See ajaveebi postitus on kirjutatud koos Chaoyang He ja Salman Avestimehriga FedML-ist.
Reaalmaailma tervishoiu- ja bioteaduste (HCLS) andmete analüüsimine tekitab mitmeid praktilisi väljakutseid, nagu hajutatud andmehoidlad, haruldaste sündmuste jaoks ühes kohas piisavate andmete puudumine, andmete jagamist keelavad regulatiivsed juhised, infrastruktuuri nõuded ja loomisega seotud kulud. tsentraliseeritud andmehoidla. Kuna nad on väga reguleeritud domeenis, otsivad HCLS-i partnerid ja kliendid privaatsust säilitavaid mehhanisme, et hallata ja analüüsida suuremahulisi, hajutatud ja tundlikke andmeid.
Nende väljakutsete leevendamiseks pakume välja ühendatud õppimise (FL) raamistiku, mis põhineb AWS-i avatud lähtekoodiga FedML-il, mis võimaldab analüüsida tundlikke HCLS-i andmeid. See hõlmab globaalse masinõppe (ML) mudeli väljaõpet erinevates kohtades lokaalselt hoitavate hajutatud terviseandmete põhjal. See ei nõua mudeli koolitusprotsessi ajal andmete teisaldamist ega jagamist saitide vahel või tsentraliseeritud serveriga.
FL-raamistiku pilves juurutamisel on mitmeid väljakutseid. Kliendi-serveri infrastruktuuri automatiseerimine, et toetada mitut kontot või virtuaalseid privaatpilvesid (VPC), nõuab VPC-vahetamist ja tõhusat suhtlust VPC-de ja eksemplaride vahel. Tootmiskoormuse korral on klientide sujuvaks lisamiseks ja eemaldamiseks ning nende konfiguratsioonide värskendamiseks ilma suuremate kuludeta vaja stabiilset juurutuskonveieri. Lisaks võivad heterogeense seadistuse korral klientidel olla erinevad nõuded arvutus-, võrgu- ja salvestusruumile. Selles detsentraliseeritud arhitektuuris võivad klientide logimise ja silumise vead olla keerulised. Lõpuks on optimaalse lähenemisviisi kindlaksmääramine mudeli parameetrite koondamiseks, mudeli jõudluse säilitamiseks, andmete privaatsuse tagamiseks ja side tõhususe parandamiseks vaevarikas ülesanne. Selles postituses käsitleme neid väljakutseid, pakkudes ühendatud õppeoperatsioonide (FLOps) malli, mis majutab HCLS-i lahendust. Lahendus on kasutusjuhtumite suhtes agnostiline, mis tähendab, et saate seda mudelit ja andmeid muutes oma kasutusjuhtudele kohandada.
Selles kaheosalises seerias demonstreerime, kuidas saate AWS-is pilvepõhise FL-raamistiku juurutada. Aastal esimene postitus, kirjeldasime FL-i kontseptsioone ja FedML-i raamistikku. Selles teises osas tutvustame tõestust tervishoiu- ja bioteaduste kasutamise juhtumist reaalse andmestiku eICU-st. See andmestik sisaldab enam kui 200 haiglast kogutud mitmekeskuselist intensiivravi andmebaasi, mis muudab selle ideaalseks meie FL-katsete testimiseks.
HCLS kasutusjuht
Demonstreerimise eesmärgil ehitasime avalikult kättesaadavale andmekogumile FL-mudeli, et hallata kriitiliselt haigeid patsiente. Me kasutasime eICU koostööuuringute andmebaas, mitmekeskuseline intensiivravi osakonna (ICU) andmebaas, mis sisaldab 200,859 139,367 patsiendi üksuse kohtumist 335 208 ainulaadse patsiendi kohta. Nad võeti aastatel 2014–2015 ühte 1 osakonnast XNUMX haiglas, mis asusid kogu USA-s. Andmete aluseks oleva heterogeensuse ja hajutatud olemuse tõttu on see ideaalne näide selle FL-raamistiku testimiseks reaalses maailmas. Andmekogum sisaldab laboratoorseid mõõtmisi, elutähtsaid näitajaid, teavet hooldusplaani kohta, ravimeid, patsiendi ajalugu, vastuvõtu diagnoosi, ajatempliga diagnoose struktureeritud probleemide loendist ja sarnaselt valitud ravimeetodeid. See on saadaval CSV-failide komplektina, mida saab laadida igasse relatsiooniandmebaasisüsteemi. Tabelid on identifitseerimata, et need vastaksid USA ravikindlustuse kaasaskantavuse ja vastutuse seaduse (HIPAA) regulatiivsetele nõuetele. Andmetele pääseb juurde PhysioNeti hoidla kaudu ja andmetele juurdepääsu protsessi üksikasjad leiate siit [XNUMX].
