Chronomics Amazon Recognition Custom Labels کے ساتھ COVID-19 ٹیسٹ کے نتائج کا پتہ لگاتا ہے۔

کرونومکس ایک ٹیک بائیو کمپنی ہے جو لوگوں کی زندگیوں کو بہتر بنانے کے لیے سائنس اور ڈیٹا کے استعمال کو جمہوری بنانے کے لیے ٹیکنالوجی کے ساتھ ساتھ بائیو مارکرز کا استعمال کرتی ہے — مالیکیولز کے تجزیے سے لی گئی قابل مقدار معلومات۔ ان کا مقصد حیاتیاتی نمونوں کا تجزیہ کرنا اور آپ کو فیصلے کرنے میں مدد کرنے کے لیے قابل عمل معلومات دینا ہے — کسی بھی ایسی چیز کے بارے میں جہاں غیب کے بارے میں مزید جاننا ضروری ہے۔ Chronomics کا پلیٹ فارم فراہم کنندگان کو بغیر کسی رکاوٹ کے پیمانے پر گھریلو تشخیص کو لاگو کرنے کے قابل بناتا ہے — یہ سب کچھ کارکردگی یا درستگی کی قربانی کے بغیر۔ اس نے پہلے ہی اس پلیٹ فارم کے ذریعے لاکھوں ٹیسٹوں پر کارروائی کی ہے اور ایک اعلیٰ معیار کا تشخیصی تجربہ فراہم کیا ہے۔

COVID-19 وبائی مرض کے دوران، Chronomics نے COVID-19 کا پتہ لگانے کے لیے لیٹرل فلو ٹیسٹ (LFT) فروخت کیا۔ صارف پلیٹ فارم پر ٹیسٹ کیسٹ کی تصویر اپ لوڈ کرکے اور ٹیسٹ کی دستی ریڈنگ (مثبت، منفی یا غلط) درج کرکے ٹیسٹ کو رجسٹر کرتے ہیں۔ ٹیسٹوں اور صارفین کی تعداد میں اضافے کے ساتھ، یہ فوری طور پر دستی طور پر تصدیق کرنا غیر عملی ہو گیا کہ آیا رپورٹ شدہ نتیجہ ٹیسٹ کی تصویر کے نتیجے سے مماثل ہے۔ Chronomics ایک قابل توسیع حل بنانا چاہتا تھا جو نتائج کی تصدیق کے لیے کمپیوٹر ویژن کا استعمال کرتا ہے۔

اس پوسٹ میں، ہم اشتراک کرتے ہیں کہ Chronomics کا استعمال کیسے کیا جاتا ہے۔ ایمیزون پہچان۔ COVID-19 لیٹرل فلو ٹیسٹ کے نتائج کا خود بخود پتہ لگانے کے لیے۔

ڈیٹا کی تیاری

درج ذیل تصویر میں صارف کے ذریعے اپ لوڈ کردہ ٹیسٹ کیسٹ کی تصویر دکھائی گئی ہے۔ ڈیٹاسیٹ اس طرح کی تصاویر پر مشتمل ہے۔ ان تصاویر کو COVID-19 ٹیسٹ کے نتائج کے مطابق مثبت، منفی، یا غلط کے طور پر درجہ بندی کرنا ہے۔

ڈیٹاسیٹ کے ساتھ اہم چیلنجز درج ذیل تھے:

• غیر متوازن ڈیٹاسیٹ - ڈیٹاسیٹ انتہائی ترچھا تھا۔ 90٪ سے زیادہ نمونے منفی کلاس سے تھے۔
• ناقابل اعتماد صارف ان پٹ - صارفین کے ذریعہ دستی طور پر اطلاع دی گئی ریڈنگ قابل اعتماد نہیں تھیں۔ تقریباً 40% ریڈنگز تصویر کے اصل نتائج سے مماثل نہیں ہیں۔

ایک اعلیٰ معیار کا تربیتی ڈیٹاسیٹ بنانے کے لیے، Chronomics انجینئرز نے ان اقدامات پر عمل کرنے کا فیصلہ کیا:

• دستی تشریح - دستی طور پر 1,000 تصاویر کو منتخب کریں اور اس پر لیبل لگائیں تاکہ یہ یقینی بنایا جا سکے کہ تینوں کلاسوں کی یکساں نمائندگی کی گئی ہے۔
• تصویر میں اضافہ - تعداد کو 10,000 تک بڑھانے کے لیے لیبل والی تصاویر کو بڑھا دیں۔

