Bu, AWS ve Philips ile ortak bir blogdur.
Philips, anlamlı yeniliklerle insanların yaşamlarını iyileştirmeye odaklanmış bir sağlık teknolojisi şirketidir. Şirket, 2014 yılından bu yana müşterilerine, sağlık ve yaşam bilimleri şirketlerinin hasta bakımını iyileştirmek için kullandığı düzinelerce AWS hizmetini düzenleyen Philips HealthSuite Platformunu sunuyor. Doktorların daha kesin teşhisler koymasına ve dünya çapında milyonlarca insana daha kişiselleştirilmiş tedavi sunmasına yardımcı olacak teknolojiler geliştirmek için sağlık hizmeti sağlayıcıları, yeni kurulan şirketler, üniversiteler ve diğer şirketlerle ortaklık yapıyor.
Philips'in inovasyon stratejisinin temel itici güçlerinden biri, sağlık sonuçlarını iyileştirebilen, müşteri deneyimini iyileştirebilen ve operasyonel verimliliği optimize edebilen akıllı ve kişiselleştirilmiş ürün ve hizmetlerin oluşturulmasına olanak tanıyan yapay zekadır (AI).
Amazon Adaçayı Yapıcı ML yaşam döngüsü boyunca süreçlerin otomatikleştirilmesine ve standartlaştırılmasına yardımcı olmak amacıyla makine öğrenimi işlemlerine (MLOps) yönelik amaca yönelik olarak oluşturulmuş araçlar sağlar. SageMaker MLOps araçlarıyla ekipler, üretimdeki model performansını korurken veri bilimcileri ve makine öğrenimi mühendislerinin verimliliğini artırmak için makine öğrenimi modellerini kolaylıkla eğitebilir, test edebilir, sorunlarını giderebilir, dağıtabilir ve yönetebilir.
Bu yazıda Philips'in, SageMaker'da ölçeklenebilir, güvenli ve uyumlu bir makine öğrenimi platformu olan AI ToolSuite'i geliştirmek için AWS ile nasıl ortaklık kurduğunu açıklıyoruz. Bu platform; deneme, veri açıklaması, eğitim, model devreye alma ve yeniden kullanılabilir şablonlar gibi çeşitli yetenekler sağlar. Tüm bu yetenekler, merkezi kontrollerle geniş ölçekte yönetim sağlarken birden fazla iş kolunun hız ve çeviklikle yenilik yapmasına yardımcı olmak için tasarlandı. Platformun ilk yinelemesi için gereksinimleri sağlayan temel kullanım durumlarını, temel bileşenleri ve elde edilen sonuçları özetledik. Platformun üretken yapay zeka iş yükleriyle etkinleştirilmesi ve yeni kullanıcıların ve ekiplerin platformu benimsemesini hızla sağlamaya yönelik devam eden çabaları belirleyerek sonuca varıyoruz.
Müşteri bağlamı
Philips yapay zekayı görüntüleme, teşhis, terapi, kişisel sağlık ve bağlantılı bakım gibi çeşitli alanlarda kullanıyor. Philips'in geçtiğimiz yıllarda geliştirdiği yapay zeka destekli çözümlerin bazı örnekleri şunlardır:
- Philips SmartSpeed – Çok çeşitli hastalar için hız ve görüntü kalitesini bir sonraki seviyeye taşımak üzere benzersiz bir Sıkıştırılmış-SENSE tabanlı derin öğrenme yapay zeka algoritması kullanan MRI için yapay zeka tabanlı bir görüntüleme teknolojisi
- Philips eCareManager'ı – Yoğun bakım ünitelerindeki kritik hastaların uzaktan bakımını ve yönetimini desteklemek için yapay zekayı kullanan, birden fazla kaynaktan gelen hasta verilerini işlemek için gelişmiş analizler ve klinik algoritmalar kullanan ve hastalar için eyleme geçirilebilir bilgiler, uyarılar ve öneriler sağlayan bir telesağlık çözümü. bakım ekibi
- Philips Sonicare – Kullanıcıların diş fırçalama davranışını ve ağız sağlığını analiz etmek için yapay zekayı kullanan ve diş hijyenini iyileştirmek ve çürükleri ve diş eti hastalıklarını önlemek için gerçek zamanlı rehberlik ve optimum fırçalama süresi, basınç ve kapsama alanı gibi kişiselleştirilmiş öneriler sağlayan akıllı bir diş fırçası .
Philips, uzun yıllardır sağlık hizmetleri alanındaki yenilikçi çözümlerini desteklemek için veri odaklı algoritmaların geliştirilmesine öncülük ediyor. Tanısal görüntüleme alanında Philips, tıbbi görüntünün yeniden yapılandırılması ve yorumlanması, iş akışı yönetimi ve tedavi optimizasyonu için çok sayıda makine öğrenimi uygulaması geliştirdi. Ayrıca hasta takibi, görüntü rehberliğinde tedavi, ultrason ve kişisel sağlık ekipleri ML algoritmaları ve uygulamaları oluşturmaktadır. Ancak ekipler arasında parçalı yapay zeka geliştirme ortamlarının kullanılması nedeniyle inovasyon sekteye uğradı. Bu ortamlar, bireysel dizüstü bilgisayarlardan ve masaüstü bilgisayarlardan şirket içi çeşitli bilgi işlem kümelerine ve bulut tabanlı altyapıya kadar uzanıyordu. Bu heterojenlik başlangıçta farklı ekiplerin ilk yapay zeka geliştirme çabalarında hızlı hareket etmelerini sağladı, ancak artık yapay zeka geliştirme süreçlerimizin verimliliğini ölçeklendirme ve iyileştirme fırsatlarını engelliyor.
Philips'teki veriye dayalı çabaların potansiyelini gerçek anlamda açığa çıkarmak için birleşik ve standartlaştırılmış bir ortama doğru temel bir değişimin zorunlu olduğu açıktı.
Temel AI/ML kullanım örnekleri ve platform gereksinimleri
Yapay zeka/ML destekli öneriler, klinisyenler tarafından gerçekleştirilen idari görevleri otomatikleştirerek sağlık hizmetlerinde dönüşüm yaratabilir. Örneğin:
- Yapay zeka, radyologların hastalıkları daha hızlı ve daha doğru teşhis etmesine yardımcı olmak için tıbbi görüntüleri analiz edebilir
- Yapay zeka, hasta verilerini analiz ederek ve proaktif bakımı iyileştirerek gelecekteki tıbbi olayları tahmin edebilir
- Yapay zeka, hastaların ihtiyaçlarına göre kişiselleştirilmiş tedavi önerebilir
- Yapay zeka, kayıt almayı daha verimli hale getirmek için klinik notlardan bilgi çıkarıp yapılandırabilir
- Yapay zeka arayüzleri sorgular, hatırlatıcılar ve semptom kontrolörleri için hasta desteği sağlayabilir
Genel olarak AI/ML, daha az insan hatası, zaman ve maliyet tasarrufu, optimize edilmiş hasta deneyimleri ve zamanında, kişiselleştirilmiş müdahaleler vaat ediyor.
