这是 AWS 和飞利浦的联合博客。
飞利浦是一家健康技术公司,致力于通过有意义的创新改善人们的生活。 自 2014 年以来,该公司一直为客户提供飞利浦 HealthSuite 平台,该平台协调了医疗保健和生命科学公司用来改善患者护理的数十种 AWS 服务。 它与医疗保健提供商、初创公司、大学和其他公司合作开发技术,帮助医生做出更精确的诊断,并为全球数百万人提供更个性化的治疗。
飞利浦创新战略的关键驱动力之一是人工智能 (AI),它能够创建智能和个性化的产品和服务,从而改善健康状况、增强客户体验并优化运营效率。
亚马逊SageMaker 为机器学习操作 (MLOps) 提供专用工具,以帮助自动化和标准化整个 ML 生命周期的流程。 借助 SageMaker MLOps 工具,团队可以轻松地大规模训练、测试、故障排除、部署和管理 ML 模型,以提高数据科学家和 ML 工程师的工作效率,同时保持模型在生产中的性能。
在这篇文章中,我们介绍了飞利浦如何与 AWS 合作开发 AI ToolSuite——一个基于 SageMaker 的可扩展、安全且合规的 ML 平台。 该平台提供实验、数据注释、培训、模型部署和可重用模板等功能。 所有这些功能都是为了帮助多个业务线快速、敏捷地进行创新,同时通过集中控制进行大规模管理。 我们概述了为平台第一次迭代、核心组件和所取得的成果提供要求的关键用例。 最后,我们确定了为使该平台具有生成性人工智能工作负载以及快速吸引新用户和团队采用该平台而正在进行的努力。
客户背景
飞利浦在成像、诊断、治疗、个人健康和互联护理等各个领域使用人工智能。 飞利浦过去几年开发的人工智能解决方案的一些示例包括:
- 飞利浦 SmartSpeed – 基于人工智能的 MRI 成像技术,采用独特的基于 Compressed-SENSE 的深度学习人工智能算法,将各种患者的速度和图像质量提升到新的水平
- 飞利浦 eCareManager – 远程医疗解决方案,使用人工智能支持重症监护病房危重患者的远程护理和管理,通过使用先进的分析和临床算法处理来自多个来源的患者数据,并为患者提供可操作的见解、警报和建议护理团队
- 飞利浦Sonicare – 智能牙刷,利用人工智能分析用户的刷牙行为和口腔健康状况,并提供实时指导和个性化建议,例如最佳刷牙时间、压力和覆盖范围,以改善牙齿卫生,预防蛀牙和牙龈疾病。
多年来,飞利浦一直致力于开发数据驱动算法,以推动其整个医疗保健领域的创新解决方案。 在诊断成像领域,飞利浦开发了多种用于医学图像重建和解释、工作流程管理和治疗优化的机器学习应用程序。 此外,在患者监测、图像引导治疗、超声和个人健康团队中,一直在创建机器学习算法和应用程序。 然而,由于跨团队使用分散的人工智能开发环境,创新受到阻碍。 这些环境的范围从个人笔记本电脑和台式机到各种本地计算集群和基于云的基础设施。 这种异质性最初使不同的团队能够在早期的人工智能开发工作中快速行动,但现在阻碍了扩展和提高人工智能开发流程效率的机会。
显然,要真正释放飞利浦数据驱动工作的潜力,必须从根本上转向统一和标准化的环境。
关键 AI/ML 用例和平台要求
支持人工智能/机器学习的命题可以通过自动化临床医生完成的管理任务来改变医疗保健。 例如:
- 人工智能可以分析医学图像,帮助放射科医生更快、更准确地诊断疾病
- 人工智能可以通过分析患者数据和改善主动护理来预测未来的医疗事件
- 人工智能可以根据患者的需求推荐个性化治疗
- 人工智能可以从临床记录中提取和构建信息,使记录记录更加高效
- AI 界面可以为患者提供查询、提醒和症状检查支持
总体而言,人工智能/机器学习有望减少人为错误、节省时间和成本、优化患者体验以及及时、个性化的干预措施。
ML开发和部署平台的关键要求之一是平台能够支持持续迭代的开发和部署过程,如下图所示。
人工智能资产开发从实验室环境开始,收集和整理数据,然后训练和验证模型。 当模型准备好并批准使用后,它就会部署到现实世界的生产系统中。 部署后,模型性能将受到持续监控。 现实世界的性能和反馈最终用于进一步改进模型,并实现模型训练和部署的完全自动化。
更详细的 AI ToolSuite 要求由三个示例用例驱动:
- 开发旨在边缘物体检测的计算机视觉应用程序。 数据科学团队期望基于人工智能的自动化图像注释工作流程能够加快耗时的标记过程。
