Це спільний блог AWS і Philips.
Philips – це компанія, що займається технологіями охорони здоров’я і зосереджена на покращенні життя людей за допомогою значущих інновацій. З 2014 року компанія пропонує клієнтам свою платформу Philips HealthSuite Platform, яка керує десятками сервісів AWS, які медичні та біологічні компанії використовують для покращення догляду за пацієнтами. Він співпрацює з постачальниками медичних послуг, стартапами, університетами та іншими компаніями для розробки технологій, які допомагають лікарям ставити точніші діагнози та надавати більш персоналізоване лікування для мільйонів людей у всьому світі.
Одним із ключових рушійних сил інноваційної стратегії Philips є штучний інтелект (ШІ), який дозволяє створювати інтелектуальні та персоналізовані продукти та послуги, які можуть покращити результати для здоров’я, покращити взаємодію з клієнтами та оптимізувати операційну ефективність.
Amazon SageMaker надає спеціальні інструменти для операцій машинного навчання (MLOps), щоб допомогти автоматизувати та стандартизувати процеси протягом життєвого циклу ML. За допомогою інструментів SageMaker MLOps команди можуть легко навчати, тестувати, виправляти неполадки, розгортати та керувати моделями ML у масштабі, щоб підвищити продуктивність науковців із обробки даних та інженерів ML, зберігаючи продуктивність моделі у виробництві.
У цій публікації ми описуємо, як Philips співпрацює з AWS для розробки AI ToolSuite — масштабованої, безпечної та сумісної платформи машинного навчання на SageMaker. Ця платформа надає можливості, починаючи від експериментів, анотацій даних, навчання, розгортання моделей і багаторазових шаблонів. Усі ці можливості розроблено для того, щоб допомогти багатьом напрямкам бізнесу впроваджувати інновації зі швидкістю та гнучкістю, водночас керуючи масштабним за допомогою централізованих елементів керування. Ми описуємо ключові варіанти використання, які забезпечили вимоги до першої ітерації платформи, основні компоненти та досягнуті результати. На завершення ми визначимо поточні зусилля, спрямовані на те, щоб надати платформі генеративне робоче навантаження штучного інтелекту та швидко залучити нових користувачів і команди до адаптації платформи.
Контекст клієнта
Philips використовує штучний інтелект у різних областях, таких як візуалізація, діагностика, терапія, особисте здоров’я та підключена допомога. Деякі приклади рішень із підтримкою штучного інтелекту, які Philips розробила за останні роки:
- Philips SmartSpeed – Технологія візуалізації на основі штучного інтелекту для МРТ, яка використовує унікальний алгоритм штучного інтелекту глибокого навчання на основі Compressed-SENSE, щоб вивести швидкість і якість зображення на новий рівень для великої кількості пацієнтів
- Philips eCareManager – Рішення для телемедицини, яке використовує штучний інтелект для підтримки дистанційного догляду та ведення критично хворих пацієнтів у відділеннях інтенсивної терапії, використовуючи вдосконалену аналітику та клінічні алгоритми для обробки даних пацієнтів із багатьох джерел, а також надаючи практичну інформацію, сповіщення та рекомендації для команда догляду
- Philips Sonicare – Розумна зубна щітка, яка використовує штучний інтелект для аналізу поведінки користувачів при чищенні та здоров’я порожнини рота, а також надає вказівки в режимі реального часу та персоналізовані рекомендації, як-от оптимальний час чищення, натиск і покриття, для покращення гігієни зубів і запобігання карієсу та захворювань ясен. .
Протягом багатьох років компанія Philips була піонером у розробці керованих даними алгоритмів, щоб підживлювати свої інноваційні рішення в галузі охорони здоров’я. У сфері діагностичних зображень Philips розробила безліч програм ML для реконструкції та інтерпретації медичних зображень, керування робочим процесом та оптимізації лікування. Крім того, для моніторингу пацієнтів, терапії з використанням зображень, ультразвуку та персональних медичних команд створювали алгоритми та програми машинного навчання. Однак інновації заважали через використання фрагментованих середовищ розробки ШІ в командах. Ці середовища варіюються від окремих ноутбуків і настільних ПК до різноманітних локальних обчислювальних кластерів і хмарної інфраструктури. Ця неоднорідність спочатку дозволяла різним командам швидко рухатися в їхніх ранніх зусиллях з розробки штучного інтелекту, але тепер стримує можливості для масштабування та підвищення ефективності наших процесів розробки штучного інтелекту.
Було очевидно, що фундаментальний зсув до уніфікованого та стандартизованого середовища був обов’язковим для того, щоб по-справжньому розкрити потенціал діяльності Philips, що керується даними.
Ключові випадки використання AI/ML і вимоги до платформи
Пропозиції з підтримкою AI/ML можуть змінити охорону здоров’я шляхом автоматизації адміністративних завдань, які виконують лікарі. Наприклад:
- AI може аналізувати медичні зображення, щоб допомогти радіологам швидше та точніше діагностувати захворювання
- ШІ може передбачати майбутні медичні події, аналізуючи дані пацієнтів і покращуючи проактивну допомогу
- ШІ може рекомендувати індивідуальне лікування відповідно до потреб пацієнтів
- ШІ може отримувати та структурувати інформацію з клінічних записок, щоб зробити запис більш ефективним
- Інтерфейси штучного інтелекту можуть надавати пацієнтам підтримку для запитів, нагадувань і засобів перевірки симптомів
Загалом штучний інтелект/ML обіцяє зменшення людських помилок, економію часу та коштів, оптимізований досвід пацієнтів і своєчасне персоналізоване втручання.