ML geliştirme ve dağıtım platformunun temel gereksinimlerinden biri, aşağıdaki şekilde gösterildiği gibi platformun sürekli yinelenen geliştirme ve dağıtım sürecini destekleme yeteneğiydi.
Yapay zeka varlığı geliştirme, verilerin toplandığı ve düzenlendiği bir laboratuvar ortamında başlar ve ardından modeller eğitilir ve doğrulanır. Model hazır olduğunda ve kullanıma onaylandığında gerçek dünyadaki üretim sistemlerine dağıtılır. Dağıtıldıktan sonra model performansı sürekli olarak izlenir. Gerçek dünya performansı ve geri bildirimleri, sonunda model eğitimi ve kurulumunun tam otomasyonu ile daha fazla model iyileştirmesi için kullanılır.
Daha ayrıntılı AI ToolSuite gereksinimleri, üç örnek kullanım senaryosundan yola çıkılarak oluşturulmuştur:
- Kenardaki nesne algılamayı amaçlayan bir bilgisayarlı görme uygulaması geliştirin. Veri bilimi ekibi, yapay zeka tabanlı otomatik görüntü açıklaması iş akışının zaman alan etiketleme sürecini hızlandırmasını bekliyordu.
- Bir veri bilimi ekibinin, birden fazla tıbbi birim genelinde istatistikleri kıyaslamak için klasik makine öğrenimi modellerinden oluşan bir aileyi yönetmesine olanak sağlayın. Proje, gelecekte hem denetim hem de yeniden eğitim için model dağıtımının, deney takibinin, model izlemenin otomasyonunu ve uçtan uca tüm süreç üzerinde daha fazla kontrolü gerektiriyordu.
- Tanısal tıbbi görüntülemede derin öğrenme modellerinin kalitesini ve pazara sunma süresini iyileştirin. Mevcut bilgi işlem altyapısı birçok deneyin paralel olarak yürütülmesine izin vermiyordu ve bu da model geliştirmeyi geciktiriyordu. Ayrıca, düzenleme amaçları doğrultusunda, model eğitiminin birkaç yıl boyunca tam olarak tekrarlanabilirliğini sağlamak gereklidir.
İşlevsel olmayan gereksinimler
Ölçeklenebilir ve sağlam bir AI/ML platformu oluşturmak, işlevsel olmayan gereksinimlerin dikkatle değerlendirilmesini gerektirir. Bu gereksinimler platformun belirli işlevlerinin ötesine geçer ve aşağıdakilerin sağlanmasına odaklanır:
- ölçeklenebilirlik – AI ToolSuite platformu, Philips'in içgörü oluşturma altyapısını daha etkili bir şekilde ölçeklendirebilmeli, böylece platform artan miktarda veriyi, kullanıcıları ve AI/ML iş yüklerini performanstan ödün vermeden yönetebilmelidir. Merkezi kaynak yönetimini sağlarken artan talepleri sorunsuz bir şekilde karşılamak için yatay ve dikey olarak ölçeklenebilecek şekilde tasarlanmalıdır.
- Performans – Platformun, karmaşık AI/ML algoritmalarını verimli bir şekilde işlemek için yüksek performanslı bilgi işlem yetenekleri sunması gerekir. SageMaker, model eğitimini ve çıkarım görevlerini önemli ölçüde hızlandırabilen güçlü GPU'lara sahip bulut sunucuları da dahil olmak üzere çok çeşitli bulut sunucusu türleri sunar. Ayrıca gerçek zamanlı veya gerçek zamanlıya yakın sonuçlar sağlamak için gecikme ve yanıt sürelerini de en aza indirmelidir.
- Güvenilirlik – Platform, birden fazla Erişilebilirlik Alanına yayılan, son derece güvenilir ve sağlam bir yapay zeka altyapısı sağlamalıdır. Bu multi-AZ mimarisi, kaynakları ve iş yüklerini farklı veri merkezlerine dağıtarak kesintisiz yapay zeka operasyonları sağlamalıdır.
- Uygunluk – Platform, bakım ve yükseltmeler için minimum kesinti süresiyle 24/7 kullanılabilir olmalıdır. AI ToolSuite'in yüksek kullanılabilirliği; yük dengelemeyi, hataya dayanıklı mimarileri ve proaktif izlemeyi içermelidir.
- Güvenlik ve Yönetim – Platform, olağandışı etkinliklerin sürekli izlenmesi ve güvenlik denetimlerinin gerçekleştirilmesiyle birlikte sağlam güvenlik önlemleri, şifreleme, erişim kontrolleri, özel roller ve kimlik doğrulama mekanizmaları kullanmalıdır.
- Veri yönetimi – Verimli veri yönetimi, AI/ML platformları için çok önemlidir. Sağlık sektöründeki düzenlemeler özellikle sıkı veri yönetimini gerektirmektedir. Doğru ve güvenilir sonuçlar sağlamak için veri sürümü oluşturma, veri kökeni, veri yönetişimi ve veri kalitesi güvencesi gibi özellikleri içermelidir.
- Birlikte çalışabilirlik – Platform, Philips'in dahili veri depolarıyla kolayca entegre olacak şekilde tasarlanmalı, üçüncü taraf uygulamalarla kesintisiz veri alışverişine ve işbirliğine olanak sağlamalıdır.
- İdame – Platformun mimarisi ve kod tabanı iyi organize edilmiş, modüler ve bakımı kolay olmalıdır. Bu, Philips ML mühendislerinin ve geliştiricilerinin tüm sistemi aksatmadan güncellemeler, hata düzeltmeleri ve gelecekteki iyileştirmeler sunmasına olanak tanır.
- Kaynak optimizasyonu – Platform, bilgi işlem kaynaklarının verimli bir şekilde kullanıldığından emin olmak ve kaynakları talebe göre dinamik olarak tahsis etmek için kullanım raporlarını çok yakından izlemelidir. Ayrıca Philips, kullanım tahsis edilen eşik tutarını aştığında ekiplerin bildirim almasını sağlamak için AWS Faturalandırma ve Maliyet Yönetimi araçlarını kullanmalıdır.
- İzleme ve günlük kaydı – Platform kullanmalı Amazon Bulut İzleme Sistem performansını izlemek, darboğazları belirlemek ve sorunları etkili bir şekilde gidermek için gerekli olan kapsamlı izleme ve günlük kaydı yeteneklerine yönelik uyarılar.