- 使数据科学团队能够管理一系列经典的机器学习模型,以对多个医疗单位的统计数据进行基准测试。 该项目需要模型部署、实验跟踪、模型监控的自动化,以及对整个流程端到端的更多控制,以便将来进行审核和再培训。
- 提高诊断医学成像深度学习模型的质量并缩短上市时间。 现有的计算基础设施不允许并行运行许多实验,这延迟了模型的开发。 此外,出于监管目的,有必要在数年内实现模型训练的完全可重复性。
非功能性需求
构建可扩展且强大的 AI/ML 平台需要仔细考虑非功能性需求。 这些要求超出了平台的特定功能,重点是确保以下内容:
- 可扩展性 – AI ToolSuite 平台必须能够更有效地扩展飞利浦的洞察生成基础设施,以便该平台能够在不牺牲性能的情况下处理不断增长的数据量、用户和 AI/ML 工作负载。 它应该设计为水平和垂直扩展,以无缝满足不断增长的需求,同时提供中央资源管理。
- 性能 – 该平台必须提供高性能计算能力,以高效处理复杂的人工智能/机器学习算法。 SageMaker 提供多种实例类型,包括具有强大 GPU 的实例,可以显着加速模型训练和推理任务。 它还应该最大限度地减少延迟和响应时间,以提供实时或近实时的结果。
- 值得信赖 – 该平台必须提供跨多个可用区的高度可靠和强大的人工智能基础设施。 这种多可用区架构应通过在不同的数据中心分配资源和工作负载来确保人工智能操作不间断。
- 订购 – 平台必须 24/7 可用,维护和升级的停机时间最短。 AI ToolSuite 的高可用性应包括负载平衡、容错架构和主动监控。
- 安全和治理 – 平台必须采用强大的安全措施、加密、访问控制、专用角色和身份验证机制,持续监控异常活动并进行安全审计。
- 数据管理 – 高效的数据管理对于 AI/ML 平台至关重要。 医疗保健行业的法规要求特别严格的数据治理。 它应包括数据版本控制、数据沿袭、数据治理和数据质量保证等功能,以确保结果准确可靠。
- 互操作性 – 该平台的设计应能够轻松地与飞利浦的内部数据存储库集成,从而实现与第三方应用程序的无缝数据交换和协作。
- 可维护性 – 平台的架构和代码库应该组织良好、模块化且可维护。 这使得飞利浦机器学习工程师和开发人员能够在不中断整个系统的情况下提供更新、错误修复和未来的增强功能。
- 资源优化 – 平台应密切监控利用率报告,以确保计算资源得到有效利用,并根据需求动态分配资源。 此外,飞利浦应使用 AWS 账单和成本管理工具来确保团队在利用率超过分配的阈值时收到通知。
- 监控和记录 – 平台应使用 亚马逊CloudWatch 全面监控和日志记录功能的警报,这是跟踪系统性能、识别瓶颈和有效解决问题所必需的。
- 合规和监管支持 – 该平台还可以帮助提高人工智能提案的监管合规性。 端到端数据处理管道必须自动启用可重复性和可追溯性,其中可以自动准备许多强制性文档工件,例如数据沿袭报告和模型卡。
- 测试和验证 – 必须制定严格的测试和验证程序,以确保人工智能/机器学习模型的准确性和可靠性,并防止意外偏差。
解决方案概述
AI ToolSuite 是一个端到端、可扩展、快速启动的 AI 开发环境,提供原生 SageMaker 和相关的 AI/ML 服务以及飞利浦 HealthSuite 安全和隐私护栏以及飞利浦生态系统集成。 三个角色具有专用的访问权限集:
- 数据科学家 – 在协作工作空间中准备数据、开发和训练模型
- ML工程师 – 通过模型部署、监控和维护来生产 ML 应用程序
- 数据科学管理员 – 根据团队请求创建一个项目,以提供具有特定于用例的模板的专用隔离环境
平台开发跨越了发现、设计、构建、测试和部署迭代周期中的多个发布周期。 由于某些应用程序的独特性,平台的扩展需要嵌入现有的自定义组件,例如数据存储或用于注释的专有工具。
下图展示了AI ToolSuite的三层架构,包括第一层的基础设施、第二层的通用ML组件和第三层的项目特定模板。
第 1 层包含基础设施:
- 具有高可用性的参数化互联网访问的网络层
- 使用基础设施即代码 (IaC) 进行自助服务配置
- 集成开发环境 (IDE) 使用 亚马逊SageMaker Studio 域
- 平台角色(数据科学管理员、数据科学家)
- 文物存储
- 记录和监控可观察性