Однією з ключових вимог до платформи розробки та розгортання ML була здатність платформи підтримувати безперервний ітеративний процес розробки та розгортання, як показано на наступному малюнку.
Розробка активів AI починається в лабораторному середовищі, де дані збираються та куруються, а потім моделі навчаються та перевіряються. Коли модель готова та схвалена для використання, її розгортають у реальних виробничих системах. Після розгортання продуктивність моделі постійно контролюється. Реальна продуктивність і відгуки зрештою використовуються для подальшого вдосконалення моделі з повною автоматизацією навчання та розгортання моделі.
Більш детальні вимоги до AI ToolSuite ґрунтувалися на трьох прикладах використання:
- Розробити програму комп’ютерного зору, спрямовану на виявлення об’єктів на краю. Команда дослідників очікувала, що автоматизований робочий процес анотації зображень на основі ШІ пришвидшить трудомісткий процес маркування.
- Дозвольте команді з вивчення даних керувати сімейством класичних моделей ML для порівняльного аналізу статистики в кількох медичних підрозділах. Проект вимагав автоматизації розгортання моделі, відстеження експерименту, моніторингу моделі та більшого контролю над усім процесом від кінця до кінця як для аудиту, так і для перенавчання в майбутньому.
- Покращте якість і час виходу на ринок моделей глибокого навчання в діагностичній медичній візуалізації. Існуюча обчислювальна інфраструктура не дозволяла проводити багато експериментів паралельно, що затримало розробку моделі. Крім того, для нормативних цілей необхідно забезпечити повну відтворюваність навчання моделі протягом кількох років.
Нефункціональні вимоги
Створення масштабованої та надійної платформи AI/ML вимагає ретельного розгляду нефункціональних вимог. Ці вимоги виходять за рамки конкретних функцій платформи та зосереджені на забезпеченні наступного:
- масштабованість – Платформа AI ToolSuite повинна мати можливість ефективніше масштабувати інфраструктуру Philips для створення аналітичних даних, щоб платформа могла обробляти зростаючий обсяг даних, користувачів і робочі навантаження AI/ML без втрати продуктивності. Він має бути розроблений для горизонтального та вертикального масштабування, щоб безперебійно відповідати зростаючим вимогам, одночасно забезпечуючи централізоване керування ресурсами.
- продуктивність – Платформа повинна забезпечувати високопродуктивні обчислювальні можливості для ефективної обробки складних алгоритмів AI/ML. SageMaker пропонує широкий спектр типів екземплярів, у тому числі екземпляри з потужними графічними процесорами, які можуть значно прискорити навчання моделі та завдання логічного висновку. Він також має мінімізувати затримку та час відповіді, щоб надавати результати в реальному або майже в реальному часі.
- Надійність – Платформа має забезпечувати високонадійну та надійну інфраструктуру штучного інтелекту, яка охоплює кілька зон доступності. Ця багатофункціональна архітектура повинна забезпечувати безперебійну роботу ШІ шляхом розподілу ресурсів і робочих навантажень між окремими центрами обробки даних.
- доступність – Платформа має бути доступною 24/7 з мінімальними простоями для обслуговування та оновлень. Висока доступність AI ToolSuite повинна включати балансування навантаження, відмовостійку архітектуру та проактивний моніторинг.
- Безпека та управління – Платформа повинна використовувати надійні заходи безпеки, шифрування, засоби контролю доступу, виділені ролі та механізми автентифікації з постійним моніторингом незвичайних дій і проведенням аудитів безпеки.
- Управління даними – Ефективне управління даними має вирішальне значення для платформ AI/ML. Норми в галузі охорони здоров’я вимагають особливо суворого управління даними. Він повинен містити такі функції, як керування версіями даних, походження даних, керування даними та гарантія якості даних, щоб забезпечити точні та надійні результати.
- Взаємодія – Платформа має бути розроблена так, щоб легко інтегруватися з внутрішніми сховищами даних Philips, забезпечуючи безперебійний обмін даними та співпрацю зі сторонніми програмами.
- Підтримка – Архітектура платформи та кодова база мають бути добре організованими, модульними та доступними для обслуговування. Це дає змогу інженерам і розробникам Philips ML надавати оновлення, виправляти помилки та майбутні покращення, не порушуючи роботу всієї системи.
- Оптимізація ресурсів – Платформа повинна дуже ретельно відстежувати звіти про використання, щоб переконатися, що обчислювальні ресурси використовуються ефективно, і динамічно розподіляти ресурси на основі попиту. Крім того, Philips має використовувати інструменти AWS Billing and Cost Management, щоб переконатися, що команди отримують сповіщення, коли використання перевищує виділену порогову суму.
- Моніторинг і журналювання – Платформа повинна використовуватися Amazon CloudWatch сповіщення для комплексного моніторингу та можливостей журналювання, які необхідні для відстеження продуктивності системи, виявлення вузьких місць і ефективного усунення проблем.
- Дотримання – Платформа також може допомогти покращити нормативну відповідність пропозицій із підтримкою ШІ. Відтворюваність і відстежуваність повинні автоматично вмикатися наскрізними конвеєрами обробки даних, де багато обов’язкових артефактів документації, таких як звіти про походження даних і картки моделей, можуть бути підготовлені автоматично.
