2021 میں، فارماسیوٹیکل انڈسٹری نے امریکی آمدنی میں $550 بلین پیدا کیا۔. فارماسیوٹیکل کمپنیاں مارکیٹ میں مختلف قسم کی، اکثر نئی، دوائیں فروخت کرتی ہیں، جہاں بعض اوقات غیر ارادی لیکن سنگین منفی واقعات رونما ہو سکتے ہیں۔
ان واقعات کی اطلاع ہسپتالوں یا گھر سے کہیں بھی دی جا سکتی ہے، اور ذمہ داری کے ساتھ اور مؤثر طریقے سے نگرانی کی جانی چاہیے۔ صحت کے اعداد و شمار اور اخراجات کی بڑھتی ہوئی مقدار کی وجہ سے منفی واقعات کی روایتی دستی پروسیسنگ کو چیلنج بنا دیا گیا ہے۔ مجموعی طور پر، 384 تک مجموعی طور پر صحت کی دیکھ بھال کی صنعت کے لیے فارماکو ویجیلنس سرگرمیوں کی لاگت کے طور پر $2022 بلین کا تخمینہ لگایا گیا ہے۔ فارماسو ویجیلنس کی وسیع سرگرمیوں کو سپورٹ کرنے کے لیے، ہمارے فارماسیوٹیکل صارفین مختلف ڈیٹا ذرائع سے منفی واقعات کی نشاندہی کو خودکار بنانے کے لیے مشین لرننگ (ML) کی طاقت کا استعمال کرنا چاہتے ہیں۔ ، جیسے سوشل میڈیا فیڈز، فون کالز، ای میلز، اور ہاتھ سے لکھے ہوئے نوٹ، اور مناسب کارروائیوں کو متحرک کریں۔
اس پوسٹ میں، ہم دکھاتے ہیں کہ کس طرح ML سے چلنے والا حل تیار کیا جائے۔ ایمیزون سیج میکر ہگنگ فیس پر عوامی طور پر دستیاب ایڈورس ڈرگ ری ایکشن ڈیٹاسیٹ کا استعمال کرتے ہوئے منفی واقعات کا پتہ لگانے کے لیے۔ اس حل میں، ہم Hugging Face پر مختلف قسم کے ماڈلز کو ٹھیک بناتے ہیں جو میڈیکل ڈیٹا پر پہلے سے تربیت یافتہ تھے اور BioBERT ماڈل کا استعمال کرتے ہیں، جو پہلے سے تربیت یافتہ تھا پبڈ ڈیٹاسیٹ اور آزمائے ہوئے لوگوں میں سے بہترین کارکردگی کا مظاہرہ کرتا ہے۔
ہم نے استعمال کرتے ہوئے حل کو نافذ کیا۔ AWS کلاؤڈ ڈویلپمنٹ کٹ (AWS CDK)۔ تاہم، ہم اس پوسٹ میں حل کی تعمیر کی تفصیلات کا احاطہ نہیں کرتے ہیں۔ اس حل کے نفاذ کے بارے میں مزید معلومات کے لیے، رجوع کریں۔ Amazon SageMaker اور Amazon QuickSight کا استعمال کرتے ہوئے حقیقی وقت میں منفی واقعات کو پکڑنے کے لیے ایک نظام بنائیں.