第 2 层包含常见的 ML 组件:
- 每个作业和管道的自动实验跟踪
- 用于启动新模型构建更新的模型构建管道
- 模型训练流程包括模型训练、评估、注册
- 模型部署管道,用于部署模型以进行最终测试和批准
- 模型注册表可轻松管理模型版本
- 专为给定用例创建的项目角色,分配给 SageMaker Studio 用户
- 用于存储为项目构建的处理、训练和推理容器镜像的镜像存储库
- 用于存储代码工件的代码存储库
- 一个专案 亚马逊简单存储服务 (Amazon S3) 存储桶,用于存储所有项目数据和工件
第 3 层包含特定于项目的模板,可以根据新项目的需要使用自定义组件创建这些模板。 例如:
- 模板1 – 包含数据查询和历史跟踪组件
- 模板2 – 包括一个用于数据注释的组件,具有自定义注释工作流程以使用专有注释工具
- 模板3 – 包括用于自定义容器映像的组件,以自定义其开发环境和培训例程、专用 HPC 文件系统以及用户从本地 IDE 的访问
下图重点介绍了跨多个 AWS 账户进行开发、预演和生产的关键 AWS 服务。
在以下部分中,我们讨论 AWS 服务支持的平台的关键功能,包括 SageMaker、 AWS服务目录, 云观察, AWS Lambda, Amazon Elastic Container注册 (亚马逊 ECR)、亚马逊 S3、 AWS身份和访问管理 (IAM)等。
基础架构即代码
该平台使用 IaC,使飞利浦能够自动配置和管理基础设施资源。 这种方法还将有助于开发、测试或生产的可重复性、可扩展性、版本控制、一致性、安全性和可移植性。
访问AWS环境
SageMaker 和相关的 AI/ML 服务通过安全护栏进行访问,以进行数据准备、模型开发、培训、注释和部署。
隔离与协作
该平台通过单独存储和处理来确保数据隔离,降低未经授权访问或数据泄露的风险。
该平台促进团队协作,这对于通常涉及跨职能团队(包括数据科学家、数据科学管理员和 MLOps 工程师)的 AI 项目至关重要。
基于角色的访问控制
基于角色的访问控制 (RBAC) 通过以结构化方式定义角色和权限,对于管理权限和简化访问管理至关重要。 随着团队和项目的发展,它可以轻松管理权限,并控制 AWS AI/ML 项目中涉及的不同角色(例如数据科学管理员、数据科学家、注释管理员、注释者和 MLOps 工程师)的访问控制。
访问数据存储
该平台允许SageMaker访问数据存储,从而确保可以有效地利用数据进行模型训练和推理,而无需在不同存储位置之间复制或移动数据,从而优化资源利用率并降低成本。
使用飞利浦专用注释工具进行注释
AWS 提供一套 AI 和 ML 服务,例如 SageMaker、 亚马逊SageMaker地面真相及 亚马逊Cognito,与飞利浦特定的内部注释工具完全集成。 这种集成使开发人员能够在 AWS 环境中使用带注释的数据来训练和部署 ML 模型。
机器学习模板
AI ToolSuite 平台在 AWS 中为各种 ML 工作流程提供模板。 这些模板是针对特定 ML 用例量身定制的预配置基础设施设置,可通过以下服务进行访问: SageMaker 项目模板, AWS CloudFormation和服务目录。
与飞利浦 GitHub 集成
与 GitHub 的集成通过提供用于版本控制、代码审查和自动化 CI/CD(持续集成和持续部署)管道的集中平台来提高效率,从而减少手动任务并提高生产力。
Visual Studio 代码集成
与 Visual Studio Code 集成为编码、调试和管理 ML 项目提供了统一的环境。 这简化了整个机器学习工作流程,减少了上下文切换并节省了时间。 该集成还增强了团队成员之间的协作,使他们能够在熟悉的开发环境中一起处理 SageMaker 项目、利用版本控制系统以及无缝共享代码和笔记本。
模型和数据沿袭以及可追溯性,以确保再现性和合规性
该平台提供版本控制,有助于跟踪数据科学家的训练和推理数据随时间的变化,从而更容易重现结果并了解数据集的演变。
该平台还支持 SageMaker 实验跟踪,允许最终用户记录和跟踪与其 ML 实验相关的所有元数据,包括超参数、输入数据、代码和模型工件。 这些功能对于证明遵守监管标准并确保 AI/ML 工作流程的透明度和问责制至关重要。
生成 AI/ML 规范报告以确保合规性