تصویری اضافہ کا استعمال کرتے ہوئے کیا گیا تھا۔ البمینٹیشنز، ایک اوپن سورس Python لائبریری۔ 9,000 مصنوعی امیجز بنانے کے لیے متعدد تبدیلیاں جیسے گردش، ری اسکیل اور چمک کو انجام دیا گیا۔ یہ مصنوعی تصاویر ایک اعلیٰ معیار کا ڈیٹاسیٹ بنانے کے لیے اصل تصاویر میں شامل کی گئیں۔

Amazon Recognition کے ساتھ ایک حسب ضرورت کمپیوٹر وژن ماڈل بنانا

Chronomics کے انجینئرز کی طرف متوجہ ہوئے۔ ایمیزون ریکگنیشن کسٹم لیبلز, AutoML صلاحیتوں کے ساتھ Amazon Recognition کی ایک خصوصیت۔ تربیتی تصاویر فراہم کرنے کے بعد، یہ خود بخود ڈیٹا کو لوڈ اور معائنہ کر سکتا ہے، صحیح الگورتھم منتخب کر سکتا ہے، ماڈل کو تربیت دے سکتا ہے، اور ماڈل کی کارکردگی کی پیمائش فراہم کر سکتا ہے۔ یہ کمپیوٹر وژن ماڈل کی تربیت اور تعیناتی کے عمل کو نمایاں طور پر تیز کرتا ہے، یہ Chronomics کے لیے Amazon Recognition کو اپنانے کی بنیادی وجہ بناتا ہے۔ Amazon Recognition کے ساتھ، ہم مطلوبہ کارکردگی کو حاصل کرنے کے لیے ایک حسب ضرورت ماڈل بنانے کی کوشش میں 3 ماہ گزارنے کے برعکس 4–4 ہفتوں میں ایک انتہائی درست ماڈل حاصل کرنے میں کامیاب ہوئے۔

مندرجہ ذیل خاکہ ماڈل ٹریننگ پائپ لائن کی وضاحت کرتا ہے۔ تشریح شدہ تصاویر کو پہلے ایک کا استعمال کرتے ہوئے پہلے سے پروسیس کیا گیا تھا۔ او ڈبلیو ایس لامبڈا۔ فنکشن اس پری پروسیسنگ مرحلے نے اس بات کو یقینی بنایا کہ تصاویر مناسب فائل فارمیٹ میں ہیں اور کچھ اضافی اقدامات بھی انجام دیے ہیں جیسے تصویر کا سائز تبدیل کرنا اور تصویر کو RGB سے گرے اسکیل میں تبدیل کرنا۔ یہ دیکھا گیا کہ اس سے ماڈل کی کارکردگی میں بہتری آئی۔

ماڈل کی تربیت کے بعد، اسے صرف ایک کلک یا API کال کا استعمال کرتے ہوئے اندازہ لگانے کے لیے تعینات کیا جا سکتا ہے۔

ماڈل کی کارکردگی اور ٹھیک ٹیوننگ

نمونے سے باہر کی تصاویر کے سیٹ پر ماڈل نے 96.5% کی درستگی اور 1% کا F97.9 سکور حاصل کیا۔ F1 سکور ایک ایسا پیمانہ ہے جو درجہ بندی کرنے والے کی کارکردگی کی پیمائش کے لیے درستگی اور یاد دونوں کا استعمال کرتا ہے۔ دی DetectCustomLabels API قیاس کے دوران فراہم کردہ تصویر کے لیبل کا پتہ لگانے کے لیے استعمال کیا جاتا ہے۔ API اس اعتماد کو بھی لوٹاتا ہے جو Recognition Custom Labels میں پیشین گوئی شدہ لیبل کی درستگی میں ہے۔ مندرجہ ذیل چارٹ میں امیجز کے لیے پیشین گوئی شدہ لیبلز کے اعتماد کے اسکورز کی تقسیم ہے۔ ایکس محور اعتماد کے اسکور کو 100 سے ضرب دے کر ظاہر کرتا ہے، اور y محور لاگ اسکیل میں پیشین گوئیوں کی گنتی ہے۔