eICU andmed sobivad ideaalselt ML-algoritmide, otsustustoetuse tööriistade väljatöötamiseks ja kliiniliste uuringute edendamiseks. Võrdlusanalüüsi jaoks pidasime ülesandeks ennustada patsientide haiglasisest suremust [2]. Määratlesime selle binaarse klassifitseerimisülesandena, kus iga andmeproov hõlmab 1-tunnist akent. Selle ülesande jaoks kohordi loomiseks valisime välja patsiendid, kelle patsiendiregistris oli haiglast väljakirjutamise staatus ja kelle viibimisaeg on vähemalt 48 tundi, kuna keskendume prognoositavale suremusele esimese 24 ja 48 tunni jooksul. Sellega loodi 30,680 1,164,966 patsiendist koosnev kohort, mis sisaldas 3 5 48 kirjet. Võtsime kasutusele domeenispetsiifilise andmete eeltöötluse ja punktis [48] kirjeldatud meetodid suremuse prognoosimiseks. Selle tulemuseks oli koondandmekogum, mis sisaldas mitut veergu patsiendi kohta kirje kohta, nagu on näidatud järgmisel joonisel. Järgmises tabelis on toodud patsiendi kirje tabelistiilis liideses, kus on veergudes näidatud aeg (XNUMX intervalli XNUMX tunni jooksul) ja elutähtsate näitajate vaatlused ridades. Iga rida tähistab füsioloogilist muutujat ja iga veerg tähistab selle väärtust, mis on registreeritud patsiendi XNUMX-tunnise aja jooksul.
Füsioloogiline parameeter | Diagramm_Aeg_0 | Diagramm_Aeg_1 | Diagramm_Aeg_2 | Diagramm_Aeg_3 | Diagramm_Aeg_4 |
Glasgow Coma Score Eyes | 4 | 4 | 4 | 4 | 4 |
FiO2 | 15 | 15 | 15 | 15 | 15 |
Glasgow Coma Score Eyes | 15 | 15 | 15 | 15 | 15 |
Heart Rate | 101 | 100 | 98 | 99 | 94 |
Invasiivne diastoolne BP | 73 | 68 | 60 | 64 | 61 |
Invasiivne süstoolne BP | 124 | 122 | 111 | 105 | 116 |
Keskmine arteriaalne rõhk (mmHg) | 77 | 77 | 77 | 77 | 77 |
Glasgow Coma Score Motor | 6 | 6 | 6 | 6 | 6 |
02 Küllastus | 97 | 97 | 97 | 97 | 97 |
Hingamissagedus | 19 | 19 | 19 | 19 | 19 |
Temperatuur (C) | 36 | 36 | 36 | 36 | 36 |
Glasgow kooma skoor verbaalne | 5 | 5 | 5 | 5 | 5 |
sissepääsukõrgus | 162 | 162 | 162 | 162 | 162 |
vastuvõtukaal | 96 | 96 | 96 | 96 | 96 |
vanus | 72 | 72 | 72 | 72 | 72 |
apacheadmissiondx | 143 | 143 | 143 | 143 | 143 |
etniline päritolu | 3 | 3 | 3 | 3 | 3 |
sugu | 1 | 1 | 1 | 1 | 1 |
glükoos | 128 | 128 | 128 | 128 | 128 |
haiglaravi tasaarvestus | -436 | -436 | -436 | -436 | -436 |
haiglast väljakirjutamise seisund | 0 | 0 | 0 | 0 | 0 |
esemenihe | -6 | -1 | 0 | 1 | 2 |
pH | 7 | 7 | 7 | 7 | 7 |
patsiendiüksus viibib | 2918620 | 2918620 | 2918620 | 2918620 | 2918620 |
üksuse tühjenemise nihe | 1466 | 1466 | 1466 | 1466 | 1466 |
üksuse tühjenemise olek | 0 | 0 | 0 | 0 | 0 |
Kasutasime nii numbrilisi kui ka kategoorilisi tunnuseid ja rühmitasime iga patsiendi kõik kirjed, et lamendada need ühe kirjega aegreaks. Seitse kategoorilist tunnust (vastuvõtudiagnoos, etniline kuuluvus, sugu, Glasgow kooma skoor kokku, Glasgow kooma skoor, silmad Glasgow kooma skoor, Glasgow kooma skoori mootor ja Glasgow kooma skoor verbaalne teisendati ühe kuuma kodeeringu vektoriteks) sisaldasid 429 unikaalset väärtust ja need teisendati üheks väärtuseks. -kuumad manused. Andmelekke vältimiseks koolitussõlme serverite vahel jagasime andmed haigla ID-de järgi ja säilitasime kõik haigla andmed ühes sõlmes.