- Тестування та перевірка – Для забезпечення точності та надійності моделей штучного інтелекту/ML і запобігання ненавмисним упередженням мають бути встановлені процедури ретельного тестування та перевірки.
Огляд рішення
AI ToolSuite — це наскрізне масштабоване середовище розробки штучного інтелекту зі швидким стартом, яке пропонує власний SageMaker і пов’язані з ним служби штучного інтелекту/ML із захистом Philips HealthSuite, захистом конфіденційності та інтеграцією екосистеми Philips. Є три персони зі спеціальними наборами дозволів доступу:
- Дані вченого – Підготовка даних, розробка та навчання моделей у спільному робочому просторі
- Інженер ML – Виробництво додатків ML із розгортанням моделі, моніторингом і обслуговуванням
- Адміністратор науки про дані – Створіть проект на запит команди, щоб надати виділені ізольовані середовища з використанням шаблонів для конкретних випадків
Розробка платформи охоплювала кілька циклів випуску в ітераційному циклі виявлення, проектування, створення, тестування та розгортання. Через унікальність деяких додатків розширення платформи вимагало вбудовування існуючих користувацьких компонентів, таких як сховища даних або фірмові інструменти для анотацій.
На наступному малюнку показано трирівневу архітектуру AI ToolSuite, включаючи базову інфраструктуру як перший рівень, загальні компоненти ML як другий рівень і шаблони для конкретних проектів як третій рівень.
Рівень 1 містить базову інфраструктуру:
- Мережевий рівень із параметризованим доступом до Інтернету з високою доступністю
- Самообслуговування з інфраструктурою як код (IaC)
- Інтегроване середовище розробки (IDE) з використанням Студія Amazon SageMaker домен
- Ролі на платформі (адміністратор даних, науковець даних)
- Зберігання артефактів
- Реєстрація та моніторинг для спостереження
Рівень 2 містить загальні компоненти ML:
- Автоматизоване відстеження експериментів для кожного завдання та конвеєра
- Конвеєр збірки моделі для запуску нового оновлення збірки моделі
- Конвеєр навчання моделей складається з навчання моделі, оцінки та реєстрації
- Конвеєр розгортання моделі для розгортання моделі для остаточного тестування та затвердження
- Реєстр моделей для легкого керування версіями моделей
- Роль проекту, створена спеціально для певного випадку використання, призначена для користувачів SageMaker Studio
- Репозиторій зображень для зберігання зображень контейнерів для обробки, навчання та висновків, створених для проекту
- Репозиторій коду для зберігання артефактів коду
- Проект Служба простого зберігання Amazon (Amazon S3) для зберігання всіх даних проекту та артефактів
Рівень 3 містить шаблони для конкретних проектів, які можна створювати за допомогою спеціальних компонентів відповідно до вимог нових проектів. Наприклад:
- Шаблон 1 – Включає компонент для запиту даних і відстеження історії
- Шаблон 2 – Включає компонент для анотацій даних із спеціальним робочим процесом анотацій для використання власних інструментів для анотацій
- Шаблон 3 – Включає компоненти для користувальницьких зображень контейнерів для налаштування середовища розробки та процедур навчання, виділену файлову систему HPC і доступ із локальної IDE для користувачів
На наступній діаграмі показано ключові служби AWS, що охоплюють кілька облікових записів AWS для розробки, розміщення та виробництва.
У наступних розділах ми обговорюємо ключові можливості платформи, доступні службами AWS, включаючи SageMaker, Каталог послуг AWS, CloudWatch, AWS Lambda, Реєстр контейнерів Amazon Elastic (Amazon ECR), Amazon S3, Управління ідентифікацією та доступом AWS (IAM) та ін.
Інфраструктура як код
Платформа використовує IaC, що дозволяє Philips автоматизувати надання та управління інфраструктурними ресурсами. Цей підхід також сприятиме відтворюваності, масштабованості, контролю версій, узгодженості, безпеці та переносимості для розробки, тестування чи виробництва.
Доступ до середовищ AWS
Доступ до SageMaker і пов’язаних із ним служб AI/ML здійснюється за допомогою захисних огорож для підготовки даних, розробки моделей, навчання, анотацій і розгортання.
Ізоляція та співпраця
Платформа забезпечує ізоляцію даних, зберігаючи та обробляючи їх окремо, зменшуючи ризик несанкціонованого доступу або витоку даних.
Платформа сприяє командній співпраці, яка є важливою в проектах штучного інтелекту, які зазвичай включають міжфункціональні команди, включаючи спеціалістів з обробки даних, адміністраторів з питань обробки даних та інженерів MLOps.
Рольовий контроль доступу
Контроль доступу на основі ролей (RBAC) має важливе значення для керування дозволами та спрощення керування доступом шляхом структурованого визначення ролей і дозволів. Це спрощує керування дозволами в міру зростання команд і проектів, а також контроль доступу для різних осіб, які беруть участь у проектах AWS AI/ML, таких як адміністратор даних, науковець, адміністратор анотацій, анотатор та інженер MLOps.
Доступ до сховищ даних
Платформа надає SageMaker доступ до сховищ даних, що гарантує ефективне використання даних для навчання моделей і висновків без необхідності дублювати або переміщувати дані в різних місцях зберігання, таким чином оптимізуючи використання ресурсів і знижуючи витрати.