AWS 维护各种行业标准和法规的合规性认证。 AI/ML 规范报告作为重要的合规性文档,展示对监管要求的遵守情况。 这些报告记录了数据集、模型和代码的版本控制。 版本控制对于维护数据沿袭、可追溯性和可重复性至关重要,所有这些对于法规遵从性和审计都至关重要。
项目级预算管理
项目级预算管理允许组织设置支出限制,有助于避免意外成本并确保机器学习项目保持在预算范围内。 通过预算管理,组织可以将特定预算分配给各个项目或团队,这有助于团队尽早发现资源效率低下或意外的成本峰值。 除了预算管理之外,通过自动关闭闲置笔记本的功能,团队成员可以避免为未使用的资源付费,还可以在不活跃使用时释放宝贵的资源,使它们可供其他任务或用户使用。
结果
AI ToolSuite 被设计和实现为一个企业级平台,用于为飞利浦的数据科学家进行机器学习开发和部署。 在设计和开发过程中收集并考虑了所有业务部门的不同需求。 在项目早期,飞利浦从业务团队中挑选了支持者,他们提供反馈并帮助评估平台的价值。
取得了以下成果:
- 用户采用率是飞利浦的关键领先指标之一。 来自多个业务部门的用户接受了培训并入职该平台,预计这一数字将在 2024 年增长。
- 另一个重要指标是数据科学用户的效率。 借助 AI ToolSuite,新的 ML 开发环境可在一小时内完成部署,而不是几天。
- 数据科学团队可以访问可扩展、安全、经济高效、基于云的计算基础设施。
- 团队可以并行运行多个模型训练实验,这将平均训练时间从几周缩短到 1-3 天。
- 由于环境部署完全自动化,几乎不需要云基础设施工程师的参与,从而降低了运营成本。
- AI ToolSuite 的使用通过促进良好的 ML 实践、标准化工作流程和端到端可重复性的使用,显着提高了数据和 AI 可交付成果的整体成熟度,这对于医疗保健行业的监管合规性至关重要。
展望生成式人工智能
随着组织竞相采用下一代最先进的人工智能,必须在组织的安全和治理政策的背景下采用新技术。 AI ToolSuite 的架构提供了一个出色的蓝图,使飞利浦的不同团队能够访问 AWS 中的生成式 AI 功能。 团队可以使用提供的基础模型 亚马逊SageMaker JumpStart,它提供了大量来自 Hugging Face 和其他提供商的开源模型。 由于在访问控制、项目配置和成本控制方面已经具备必要的防护措施,团队将可以无缝地开始使用 SageMaker 中的生成式 AI 功能。
此外,访问 亚马逊基岩是一种用于生成 AI 的完全托管的 API 驱动服务,可以根据项目要求为个人账户进行配置,用户可以通过 SageMaker 笔记本界面或通过其首选 IDE 访问 Amazon Bedrock API。
在医疗保健等受监管的环境中采用生成式人工智能还需要考虑其他因素。 需要仔细考虑生成式人工智能应用程序创造的价值以及相关的风险和成本。 还需要创建一个风险和法律框架来管理组织对生成式人工智能技术的使用。 数据安全、偏见和公平以及监管合规等要素需要被视为此类机制的一部分。
结论
飞利浦踏上了利用数据驱动算法的力量彻底改变医疗保健解决方案的旅程。 多年来,诊断成像领域的创新催生了多种机器学习应用,从图像重建到工作流程管理和治疗优化。 然而,从个人笔记本电脑到本地集群和云基础设施的各种设置带来了巨大的挑战。 单独的系统管理、安全措施、支持机制和数据协议阻碍了 TCO 的全面视图和团队之间复杂的转换。 从研发到生产的过渡因缺乏谱系和可重复性而受到困扰,使得连续的模型再训练变得困难。
作为飞利浦和 AWS 战略合作的一部分,AI ToolSuite 平台的创建是为了使用 SageMaker 开发可扩展、安全且合规的 ML 平台。 该平台提供实验、数据注释、培训、模型部署和可重用模板等功能。 所有这些功能都是在发现、设计、构建、测试和部署的几个周期中迭代构建的。 这帮助多个业务部门快速、敏捷地进行创新,同时通过中央控制进行大规模管理。
这一旅程为那些希望利用人工智能和机器学习的力量推动医疗保健创新和效率的组织提供了灵感,最终使全世界的患者和护理提供者受益。 随着飞利浦继续在这一成功的基础上再接再厉,他们准备通过创新的人工智能解决方案在改善健康结果方面取得更大的进步。
要了解有关 AWS 上的飞利浦创新的更多信息,请访问 AWS 上的飞利浦.