Lahenduse ülevaade
Järgmine diagramm näitab FedML-i mitme kontoga juurutamise arhitektuuri AWS-is. See hõlmab kahte klienti (osaleja A ja osaleja B) ja mudeli koondajat.
Arhitektuur koosneb kolmest eraldi Amazon Elastic Compute Cloud (Amazon EC2) eksemplarid, mis töötavad oma AWS-i kontol. Kumbki kahest esimesest eksemplarist kuulub kliendile ja kolmas eksemplari omab mudeli koondaja. Kontod on ühendatud VPC peeringu kaudu, et võimaldada ML-mudelite ja kaalude vahetamist klientide ja koondaja vahel. gRPC kasutatakse sidetaustana mudelite koondaja ja klientide vaheliseks suhtluseks. Testisime ühe kontopõhist hajutatud andmetöötluse seadistust ühe serveri ja kahe kliendisõlmega. Kõik need eksemplarid loodi kohandatud Amazon EC2 AMI abil, mille FedML-sõltuvused olid installitud vastavalt FedML.ai installijuhend.
Seadistage VPC peering
Pärast kolme eksemplari käivitamist nende vastavatel AWS-i kontodel loote kontode vahel VPC-ühenduse Amazoni virtuaalne privaatpilv (Amazon VPC). VPC-võrguühenduse seadistamiseks looge esmalt taotlus teise VPC-ga võrdsustamise loomiseks. Saate taotleda VPC-ühenduse loomist mõne teise oma konto VPC-ga või mõne muu AWS-i konto VPC-ga. Taotluse aktiveerimiseks peab VPC omanik päringu aktsepteerima. Selle demonstratsiooni jaoks seadistasime Peering-ühenduse erinevatel kontodel, kuid samas piirkonnas asuvate VPC-de vahel. Muude VPC-ühenduse konfiguratsioonide kohta vaadake jaotist Looge VPC peering-ühendus.
Enne alustamist veenduge, et teil oleks koostööks VPC AWS-i kontonumber ja VPC ID.
Taotlege VPC peering-ühendust
VPC peering-ühenduse loomiseks toimige järgmiselt.
- Valige Amazon VPC konsooli navigeerimispaanil Peering-ühendused.
- Vali Loo peering-ühendus.
- eest Peering-ühenduse nimesilt, saate valikuliselt anda oma VPC ühisturuühendusele nime. Seda tehes luuakse teie määratud nime ja väärtuse võtmega silt. See silt on nähtav ainult teile; partner-VPC omanik saab luua VPC vahelise koostööühenduse jaoks oma sildid.
- eest VPC (taotleja), valige Peering-ühenduse loomiseks oma kontol VPC.
- eest konto, vali Teine konto.
- eest Konto ID, sisestage vastuvõtja VPC omaniku AWS-i konto ID.
- eest VPC (aktsepteerija), sisestage VPC ID, millega VPC ühisturu ühendus luua.
- Valige kinnitusdialoogiboksis OK.
- Vali Loo peering-ühendus.