Анотація за допомогою спеціальних інструментів анотації Philips
AWS пропонує набір служб AI та ML, таких як SageMaker, Основна правда Amazon SageMaker та Амазонка Когніто, які повністю інтегровані з власними інструментами анотації Philips. Ця інтеграція дозволяє розробникам навчати та розгортати моделі ML, використовуючи анотовані дані в середовищі AWS.
Шаблони ML
Платформа AI ToolSuite пропонує шаблони в AWS для різних робочих процесів машинного навчання. Ці шаблони є попередньо налаштованими налаштуваннями інфраструктури, адаптованими до конкретних випадків використання машинного навчання, і до них можна отримати доступ через такі служби, як Шаблони проектів SageMaker, AWS CloudFormationі Каталог послуг.
Інтеграція з Philips GitHub
Інтеграція з GitHub підвищує ефективність, надаючи централізовану платформу для контролю версій, перевірки коду та автоматизованих конвеєрів CI/CD (безперервна інтеграція та безперервне розгортання), зменшуючи ручні завдання та підвищуючи продуктивність.
Інтеграція Visual Studio Code
Інтеграція з Visual Studio Code забезпечує уніфіковане середовище для кодування, налагодження та керування проектами ML. Це спрощує весь робочий процес ML, зменшуючи перемикання контексту та економлячи час. Інтеграція також покращує співпрацю між членами команди, дозволяючи їм працювати над проектами SageMaker разом у знайомому середовищі розробки, використовуючи системи контролю версій і безперебійно обмінюючись кодом і блокнотами.
Модель і дані походження та відстеження для відтворюваності та відповідності
Платформа забезпечує керування версіями, що допомагає відстежувати зміни в даних навчання спеціаліста з обробки даних і висновків з часом, полегшуючи відтворення результатів і розуміння еволюції наборів даних.
Платформа також дозволяє відстежувати експерименти SageMaker, що дозволяє кінцевим користувачам реєструвати та відстежувати всі метадані, пов’язані з їхніми експериментами ML, включаючи гіперпараметри, вхідні дані, код і артефакти моделі. Ці можливості необхідні для демонстрації відповідності нормативним стандартам і забезпечення прозорості та підзвітності в робочих процесах AI/ML.
Створення звіту про специфікації AI/ML для відповідності нормативним вимогам
AWS підтримує сертифікати відповідності різним галузевим стандартам і правилам. Звіти про специфікації AI/ML є важливою документацією щодо відповідності, демонструючи дотримання нормативних вимог. Ці звіти документують версії наборів даних, моделей і коду. Контроль версій має важливе значення для підтримки походження даних, можливості відстеження та відтворюваності, що є критично важливим для дотримання нормативних вимог і аудиту.
Управління бюджетом на рівні проекту
Управління бюджетом на рівні проекту дозволяє організації встановлювати обмеження на витрати, допомагаючи уникнути неочікуваних витрат і гарантуючи, що проекти МЛ залишаються в межах бюджету. Завдяки управлінню бюджетом організація може розподіляти конкретні бюджети для окремих проектів або команд, що допомагає командам на ранній стадії виявити неефективність ресурсів або несподівані стрибки витрат. На додаток до управління бюджетом, завдяки функції автоматичного вимикання неактивних ноутбуків члени команди не платять за невикористані ресурси, а також звільняють цінні ресурси, коли вони не використовуються активно, роблячи їх доступними для інших завдань або користувачів.
Результати
AI ToolSuite було розроблено та впроваджено як загальнокорпоративну платформу для розробки та розгортання машинного навчання для спеціалістів із обробки даних у Philips. Під час проектування та розробки були зібрані та враховані різноманітні вимоги від усіх підрозділів. На початку проекту Philips визначила чемпіонів із бізнес-команд, які надали відгук і допомогли оцінити цінність платформи.
Було досягнуто наступних результатів:
- Прийняття користувачами є одним із ключових провідних показників для Philips. Користувачі з кількох бізнес-підрозділів пройшли навчання та підключилися до платформи, і очікується, що ця кількість зросте в 2024 році.
- Іншим важливим показником є ефективність для користувачів наукових даних. Завдяки AI ToolSuite нові середовища розробки ML розгортаються менш ніж за годину замість кількох днів.
- Команди з вивчення даних можуть отримати доступ до масштабованої, безпечної, економічно ефективної хмарної обчислювальної інфраструктури.
- Команди можуть проводити кілька експериментів з моделюванням навчання паралельно, що значно скоротило середній час навчання з тижнів до 1–3 днів.
- Оскільки розгортання середовища повністю автоматизоване, воно практично не потребує участі інженерів хмарної інфраструктури, що зменшило експлуатаційні витрати.
- Використання AI ToolSuite значно підвищило загальну зрілість даних і результатів штучного інтелекту, сприяючи використанню належних практик ML, стандартизованих робочих процесів і наскрізної відтворюваності, що є критично важливим для дотримання нормативних вимог у галузі охорони здоров’я.
З нетерпінням чекаємо генеративного ШІ
У той час, як організації намагаються прийняти наступні найсучасніші технології штучного інтелекту, необхідно впровадити нову технологію в контексті політики безпеки та управління організацією. Архітектура AI ToolSuite забезпечує чудовий план для надання доступу до генеративних можливостей ШІ в AWS для різних команд у Philips. Команди можуть використовувати моделі основи, доступні разом з Amazon SageMaker JumpStart, який надає величезну кількість моделей із відкритим кодом від Hugging Face та інших постачальників. З уже наявними необхідними запобіжними запобіжними засобами щодо контролю доступу, забезпечення проекту та контролю витрат, команди зможуть без проблем почати використовувати генеративні можливості ШІ в SageMaker.
