve genom bilimi analizlerini içeren çalışmaları, AWS'nin son derece kişiselleştirilmiş ve kesin olarak hedeflenmiş teşhis ve tedavi sağlayan ürünler ve hizmetler oluşturmasına yardımcı olmuştur. Boş zamanlarında müzik dinlemekten (ve çalmaktan) ve ailesiyle plansız yolculuklara çıkmaktan hoşlanır.
Chaoyang O herhangi bir ölçekte herhangi bir yerden açık ve işbirliğine dayalı yapay zeka oluşturan bir topluluk için çalışan bir girişim olan FedML, Inc.'in Kurucu Ortağı ve CTO'sudur. Araştırmaları, dağıtılmış/birleşik makine öğrenimi algoritmaları, sistemleri ve uygulamalarına odaklanmaktadır. Doktora derecesini aldı. bilgisayar bilimlerinden itibaren University of Southern California, Los Angeles, ABD.
Salman Avestimehr Profesör, USC-Amazon Güvenli ve Güvenilir Makine Öğrenimi Merkezi'nin (Güvenilir Yapay Zeka) açılış direktörü ve Elektrik ve Bilgisayar Mühendisliği Departmanı ile Bilgisayar Bilimi Departmanında Bilgi Teorisi ve Makine Öğrenimi (vITAL) araştırma laboratuvarının direktörü. Güney Kaliforniya Üniversitesi. Aynı zamanda FedML'nin kurucu ortağı ve CEO'sudur. Doktora derecemi aldı. Doktorasını 2008 yılında UC Berkeley'den Elektrik Mühendisliği ve Bilgisayar Bilimleri bölümünden almıştır. Araştırmaları bilgi teorisi, merkezi olmayan ve birleşik makine öğrenimi, güvenli ve gizliliği koruyan öğrenim ve bilgi işlem alanlarına odaklanmaktadır.
- SEO Destekli İçerik ve Halkla İlişkiler Dağıtımı. Bugün Gücünüzü Artırın.
- Plato blok zinciri. Web3 Metaverse Zekası. Bilgi Güçlendirildi. Buradan Erişin.
- Kaynak: 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
- kabiliyet
- ÖZET
- özetler
- akademik
- hızlandırmak
- erişme
- Hesap
- Hesaplar
- Başarmak
- karşısında
- aktif
- faaliyetler
- asiklik
- adres
- adresleri
- benimsenen
- Benimsemek
- Benimseme
- ilerlemek
- reklâm
- agrega
- toplanma
- Toplayıcı
- AI
- AI / ML
- algoritma
- algoritmik
- algoritmalar
- Türkiye
- veriyor
- Amazon
- Amazon ML Çözümleri Laboratuvarı
- arasında
- analiz
- analytics
- çözümlemek
- analiz
- ve
- ve altyapı
- Angeles
- hiçbir yerde
- api
- Uygulama
- uygulamaları
- uygulamalı
- mimari
- alanlar
- ilişkili
- AWS
- arka fon
- merkezli
- Temel
- Çünkü
- olmak
- yarar
- Berkeley
- Daha iyi
- önyargı
- milyarlarca
- Blog
- yazı tahtası
- Masa Oyunları
- Getiriyor
- inşa etmek
- bina
- iş
- Kaliforniya
- denilen
- hangi
- dava
- örnek olay
- durumlarda
- kategorize etme
- Merkez
- merkezi
- merkezi
- ceo
- meydan okuma
- zorluklar
- kimyasal
- Klinik
- istemciler
- Klinik
- klinik denemeler
- bulut
- bulut benimseme
- Kurucu
- kod
- işbirlikçi
- ticarileştirilmesi
- topluluk
- topluluk oluşturma
- Şirketler
- tamamlamak
- tamamen
- karmaşık
- kapsamlı
- bilgisayar
- Bilgisayar Mühendisliği
- Bilgisayar Bilimleri
- Bilgisayar görüşü
- bilgisayar
- kavramlar
- İlgilendirmek
- Endişeler
- emin
- bağlı
- Bağlantı
- oluşan
- konsorsiyum
- sürekli
- kısıtlamaları
- devam ediyor
- kontrol
- koordine
- çekirdek
- Ücret
- Oluşturma
- kritik
- CTO
- küratörlük
- Müşteriler
- özelleştirme
- DAG
- veri
- Veri Analizi
- veri madenciliği
- Veri noktaları
- veri bilimi
- veri bilimcisi
- bilgi paylaşımı
- veri-güdümlü
- veritabanı
- veri kümeleri
- Merkezi olmayan
- karar
- teslim
- göstermek
- gösterdi
- bölüm
- dağıtmak
- açılma
- tarif edilen
- tanım
- Dizayn
- detaylı
- ayrıntılar
- geliştirmek
- gelişmiş
- geliştiriciler
- gelişen
- gelişme
- cihaz
- Cihaz
- farklı
- yönetmen
- dağıtıldı
- Dağıtılmış bilgi işlem
- dağıtılmış sistemler
- dağıtılmış eğitim
- çeşitli
- liman işçisi
- Değil
- domain
- etki
- ilaç
- sırasında
- her
- Daha erken
- kolayca
- ekosistem
- kenar
- Eğitim
- etki
- verim
- çaba
- ya
- sağlar
- mühendis
- Mühendislik
- Mühendisler
- Entertainment
- olaylar
- deneyim
- keşfetmek
- kolaylaştırmak
- kolaylaştırır
- adalet
- aile
- şekil
- son
- Nihayet
- maliye
- Ad
- Esneklik
- esnek
- akış
- odaklanmış
- odaklanır
- takip etme
- şu
- Kısmet
- iskelet
- Ücretsiz
- itibaren
- tam
- fonksiyonlar
- gelecek
- Games
- toplama
- genomik
- Küresel
- gol
- Goller
- yönetim
- gradyanları
- grafik
- büyük
- çok
- Büyüyen
- Büyüme
- kuralları yenileyerek
- Sağlık
- sağlık
- Held
- yardım et
- yardım
- yardım
- yardımcı olur
- Yüksek kaliteli
- büyük ölçüde
- Hastanelerinden olan İstanbul Cerrahi Hastanesi'nde
- Ne kadar
- hpc
- HTTPS
- Fikir
- Görüntüleme
- uygulanan
- ithalat
- iyileştirmek
- gelişmiş
- iyileşme
- in
- pasif
- açılış
- A.Ş.