- uyma – Platform aynı zamanda yapay zeka destekli tekliflerin mevzuata uygunluğunun iyileştirilmesine de yardımcı olabilir. Tekrarlanabilirlik ve izlenebilirlik, veri kökeni raporları ve model kartları gibi birçok zorunlu belgeleme yapısının otomatik olarak hazırlanabildiği uçtan uca veri işleme hatları tarafından otomatik olarak etkinleştirilmelidir.
- Test ve doğrulama – AI/ML modellerinin doğruluğunu ve güvenilirliğini sağlamak ve istenmeyen önyargıları önlemek için sıkı test ve doğrulama prosedürleri mevcut olmalıdır.
Çözüme genel bakış
AI ToolSuite, Philips HealthSuite güvenlik ve gizlilik korkulukları ve Philips ekosistem entegrasyonlarıyla yerel SageMaker ve ilişkili AI/ML hizmetlerini sunan uçtan uca, ölçeklenebilir, hızlı başlangıçlı bir yapay zeka geliştirme ortamıdır. Özel erişim izinlerine sahip üç kişi vardır:
- Veri bilimcisi – İşbirliğine dayalı bir çalışma alanında verileri hazırlayın ve modelleri geliştirip eğitin
- makine öğrenimi mühendisi – Model dağıtımı, izleme ve bakım ile makine öğrenimi uygulamalarını üretime geçirin
- Veri bilimi yöneticisi – Kullanım durumuna özel şablonlarla özel yalıtılmış ortamlar sağlamak için ekip isteği başına bir proje oluşturun
Platform geliştirme, yinelemeli bir keşfetme, tasarlama, oluşturma, test etme ve dağıtma döngüsünde birden fazla sürüm döngüsünü kapsıyordu. Bazı uygulamaların benzersizliği nedeniyle platformun genişletilmesi, veri depoları veya açıklama eklemeye yönelik özel araçlar gibi mevcut özel bileşenlerin yerleştirilmesini gerektirdi.
Aşağıdaki şekil, ilk katman olarak temel altyapıyı, ikinci katman olarak ortak makine öğrenimi bileşenlerini ve üçüncü katman olarak projeye özel şablonları içeren AI ToolSuite'in üç katmanlı mimarisini göstermektedir.
Katman 1 temel altyapıyı içerir:
- Yüksek kullanılabilirliğe sahip internete parametreli erişime sahip bir ağ katmanı
- Kod olarak altyapı (IaC) ile self servis provizyon
- Bir entegre geliştirme ortamı (IDE), Amazon SageMaker Stüdyosu domain
- Platform rolleri (veri bilimi yöneticisi, veri bilimcisi)
- Eser depolama
- Gözlemlenebilirlik için günlük kaydı ve izleme
Katman 2, ortak ML bileşenlerini içerir:
- Her iş ve üretim hattı için otomatik deneme takibi
- Yeni bir model derlemesi güncellemesi başlatmak için bir model oluşturma hattı
- Model eğitimi, değerlendirme ve kayıttan oluşan bir model eğitim hattı
- Modeli son test ve onay için dağıtmak üzere bir model dağıtım hattı
- Model sürümlerini kolayca yönetmek için bir model kaydı
- Belirli bir kullanım durumu için özel olarak oluşturulan ve SageMaker Studio kullanıcılarına atanacak bir proje rolü
- Proje için oluşturulan işleme, eğitim ve çıkarım kapsayıcı görüntülerini depolamak için bir görüntü deposu
- Kod yapıtlarını depolamak için bir kod deposu
- Bir proje Amazon Basit Depolama Hizmeti Tüm proje verilerini ve yapıtlarını depolamak için (Amazon S3) kovası
Katman 3, yeni projelerin gerektirdiği özel bileşenlerle oluşturulabilen projeye özel şablonlar içerir. Örneğin:
- Şablon 1 – Veri sorgulama ve geçmiş takibi için bir bileşen içerir
- Şablon 2 – Tescilli açıklama araçlarının kullanılması için özel açıklama iş akışına sahip veri açıklamalarına yönelik bir bileşen içerir
- Şablon 3 – Hem geliştirme ortamını hem de eğitim rutinlerini özelleştirmek için özel kapsayıcı görüntülerine yönelik bileşenler, özel HPC dosya sistemi ve kullanıcılar için yerel bir IDE'den erişim içerir
Aşağıdaki şemada geliştirme, hazırlama ve üretim için birden fazla AWS hesabını kapsayan önemli AWS hizmetleri vurgulanmaktadır.
Aşağıdaki bölümlerde SageMaker da dahil olmak üzere AWS hizmetlerinin etkinleştirdiği platformun temel yeteneklerini tartışıyoruz: AWS Hizmet KataloğuBulut İzleme, AWS Lambda, Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR), Amazon S3, AWS Kimlik ve Erişim Yönetimi (IAM) ve diğerleri.
Kod olarak altyapı
Platform, Philips'in altyapı kaynaklarının sağlanmasını ve yönetimini otomatikleştirmesine olanak tanıyan IaC'yi kullanıyor. Bu yaklaşım aynı zamanda geliştirme, test veya üretim için tekrarlanabilirlik, ölçeklenebilirlik, sürüm kontrolü, tutarlılık, güvenlik ve taşınabilirliğe de yardımcı olacaktır.
AWS ortamlarına erişim
SageMaker ve ilgili AI/ML hizmetlerine veri hazırlama, model geliştirme, eğitim, açıklama ekleme ve dağıtım için güvenlik korkuluklarıyla erişilir.
İzolasyon ve işbirliği
Platform, verilerin ayrı ayrı saklanması ve işlenmesi yoluyla izolasyonu sağlar, yetkisiz erişim veya veri ihlali riskini azaltır.
Platform, veri bilimcileri, veri bilimi yöneticileri ve MLOps mühendisleri de dahil olmak üzere genellikle işlevler arası ekipleri içeren yapay zeka projelerinde gerekli olan ekip işbirliğini kolaylaştırır.
Rol tabanlı erişim kontrolü
Rol tabanlı erişim kontrolü (RBAC), rolleri ve izinleri yapılandırılmış bir şekilde tanımlayarak izinlerin yönetilmesi ve erişim yönetiminin basitleştirilmesi açısından önemlidir. Ekipler ve projeler büyüdükçe izinleri yönetmeyi ve veri bilimi yöneticisi, veri bilimcisi, açıklama yöneticisi, açıklamacı ve MLOps mühendisi gibi AWS AI/ML projelerinde yer alan farklı kişiler için erişim kontrolüne erişmeyi kolaylaştırır.