Aktsepteerige VPC peering-ühendust
Nagu varem mainitud, peab VPC ühisturuühenduse vastu võtma VPC omanik, kellele ühendusetaotlus on saadetud. Peering-ühenduse taotluse vastuvõtmiseks tehke järgmised toimingud.
- Amazon VPC konsoolis kasutage piirkonna valijat, et valida aktsepteerija VPC piirkond.
- Valige navigeerimispaanil Peering-ühendused.
- Valige ootel olev VPC-ühenduse ühendus (olek on
pending-acceptance
) ja kohta Meetmete menüüst valige Nõustuge taotlusega. - Valige kinnitusdialoogiboksis Jah, nõustu.
- Valige teises kinnitusdialoogis Muuda minu marsruuditabeleid kohe otse marsruuditabelite lehele minemiseks või valige lähedal et seda hiljem teha.
Uuenda marsruuditabeleid
Privaatse IPv4-liikluse lubamiseks eksemplaride vahel partnervõrgu VPC-des lisage marsruut mõlema eksemplari alamvõrkudega seotud marsruuditabelitesse. Marsruudi sihtkoht on partner-VPC CIDR-i plokk (või osa CIDR-plokist) ja sihtmärk on VPC-ühenduse ID. Lisateabe saamiseks vt Konfigureerige marsruuditabeleid.
Värskendage oma turberühmi, et viidata sarnaste VPC-rühmadele
Värskendage oma VPC turberühmade sissetulevaid või väljaminevaid reegleid, et viidata samaväärse VPC turberühmadele. See võimaldab liiklusel voolata üle eksemplaride, mis on seotud võrreldud VPC-s viidatud turberühmaga. Turvarühmade seadistamise kohta lisateabe saamiseks vaadake Värskendage oma turberühmi, et viidata sarnaste turvarühmadele.
FedML-i seadistamine
Pärast kolme EC2 eksemplari käivitamist looge kõigiga ühendus ja tehke järgmised toimingud.
- Kloonige FedML-i hoidla.
- Esitage konfiguratsioonifailis oma võrgu topoloogiaandmed
grpc_ipconfig.csv
.
Selle faili leiate aadressilt FedML/fedml_experiments/distributed/fedavg
FedML-i hoidlas. Fail sisaldab andmeid serveri ja klientide ning nende määratud sõlmede vastendamise kohta, näiteks FL-server – sõlm 0, FL-klient 1 – sõlm 1 ja FL-klient 2 – sõlm2.
- Määrake GPU vastendamise konfiguratsioonifail.
Selle faili leiate aadressilt FedML/fedml_experiments/distributed/fedavg
FedML-i hoidlas. Fail gpu_mapping.yaml
koosneb konfiguratsiooniandmetest kliendiserveri vastendamiseks vastava GPU-ga, nagu on näidatud järgmises väljavõttes.
Pärast nende konfiguratsioonide määratlemist olete valmis kliente käivitama. Pange tähele, et kliente tuleb enne serveri käivitamist käivitada. Enne seda seadistame katsete jaoks andmelaadijad.
Kohandage FedML-i eICU jaoks
FedML-i hoidla kohandamiseks eICU andmestiku jaoks tehke andmete ja andmelaadijas järgmised muudatused.
kuupäev
Lisage andmed eelmääratud andmekausta, nagu on näidatud järgmisel ekraanipildil. Saate paigutada andmed mis tahes valitud kausta, kui teele on koolitusskriptis järjepidevalt viidatud ja juurdepääs on lubatud. Reaalse HCLS-i stsenaariumi järgimiseks, kus kohalikke andmeid ei jagata saitide vahel, jagage andmed ja proovige need nii, et kahe kliendi haigla ID-d ei kattuks. See tagab, et haigla andmeid majutatakse tema enda serveris. Samuti kehtestasime sama piirangu andmete jagamisel iga kliendi jaoks rongi-/testikomplektideks. Kõigil klientide rongi-/testikomplektidel oli positiivsete ja negatiivsete märgiste suhe 1:10, umbes 27,000 3,000 proovi koolitusel ja XNUMX proovi testimisel. Me käsitleme andmete tasakaalustamatust mudelitreeningul kaalutud kadu funktsiooniga.