关于作者
弗兰克·沃特纳 是飞利浦创新与战略部门的项目经理。 他协调数据和人工智能相关的平台资产,以支持我们的飞利浦数据和人工智能支持的主张。 他在人工智能、数据科学和互操作性方面拥有丰富的经验。 在业余时间,弗兰克喜欢跑步、阅读和划船,以及与家人共度时光。
伊琳娜·费杜洛娃 是飞利浦创新与战略部门的首席数据与人工智能主管。 她正在推动专注于工具、平台和最佳实践的战略活动,以加速和扩大飞利浦人工智能(生成)解决方案的开发和产品化。 Irina 在机器学习、云计算和软件工程方面拥有深厚的技术背景。 工作之余,她喜欢与家人共度时光、旅行和阅读。
塞尔瓦库马尔·帕拉尼亚潘 是飞利浦创新与战略公司的产品负责人,负责飞利浦 HealthSuite AI 和 ML 平台的产品管理。 他在技术产品管理和软件工程方面拥有丰富的经验。 他目前正致力于构建一个可扩展且合规的人工智能和机器学习开发和部署平台。 此外,他还领导飞利浦数据科学团队采用该技术,以开发人工智能驱动的医疗系统和解决方案。
阿德南·埃尔西 是 AWS 专业服务的高级云基础设施架构师。 他担任技术主管,负责监督医疗保健和生命科学、金融、航空和制造领域客户的各种运营。 他对自动化的热情体现在他广泛参与在 AWS 环境中设计、构建和实施企业级客户解决方案。 除了他的专业承诺之外,阿德南还积极致力于志愿者工作,努力在社区中创造有意义和积极的影响。
哈桑·波纳瓦拉(Hasan Poonawala) Hasan 是 AWS 的高级 AI/ML 专家解决方案架构师,帮助客户在 AWS 的生产环境中设计和部署机器学习应用程序。 作为数据科学家、机器学习从业者和软件开发人员,他拥有超过 12 年的工作经验。 在业余时间,Hasan 喜欢探索大自然并与朋友和家人共度时光。
斯雷希·罗伊 是 AWS 的高级全球合作经理。 作为医疗保健和生命科学客户的业务合作伙伴,她在定义和提供复杂业务问题解决方案方面拥有无与伦比的经验。 她帮助客户制定战略目标,定义和设计云/数据策略,并实施规模化且强大的解决方案,以满足他们的技术和业务目标。 除了她的专业努力之外,她的奉献还在于通过培养同理心和促进包容性对人们的生活产生有意义的影响。
瓦贾哈特阿齐兹 是 AWS 医疗保健和生命科学团队中 AI/ML 和 HPC 的领导者。 Wajahat 曾在生命科学组织担任不同职务的技术领导者,利用自己的经验帮助医疗保健和生命科学客户利用 AWS 技术开发最先进的 ML 和 HPC 解决方案。 他目前的重点领域是早期研究、临床试验和隐私保护机器学习。
维奥莱塔·斯托比涅卡 是 AWS 专业服务的数据科学家。 在她的整个职业生涯中,她为银行、保险、电信和公共部门等不同行业交付了多个分析驱动的项目。 她对高级统计方法和机器学习的了解与商业头脑很好地结合在一起。 她带来了最新的 AI 进步,为客户创造价值。
- SEO 支持的内容和 PR 分发。 今天得到放大。
- PlatoData.Network 垂直生成人工智能。 赋予自己力量。 访问这里。
- 柏拉图爱流。 Web3 智能。 知识放大。 访问这里。
- 柏拉图ESG。 碳, 清洁科技, 能源, 环境, 太阳能, 废物管理。 访问这里。
- 柏拉图健康。 生物技术和临床试验情报。 访问这里。
- Sumber: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :具有
- :是
- :不是
- :在哪里
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- 对,能力--
- Able
- 关于
- 加快
- 加速
- ACCESS
- 访问数据
- 访问
- 无障碍
- 问责制
- 账户
- 精准的
- 实现
- 横过
- 可行的
- 积极地
- 活动
- 头脑
- 增加
- 额外
- 遵守
- 管理员
- 管理
- 行政
- 采用
- 采用
- 高级
- 进步
- 驳
- AI
- AI / ML
- 针对
- 通知
- 算法
- 算法