Veri depolarına erişim
Platform, SageMaker'ın veri depolarına erişmesine olanak tanır; bu da, verilerin farklı depolama konumları arasında çoğaltılmasına veya taşınmasına gerek kalmadan model eğitimi ve çıkarım için verimli bir şekilde kullanılmasını sağlar, böylece kaynak kullanımını optimize eder ve maliyetleri azaltır.
Philips'e özel açıklama ekleme araçlarını kullanarak açıklama ekleme
AWS, SageMaker gibi bir AI ve ML hizmetleri paketi sunar. Amazon SageMaker Yer Gerçeği, ve Amazon Cognito'suPhilips'e özel şirket içi açıklama araçlarıyla tamamen entegredir. Bu entegrasyon, geliştiricilerin AWS ortamındaki açıklamalı verileri kullanarak makine öğrenimi modellerini eğitmesine ve dağıtmasına olanak tanır.
Makine öğrenimi şablonları
AI ToolSuite platformu, çeşitli makine öğrenimi iş akışları için AWS'de şablonlar sunar. Bu şablonlar, belirli makine öğrenimi kullanım senaryolarına göre uyarlanmış, önceden yapılandırılmış altyapı kurulumlarıdır ve aşağıdaki hizmetler aracılığıyla erişilebilir: SageMaker proje şablonları, AWS CloudFormationve Servis Kataloğu.
Philips GitHub ile entegrasyon
GitHub ile entegrasyon, sürüm kontrolü, kod incelemeleri ve otomatik CI/CD (sürekli entegrasyon ve sürekli dağıtım) hatları için merkezi bir platform sağlayarak, manuel görevleri azaltarak ve üretkenliği artırarak verimliliği artırır.
Visual Studio Code entegrasyonu
Visual Studio Code ile entegrasyon, ML projelerini kodlamak, hata ayıklamak ve yönetmek için birleşik bir ortam sağlar. Bu, tüm makine öğrenimi iş akışını kolaylaştırarak bağlam değiştirmeyi azaltır ve zamandan tasarruf sağlar. Entegrasyon aynı zamanda ekip üyelerinin tanıdık bir geliştirme ortamında SageMaker projeleri üzerinde birlikte çalışmalarına, sürüm kontrol sistemlerini kullanmalarına ve kod ve not defterlerini sorunsuz bir şekilde paylaşmalarına olanak tanıyarak ekip üyeleri arasındaki iş birliğini de geliştirir.
Tekrarlanabilirlik ve uyumluluk için model ve veri kökeni ve izlenebilirlik
Platform, veri bilimcinin eğitimindeki değişiklikleri ve zaman içinde çıkarım verilerinde yapılan değişiklikleri takip etmeye yardımcı olan sürüm oluşturma özelliği sunarak sonuçların yeniden üretilmesini ve veri kümelerinin gelişiminin anlaşılmasını kolaylaştırır.
Platform aynı zamanda son kullanıcıların, hiperparametreler, giriş verileri, kod ve model yapıları dahil olmak üzere makine öğrenimi deneyleriyle ilişkili tüm meta verileri günlüğe kaydetmesine ve izlemesine olanak tanıyan SageMaker deneme takibini de etkinleştirir. Bu yetenekler, düzenleyici standartlara uygunluğun gösterilmesi ve AI/ML iş akışlarında şeffaflığın ve hesap verebilirliğin sağlanması için gereklidir.
Mevzuat uyumluluğu için AI/ML spesifikasyonu raporu oluşturma
AWS, çeşitli endüstri standartları ve düzenlemelerine yönelik uyumluluk sertifikalarına sahiptir. AI/ML spesifikasyon raporları, düzenleyici gerekliliklere uyumu gösteren temel uyumluluk belgeleri olarak hizmet eder. Bu raporlar veri kümelerinin, modellerin ve kodun sürümlendirmesini belgelemektedir. Sürüm kontrolü, tümü mevzuata uygunluk ve denetim açısından kritik olan veri kökenini, izlenebilirliği ve tekrarlanabilirliği korumak için gereklidir.
Proje düzeyinde bütçe yönetimi
Proje düzeyinde bütçe yönetimi, kuruluşun harcamalara sınır koymasına olanak tanır, beklenmeyen maliyetlerin önlenmesine yardımcı olur ve makine öğrenimi projelerinin bütçe dahilinde kalmasını sağlar. Bütçe yönetimi sayesinde kuruluş, belirli bütçeleri bireysel projelere veya ekiplere tahsis edebilir; bu da ekiplerin kaynak verimsizliklerini veya beklenmedik maliyet artışlarını erken tespit etmesine yardımcı olur. Bütçe yönetiminin yanı sıra boşta kalan not defterlerini otomatik olarak kapatma özelliği sayesinde ekip üyeleri kullanılmayan kaynaklar için ödeme yapmaktan kaçınır, aynı zamanda değerli kaynakları aktif olarak kullanılmadıklarında serbest bırakarak diğer görevler veya kullanıcılar için kullanılabilir hale getirir.
Çıktıları
AI ToolSuite, Philips genelindeki veri bilimcileri için makine öğrenimi geliştirme ve dağıtımına yönelik kurumsal çapta bir platform olarak tasarlandı ve uygulandı. Tasarım ve geliştirme sırasında tüm iş birimlerinin farklı gereksinimleri toplandı ve dikkate alındı. Philips, projenin başlarında geri bildirimde bulunan ve platformun değerinin değerlendirilmesine yardımcı olan iş ekiplerinden şampiyonları belirledi.
Aşağıdaki sonuçlara ulaşıldı:
- Kullanıcının benimsenmesi, Philips için temel öncü göstergelerden biridir. Çeşitli iş birimlerindeki kullanıcılar eğitildi ve platforma dahil edildi; bu sayının 2024 yılında artması bekleniyor.
- Bir diğer önemli ölçüm, veri bilimi kullanıcıları için verimliliktir. AI ToolSuite ile yeni makine öğrenimi geliştirme ortamları birkaç gün yerine bir saatten kısa sürede devreye alınır.
- Veri bilimi ekipleri ölçeklenebilir, güvenli, uygun maliyetli, bulut tabanlı bir bilgi işlem altyapısına erişebilir.
- Ekipler birden fazla model eğitim deneyini paralel olarak yürütebilir; bu da ortalama eğitim süresini haftalardan 1-3 güne önemli ölçüde düşürdü.
- Ortam dağıtımı tamamen otomatik olduğundan, bulut altyapısı mühendislerinin neredeyse hiç katılımını gerektirmez, bu da operasyonel maliyetleri azaltır.