یہ پوسٹ مندرجہ ذیل موضوعات کی جامع تلاش فراہم کرتے ہوئے کئی کلیدی شعبوں کا احاطہ کرتی ہے:
- AWS پروفیشنل سروسز کو درپیش ڈیٹا چیلنجز
- بڑے لینگویج ماڈلز (LLMs) کی زمین کی تزئین اور اطلاق:
- ٹرانسفارمرز، BERT، اور GPT
- گلے لگانے والا چہرہ
- ایل ایل ایم کا عمدہ حل اور اس کے اجزاء:
- ڈیٹا کی تیاری
- ماڈل ٹریننگ
ڈیٹا چیلنج
درجہ بندی کے کاموں کے ساتھ آتے وقت ڈیٹا سکیو اکثر ایک مسئلہ ہوتا ہے۔ آپ مثالی طور پر ایک متوازن ڈیٹاسیٹ رکھنا چاہیں گے، اور استعمال کا یہ معاملہ بھی اس سے مستثنیٰ نہیں ہے۔
ہم اس ترچھے سے خطاب کرتے ہیں۔ پیدا کرنے والا AI ماڈلز (Falcon-7B اور Falcon-40B)، جن کو تربیتی سیٹ سے پانچ مثالوں کی بنیاد پر واقعہ کے نمونے تیار کرنے کے لیے کہا گیا تھا تاکہ معنوی تنوع کو بڑھایا جا سکے اور لیبل لگے ہوئے منفی واقعات کے نمونے کے سائز میں اضافہ کیا جا سکے۔ یہاں Falcon ماڈلز کا استعمال کرنا ہمارے لیے فائدہ مند ہے کیونکہ، Hugging Face پر کچھ LLMs کے برعکس، Falcon آپ کو وہ ٹریننگ ڈیٹا سیٹ فراہم کرتا ہے جو وہ استعمال کرتے ہیں، اس لیے آپ یقین کر سکتے ہیں کہ آپ کے ٹیسٹ سیٹ کی کوئی بھی مثال Falcon ٹریننگ سیٹ میں موجود نہیں ہے اور ڈیٹا سے گریز کریں۔ آلودگی
صحت کی دیکھ بھال کرنے والے صارفین کے لیے دوسرا ڈیٹا چیلنج HIPAA کی تعمیل کی ضروریات ہیں۔ ان ضروریات کو پورا کرنے کے لیے آرام اور ٹرانزٹ میں خفیہ کاری کو حل میں شامل کرنا ہوگا۔
ٹرانسفارمرز، BERT، اور GPT
ٹرانسفارمر فن تعمیر ایک نیورل نیٹ ورک فن تعمیر ہے جو قدرتی زبان کی پروسیسنگ (NLP) کے کاموں کے لیے استعمال ہوتا ہے۔ یہ سب سے پہلے کاغذ میں متعارف کرایا گیا تھا "توجہ صرف آپ کی ضرورت ہے" واسوانی وغیرہ کے ذریعہ۔ (2017)۔ ٹرانسفارمر فن تعمیر توجہ کے طریقہ کار پر مبنی ہے، جو ماڈل کو الفاظ کے درمیان طویل فاصلے تک انحصار سیکھنے کی اجازت دیتا ہے۔ ٹرانسفارمرز، جیسا کہ اصل کاغذ میں بیان کیا گیا ہے، دو اہم اجزاء پر مشتمل ہے: انکوڈر اور ڈیکوڈر۔ انکوڈر ان پٹ کی ترتیب کو ان پٹ کے طور پر لیتا ہے اور پوشیدہ حالتوں کا ایک سلسلہ تیار کرتا ہے۔ ڈیکوڈر پھر ان پوشیدہ حالتوں کو ان پٹ کے طور پر لیتا ہے اور آؤٹ پٹ کی ترتیب تیار کرتا ہے۔ توجہ کا طریقہ کار انکوڈر اور ڈیکوڈر دونوں میں استعمال ہوتا ہے۔ توجہ کا طریقہ کار ماڈل کو آؤٹ پٹ تسلسل پیدا کرتے وقت ان پٹ کی ترتیب میں مخصوص الفاظ میں شرکت کرنے کی اجازت دیتا ہے۔ یہ ماڈل کو الفاظ کے درمیان طویل فاصلے تک انحصار سیکھنے کی اجازت دیتا ہے، جو کہ بہت سے NLP کاموں کے لیے ضروری ہے، جیسے کہ مشینی ترجمہ اور متن کا خلاصہ۔