- 所有类型
- 分配
- 分配
- 让
- 允许
- 允许
- 已经
- 还
- Amazon
- 亚马逊SageMaker
- 亚马逊网络服务
- 其中
- 量
- an
- 分析
- 分析
- 分析
- 和
- APIs
- 应用领域
- 应用领域
- 的途径
- 批准
- 架构
- 保健
- 地区
- 人造的
- 人工智能
- 人工智能(AI)
- AS
- 财富
- 办公室文员:
- 分配
- 相关
- 保证
- At
- 审计
- 审计
- 认证
- 自动化
- 自动化
- 自动
- 自动化
- 自动化和干细胞工程
- 可用性
- 可使用
- 航空
- 避免
- AWS
- AWS专业服务
- 背部
- 背景
- 平衡
- 银行业
- 基地
- 基于
- BE
- 很
- 行为
- 标杆
- 受益
- 最佳
- 最佳实践
- 之间
- 超越
- 偏见
- 偏见
- 计费
- 博客
- 蓝图
- 促进
- 提高
- 都
- 瓶颈
- 违规
- 带来
- 广阔
- 预算
- 预算
- 问题
- 建立
- 建筑物
- 建
- 商业
- 但是
- by
- 呼叫
- CAN
- 能力
- 容量
- 牌
- 关心
- 寻找工作
- 小心
- 案件
- 例
- 检索目录
- 中心
- 中央
- 集中
- 认证
- 挑战
- 冠军
- 更改
- 充
- 经典
- 客户
- 临床资料
- 临床试验
- 临床医生
- 密切
- 云端技术
- 云计算
- 云基础设施
- 码
- 代码库
- 编码
- 合作
- 共同
- 结合
- 购买的订单均
- 承诺
- 相当常见
- 社体的一部分
- 公司
- 公司
- 复杂
- 符合
- 兼容
- 复杂
- 元件
- 组件
- 全面
- 包含
- 计算
- 计算
- 一台
- 计算机视觉
- 计算
- 关于
- 总结
- 开展
- 已联繫
- 考虑
- 注意事项
- 考虑
- 容器
- 包含
- 上下文
- 继续
- 连续
- 一直
- 连续
- 控制
- 控制
- 核心
- 价格
- 成本管理
- 节约成本
- 成本
- 覆盖
- 创建信息图
- 创造价值
- 创建
- 创造
- 创建
- 危急
- 跨职能团队
- 关键
- 策划
- 电流
- 目前
- 习俗
- 顾客
- 客户体验
- 客户解决方案
- 合作伙伴
- 定制
- 周期
- 周期
- data
- 数据泄露
- 数据中心
- 数据交换
- 数据管理
- 资料准备
- 数据处理
- 数据科学
- 数据科学家
- 数据安全
- 数据驱动
- 数据集
- 一年中的
- 专用
- 贡献
- 深
- 深入学习
- 定义
- 定义
- 延迟
- 交付
- 提升
- 交付
- 需求
- 需求
- 示范
- 部署
- 部署
- 部署
- 部署
- 描述
- 设计
- 设计
- 设计
- 详细
- 检测
- 开发
- 发达
- 开发商
- 开发
- 发展
- 研发支持
- 诊断
- 诊断成像
- 诊断
- 不同
- 难
- 通过各种方式找到
- 讨论
- 疾病
- 不同
- 分布
- 不同
- 医生
- 文件
- 文件
- 域
- 域名
- 完成
- 向下
- 停机
- 几十个
- 驾驶
- 驱动
- 驱动程序
- 驾驶
- 两
- ,我们将参加
- 动态
- 早
- 更容易
- 容易
- 生态系统
- 边缘
- 只
- 效率
- 高效
- 有效
- 工作的影响。
- 或
- 分子
- 开始
- 嵌入
- 换位思考
- enable
- 启用
- 使
- 使
- 加密
- 结束
- 端至端
- 努力
- 订婚
- 工程师
- 工程师
- 工程师
- 提高
- 增强
- 增强
- 增强
- 确保
- 确保
- 保证
- 企业
- 热情
- 整个
- 环境
- 环境中
- 错误
- 特别
- 必要
- 评估
- 评估
- 甚至
- 事件
- 终于
- 所有的
- 明显
- 进化
- 例子
- 例子
- 优秀
- 交换
- 现有
- 预期
- 体验
- 有经验
- 体验
- 实验
- 实验
- 探索
- 延期
- 广泛
- 提取