Додатково доступ до Amazon Bedrock, повністю керований API-сервіс для генеративного штучного інтелекту, можна надати для окремих облікових записів на основі вимог проекту, і користувачі можуть отримати доступ до API Amazon Bedrock через інтерфейс ноутбука SageMaker або через бажану IDE.
Існують додаткові міркування щодо впровадження генеративного ШІ в регульованих умовах, таких як охорона здоров’я. Необхідно ретельно розглянути цінність, яку створюють генеративні додатки штучного інтелекту, порівняно з пов’язаними ризиками та витратами. Існує також потреба у створенні ризиків і законодавчої бази, яка регулює використання організацією генеративних технологій ШІ. Такі елементи, як безпека даних, упередженість і справедливість, а також відповідність нормативним вимогам, необхідно розглядати як частину таких механізмів.
Висновок
Компанія Philips розпочала шлях використання потужності алгоритмів, керованих даними, для революції рішень у сфері охорони здоров’я. Протягом багатьох років інновації в діагностичній візуалізації привели до появи кількох програм машинного навчання, від реконструкції зображень до керування робочим процесом і оптимізації лікування. Однак різноманітність налаштувань, від окремих ноутбуків до локальних кластерів і хмарної інфраструктури, створила серйозні проблеми. Окреме адміністрування системи, заходи безпеки, механізми підтримки та протокол даних перешкоджали комплексному уявленню про TCO та складні переходи між командами. Перехід від досліджень і розробок до виробництва був обтяжений відсутністю родоводу та відтворюваності, що ускладнювало постійне перенавчання моделі.
У рамках стратегічної співпраці між Philips і AWS була створена платформа AI ToolSuite для розробки масштабованої, безпечної та сумісної платформи машинного навчання за допомогою SageMaker. Ця платформа надає можливості, починаючи від експериментів, анотацій даних, навчання, розгортання моделей і багаторазових шаблонів. Усі ці можливості створювалися ітеративно протягом кількох циклів виявлення, проектування, створення, тестування та розгортання. Це допомогло багатьом бізнес-підрозділам впроваджувати інновації зі швидкістю та гнучкістю, водночас керуючи масштабом за допомогою центральних елементів керування.
Ця подорож слугує натхненням для організацій, які прагнуть використовувати потужність штучного інтелекту та машинного навчання для стимулювання інновацій та ефективності в охороні здоров’я, що зрештою принесе користь пацієнтам і постачальникам послуг у всьому світі. Продовжуючи розвивати цей успіх, компанія Philips готова досягти ще більших успіхів у покращенні результатів здоров’я за допомогою інноваційних рішень на основі ШІ.
Щоб дізнатися більше про інновації Philips щодо AWS, відвідайте Philips на AWS.
Про авторів
Френк Вартена є менеджером програми Philips Innovation & Strategy. Він координує активи платформи, пов’язані з даними та штучним інтелектом, на підтримку наших пропозицій Philips щодо даних та штучного інтелекту. Він має великий досвід у сфері штучного інтелекту, науки про дані та взаємодії. У вільний час Френк любить бігати, читати та веслувати, а також проводити час із сім’єю.
Ірина Федулова є головним керівником даних і штучного інтелекту в Philips Innovation & Strategy. Вона керує стратегічною діяльністю, зосередженою на інструментах, платформах і найкращих практиках, які пришвидшують і масштабують розробку та виробництво (генеративних) рішень із підтримкою ШІ у Philips. Ірина має глибоку технічну освіту в області машинного навчання, хмарних обчислень та розробки програмного забезпечення. Поза роботою вона любить проводити час із сім’єю, подорожувати та читати.
Селвакумар Паланіяппан є власником продукту в Philips Innovation & Strategy і відповідає за управління продуктами для платформи Philips HealthSuite AI & ML. Він має великий досвід у технічному управлінні продуктами та розробці програмного забезпечення. Зараз він працює над створенням масштабованої та сумісної платформи розробки та розгортання штучного інтелекту та машинного навчання. Крім того, він очолює його впровадження командами Philips з обробки даних для розробки систем охорони здоров’я та рішень на основі ШІ.
Аднан Елчі є старшим архітектором хмарної інфраструктури в AWS Professional Services. Він працює в якості технічного керівника, контролюючи різні операції для клієнтів у сферах охорони здоров’я та біологічних наук, фінансів, авіації та виробництва. Його ентузіазм щодо автоматизації очевидний у його широкій участі в проектуванні, створенні та впровадженні корпоративних рішень для клієнтів у середовищі AWS. Окрім своїх професійних зобов’язань, Аднан активно присвячує себе волонтерській роботі, прагнучи створити значущий і позитивний вплив на суспільство.
Хасан Пунавала Хасан є старшим архітектором рішень спеціаліста зі штучного інтелекту/ML в AWS. Він допомагає клієнтам розробляти та розгортати програми машинного навчання у виробництві на AWS. Він має понад 12 років досвіду роботи науковцем з даних, практиком машинного навчання та розробником програмного забезпечення. У вільний час Хасан любить досліджувати природу та проводити час з друзями та родиною.