ٹرانسفارمر آرکیٹیکچرز کے سب سے زیادہ مقبول اور مفید میں سے ایک، ٹرانسفارمرز (BERT) سے Bidirectional Encoder Representations (BERT)، ایک زبان کی نمائندگی کا ماڈل ہے جو 2018 میں متعارف کرایا. BERT کو ان ترتیبوں پر تربیت دی جاتی ہے جہاں ایک جملے میں کچھ الفاظ کو ماسک کیا جاتا ہے، اور اسے ان الفاظ کو بھرنا ہوتا ہے جس میں نقاب پوش الفاظ سے پہلے اور بعد میں دونوں الفاظ کو مدنظر رکھا جاتا ہے۔ BERT کو NLP کے مختلف کاموں کے لیے ٹھیک بنایا جا سکتا ہے، بشمول سوالوں کے جوابات، فطری زبان کا اندازہ، اور جذبات کا تجزیہ۔
دوسرا مقبول ٹرانسفارمر فن تعمیر جس نے دنیا کو طوفان سے دوچار کیا ہے وہ ہے جنریٹو پری ٹرینڈ ٹرانسفارمر (GPT)۔ پہلا جی پی ٹی ماڈل تھا۔ اوپن اے آئی کے ذریعہ 2018 میں متعارف کرایا گیا۔. یہ ایک ترتیب میں اگلے لفظ کی سختی سے پیشین گوئی کرنے کی تربیت حاصل کرکے کام کرتا ہے، صرف لفظ سے پہلے کے سیاق و سباق سے واقف ہوتا ہے۔ جی پی ٹی ماڈلز کو ٹیکسٹ اور کوڈ کے بڑے ڈیٹاسیٹ پر تربیت دی جاتی ہے، اور ان کو NLP کاموں کی ایک حد کے لیے ٹھیک بنایا جا سکتا ہے، بشمول ٹیکسٹ جنریشن، سوالوں کے جوابات، اور خلاصہ۔
عام طور پر، BERT ایسے کاموں میں بہتر ہے جن کے لیے الفاظ کے سیاق و سباق کی گہری سمجھ کی ضرورت ہوتی ہے۔ جی پی ٹی ان کاموں کے لیے بہتر ہے جن کے لیے متن بنانے کی ضرورت ہوتی ہے۔.
گلے لگانے والا چہرہ
Hugging Face ایک مصنوعی ذہانت کی کمپنی ہے جو NLP میں مہارت رکھتی ہے۔ یہ ٹولز اور وسائل کے ساتھ ایک پلیٹ فارم مہیا کرتا ہے جو ڈویلپرز کو NLP کاموں پر توجہ مرکوز کرنے والے ML ماڈلز بنانے، تربیت دینے، اور تعینات کرنے کے قابل بناتا ہے۔ Hugging Face کی ایک اہم پیشکش اس کی لائبریری ہے، ٹرانسفارمرز، جس میں پہلے سے تربیت یافتہ ماڈلز شامل ہیں جو مختلف زبان کے کاموں جیسے متن کی درجہ بندی، ترجمہ، خلاصہ، اور سوالوں کے جوابات کے لیے ٹھیک بنائے جا سکتے ہیں۔
Hugging Face بغیر کسی رکاوٹ کے SageMaker کے ساتھ ضم ہوتا ہے، جو کہ ایک مکمل طور پر منظم سروس ہے جو ڈیولپرز اور ڈیٹا سائنسدانوں کو ML ماڈلز کو بڑے پیمانے پر بنانے، تربیت دینے اور تعینات کرنے کے قابل بناتی ہے۔ یہ ہم آہنگی NLP کاموں کو جدید ترین ماڈلز کے ساتھ جو کہ Hugging Face پیش کرتا ہے، AWS کی طاقتور اور لچکدار ML سروسز کے ساتھ مل کر سنبھالنے کے لیے ایک مضبوط اور توسیع پذیر انفراسٹرکچر فراہم کر کے صارفین کو فائدہ پہنچاتا ہے۔ آپ گلے لگانے والے چہرے کے ماڈل تک براہ راست یہاں سے بھی رسائی حاصل کر سکتے ہیں۔ ایمیزون سیج میکر جمپ اسٹارٹپہلے سے تعمیر شدہ حل کے ساتھ شروع کرنا آسان بناتا ہے۔