- 面部彩妆
- 功能有助于
- 公平
- 熟悉
- 家庭
- 高效率
- 快
- 专栏
- 特征
- 反馈
- 数字
- 文件
- 最后
- 金融
- 姓氏:
- 专注焦点
- 重点
- 以下
- 针对
- 强大
- 向前
- 培养
- 基金会
- 支离破碎
- 骨架
- 坦率
- 朋友
- 止
- 汽油
- ,
- 充分
- 功能
- 根本
- 进一步
- 此外
- 未来
- 代
- 生成的
- 生成式人工智能
- GitHub上
- 特定
- 全球
- Go
- 非常好
- 治理
- 治理
- 统治
- 图形处理器
- 更大的
- 陆运
- 增长
- 成长
- 指导
- 制导
- 处理
- 马具
- 治理
- 有
- 有
- he
- 健康管理
- 卫生系统
- 医疗保健
- 医疗保健行业
- 帮助
- 帮助
- 帮助
- 帮助
- 这里
- 高
- 高性能
- 亮点
- 高度
- 他自己
- 他的
- 历史
- 保持
- 水平
- 小时
- 创新中心
- 但是
- HPC
- HTML
- HTTP
- HTTPS
- 人
- 确定
- 鉴定
- 确定
- 身分
- 空闲
- 说明
- 图片
- 图片
- 同步成像
- 影响力故事
- 势在必行
- 实施
- 实施
- 实施
- 重要
- 改善
- 改善
- 改善
- in
- 包括
- 包括
- 包含
- 包容性
- 增加
- 指标
- 个人
- 行业
- 行业中的应用:
- 行业标准
- 效率低下
- 信息
- 基础设施
- 原来
- 创新
- 創新
- 创新策略
- 创新
- 输入
- 可行的洞见
- 专题
- 例
- 代替
- 保险
- 整合
- 集成
- 积分
- 集成
- 房源搜索
- 接口
- 接口
- 内部
- 网络
- 互操作性
- 解释
- 干预
- 成
- 涉及
- 参与
- 参与
- 伊琳娜
- 孤立
- 隔离
- 问题
- IT
- 迭代
- 它的
- 工作
- 联合
- 旅程
- JPG
- 保持
- 键
- 知识
- 实验室
- 标签
- 缺乏
- 笔记本电脑
- 大
- 潜伏
- 发射
- 层
- 铅
- 领导者
- 领导
- 学习用品
- 学习
- 法律咨询
- 法律框架
- 减
- Level
- 杠杆作用
- 杠杆
- 谎言
- 生活
- 生命科学
- 生命科学
- 生命周期
- 喜欢
- 范围
- 血统
- 线
- 生活
- 生活
- 加载
- 本地
- 地点
- 日志
- 记录
- 寻找
- 爱
- 机
- 机器学习
- 制成
- 可维护的
- 维护
- 维护
- 保养
- 使
- 制作
- 制作
- 管理
- 管理
- 颠覆性技术
- 管理工具
- 经理
- 管理的
- 强制性
- 方式
- 手册
- 制造业
- 许多
- 市场
- 到期
- 有意义的
- 措施
- 机制
- 医生
- 满足
- 成员
- 元数据
- 方法
- 公
- 百万
- 最小
- ML
- 多播
- 模型
- 模型
- 模块化
- 显示器
- 监控
- 监控
- 更多
- 移动
- MRI
- 多
- 多数
- 必须
- 本地人
- 自然
- 必要
- 需求
- 需要
- 工业网络
- 全新
- 新用户
- 下页
- 没有
- 笔记本
- 通知
- 现在
- 数
- 对象
- 物体检测
- 目标
- of
- 提供
- 优惠精选
- on
- 板载
- 一旦
- 一
- 正在进行
- 打开
- 开放源码
- 运营
- 操作
- 运营
- 机会
- 最佳
- 优化
- 优化
- 优化
- 追求项目的积极优化
- or
- 口腔健康
- 秩序
- 组织
- 组织
- 举办
- 其他名称
- 其它
- 我们的
- 结果
- 轮廓
- 学校以外
- 超过
- 最划算
- 监督
- 业主
- 并行
- 部分
- 合伙人
- 合作
- 伙伴
- 通行证
- 过去
- 病人
- 患者
- 付款
- 员工
- 人的
- 为
- 性能
- 权限
- 个人
- 个性化你的
- 创举
- 管道
- 地方
- 平台
- 平台
- 柏拉图