Andmelaadija
Iga FedML-i klient laadib andmed ja teisendab need PyTorchi tensoriteks, et GPU-l tõhusalt treenida. Laiendage olemasolevat FedML-i nomenklatuuri, et lisada kaust eICU andmete jaoks data_processing
kausta.
Järgmine koodilõik laadib andmed andmeallikast. See eeltöötleb andmeid ja tagastab ühe üksuse korraga __getitem__
funktsiooni.
ML-mudelite koolitamine ühe andmepunktiga korraga on tüütu ja aeganõudev. Mudelkoolitus tehakse tavaliselt iga kliendi juures andmepunktide partiiga. Selle rakendamiseks andmelaadija data_loader.py
skript teisendab NumPy massiivid Torchi tensoriteks, nagu on näidatud järgmises koodilõigul. Pange tähele, et FedML pakub dataset.py
ja data_loader.py
skriptid nii struktureeritud kui ka struktureerimata andmete jaoks, mida saate kasutada andmespetsiifiliste muudatuste tegemiseks, nagu iga PyTorchi projekti puhul.
Importige andmelaadija treeningskripti
Pärast andmelaadija loomist importige see ML-mudeli koolituse jaoks FedML-koodi. Nagu iga muu andmekogum (nt CIFAR-10 ja CIFAR-100), laadige eICU andmed main_fedavg.py
skript teel FedML/fedml_experiments/distributed/fedavg/
. Siin kasutasime liitkeskmistamist (fedavg
) liitmisfunktsioon. Seadistamiseks võite järgida sarnast meetodit main
faili mis tahes muu liitmisfunktsiooni jaoks.
Kutsume eICU andmete andmelaadija funktsiooni järgmise koodiga:
Määratlege mudel
FedML toetab mitmeid kasutuselolevaid süvaõppe algoritme erinevate andmetüüpide jaoks, nagu tabel, tekst, pilt, graafikud ja asjade Interneti (IoT) andmed. Laadige eICU jaoks spetsiifiline mudel sisend- ja väljundmõõtmetega, mis on määratletud andmestiku põhjal. Kontseptsiooni väljatöötamise tõestuseks kasutasime vaikekonfiguratsiooniga patsientide suremuse koolitamiseks ja ennustamiseks logistilist regressioonimudelit. Järgmine koodilõik näitab muudatusi, mille me saidile tegime main_fedavg.py
stsenaarium. Pange tähele, et saate FedML-iga kasutada ka kohandatud PyTorchi mudeleid ja importida selle rakendusse main_fedavg.py
skript.
Käivitage ja jälgige FedML-i koolitust AWS-is
Järgmine video näitab koolitusprotsessi käivitamist igas kliendis. Kui mõlemad kliendid on serveri loendis, looge serveri koolitusprotsess, mis teostab mudelite koondatud koondamise.
FL-serveri ja klientide konfigureerimiseks toimige järgmiselt.
- Käivitage Client 1 ja Client 2.
Kliendi käivitamiseks sisestage järgmine käsk koos vastava sõlme ID-ga. Näiteks kliendi 1 käivitamiseks sõlme ID-ga 1 käivitage käsurealt:
- Pärast mõlema kliendi eksemplari käivitamist käivitage serveri eksemplar, kasutades sama käsku ja sobivat sõlme ID-d vastavalt teie konfiguratsioonile
grpc_ipconfig.csv file
. Näete kliendi eksemplaridelt serverile edastatud mudelite kaalusid.
- Koolitame FL mudelit 50 epohhi. Nagu näete allolevast videost, kantakse raskused sõlmede 0, 1 ja 2 vahel üle, mis näitab, et treening edeneb ootuspäraselt ühendatud viisil.
- Lõpuks jälgige ja jälgige FL-mudeli treeningu kulgu klastri erinevates sõlmedes, kasutades kaalud ja eelarvamused (wandb) tööriista, nagu on näidatud järgmisel ekraanipildil. Järgige loetletud samme siin Wandb installimiseks ja selle lahenduse seadistamise jälgimiseks.
Järgmine video jäädvustab kõik need sammud, et pakkuda FL-i täielikku tutvustust AWS-is, kasutades FedML-i.