- AI ToolSuite'in kullanımı, sağlık sektöründe mevzuat uyumluluğu açısından kritik önem taşıyan iyi makine öğrenimi uygulamalarının, standartlaştırılmış iş akışlarının ve uçtan uca tekrarlanabilirliğin kullanımını teşvik ederek verilerin ve yapay zeka çıktılarının genel olgunluğunu önemli ölçüde artırdı.
Üretken yapay zekayla ileriye bakıyoruz
Kuruluşlar yapay zekadaki bir sonraki son teknolojiyi benimsemek için yarışırken, kuruluşun güvenlik ve yönetişim politikası bağlamında yeni teknolojiyi benimsemek zorunludur. AI ToolSuite mimarisi, Philips'teki farklı ekipler için AWS'deki üretken yapay zeka özelliklerine erişim sağlamak için mükemmel bir plan sunuyor. Ekipler, aşağıdakilerle sunulan temel modellerini kullanabilir: Amazon SageMaker Hızlı BaşlangıçHugging Face ve diğer sağlayıcılardan çok sayıda açık kaynaklı model sağlayan. Erişim kontrolü, proje provizyonu ve maliyet kontrolleri açısından gerekli korumaların halihazırda mevcut olması sayesinde ekiplerin SageMaker'ın üretken yapay zeka yeteneklerini kullanmaya başlaması sorunsuz olacaktır.
Ek olarak, erişim Amazon Ana KayasıÜretken yapay zekaya yönelik tamamen yönetilen, API odaklı bir hizmet olan .
Sağlık hizmetleri gibi düzenlenmiş bir ortamda üretken yapay zekanın benimsenmesine ilişkin ek hususlar vardır. Üretken yapay zeka uygulamalarının yarattığı değerin, ilgili riskler ve maliyetlere karşı dikkatli bir şekilde değerlendirilmesi gerekir. Ayrıca kuruluşun üretken yapay zeka teknolojilerini kullanımını yöneten bir risk ve yasal çerçeve oluşturmaya da ihtiyaç vardır. Veri güvenliği, önyargı ve adalet ile mevzuata uygunluk gibi unsurların bu tür mekanizmaların bir parçası olarak dikkate alınması gerekir.
Sonuç
Philips, sağlık hizmetleri çözümlerinde devrim yaratmak için veriye dayalı algoritmaların gücünden yararlanma yolculuğuna çıktı. Yıllar geçtikçe tanısal görüntülemedeki yenilikler, görüntünün yeniden yapılandırılmasından iş akışı yönetimine ve tedavi optimizasyonuna kadar çeşitli makine öğrenimi uygulamalarının ortaya çıkmasını sağladı. Ancak bireysel dizüstü bilgisayarlardan şirket içi kümelere ve bulut altyapısına kadar çok çeşitli kurulumlar zorlu zorluklar yarattı. Ayrı sistem yönetimi, güvenlik önlemleri, destek mekanizmaları ve veri protokolü, TCO'nun kapsamlı bir görünümünü ve ekipler arasındaki karmaşık geçişleri engelledi. Araştırma ve geliştirmeden üretime geçiş, köken ve tekrarlanabilirlik eksikliği nedeniyle sıkıntılıydı ve modelin sürekli olarak yeniden eğitilmesini zorlaştırıyordu.
Philips ile AWS arasındaki stratejik iş birliğinin bir parçası olarak AI ToolSuite platformu, SageMaker ile ölçeklenebilir, güvenli ve uyumlu bir makine öğrenimi platformu geliştirmek üzere oluşturuldu. Bu platform; deneme, veri açıklaması, eğitim, model devreye alma ve yeniden kullanılabilir şablonlar gibi çeşitli yetenekler sağlar. Tüm bu yetenekler, çeşitli keşfetme, tasarlama, oluşturma, test etme ve devreye alma döngüleri boyunca tekrarlanarak oluşturuldu. Bu, birden fazla iş biriminin merkezi kontrollerle geniş ölçekte yönetim sağlarken hız ve çeviklikle yenilik yapmasına yardımcı oldu.
Bu yolculuk, sağlık hizmetlerinde yenilikçiliği ve verimliliği artırmak için yapay zeka ve makine öğreniminin gücünden yararlanmak isteyen kuruluşlara ilham kaynağı oluyor ve sonuçta dünya çapındaki hastalara ve bakım sağlayıcılara fayda sağlıyor. Philips, bu başarıyı geliştirmeye devam ederken, yenilikçi yapay zeka destekli çözümler aracılığıyla sağlık sonuçlarını iyileştirme konusunda daha da büyük adımlar atmaya hazırlanıyor.
Philips'in AWS'deki yenilikleri hakkında daha fazla bilgi edinmek için şu adresi ziyaret edin: AWS'de Philips.
yazarlar hakkında
Frank Wartena Philips İnovasyon ve Strateji'de program yöneticisidir. Philips veri ve yapay zeka destekli tekliflerimizi desteklemek için veri ve yapay zeka ile ilgili platform varlıklarını koordine ediyor. Yapay zeka, veri bilimi ve birlikte çalışabilirlik konularında geniş deneyime sahiptir. Frank boş zamanlarında koşmayı, okumayı, kürek çekmeyi ve ailesiyle vakit geçirmeyi seviyor.
Irina Fedulova Philips İnovasyon ve Strateji'de Ana Veri ve Yapay Zeka Lideridir. Philips'te (Üretici) yapay zeka destekli çözümlerin geliştirilmesini ve ürünleştirilmesini hızlandıran ve ölçeklendiren araçlara, platformlara ve en iyi uygulamalara odaklanan stratejik faaliyetleri yürütüyor. Irina'nın makine öğrenimi, bulut bilişim ve yazılım mühendisliği alanlarında güçlü bir teknik geçmişi var. İş dışında ailesiyle vakit geçirmekten, seyahat etmekten ve kitap okumaktan hoşlanıyor.
Selvakumar Palaniyappan Philips İnovasyon ve Strateji'de Ürün Sahibi olup, Philips HealthSuite AI & ML platformunun ürün yönetiminden sorumludur. Teknik ürün yönetimi ve yazılım mühendisliği konularında oldukça deneyimlidir. Şu anda ölçeklenebilir ve uyumlu bir yapay zeka ve makine öğrenimi geliştirme ve dağıtım platformu oluşturmaya çalışıyor. Ayrıca yapay zeka odaklı sağlık sistemleri ve çözümleri geliştirmek amacıyla bu teknolojinin Philips'in veri bilimi ekipleri tarafından benimsenmesine öncülük ediyor.