- 柏拉图数据智能
- 柏拉图数据
- 准备
- 政策
- 可移植性
- 构成
- 积极
- 帖子
- 潜力
- 功率
- 强大
- 做法
- 精确的
- 预测
- 首选
- 准备
- Prepare
- 准备
- 保存
- 压力
- 防止
- 校长
- 隐私
- 主动
- 问题
- 程序
- 过程
- 过程
- 处理
- 产品
- 产品管理
- 生产
- 生产率
- 核心产品
- 所以专业
- 曲目
- 项目
- 项目数据
- 项目
- 承诺
- 促进
- 所有权
- 协议
- 提供
- 提供
- 供应商
- 提供
- 优
- 国家
- 目的
- 质量
- 查询
- 快速
- 种族
- 范围
- 范围
- 急速
- 阅读
- 准备
- 真实的世界
- 实时的
- 接收
- 最近
- 建议
- 建议
- 减少
- 减少
- 注册处
- 监管
- 法规
- 监管
- 法规符合
- 有关
- 释放
- 释放
- 可靠性
- 可靠
- 远程
- 报告
- 业务报告
- 知识库
- 请求
- 必须
- 岗位要求
- 需要
- 研究
- 研究和开发
- 资源
- 资源
- 响应
- 成果
- 可重复使用
- 评论
- 革命化
- 严格
- 风险
- 风险
- 健壮
- 角色
- 角色
- 运行
- 运行
- 牺牲
- sagemaker
- 保存
- 储
- 可扩展性
- 可扩展性
- 鳞片
- 科学
- 科学
- 科学家
- 科学家
- 无缝的
- 无缝
- 其次
- 部分
- 扇形
- 安全
- 保安
- 安全审核
- 保安措施
- 前辈
- 分开
- 服务
- 已服务
- 服务
- 服务
- 特色服务
- 集
- 套数
- 设置
- 几个
- 共享
- 她
- 转移
- 应该
- 陈列宣传
- 如图
- 关闭
- 关闭
- 显著
- 简易
- 简化
- 自
- 智能
- So
- 软件
- 软件工程
- 方案,
- 解决方案
- 一些
- 来源
- 来源
- 张力
- 跨度
- 逍遥丸
- 专家
- 具体的
- 特别是
- 规范
- 速度
- 花
- 花费
- 钉鞋
- 分期
- 标准
- 看台
- 开始
- 启动
- 初创企业
- 国家的最先进的
- 统计
- 统计
- 留
- 存储
- 商店
- 商店
- 存储
- 简单的
- 善用
- 策略
- 策略
- 进步
- 努力
- 强烈
- 结构体
- 结构化
- 工作室
- 成功
- 这样
- 套房
- SUPPORT
- 肯定
- 症状
- 系统
- 产品
- 量身定制
- 采取
- 任务
- 团队
- 团队成员
- 队
- 科技
- 文案
- 技术
- 专业技术
- 电信
- 远程医疗
- 模板
- 条款
- test
- 测试
- 比
- 这
- 未来
- 其
- 他们
- 然后
- 那里。
- 从而
- 博曼
- 他们
- 第三
- 第三方
- Free Introduction
- 三
- 门槛
- 通过
- 始终
- 次
- 耗时的
- 及时
- 时
- 至
- 一起
- 工具
- 向
- 可追溯分析仪
- 跟踪时
- 跟踪
- 培训
- 熟练
- 产品培训
- 改造
- 过渡
- 转换
- 用户评论透明
- 旅游
- 治疗
- 试验
- 真正
- 类型
- 一般
- 最终
- 擅自
- 理解
- 意外
- 统一
- 独特
- 独特性
- 单位
- 大学合作伙伴
- 发挥
- 空前的
- 未使用
- 最新动态
- 升级
- 上
- 使用
- 用例
- 用过的
- 用户
- 使用
- 运用
- 利用
- 利用
- 验证
- 验证
- 有价值
- 折扣值
- 各种
- 各个
- 广阔
- 版本
- 垂直
- 非常
- 通过
- 查看
- 实质上
- 愿景
- 参观
- 视觉
- 体积
- 志愿者
- 是
- we
- 卷筒纸
- Web服务
- 周
- 井
- 为
- ,尤其是
- 这
- 而
- WHO
- 宽
- 大范围
- 将
- 中
- 也完全不需要
- 工作
- 工作流程
- 工作流程
- 加工
- 全世界
- 年
- 产生
- 和风网
- 区