Järeldus
Selles postituses näitasime, kuidas saate AWS-is juurutada avatud lähtekoodiga FedML-il põhinevat FL-raamistikku. See võimaldab teil treenida ML-mudelit hajutatud andmetel, ilma et oleks vaja neid jagada või teisaldada. Seadistasime mitme kontoga arhitektuuri, kus reaalse stsenaariumi korral saavad haiglad või tervishoiuorganisatsioonid ökosüsteemiga liituda, et saada kasu koostöös õppimisest, säilitades samal ajal andmete haldamise. Selle juurutuse testimiseks kasutasime mitme haigla eICU andmestikku. Seda raamistikku saab rakendada ka muudele kasutusjuhtudele ja domeenidele. Jätkame selle töö laiendamist, automatiseerides juurutamise infrastruktuuri kaudu koodina (kasutades AWS CloudFormation), mis hõlmab veelgi privaatsuse säilitamise mehhanisme ning parandab FL-mudelite tõlgendatavust ja õiglust.
Vaadake üle re:MARS 2022 esitlus, mis keskendub teemale "Hallatud liitõpe AWS-is: tervishoiu juhtumiuuring” selle lahenduse üksikasjaliku ülevaate saamiseks.
Viide
[1] Pollard, Tom J. jt. "eICU Collaborative Research Database, tasuta kättesaadav mitmekeskuseline andmebaas intensiivravi uuringute jaoks." Teaduslikud andmed 5.1 (2018): 1-13.
[2] Yin, X., Zhu, Y. ja Hu, J., 2021. Põhjalik uuring privaatsust säilitava liitõppe kohta: taksonoomia, ülevaade ja tulevikujuhised. ACM-i arvutusuuringud (CSUR), 54(6), pp.1-36.
[3] Sheikhalishahi, Seyedmostafa, Vevake Balaraman ja Venet Osmani. "Masinõppemudelite võrdlemine mitme keskusega eICU intensiivravi andmekogus." Plos üks 15.7 (2020): e0235424.
Autoritest
Vidya Sagar Ravipati on juhataja ettevõttes Amazon ML Solutions Lab, kus ta kasutab oma tohutut kogemust suuremahuliste hajutatud süsteemide vallas ja kirge masinõppe vastu, et aidata AWS-i klientidel erinevates tööstusharudes kiirendada nende tehisintellekti ja pilve kasutuselevõttu. Varem oli ta Amazoni ühenduvusteenuste masinõppeinsener, kes aitas luua isikupärastamise ja ennustava hoolduse platvorme.
Olivia Choudhury, PhD, on AWSi vanempartnerlahenduste arhitekt. Ta aitab partneritel tervishoiu ja bioteaduste valdkonnas kavandada, arendada ja skaleerida tipptasemel lahendusi, kasutades AWS-i. Tal on genoomika, tervishoiuanalüütika, liitõppe ja privaatsust säilitava masinõppe taust. Väljaspool tööd mängib ta lauamänge, maalib maastikke ja kogub mangasid.
Wajahat Aziz on AWS-i masinõppe ja HPC lahenduste peaarhitekt, kus ta keskendub tervishoiu- ja bioteaduste klientide abistamisele AWS-i tehnoloogiate võimendamisel, et arendada tipptasemel ML- ja HPC-lahendusi mitmesugusteks kasutusjuhtudeks, nagu ravimiarendus, Kliinilised katsed ja privaatsust säilitav masinõpe. Väljaspool tööd meeldib Wajahatile loodust uurida, matkata ja lugeda.
Divya Bhargavi on andmeteadlane ning meedia ja meelelahutuse vertikaaljuht Amazon ML Solutions Lab, kus ta lahendab masinõppe abil AWS-i klientide jaoks väärtuslikke äriprobleeme. Ta tegeleb piltide/videote mõistmise, teadmiste graafikute soovitussüsteemide ja ennustavate reklaamide kasutamise juhtumitega.