Adnan Elçi AWS Profesyonel Hizmetler'de Kıdemli Bulut Altyapı Mimarıdır. Sağlık ve Yaşam Bilimleri, Finans, Havacılık ve Üretim sektörlerindeki müşterilerin çeşitli operasyonlarını denetleyen bir Teknik Lider olarak faaliyet göstermektedir. Otomasyona olan tutkusu, AWS ortamında kurumsal düzeyde müşteri çözümlerinin tasarlanması, oluşturulması ve uygulanmasına olan yoğun katılımından açıkça görülmektedir. Adnan, mesleki taahhütlerinin ötesinde, kendisini aktif olarak gönüllü çalışmaya adamakta ve toplum içinde anlamlı ve olumlu bir etki yaratmaya çalışmaktadır.
Hasan Poonawala AWS'de Kıdemli AI/ML Uzman Çözüm Mimarı olan Hasan, müşterilerin AWS'de üretimde makine öğrenimi uygulamaları tasarlamasına ve dağıtmasına yardımcı olur. Veri bilimcisi, makine öğrenimi uygulayıcısı ve yazılım geliştiricisi olarak 12 yılı aşkın iş tecrübesine sahiptir. Hasan boş zamanlarında doğayı keşfetmeyi, arkadaşları ve ailesiyle vakit geçirmeyi sever.
Sreoshi Roy AWS'de Kıdemli Küresel Etkileşim Yöneticisidir. Sağlık ve Yaşam Bilimleri Müşterilerinin iş ortağı olarak, karmaşık iş sorunlarına yönelik çözümlerin tanımlanması ve sunulması konusunda benzersiz bir deneyime sahiptir. Müşterilerinin stratejik hedefler belirlemesine, bulut/veri stratejilerini tanımlayıp tasarlamasına ve teknik ve iş hedeflerini karşılamak için ölçekli ve sağlam çözümü uygulamalarına yardımcı olur. Profesyonel çabalarının ötesinde, kendini adamışlığı, empatiyi teşvik ederek ve kapsayıcılığı teşvik ederek insanların yaşamları üzerinde anlamlı bir etki yaratmada yatmaktadır.
vejahat aziz AWS Sağlık ve Yaşam Bilimleri ekibinde AI/ML ve HPC lideridir. Yaşam bilimi kuruluşlarında farklı rollerde teknoloji lideri olarak hizmet veren Wajahat, sağlık hizmetleri ve yaşam bilimleri müşterilerinin son teknoloji makine öğrenimi ve HPC çözümleri geliştirmek için AWS teknolojilerinden yararlanmasına yardımcı olmak için deneyiminden yararlanıyor. Şu anki odak alanları erken araştırmalar, klinik deneyler ve mahremiyeti koruyan makine öğrenimidir.
Wioletta Stobieniecka AWS Profesyonel Hizmetler'de Veri Bilimcisidir. Profesyonel kariyeri boyunca bankacılık, sigortacılık, telekomünikasyon ve kamu sektörü gibi farklı sektörler için çok sayıda analitik odaklı proje teslim etmiştir. Gelişmiş istatistiksel yöntemler ve makine öğrenimi konusundaki bilgisi, bir iş zekasıyla iyi bir şekilde birleştirilmiştir. Müşteriler için değer yaratmak amacıyla en son yapay zeka gelişmelerini getiriyor.
- 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. karbon, temiz teknoloji, Enerji, Çevre, Güneş, Atık Yönetimi. Buradan Erişin.
- PlatoSağlık. Biyoteknoloji ve Klinik Araştırmalar Zekası. Buradan Erişin.
- Kaynak: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :vardır
- :dır-dir
- :olumsuzluk
- :Neresi
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- kabiliyet
- Yapabilmek
- Hakkımızda
- hızlandırmak
- hızlandırır
- erişim
- Verilere erişim
- erişilen
- ulaşılabilir
- sorumluluk
- Hesaplar
- doğruluk
- doğru
- elde
- karşısında
- dava edilebilir
- aktif
- faaliyetler
- zeka
- ilave
- Ek
- bağlılık
- Gizem
- yönetim
- idari
- benimsemek
- Benimseme
- ileri
- gelişmeler
- karşı
- AI
- AI / ML
- Hedeflenen
- Uyarılar
- algoritma
- algoritmalar
- Türkiye
- ayırmak
- tahsis
- izin vermek
- Izin
- veriyor
- zaten
- Ayrıca
- Amazon
- Amazon Adaçayı Yapıcı
- Amazon Web Servisleri
- arasında
- miktar
- an
- analytics
- çözümlemek
- analiz
- ve
- API'ler
- Uygulama
- uygulamaları
- yaklaşım
- onaylı
- mimari
- ARE
- alanlar
- yapay
- yapay zeka
- Yapay zeka (AI)
- AS
- varlık
- Varlıklar
- atanmış
- ilişkili
- güvence
- At
- denetleme
- denetimler
- Doğrulama
- otomatikleştirmek
- Otomatik
- otomatik olarak
- ayrıca otomasyonun
- Otomasyon
- kullanılabilirliği
- mevcut
- ortalama
- havacılık
- önlemek
- AWS
- AWS Profesyonel Hizmetleri
- Arka
- arka fon
- dengeleme
- Bankacılık
- baz
- merkezli
- BE
- olmuştur
- davranış
- kıyaslama
- yararlanan
- İYİ
- en iyi uygulamalar
- arasında
- Ötesinde
- önyargı
- önyargıları
- fatura
- Blog
- planı
- artırmak
- artırılması
- her ikisi de
- darboğazları
- ihlalleri
- Getiriyor
- geniş
- bütçe
- Bütçeler
- Böcek
- inşa etmek
- bina
- yapılı
- iş
- fakat
- by
- çağrı
- CAN
- yetenekleri
- Kapasite
- Kartlar
- hangi
- Kariyer
- dikkatli
- dava
- durumlarda
- katalog
- Merkezleri
- merkezi
- merkezi
- sertifikalar
- zorluklar
- Şampiyonlar
- değişiklikler
- ücret
- klasik
- istemciler
- Klinik
- klinik denemeler
- klinisyenler
- yakından
- bulut
- cloud computing
- bulut altyapısı
- kod
- kod tabanı
- kodlama
- işbirliği
- işbirlikçi
- kombine
- geliyor
- taahhütler
- ortak
- topluluk
- Şirketler
- şirket
- karmaşık
- uyma
- uyumlu
- karmaşık
- bileşen
- bileşenler
- kapsamlı
- oluşur
- bilişimsel
- hesaplamak
- bilgisayar
- Bilgisayar görüşü
- bilgisayar
- ilişkin
- sonucuna
- iletken
- bağlı
- dikkate
- hususlar
- kabul
- Konteyner
- içeren
- bağlam
- devam etmek
- sürekli
- devamlı olarak
- Süreç
- kontrol
- kontroller
- çekirdek
- Ücret
- Maliyet yönetimi
- tasarruf
- maliyetler
- kapsama
- yaratmak
- Değer Yarat
- çevrimiçi kurslar düzenliyorlar.