حل جائزہ
ہم نے منفی واقعات کی درجہ بندی کے کام کے لیے SageMaker پر ٹرانسفارمر ماڈلز کو ٹھیک کرنے کے لیے Hugging Face Transformers لائبریری کا استعمال کیا۔ تربیتی کام SageMaker PyTorch تخمینہ کار کا استعمال کرتے ہوئے بنایا گیا ہے۔ SageMaker JumpStart میں Hugging Face کے ساتھ کچھ تکمیلی انضمام بھی ہیں جو لاگو کرنا آسان بنا دیتے ہیں۔ اس سیکشن میں، ہم ڈیٹا کی تیاری اور ماڈل ٹریننگ میں شامل اہم اقدامات کی وضاحت کرتے ہیں۔
ڈیٹا کی تیاری
ہم نے منشیات کے منفی رد عمل کا ڈیٹا استعمال کیا (ade_corpus_v2) 80/20 ٹریننگ/ٹیسٹ اسپلٹ کے ساتھ ہیگنگ فیس ڈیٹاسیٹ کے اندر۔ ہمارے ماڈل کی تربیت اور تخمینہ کے لیے مطلوبہ ڈیٹا ڈھانچہ کے دو کالم ہیں:
- ماڈل ان پٹ ڈیٹا کے بطور ٹیکسٹ مواد کے لیے ایک کالم۔
- لیبل کلاس کے لیے ایک اور کالم۔ ہمارے پاس متن کی دو ممکنہ کلاسیں ہیں:
Not_AE
اورAdverse_Event
.
ماڈل ٹریننگ اور تجربہ
ممکنہ ہگنگ فیس ماڈلز کی جگہ کو مؤثر طریقے سے تلاش کرنے کے لیے اپنے منفی واقعات کے مشترکہ ڈیٹا کو ٹھیک کرنے کے لیے، ہم نے سیج میکر ہائپر پیرامیٹر آپٹیمائزیشن (HPO) جاب بنایا اور دوسرے اہم ہائپر پیرامیٹر کے ساتھ ساتھ ایک ہائپر پیرامیٹر کے طور پر مختلف ہگنگ فیس ماڈلز میں پاس کیا۔ جیسے کہ تربیتی بیچ کا سائز، ترتیب کی لمبائی، ماڈلز، اور سیکھنے کی شرح۔ تربیتی ملازمتوں میں ایک ml.p3dn.24xlarge مثال استعمال کی گئی اور اس مثال کی قسم کے ساتھ فی کام اوسطاً 30 منٹ لگے۔ اگرچہ ٹریننگ میٹرکس پکڑے گئے تھے۔ ایمیزون سیج میکر کے تجربات ٹول، اور ہر تربیتی کام 10 عہدوں سے گزرا۔
ہم اپنے کوڈ میں درج ذیل کی وضاحت کرتے ہیں:
- تربیتی بیچ کا سائز - نمونوں کی تعداد جو ماڈل کے وزن کو اپ ڈیٹ کرنے سے پہلے ایک ساتھ پروسیس کیے جاتے ہیں۔
- تسلسل کی لمبائی - ان پٹ ترتیب کی زیادہ سے زیادہ لمبائی جس پر BERT کارروائی کر سکتا ہے۔
- سیکھنے کی شرح - ٹریننگ کے دوران ماڈل کتنی جلدی اپنے وزن کو اپ ڈیٹ کرتا ہے۔
- ماڈل - پہلے سے تربیت یافتہ ماڈلز کو گلے لگانا
نتائج کی نمائش
ہمارے استعمال کے معاملے میں بہترین کارکردگی کا مظاہرہ کرنے والا ماڈل تھا۔ monologg/biobert_v1.1_pubmed