Ujjwal Ratan on AI/ML ja andmeteaduse juht AWS-i tervishoiu ja bioteaduste äriüksuses ning on ka AI/ML lahenduste peaarhitekt. Aastate jooksul on Ujjwal olnud tervishoiu- ja bioteaduste tööstuse mõtteliider, aidates mitmel Global Fortune 500 organisatsioonil saavutada oma innovatsioonieesmärke, võttes kasutusele masinõppe. Tema töö, mis hõlmab meditsiinilise pildistamise, struktureerimata kliinilise teksti ja genoomika analüüsi, on aidanud AWS-il luua tooteid ja teenuseid, mis pakuvad väga isikupärastatud ja täpselt sihitud diagnostikat ja ravi. Vabal ajal kuulab (ja mängib) meelsasti muusikat ning teeb perega planeerimata väljasõite.
Chaoyang He on ettevõtte FedML, Inc. kaasasutaja ja tehnoloogiajuht. See idufirma töötab avatud ja koostööl põhineva tehisintellekti loomise nimel kõikjal ja igal tasandil. Tema uurimistöö keskendub hajutatud/liitunud masinõppe algoritmidele, süsteemidele ja rakendustele. Ta sai doktorikraadi. aastast arvutiteaduses University of Southern California, Los Angeles, USA.
Salman Avestimehr on FedML, Inc., idufirma FedML, Inc. kaasasutaja ja tegevjuht, kes tegeleb kogukonna loomisega avatud ja koostööl põhineva tehisintellekti loomisel kõikjal ja mis tahes ulatuses. Salman Avestimehr on üle 20 aasta pikkune teadus- ja arendustegevuse juhtrolliga teadus- ja arendustegevuses nii akadeemilistes ringkondades kui ka tööstuses üle maailma tuntud ekspert. Ta on dekaaniprofessor ja Lõuna-California ülikooli USC-Amazoni usaldusväärse masinõppe keskuse avadirektor. Ta on olnud ka Amazoni õpetlane Amazonis. Ta on Ameerika Ühendriikide presidendi auhinna võitja oma põhjaliku panuse eest infotehnoloogiasse ja IEEE liige.
- SEO-põhise sisu ja PR-levi. Võimenduge juba täna.
- Platoblockchain. Web3 metaversiooni intelligentsus. Täiustatud teadmised. Juurdepääs siia.
- Allikas: https://aws.amazon.com/blogs/machine-learning/part-2-federated-learning-on-aws-with-fedml-health-analytics-without-sharing-sensitive-data/
- 000
- 1
- 10
- 100
- 20 aastat
- 2018
- 2020
- 2021
- 2022
- 28
- 7
- 9
- a
- MEIST
- üle
- Academia
- kiirendama
- aktsepteerima
- juurdepääs
- pääses
- konto
- aruandekohustus
- Kontod
- Saavutada
- üle
- tegu
- kohandama
- aadress
- tunnistas
- vastu
- Vastuvõtmine
- Vastuvõtmine
- reklaam
- pärast
- koondamine
- Agregaator
- AI
- AI / ML
- algoritme
- Materjal: BPA ja flataatide vaba plastik
- võimaldab
- Amazon
- Amazon EC2
- analüüs
- analytics
- analüüsima
- analüüsides
- ja
- Angeles
- Teine
- kuskil
- rakendused
- rakendatud
- lähenemine
- asjakohane
- arhitektuur
- seotud
- automatiseerimine
- saadaval
- auhind
- AWS
- Taustaprogramm
- tagapõhi
- põhineb
- sest
- enne
- on
- alla
- võrrelda
- kasu
- vahel
- Blokeerima
- Blogi
- juhatus
- Lauamängud
- Kast
- BP
- ehitama
- Ehitus
- ehitatud
- äri
- California
- helistama
- lööb
- mis
- juhul
- juhtumiuuring
- juhtudel
- keskus
- tsentraliseeritud
- tegevjuht
- väljakutseid
- Vaidluste lahendamine
- muutuv
- valik
- Vali
- valitud
- klass
- klassifikatsioon
- klient
- kliendid
- kliiniline
- Kliinilistes uuringutes