- Oluşturma
- oluşturma
- kritik
- çapraz fonksiyonlu ekipler
- çok önemli
- küratörlüğünü
- akım
- Şu anda
- görenek
- müşteri
- müşteri deneyimi
- Müşteri Çözümleri
- Müşteriler
- özelleştirmek
- devir
- döngüleri
- veri
- Veri ihlalleri
- veri merkezleri
- Veri değişimi
- veri yönetimi
- Veri Hazırlama
- veri işleme
- veri bilimi
- veri bilimcisi
- veri güvenliği
- veri-güdümlü
- veri kümeleri
- Günler
- adanmış
- ithaf
- derin
- derin öğrenme
- tanımlamak
- tanımlarken
- Gecikmeli
- teslim etmek
- teslim edilen
- teslim
- Talep
- talepleri
- tasviridir
- dağıtmak
- konuşlandırılmış
- açılma
- dağıtımları
- tanımlamak
- Dizayn
- tasarlanmış
- tasarım
- detaylı
- Bulma
- geliştirmek
- gelişmiş
- Geliştirici
- geliştiriciler
- gelişen
- gelişme
- tanı
- Tanısal görüntüleme
- tanılama
- farklı
- zor
- keşfetmek
- tartışmak
- hastalıklar
- farklı
- dağıtım
- çeşitli
- Doktorlar
- belge
- belgeleme
- domain
- etki
- yapılmış
- aşağı
- Kesinti
- onlarca
- sürücü
- tahrik
- sürücüler
- sürme
- gereken
- sırasında
- dinamik
- Erken
- kolay
- kolayca
- ekosistem
- kenar
- etkili bir şekilde
- verim
- verimli
- verimli biçimde
- çabaları
- ya
- elemanları
- girişti
- katıştırma
- empati
- etkinleştirmek
- etkin
- sağlar
- etkinleştirme
- şifreleme
- son
- son uca
- çabaları
- nişan
- mühendis
- Mühendislik
- Mühendisler
- artırmak
- gelişmiş
- geliştirmeleri
- Geliştirir
- sağlamak
- olmasını sağlar
- sağlanması
- kuruluş
- coşku
- Tüm
- çevre
- ortamları
- hata
- özellikle
- gerekli
- değerlendirmek
- değerlendirme
- Hatta
- olaylar
- sonunda
- Her
- belirgin
- evrim
- örnek
- örnekler
- mükemmel
- takas
- mevcut
- beklenen
- deneyim
- deneyimli
- Deneyimler
- deneme
- deneyler
- keşfetmek
- uzatma
- kapsamlı, geniş
- çıkarmak
- Yüz
- kolaylaştırır
- adalet
- tanıdık
- aile
- HIZLI
- Daha hızlı
- Özellikler(Hazırlık aşamasında)
- Özellikler
- geribesleme
- şekil
- fileto
- son
- maliye
- Ad
- odak
- odaklanmış
- takip etme
- İçin
- müthiş
- ileri
- teşvik
- vakıf
- parçalanmış
- iskelet
- dürüst
- arkadaşlar
- itibaren
- Yakıt
- tam
- tamamen
- işlevsellikleri
- temel
- daha fazla
- Ayrıca
- gelecek
- nesil
- üretken
- üretken yapay zeka
- GitHub
- verilmiş
- Küresel
- Go
- Tercih Etmenizin
- yönetim
- yöneten
- idare eder
- GPU'lar
- büyük
- Zemin
- Büyümek
- Büyüyen
- rehberlik
- güdümlü
- sap
- koşum
- Koşum
- Var
- sahip olan
- he
- Sağlık
- sağlık sistemlerinin
- sağlık
- Sağlık sektörü
- yardım et
- yardım
- yardım
- yardımcı olur
- onu
- Yüksek
- yüksek performans
- özeti
- büyük ölçüde
- kendisi
- onun
- tarih
- tutma
- yatay
- saat
- Ne kadar
- Ancak
- hpc
- HTML
- http
- HTTPS
- insan
- tespit
- belirlemek
- belirlenmesi
- Kimlik
- boş
- göstermektedir
- görüntü
- görüntüleri
- Görüntüleme
- darbe
- zorunlu
- uygulamak
- uygulanan
- uygulanması
- önemli
- iyileştirmek
- iyileştirmeler
- geliştirme
- in
- dahil
- içerir
- Dahil olmak üzere
- Kapsayıcılık
- artan
- göstergeler
- bireysel
- Endüstri
- sanayi
- Endüstri standartları
- verimsizlikler
- bilgi
- Altyapı
- başlangıçta
- yenilik yapmak
- Yenilikçilik
- İnovasyon Stratejisi
- yenilikçi
- giriş
- anlayışlar
- ilham
- örnek
- yerine
- sigorta
- entegre
- entegre
- bütünleşme
- entegrasyonlar
- İstihbarat
- arayüzey
- arayüzler
- iç
- Internet
- Birlikte çalışabilirlik
- yorumlama
- müdahaleler
- içine
- dahil
- ilgili
- tutulum
- Irina
- yalıtılmış
- izolasyon
- sorunlar
- IT
- tekrarlama
- ONUN
- İş
- ortak
- seyahat
- jpg
- tutmak
- anahtar
- bilgi
- laboratuvar
- etiketleme
- Eksiklik
- dizüstü bilgisayarlar
- büyük
- Gecikme
- başlatmak
- tabaka
- öncülük etmek
- lider
- önemli
- ÖĞRENİN
- öğrenme
- Yasal Şartlar
- Yasal çerçeve
- az
- seviye
- Kaldıraç
- leverages
- yalan
- hayat
- Hayat Bilgisi
- Yaşam Bilimleri
- yaşam döngüsü
- sevmek
- sınırları
- soy
- hatları
- yaşamak
- Yaşıyor
- yük
- yerel
- yerleri
- log
- günlüğü
- bakıyor
- seviyor
- makine
- makine öğrenme
- yapılmış
- Sürdürülebilir
- Bakımı
- tutar
- bakım
- yapmak
- YAPAR
- Yapımı
- yönetmek
- yönetilen
- yönetim
- yönetim Araçları
- müdür
- yönetme
- zorunlu
- tavır
- Manuel
- üretim
- çok
- pazar
- olgunluk
- anlamlı
- önlemler
- mekanizmaları
- tıbbi
- Neden
- Üyeler
- Metadata
- yöntemleri
- metrik
- milyonlarca
- en az
- ML
- MLO'lar
- model
- modelleri
- modüler
- izlemek
- izlenen
- izleme
- Daha
- hareket
- MRG
- çoklu
- çokluk
- şart
- yerli
- Tabiat
- gerekli
- gerek