Среоші Рой є старшим глобальним менеджером із залучення в AWS. Як діловий партнер клієнтів із сфери охорони здоров’я та біологічних наук, вона має неперевершений досвід у визначенні та наданні рішень для складних бізнес-проблем. Вона допомагає своїм клієнтам визначати стратегічні цілі, визначати та розробляти стратегії хмари/даних і впроваджувати масштабоване та надійне рішення для досягнення їхніх технічних і бізнес-цілей. Окрім її професійних зусиль, її відданість полягає в створенні суттєвого впливу на життя людей шляхом виховання співчуття та сприяння інклюзивності.
Ваджахат Азіз є керівником AI/ML & HPC у команді AWS Healthcare and Life Sciences. Будучи технологічним лідером на різних посадах у наукових організаціях, Ваджахат використовує свій досвід, щоб допомогти клієнтам із охорони здоров’я та наук про життя використовувати технології AWS для розробки найсучасніших рішень ML та HPC. Наразі він зосереджується на перших дослідженнях, клінічних випробуваннях і машинному навчанні, що зберігає конфіденційність.
Віолетта Стобенецька є спеціалістом з обробки даних в AWS Professional Services. Протягом своєї професійної кар’єри вона реалізувала численні аналітичні проекти для різних галузей, таких як банківська справа, страхування, телекомунікації та державний сектор. Її знання передових статистичних методів і машинного навчання добре поєднуються з діловою хваткою. Вона використовує останні досягнення ШІ, щоб створити цінність для клієнтів.
- Розповсюдження контенту та PR на основі SEO. Отримайте посилення сьогодні.
- PlatoData.Network Vertical Generative Ai. Додайте собі сили. Доступ тут.
- PlatoAiStream. Web3 Intelligence. Розширення знань. Доступ тут.
- ПлатонЕСГ. вуглець, CleanTech, Енергія, Навколишнє середовище, Сонячна, Поводження з відходами. Доступ тут.
- PlatoHealth. Розвідка про біотехнології та клінічні випробування. Доступ тут.
- джерело: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- : має
- :є
- : ні
- :де
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- здатність
- Здатний
- МЕНЮ
- прискорювати
- прискорюється
- доступ
- Доступ до даних
- доступний
- доступною
- підзвітність
- Рахунки
- точність
- точний
- досягнутий
- через
- дієвий
- активно
- діяльності
- проникливість
- доповнення
- Додатковий
- прихильність
- адмін
- адміністрація
- адміністративний
- прийняти
- Прийняття
- просунутий
- досягнення
- проти
- AI
- AI / ML
- спрямований
- Alerts
- алгоритм
- алгоритми
- ВСІ
- виділяти
- виділено
- дозволяти
- Дозволити
- дозволяє
- вже
- Також
- Amazon
- Amazon SageMaker
- Amazon Web Services
- серед
- кількість
- an
- аналітика
- аналізувати
- Аналізуючи
- та
- Інтерфейси
- додаток
- застосування
- підхід
- затверджений
- архітектура
- ЕСТЬ
- області
- штучний
- штучний інтелект
- Штучний інтелект (AI)
- AS
- активи
- Активи
- призначений
- асоційований
- гарантія
- At
- аудит
- аудит
- Authentication
- автоматизувати
- Автоматизований
- автоматично
- автоматизація
- Автоматизація
- наявність
- доступний
- середній
- авіація
- уникнути
- AWS
- Професійні послуги AWS
- назад
- фон
- Балансування
- Banking
- база
- заснований
- BE
- було
- поведінка
- бенчмаркінг
- вигода
- КРАЩЕ
- передового досвіду
- між
- За
- зміщення
- упередження
- біллінг
- Блог
- план
- підвищення
- підвищення
- обидва
- вузькі місця
- порушення
- Приносить
- широкий
- бюджет
- Бюджети
- Помилка
- будувати
- Створюємо
- побудований
- бізнес
- але
- by
- call
- CAN
- можливості
- потужність
- Cards
- який
- кар'єра
- обережний
- випадок
- випадків
- каталог
- Центри
- центральний
- централізована
- сертифікати
- проблеми
- Чемпіонів
- Зміни
- заряд
- classic
- клієнтів
- Клінічний
- клінічні випробування
- клініцисти
- тісно
- хмара
- хмарних обчислень
- інфраструктура хмари
- код
- кодова база
- Кодування
- співробітництво
- спільний
- комбінований
- приходить
- зобов'язань
- загальний
- співтовариство
- Компанії
- компанія
- комплекс
- дотримання
- поступливий
- складний
- компонент
- Компоненти
- всеосяжний
- У складі
- обчислювальна
- обчислення
- комп'ютер
- Комп'ютерне бачення
- обчислення
- щодо
- укладає
- Проведення
- підключений
- розгляду
- міркування
- вважається
- Контейнер
- містить
- контекст
- продовжувати
- безперервний
- постійно
- Континуум
- контроль
- управління
- Core
- Коштувати
- Управління витратами
- економія на витратах
- витрати
- охоплення
- створювати
- Створити цінність
- створений
- створення
- створення
- критичний
- міжфункціональні команди
- вирішальне значення
- Куратор
- Поточний
- В даний час
- виготовлений на замовлення