Hugging Face پر ہوسٹڈ ماڈل، جو BERT فن تعمیر کا ایک ورژن ہے جو Pubmed ڈیٹاسیٹ پر پہلے سے تربیت یافتہ ہے، جو 19,717 سائنسی اشاعتوں پر مشتمل ہے۔ اس ڈیٹاسیٹ پر بی ای آر ٹی کی پری ٹریننگ اس ماڈل کو اضافی مہارت فراہم کرتی ہے جب بات طبی طور پر متعلقہ سائنسی اصطلاحات کے گرد سیاق و سباق کی نشاندہی کی جاتی ہے۔ یہ منفی واقعات کا پتہ لگانے کے کام کے لیے ماڈل کی کارکردگی کو بڑھاتا ہے کیونکہ اسے طبی لحاظ سے مخصوص نحو پر پہلے سے تربیت دی گئی ہے جو ہمارے ڈیٹاسیٹ میں اکثر ظاہر ہوتا ہے۔
مندرجہ ذیل جدول ہمارے تشخیصی میٹرکس کا خلاصہ کرتا ہے۔
ماڈل | صحت سے متعلق | یاد رکھیں | F1 |
بیس BERT | 0.87 | 0.95 | 0.91 |
بائیوبرٹ | 0.89 | 0.95 | 0.92 |
HPO کے ساتھ BioBERT | 0.89 | 0.96 | 0.929 |
HPO اور مصنوعی طور پر پیدا کردہ منفی واقعہ کے ساتھ BioBERT | 0.90 | 0.96 | 0.933 |
اگرچہ یہ بنیادی BERT ماڈل کے مقابلے میں نسبتاً چھوٹی اور بڑھتی ہوئی بہتری ہیں، تاہم یہ ان طریقوں کے ذریعے ماڈل کی کارکردگی کو بہتر بنانے کے لیے کچھ قابل عمل حکمت عملیوں کو ظاہر کرتی ہے۔ ایسا لگتا ہے کہ فالکن کے ساتھ مصنوعی ڈیٹا جنریشن میں کارکردگی میں بہتری کے لیے بہت سارے وعدے اور امکانات موجود ہیں، خاص طور پر جب کہ یہ تخلیقی AI ماڈل وقت کے ساتھ ساتھ بہتر ہوتے جاتے ہیں۔
صاف کرو
مستقبل کے چارجز سے بچنے کے لیے، درج ذیل کوڈ کے ساتھ بنائے گئے ماڈل اور ماڈل اینڈ پوائنٹس جیسے کسی بھی وسائل کو حذف کریں:
نتیجہ
آج بہت سی دوا ساز کمپنیاں اپنے صارفین کے باہمی تعاملات سے منفی واقعات کی شناخت کے عمل کو ایک منظم طریقے سے خودکار بنانا چاہیں گی تاکہ صارفین کی حفاظت اور نتائج کو بہتر بنانے میں مدد مل سکے۔ جیسا کہ ہم نے اس پوسٹ میں دکھایا، ڈیٹا میں شامل مصنوعی طور پر تیار کردہ منفی واقعات کے ساتھ ٹھیک ٹیون شدہ LLM BioBERT، اعلی F1 سکور کے ساتھ منفی واقعات کی درجہ بندی کرتا ہے اور اپنے صارفین کے لیے HIPAA کے مطابق حل تیار کرنے کے لیے استعمال کیا جا سکتا ہے۔
ہمیشہ کی طرح، AWS آپ کے تاثرات کا خیر مقدم کرتا ہے۔ براہ کرم تبصرے کے سیکشن میں اپنے خیالات اور سوالات چھوڑیں۔
مصنفین کے بارے میں
زیک پیٹرسن AWS پروفیشنل سروسز میں ڈیٹا سائنٹسٹ ہے۔ وہ کئی سالوں سے صارفین کو مشین لرننگ سلوشنز فراہم کر رہا ہے اور اس کے پاس اکنامکس میں ماسٹر ڈگری ہے۔
ڈاکٹر اڈیوال اکین فاڈرین AWS میں ہیلتھ کیئر اور لائف سائنسز میں ایک سینئر ڈیٹا سائنسدان ہیں۔ ان کی مہارت دوبارہ پیدا کرنے کے قابل اور آخر سے آخر تک AI/ML طریقوں، عملی نفاذ، اور عالمی صحت کی دیکھ بھال کے صارفین کو بین الضابطہ مسائل کے لیے قابل توسیع حل تیار کرنے اور تیار کرنے میں مدد کرنا ہے۔ اس کے پاس فزکس میں دو گریجویٹ ڈگریاں ہیں اور انجینئرنگ میں ڈاکٹریٹ کی ڈگری ہے۔