- ihtiyaçlar
- ağ
- yeni
- Yeni kullanıcılar
- sonraki
- yok hayır
- defter
- notlar
- bildirimleri
- şimdi
- numara
- nesne
- Nesne algılama
- hedefleri
- of
- teklif
- Teklifler
- on
- Teknede
- bir Zamanlar
- ONE
- devam
- açık
- açık kaynak
- faaliyet
- işletme
- Operasyon
- Fırsatlar
- optimum
- optimizasyon
- optimize
- optimize
- optimize
- or
- Ağız sağlığı
- sipariş
- kuruluşlar
- organizasyonlar
- Düzenlenmiş
- Diğer
- Diğer
- bizim
- sonuçlar
- taslak
- dışında
- tekrar
- tüm
- nezaret
- sahip
- Paralel
- Bölüm
- Partner
- ortaklık
- ortaklar
- geçer
- geçmiş
- hasta
- hastalar
- ödeme yapan
- İnsanlar
- insanların
- başına
- performans
- izinleri
- kişisel
- Kişiselleştirilmiş
- Öncü
- boru hattı
- yer
- platform
- Platformlar
- Platon
- Plato Veri Zekası
- PlatoVeri
- hazırlanıyor
- politika
- taşınabilirlik
- ortaya
- pozitif
- Çivi
- potansiyel
- güç kelimesini seçerim
- güçlü
- uygulamalar
- gerek
- tahmin
- tercihli
- hazırlık
- Hazırlamak
- hazırlanmış
- korunması
- basınç
- önlemek
- Anapara
- gizlilik
- Proaktif
- sorunlar
- prosedürler
- süreç
- Süreçler
- işleme
- PLATFORM
- ürün Yönetimi
- üretim
- verimlilik
- Ürünler
- profesyonel
- Programı
- proje
- Proje verileri
- Projeler
- vaat
- teşvik
- özel
- protokol
- sağlamak
- sağlanan
- sağlayıcılar
- sağlar
- sağlama
- halka açık
- amaçlı
- kalite
- sorgular
- Hızlı
- Yarış
- menzil
- değişen
- hızla
- Okuma
- hazır
- Gerçek dünya
- gerçek zaman
- teslim almak
- son
- tavsiye etmek
- tavsiyeler
- Indirimli
- azaltarak
- kayıt
- düzenlenmekte olan
- yönetmelik
- düzenleyici
- Yasal Uygunluk
- ilgili
- serbest
- serbest
- güvenilirlik
- güvenilir
- uzak
- rapor
- Raporlar
- Depo
- talep
- gereklidir
- Yer Alan Kurallar
- gerektirir
- araştırma
- araştırma ve geliştirme
- kaynak
- Kaynaklar
- yanıt
- Sonuçlar
- yeniden kullanılabilir
- Yorumları
- devrim yapmak
- titiz
- Risk
- riskler
- gürbüz
- Rol
- rolleri
- koşmak
- koşu
- feda
- sagemaker
- tasarruf
- Tasarruf
- ölçeklenebilirlik
- ölçeklenebilir
- ölçek
- Bilim
- BİLİMLERİ
- bilim adamı
- bilim adamları
- sorunsuz
- sorunsuz
- İkinci
- bölümler
- sektör
- güvenli
- güvenlik
- Güvenlik denetimleri
- Güvenlik Önlemleri
- kıdemli
- ayrı
- hizmet vermek
- hizmet
- vermektedir
- hizmet
- Hizmetler
- set
- Setleri
- ayar
- birkaç
- paylaşımı
- o
- çalışma
- meli
- vitrine
- gösterilen
- kapamak
- kapatmak
- önemli ölçüde
- Basit
- basitleştirilmesi
- beri
- akıllı
- So
- Yazılım
- yazılım Mühendisliği
- çözüm
- Çözümler
- biraz
- Kaynak
- kaynaklar
- gerginlik
- açıklıklı
- öncülük
- uzman
- özel
- özellikle
- şartname
- hız
- geçirmek
- Harcama
- çiviler
- sahneleme
- standartlar
- standları
- başlama
- başlar
- Startups
- state-of-the-art
- istatistiksel
- istatistik
- kalmak
- hafızası
- mağaza
- mağaza
- depolamak
- basit
- Stratejik
- stratejileri
- Stratejileri
- adımlar
- çabası
- güçlü
- yapı
- yapılandırılmış
- stüdyo
- başarı
- böyle
- süit
- destek
- elbette
- semptom
- sistem
- Sistemler
- ısmarlama
- Bizi daha iyi tanımak için
- görevleri
- takım
- Takım üyeleri
- takım
- teknoloji
- Teknik
- Teknolojileri
- Teknoloji
- Telekomünikasyon
- telesağlık
- şablonları
- şartlar
- test
- Test yapmak
- göre
- o
- The
- Gelecek
- ve bazı Asya
- Onları
- sonra
- Orada.
- böylece
- Bunlar
- onlar
- Üçüncü
- üçüncü şahıslara ait
- Re-Tweet
- üç
- eşik
- İçinden
- boyunca
- zaman
- zaman tükeniyor
- vakitli
- zamanlar
- için
- birlikte
- araçlar
- karşı
- İzlenebilirlik
- iz
- Takip
- Tren
- eğitilmiş
- Eğitim
- Dönüştürmek
- geçiş
- geçişler
- Şeffaflık
- Seyahat
- tedavi
- denemeler
- gerçekten
- türleri
- tipik
- eninde sonunda
- yetkisiz
- anlamak
- Beklenmedik
- birleşik
- benzersiz
- benzersizlik
- birimleri
- Üniversiteler
- salmak
- benzersiz
- kullanılmayan
- Güncellemeler
- yükseltmeleri
- üzerine
- kullanım
- kullanım durumu
- Kullanılmış
- kullanıcılar
- kullanım
- kullanma
- kullanılan
- Kullanılması
- valide
- onaylama
- Değerli
- değer
- çeşitlilik
- çeşitli
- Geniş
- versiyon
- dikine
- çok
- üzerinden
- Görüntüle
- fiilen
- vizyonumuz
- Türkiye Dental Sosyal Medya Hesaplarından bizi takip edebilirsiniz.
- görsel
- hacim
- gönüllü
- oldu
- we
- ağ
- web hizmetleri
- Haftalar
- İYİ
- vardı
- ne zaman
- hangi
- süre
- DSÖ
- geniş
- Geniş ürün yelpazesi
- irade
- ile
- içinde
- olmadan
- İş
- iş akışı
- iş akışları
- çalışma
- Dünya çapında
- yıl
- vermiştir
- zefirnet
- bölgeleri