- клієнт
- Досвід клієнтів
- Рішення для клієнтів
- Клієнти
- налаштувати
- цикл
- циклів
- дані
- Порушення даних
- центрів обробки даних
- Обмін даними
- управління даними
- Підготовка даних
- обробка даних
- наука про дані
- вчений даних
- безпеку даних
- керовані даними
- набори даних
- Днів
- присвячених
- відданість
- глибокий
- глибоке навчання
- визначати
- визначаючи
- Затримується
- доставляти
- поставляється
- надання
- Попит
- запити
- демонстрація
- розгортання
- розгорнути
- розгортання
- розгортання
- описувати
- дизайн
- призначений
- проектування
- докладно
- Виявлення
- розвивати
- розвиненою
- Розробник
- розробників
- розвивається
- розробка
- діагностичний
- Діагностична візуалізація
- діагностика
- різний
- важкий
- відкрити
- обговорювати
- хвороби
- чіткий
- розповсюдження
- Різне
- Лікарі
- документ
- документація
- домен
- домени
- зроблений
- вниз
- час простою
- безліч
- управляти
- керований
- драйвери
- водіння
- два
- під час
- динамічно
- Рано
- легше
- легко
- екосистема
- край
- фактично
- ефективність
- ефективний
- продуктивно
- зусилля
- або
- елементи
- приступив
- вбудовування
- співпереживання
- включіть
- включений
- дозволяє
- дозволяє
- шифрування
- кінець
- кінець в кінець
- зусиль
- зачеплення
- інженер
- Машинобудування
- Інженери
- підвищувати
- підвищена
- Удосконалення
- Підсилює
- забезпечувати
- гарантує
- забезпечення
- підприємство
- ентузіазм
- Весь
- Навколишнє середовище
- середовищах
- помилка
- особливо
- істотний
- оцінювати
- оцінка
- Навіть
- Події
- врешті-решт
- Кожен
- очевидний
- еволюція
- приклад
- Приклади
- відмінно
- обмін
- існуючий
- очікуваний
- досвід
- досвідчений
- Досліди
- експеримент
- Експерименти
- дослідити
- розширення
- обширний
- витяг
- Face
- полегшує
- справедливість
- знайомий
- сім'я
- ШВИДКО
- швидше
- особливість
- риси
- зворотний зв'язок
- Рисунок
- філе
- остаточний
- фінансування
- Перший
- Сфокусувати
- увагу
- після
- для
- чудовий
- Вперед
- виховання
- фонд
- фрагментарно
- Рамки
- відвертий
- друзі
- від
- Паливо
- Повний
- повністю
- функціональні можливості
- фундаментальний
- далі
- Крім того
- майбутнє
- покоління
- генеративний
- Генеративний ШІ
- GitHub
- даний
- Глобальний
- Go
- добре
- управління
- управління
- керує
- Графічні процесори
- великий
- Земля
- Рости
- Зростання
- керівництво
- керуватися
- обробляти
- збруя
- Запрягання
- Мати
- має
- he
- здоров'я
- системи охорони здоров'я
- охорона здоров'я
- healthcare industry
- допомога
- допоміг
- допомогу
- допомагає
- її
- Високий
- висока продуктивність
- основний момент
- дуже
- сам
- його
- історія
- проведення
- горизонтально
- годину
- Як
- Однак
- к.с.
- HTML
- HTTP
- HTTPS
- людина
- ідентифікований
- ідентифікувати
- ідентифікує
- Особистість
- Idle
- ілюструє
- зображення
- зображень
- Зображеннями
- Impact
- імператив
- здійснювати
- реалізовані
- реалізації
- важливо
- удосконалювати
- поліпшення
- поліпшення
- in
- включати
- includes
- У тому числі
- Інклюзивність
- зростаючий
- індикатори
- індивідуальний
- промисловості
- промисловість
- галузеві стандарти
- неефективність
- інформація
- Інфраструктура
- спочатку
- оновлювати
- інновація
- Інноваційна стратегія
- інноваційний
- вхід
- розуміння
- натхнення
- екземпляр
- замість
- страхування
- інтегрувати
- інтегрований
- інтеграція
- інтеграцій
- Інтелект
- інтерфейс
- Інтерфейси
- внутрішній
- інтернет
- Взаємодія
- інтерпретація
- втручання
- в
- залучати
- залучений
- участь
- Ірина
- ізольований
- ізоляція
- питання
- IT
- ітерація
- ЙОГО
- робота
- спільна
- подорож
- JPG
- тримати
- ключ
- знання
- lab
- маркування
- відсутність
- ноутбуки
- великий
- Затримка
- запуск
- шар
- вести
- лідер
- провідний
- УЧИТЬСЯ
- вивчення
- легальний
- законодавча база
- менше
- рівень
- Важіль
- важелі
- лежить
- життя
- Науки про життя
- Life Sciences
- Життєвий цикл
- як
- рамки
- родовід
- ліній
- жити
- Місце проживання
- загрузка
- місцевий
- місць
- журнал
- каротаж
- шукати
- любить
- машина
- навчання за допомогою машини
- made
- Підлягає ремонту
- Підтримка
- підтримує
- обслуговування
- зробити
- РОБОТИ
- Робить
- управляти
- вдалося
- управління
- Інструменти управління
- менеджер
- управління
- обов'язковий
- манера
- керівництво
- виробництво
- багато
- ринок
- зрілість
- значущим
- заходи
- механізми
- медичний
- Зустрічатися
- члени
- метадані
- методика
- метрика
- мільйони
- мінімальний
- ML
- MLOps
- модель
- Моделі
- модульний
- монітор
- контрольований
- моніторинг
- більше
- рухатися
- МРТ
- множинний
- безліч
- повинен