ایکتا والیہ بھولر, PhD, AWS Healthcare and Life Sciences (HCLS) پروفیشنل سروسز بزنس یونٹ کے ساتھ ایک سینئر AI/ML کنسلٹنٹ ہے۔ وہ صحت کی دیکھ بھال کے شعبے میں AI/ML کے اطلاق کا وسیع تجربہ رکھتی ہیں، خاص طور پر ریڈیولاجی میں۔ کام سے باہر، جب ریڈیولاجی میں AI پر بحث نہیں کرتے، تو وہ دوڑنا اور پیدل سفر کرنا پسند کرتی ہے۔
ہان مین سین ڈیاگو، CA میں AWS پروفیشنل سروسز کے ساتھ ایک سینئر ڈیٹا سائنس اور مشین لرننگ مینیجر ہے۔ اس نے نارتھ ویسٹرن یونیورسٹی سے انجینئرنگ میں پی ایچ ڈی کی ہے اور مینوفیکچرنگ، مالیاتی خدمات اور توانائی میں گاہکوں کو مشورہ دینے والے مینجمنٹ کنسلٹنٹ کے طور پر کئی سالوں کا تجربہ ہے۔ آج، وہ AWS پر ML اور جنریٹیو AI سلوشنز تیار کرنے اور لاگو کرنے کے لیے صنعت کے مختلف حصوں کے کلیدی صارفین کے ساتھ پرجوش طریقے سے کام کر رہا ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/deploy-large-language-models-for-a-healthtech-use-case-on-amazon-sagemaker/
- : ہے
- : ہے
- : نہیں
- :کہاں
- $UP
- 1
- 10
- 100
- 16
- 19
- 2017
- 2018
- 2021
- 2022
- 30
- 32
- 7
- a
- تک رسائی حاصل
- اکاؤنٹ
- ACM
- اعمال
- سرگرمیوں
- شامل کیا
- پتہ
- فائدہ مند
- منفی
- مشورہ دینے
- کے بعد
- AI
- اے آئی ماڈلز
- AI / ML
- AL
- تمام
- کی اجازت دیتا ہے
- ساتھ
- بھی
- ہمیشہ
- ایمیزون
- ایمیزون سیج میکر
- ایمیزون ویب سروسز
- رقم
- an
- تجزیہ
- اور
- جواب
- کوئی بھی
- کہیں
- درخواست
- مناسب
- فن تعمیر
- آرکیٹیکچرز
- کیا
- علاقوں
- ارد گرد
- مصنوعی
- مصنوعی ذہانت
- AS
- At
- توقع
- توجہ
- خود کار طریقے سے
- دستیاب
- اوسط
- سے اجتناب
- آگاہ
- AWS
- AWS پروفیشنل سروسز
- متوازن
- بیس
- کی بنیاد پر
- BE
- کیونکہ
- رہا
- اس سے پہلے
- کیا جا رہا ہے
- فوائد
- BEST
- بہتر
- کے درمیان
- دو سمتی
- ارب
- فروغ دیتا ہے
- دونوں
- حدود
- تعمیر
- عمارت
- تعمیر
- کاروبار
- لیکن
- by
- CA
- کالز
- کر سکتے ہیں
- پر قبضہ کر لیا
- کیس
- چیلنج
- چیلنجوں
- چیلنج
- بوجھ
- طبقے
- کلاس
- درجہ بندی
- کلائنٹس
- بادل
- کوڈ
- کالم
- کالم
- مل کر
- آتا ہے
- آنے والے
- تبصروں
- کمپنیاں
- کمپنی کے
- تکمیلی
- تعمیل
- اجزاء
- وسیع
- مشتمل
- constructed,en
- کنسلٹنٹ
- پر مشتمل ہے
- مواد
- سیاق و سباق
- آسان
- قیمت
- اخراجات
- احاطہ
- تخلیق
- بنائی
- گاہک
- گاہکوں
- اعداد و شمار