- Dahil olmak üzere
- Artırmak
- Endüstri
- sanayi
- bilgi
- Altyapı
- Girişim
- Yenilikçilik
- yenilikçi
- anlayışlar
- kurumları
- faiz
- arayüzler
- Internet
- bir şeylerin interneti
- IOT
- IT
- kaydol
- anahtar
- bilgi
- Bilgi Grafik
- laboratuvar
- Eksiklik
- dil
- büyük
- büyük ölçekli
- tabaka
- 1 katmanı
- 2 Katmanı
- öncülük etmek
- lider
- öğrenme
- Led
- seviye
- Kaldıraç
- leverages
- kaldıraç
- Kütüphane
- hayat
- Hayat Bilgisi
- Yaşam Bilimleri
- sınırları
- Dinleme
- yük
- yerel
- lokal olarak
- Uzun
- onları
- Los Angeles
- kayıp
- makine
- makine öğrenme
- korumak
- bakım
- büyük
- Yapımı
- yönetmek
- yönetim
- müdür
- yönetme
- tavır
- Mart
- maksimum
- anlamlı
- medya
- tıbbi
- tıp
- adı geçen
- milyon
- Madencilik
- İLE
- Azaltmak
- ML
- Telefon
- cep telefonları
- Moda
- model
- modelleri
- modüler
- Daha
- hareket
- hareketli
- çoklu
- Music
- Doğal (Madenden)
- Doğal Dil İşleme
- Tabiat
- gerek
- yeni
- sonraki
- nesne
- nesneler
- Teklifler
- ONE
- açık
- açık kaynak
- işletmek
- Fırsat
- organizasyonlar
- Diğer
- dışında
- paradigma
- parametreler
- Bölüm
- Katılımcılar
- Partner
- ortaklar
- tutku
- hasta
- Yapmak
- performans
- Kişiselleştirme
- Kişiselleştirilmiş
- Pharma
- İlaç
- telefonlar
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- oynama
- Nokta
- Bakış açısı
- noktaları
- pozlar
- Çivi
- potansiyel
- powered
- Pratik
- tam
- Hassas
- tahmin
- Tahminler
- mevcut
- sunum
- hediyeler
- Önceden
- birincil
- Anapara
- gizlilik
- özel
- Sorun
- sorunlar
- süreç
- Süreçler
- işleme
- Ürünler
- profesör
- Programı
- Programlar
- Ilerleme
- önermek
- koruyucu
- protokol
- protokolleri
- sağlamak
- sağlar
- halka açık
- Genel bulut
- NADİR
- RE
- Okuma
- Gerçek dünya
- Alınan
- son
- Tavsiye
- azaltır
- azaltarak
- Saygılarımızla
- düzenlenmekte olan
- düzenleyici
- Depo
- temsil
- gerektirir
- gereklilik
- gerektirir
- araştırma
- bu
- Sonuçlar
- tespit
- yorum
- Risk
- yol
- yuvarlak
- koşu
- aynı
- ölçek
- Bilim
- BİLİMLERİ
- bilim adamı
- bilim adamları
- sorunsuz
- Sektörler
- güvenli
- güvenlik
- Aramak
- kıdemli
- hassas
- Dizi
- Sunucular
- Hizmetler
- set
- birkaç
- paylaş
- Paylaşılan
- Paylar
- paylaşımı
- şov
- gösterilen
- önemli
- benzer
- simülasyon
- tek
- yer
- Yer
- küçük
- So
- çözüm
- Çözümler
- çözer
- biraz
- Güney
- bağımsız
- başlama
- başlangıç
- state-of-the-art
- Yine
- mağaza
- Ders çalışma
- Başarılı olarak
- böyle
- yeterli
- denetleme
- destek
- Destekler
- Sistemler
- alma
- Hedeflenen
- görevleri
- Teknolojileri
- Teknoloji
- test
- The
- Bilgi
- ve bazı Asya
- tedavi bilimi
- bu nedenle
- işler
- düşünce
- üç
- zaman
- için
- Tren
- eğitilmiş
- Eğitim
- denemeler
- Güvenilir
- türleri
- tipik
- altında yatan
- anlayış
- birim
- üniversite
- Güncelleme
- Amerika Birleşik Devletleri
- kullanım
- kullanıcılar
- yarar
- Değerler
- çeşitlilik
- Geniş
- sektörler
- Görüntüle
- vizyonumuz
- hayati
- hacim
- örneklerde
- hangi
- süre
- DSÖ
- geniş
- içinde
- olmadan
- İş
- çalışır
- yazmak
- yazı yazıyor
- yıl
- Yol ver
- Sen
- zefirnet