- рідний
- природа
- необхідно
- Необхідність
- потреби
- мережа
- Нові
- нових користувачів
- наступний
- немає
- ноутбук
- примітки
- Повідомлення
- зараз
- номер
- об'єкт
- Виявлення об'єктів
- цілей
- of
- пропонує
- Пропозиції
- on
- Onboard
- один раз
- ONE
- постійний
- відкрити
- з відкритим вихідним кодом
- працює
- оперативний
- операції
- Можливості
- оптимальний
- оптимізація
- Оптимізувати
- оптимізований
- оптимізуючий
- or
- Оральне здоров'я
- порядок
- організація
- організації
- Організований
- Інше
- інші
- наші
- Результати
- план
- поза
- над
- загальний
- спостереження
- власник
- Паралельні
- частина
- партнер
- партнерська
- партнери
- проходить
- Минуле
- пацієнт
- pacientes
- платіж
- Люди
- народний
- для
- продуктивність
- Дозволи
- персонал
- Персоналізовані
- Піонерський
- трубопровід
- місце
- платформа
- Платформи
- plato
- Інформація про дані Платона
- PlatoData
- готовий
- політика
- портативність
- поставлений
- позитивний
- пошта
- потенціал
- влада
- потужний
- практики
- необхідність
- передбачати
- переважним
- підготовка
- Готувати
- підготовлений
- консервування
- тиск
- запобігати
- Головний
- недоторканність приватного життя
- Проактивний
- проблеми
- Процедури
- процес
- процеси
- обробка
- Product
- Управління продуктом
- Production
- продуктивність
- Продукти
- професійний
- програма
- проект
- дані проекту
- проектів
- обіцяє
- сприяння
- власником
- протокол
- забезпечувати
- за умови
- провайдери
- забезпечує
- забезпечення
- громадськість
- цілей
- якість
- запити
- Швидко
- Гонки
- діапазон
- ранжування
- швидко
- читання
- готовий
- Реальний світ
- реального часу
- отримати
- останній
- рекомендувати
- рекомендації
- Знижений
- зниження
- реєстру
- регулюється
- правила
- регуляторні
- Відповідність нормативам
- пов'язаний
- звільнити
- випуску
- надійність
- надійний
- віддалений
- звітом
- Звіти
- Сховище
- запросити
- вимагається
- Вимога
- Вимагається
- дослідження
- дослідження і розробка
- ресурс
- ресурси
- відповідь
- результати
- багаторазовий
- Відгуки
- здійснити революцію
- суворий
- Risk
- ризики
- міцний
- Роль
- ролі
- прогін
- біг
- жертвуючи
- мудрець
- економія
- Економія
- масштабованість
- масштабовані
- шкала
- наука
- НАУКИ
- вчений
- Вчені
- безшовні
- плавно
- другий
- розділам
- сектор
- безпечний
- безпеку
- Аудити безпеки
- Заходи безпеки
- старший
- окремий
- служити
- служив
- служить
- обслуговування
- Послуги
- комплект
- набори
- установка
- кілька
- поділ
- вона
- зсув
- Повинен
- демонстрація
- показаний
- закрити
- Вимикати
- істотно
- простий
- спрощення
- з
- розумний
- So
- Софтвер
- розробка програмного забезпечення
- рішення
- Рішення
- деякі
- Source
- Джерела
- напруга
- прольоти
- очолює
- спеціаліст
- конкретний
- конкретно
- специфікація
- швидкість
- витрачати
- Витрати
- шипи
- інсценування
- стандартів
- стенди
- старт
- починається
- Стартапи
- впроваджений
- статистичний
- статистика
- залишатися
- зберігання
- зберігати
- магазинів
- зберігання
- просто
- Стратегічний
- стратегії
- Стратегія
- успіхів
- прагнення
- сильний
- структура
- структурований
- студія
- успіх
- такі
- набір
- підтримка
- Переконайтеся
- симптом
- система
- Systems
- з урахуванням
- Приймати
- завдання
- команда
- Члени команди
- команди
- технології
- технічний
- Технології
- Технологія
- Telco
- телегенез
- Шаблони
- terms
- тест
- Тестування
- ніж
- Що
- Команда
- Майбутнє
- їх
- Їх
- потім
- Там.
- тим самим
- Ці
- вони
- третій
- третя сторона
- це
- три
- поріг
- через
- по всьому
- час
- трудомісткий
- своєчасно
- times
- до
- разом
- інструменти
- до
- Простежуваність
- трек
- Відстеження
- поїзд
- навчений
- Навчання
- Перетворення
- перехід
- переходи
- прозорість
- Подорож
- лікування
- випробування
- по-справжньому
- Типи
- типово
- Зрештою
- несанкціонований
- розуміти
- Unexpected
- єдиний
- створеного
- унікальність
- одиниць
- університети
- розв'язати
- безпрецедентний
- невикористаний
- Updates
- оновлення
- на
- використання
- використання випадку
- використовуваний
- користувачі
- використовує
- використання
- використовувати
- використовує
- підтверджено
- перевірка достовірності
- Цінний
- значення
- різноманітність
- різний
- величезний
- версія
- вертикально
- дуже
- через
- вид
- фактично
- бачення
- візит
- візуальний
- обсяг
- волонтер
- було
- we
- Web
- веб-сервіси
- тижня
- ДОБРЕ
- були
- коли
- який
- в той час як
- ВООЗ
- широкий
- Широкий діапазон
- волі
- з
- в
- без
- Work
- робочий
- Робочі процеси
- робочий
- світовий
- років
- дали
- зефірнет
- зони