- ڈیٹا کی تیاری
- ڈیٹا سائنس
- ڈیٹا سائنسدان
- ڈیٹا کی ساخت
- گہرے
- وضاحت
- ڈگری
- ترسیل
- delves
- ثبوت
- انحصار
- تعیناتی
- بیان
- کھوج
- ترقی
- ڈویلپرز
- ترقی
- ڈیاگو
- مختلف
- براہ راست
- بات چیت
- تنوع
- ڈومین
- نہیں
- منشیات کی
- منشیات
- کے دوران
- ای اینڈ ٹی
- ہر ایک
- معاشیات
- مؤثر طریقے سے
- ای میل
- کو چالو کرنے کے
- کے قابل بناتا ہے
- خفیہ کاری
- آخر سے آخر تک
- توانائی
- انجنیئرنگ
- زمانے
- خاص طور پر
- ضروری
- تشخیص
- واقعہ
- واقعات
- مثال کے طور پر
- رعایت
- تجربہ
- مہارت
- کی تلاش
- تلاش
- وسیع
- وسیع تجربہ
- اضافی
- f1
- چہرہ
- آراء
- بھرنے
- مالی
- مالیاتی خدمات
- پہلا
- پانچ
- لچکدار
- توجہ مرکوز
- کے بعد
- کے لئے
- سے
- مکمل طور پر
- مستقبل
- جنرل
- پیدا
- پیدا
- پیدا کرنے والے
- نسل
- پیداواری
- پیداواری AI۔
- حاصل
- فراہم کرتا ہے
- گلوبل
- چلے
- ہینڈل
- ہاتھوں
- ہے
- he
- صحت
- صحت کی دیکھ بھال
- صحت کی دیکھ بھال کی صنعت
- ہیلتھ ٹیک
- مدد
- مدد
- یہاں
- پوشیدہ
- ہائی
- اضافہ
- ان
- پکڑو
- ہوم پیج (-)
- ہسپتالوں
- میزبانی کی
- کس طرح
- کیسے
- تاہم
- HTTPS
- ہائپر پیرامیٹر کی اصلاح
- مثالی طور پر
- کی نشاندہی
- پر عملدرآمد
- نفاذ
- عمل درآمد
- عملدرآمد
- درآمد
- اہم
- کو بہتر بنانے کے
- بہتری
- in
- شامل ہیں
- سمیت
- شامل
- اضافہ
- اضافہ
- اضافہ
- صنعت
- معلومات
- انفراسٹرکچر
- ان پٹ
- مثال کے طور پر
- انٹیگریٹٹس
- انضمام
- انٹیلی جنس
- بات چیت
- میں
- متعارف
- ملوث
- IT
- میں
- ایوب
- نوکریاں
- فوٹو
- کلیدی
- کلیدی علاقے
- لیبل
- بدسورت
- زمین کی تزئین کی
- زبان
- بڑے
- جانیں
- سیکھنے
- چھوڑ دو
- لمبائی
- لائبریری
- زندگی
- زندگی سائنس
- کی طرح
- پسند
- ایل ایل ایم
- بہت
- مشین
- مشین لرننگ
- بنا
- مین
- اہم
- بناتا ہے
- بنانا
- آدمی
- میں کامیاب
- انتظام
- مینیجر
- دستی
- مینوفیکچرنگ
- بہت سے
- مارکیٹ
- بڑے پیمانے پر
- ماسٹر کی
- زیادہ سے زیادہ
- زیادہ سے زیادہ
- میکانزم
- میڈیا
- طبی
- طبی اعداد و شمار
- سے ملو
- طریقوں
- پیمائش کا معیار
- منٹ
- ML
- ماڈل
- ماڈل
- نگرانی کی
- زیادہ
- ضروری
- نام
- قدرتی
- قدرتی زبان عملیات
- نیٹ ورک
- عصبی
- عصبی نیٹ ورک
- پھر بھی
- اگلے
- ویزا
- نہیں
- کوئی بھی نہیں
- نوٹس
- ناول
- تعداد
- واقع
- of
- پیشکشیں
- تجویز
- اکثر
- on
- ایک
- صرف
- اصلاح کے
- or
- حکم
- اصل
- دیگر
- ہمارے
- باہر
- نتائج
- پیداوار
- باہر
- پر
- مجموعی طور پر
- بہت زیادہ
- کاغذ.