اعتماد کے اسکور پر ایک حد مقرر کر کے، ہم کم اعتماد والی پیشین گوئیوں کو فلٹر کر سکتے ہیں۔ 0.99 کی حد کے نتیجے میں 99.6% کی درستگی ہوئی، اور 5% پیشین گوئیاں رد کر دی گئیں۔ 0.999 کی حد کے نتیجے میں 99.87% کی درستگی ہوئی، 27% پیشین گوئیاں رد کر دی گئیں۔ درست کاروباری قدر فراہم کرنے کے لیے، Chronomics نے درستگی کو زیادہ سے زیادہ کرنے اور پیشین گوئیوں کے مسترد ہونے کو کم سے کم کرنے کے لیے 0.99 کی حد کا انتخاب کیا۔ مزید معلومات کے لیے دیکھیں تربیت یافتہ ماڈل کے ساتھ تصویر کا تجزیہ کرنا.

ضائع شدہ پیشین گوئیوں کو استعمال کرتے ہوئے لوپ میں انسان تک بھی پہنچایا جا سکتا ہے۔ Amazon Augmented AI (ایمیزون A2I) تصویر کو دستی طور پر پروسیس کرنے کے لیے۔ ایسا کرنے کے طریقے کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ Amazon Recognition کے ساتھ Amazon Augmented AI استعمال کریں۔.

مندرجہ ذیل تصویر ایک مثال ہے جہاں ماڈل نے 0.999 کے اعتماد کے ساتھ درست طریقے سے ٹیسٹ کو غلط قرار دیا ہے۔

نتیجہ

اس پوسٹ میں، ہم نے اس آسانی کا مظاہرہ کیا جس کے ساتھ Chronomics نے تیزی سے ایک قابل توسیع کمپیوٹر وژن پر مبنی حل بنایا اور تعینات کیا جو COVID-19 لیٹرل فلو ٹیسٹ کے نتیجے کا پتہ لگانے کے لیے Amazon Recognition کا استعمال کرتا ہے۔ دی ایمیزون پہچان API پریکٹیشنرز کے لیے کمپیوٹر ویژن ماڈلز بنانے کے عمل کو تیز کرنا بہت آسان بناتا ہے۔

اس بارے میں جانیں کہ آپ اپنے مخصوص کاروباری استعمال کے کیس کے لیے کمپیوٹر وژن ماڈلز کو کس طرح تربیت دے سکتے ہیں۔ ایمیزون ریکگنیشن کسٹم لیبلز کے ساتھ شروع کرنا اور جائزہ لے کر ایمیزون ریکگنیشن کسٹم لیبلز گائیڈ.

---

مصنفین کے بارے میں

میٹیا اسپینیلی ایک بایومیڈیکل کمپنی Chronomics میں ایک سینئر مشین لرننگ انجینئر ہے۔ Chronomics کا پلیٹ فارم فراہم کنندگان کو بغیر کسی رکاوٹ کے پیمانے پر گھریلو تشخیص کو لاگو کرنے کے قابل بناتا ہے — یہ سب کچھ کارکردگی یا درستگی کی قربانی کے بغیر۔

پنک پانیگرہی۔ AWS پر اسٹریٹجک کاروباری مسائل کو حل کرنے کے لیے مشین لرننگ پر مبنی حل تیار کرنے کے لیے صارفین کے ساتھ کام کرتا ہے۔ جب وہ مشین لرننگ میں مشغول نہ ہو، تو اسے پیدل سفر کرتے ہوئے، کتاب پڑھتے ہوئے یا کھیلوں میں دلچسپی لیتے ہوئے پایا جاسکتا ہے۔

جے راؤ AWS میں پرنسپل سولیوشن آرکیٹیکٹ ہیں۔ وہ صارفین کو تکنیکی اور اسٹریٹجک رہنمائی فراہم کرنے اور AWS پر حل تیار کرنے اور لاگو کرنے میں ان کی مدد کرنے سے لطف اندوز ہوتا ہے۔

پشمین مستری AWS میں ایک سینئر پروڈکٹ مینیجر ہے۔ کام سے باہر، پشمین کو مہم جوئی کے سفر، فوٹو گرافی، اور اپنے خاندان کے ساتھ وقت گزارنے کا لطف آتا ہے۔