- منظور
- فی
- کارکردگی
- کارکردگی
- کارکردگی کا مظاہرہ
- دواسازی کی
- پی ایچ ڈی
- فون
- فون کالز
- طبعیات
- پلیٹ فارم
- پلاٹا
- افلاطون ڈیٹا انٹیلی جنس
- پلیٹو ڈیٹا
- مہربانی کرکے
- مقبول
- ممکن
- پوسٹ
- ممکنہ
- طاقت
- طاقتور
- عملی
- پیشن گوئی
- تیاری
- مسئلہ
- مسائل
- عمل
- عملدرآمد
- پروسیسنگ
- پیدا کرتا ہے
- پیشہ ورانہ
- متوقع
- وعدہ
- فراہم کرتا ہے
- فراہم کرنے
- مطبوعات
- عوامی طور پر
- pytorch
- سوال
- سوالات
- جلدی سے
- رینج
- شرح
- رد عمل
- اصل وقت
- کا حوالہ دیتے ہیں
- ریجیکس
- متعلقہ
- نسبتا
- اطلاع دی
- نمائندگی
- کی ضرورت
- ضرورت
- ضروریات
- وسائل
- ذمہ داری سے
- باقی
- مضبوط
- رن
- سیفٹی
- sagemaker
- نمونہ
- سان
- سان ڈیاگو
- توسیع پذیر
- پیمانے
- سائنس
- سائنس
- سائنسی
- سائنسدان
- سائنسدانوں
- بغیر کسی رکاوٹ کے
- سیکشن
- لگتا ہے
- فروخت
- معنوی
- سینئر
- سزا
- جذبات
- تسلسل
- سنگین
- سروس
- سروسز
- مقرر
- کئی
- وہ
- دکھائیں
- سے ظاہر ہوا
- شوز
- سائز
- نچوڑنا
- چھوٹے
- So
- سماجی
- سوشل میڈیا
- حل
- حل
- کچھ
- کبھی کبھی
- ذرائع
- خلا
- مہارت دیتا ہے
- مخصوص
- تفصیلات
- تقسیم
- شروع کریں
- ریاستی آرٹ
- امریکہ
- مراحل
- طوفان
- براہ راست
- حکمت عملیوں
- ساخت
- اس طرح
- حمایت
- اس بات کا یقین
- مطابقت
- نحو
- مصنوعی
- مصنوعی ڈیٹا
- مصنوعی طور پر
- کے نظام
- ٹیبل
- لیا
- لیتا ہے
- لینے
- ٹاسک
- کاموں
- شرائط
- ٹیسٹ
- متن
- متن کی درجہ بندی
- کہ
- ۔
- دنیا
- ان
- تو
- یہ
- وہ
- اس
- ان
- اگرچہ؟
- کے ذریعے
- وقت
- کرنے کے لئے
- آج
- مل کر
- لیا
- کے آلے
- اوزار
- موضوعات
- روایتی
- ٹرین
- تربیت یافتہ
- ٹریننگ
- ٹرانسفارمر
- ٹرانسفارمرز
- ٹرانزٹ
- ترجمہ
- کوشش کی
- ٹرگر
- دو
- قسم
- افہام و تفہیم
- یونٹ
- یونیورسٹی
- برعکس
- تازہ ترین معلومات
- us
- استعمال کی شرائط
- استعمال کیس
- استعمال کیا جاتا ہے
- مفید
- صارفین
- کا استعمال کرتے ہوئے
- مختلف اقسام کے
- مختلف
- ورژن
- عمودی
- قابل عمل
- چاہتے ہیں
- تھا
- راستہ..
- we
- ویب
- ویب خدمات
- خیرمقدم ہے۔
- تھے
- جب
- جبکہ
- جس
- ساتھ
- کے اندر
- لفظ
- الفاظ
- کام
- کام کر
- کام کرتا ہے
- دنیا
- گا
- سال
- تم
- اور
- زیفیرنیٹ