- Cloud
- pilve adopteerimine
- Cluster
- Asutaja
- kood
- Kohordi
- koostööl
- kogub
- Veerg
- Veerud
- Kooma
- KOMMUNIKATSIOON
- kogukond
- kogukonna ülesehitamine
- täitma
- terviklik
- Arvutama
- arvuti
- Arvutiteadus
- arvutustehnika
- mõiste
- mõisted
- konfiguratsioon
- Võta meiega ühendust
- seotud
- ühendus
- Side
- kaaluda
- konsool
- jätkama
- sissemaksed
- ümber
- Vastav
- Maksma
- looma
- loodud
- loob
- loomine
- kriitiline
- CTO
- tava
- Kliendid
- kohandada
- andmed
- juurdepääs andmetele
- andmete leke
- andmepunktid
- andmekaitse
- andmeteadus
- andmeteadlane
- andmete jagamine
- andmebaas
- Detsentraliseeritud
- otsus
- sügav
- sügav õpe
- vaikimisi
- näitama
- juurutada
- kasutuselevõtu
- kirjeldatud
- Disain
- sihtkoht
- üksikasjalik
- detailid
- määrates kindlaks
- arendama
- arenev
- & Tarkvaraarendus
- Dialoog
- erinev
- raske
- mõõdud
- otse
- Juhataja
- jagatud
- hajutatud arvutus
- hajutatud süsteemid
- jaotus
- Ei tee
- teeme
- domeen
- Domeenid
- uimasti
- ravimite väljatöötamine
- ajal
- iga
- Ajalugu
- ökosüsteemi
- efektiivsus
- tõhus
- võimaldama
- lubatud
- võimaldab
- Lõpuks-lõpuni
- insener
- tagama
- tagab
- sisene
- meelelahutus
- ajajärgud
- vead
- looma
- Eeter (ETH)
- sündmused
- näide
- olemasolevate
- oodatav
- kogemus
- ekspert
- uurima
- laiendama
- silmad
- õiglus
- pere
- FUNKTSIOONID
- mees
- Joonis
- fail
- Faile
- Lõpuks
- esimene
- voog
- Keskenduma
- keskendunud
- keskendub
- järgima
- Järel
- heaolu
- avastatud
- Raamistik
- tasuta
- Alates
- funktsioon
- funktsioonid
- edasi
- Pealegi
- tulevik
- Mängud
- SUGU
- genoomika
- gif
- Globaalne
- Go
- Eesmärgid
- valitsemistava
- GPU
- graafik
- graafikud
- Grupp
- Grupi omad
- suunised
- käepide
- Tervis
- ravikindlustus
- tervishoid
- Held
- aitama
- aitas
- aidates
- aitab
- siin
- kõrgelt
- matkamine
- ajalugu
- Haigla
- haiglad
- võõrustas
- Lahtiolekuajad
- Kuidas
- hpc
- HTML
- HTTPS
- ideaalne
- IEEE
- pilt
- Imaging
- tasakaalutus
- rakendada
- import
- parandama
- Paranemist
- in
- Avamine
- Inc
- hõlmab
- kaasates
- indeks
- tööstus
- info
- Infrastruktuur
- Innovatsioon
- sisend
- paigaldama
- Näiteks
- kindlustus
- Interface
- Internet
- Asjade Internet
- asjade Interneti
- IT
- liituma
- Võti
- teadmised
- Labels
- labor
- puudus
- suuremahuline
- algatama
- viima
- juht
- Juhtimine
- õppimine
- Pikkus
- Finantsvõimendus
- võimendab
- võimendav
- elu
- Eluteadus
- Maaülikooli
- joon
- nimekiri
- Loetletud
- Kuulamine
- koormus
- laadur
- saadetised
- kohalik
- kohapeal
- asub
- Pikk
- a
- Los Angeles
- kaotus
- masin
- masinõpe
- tehtud
- säilitada
- hooldus
- tegema
- TEEB
- juhtima
- juht
- viis
- kaardistus
- Marss
- vahendid
- mõõdud
- Meedia
- meditsiini-
- Meditsiiniline pildistamine
- Vastama
- mainitud
- meetod
- meetodid
- MIT
- Leevendada
- ML
- ML algoritmid
- mudel
- mudelid
- Jälgida
- järelevalve
- rohkem
- Mootor
- liikuma
- liikuv
- mitmekordne
- muusika
- nimi
- loodus
- NAVIGATSIOON
- Vajadus
- vaja
- vajadustele
- negatiivne
- võrk
- sõlme
- sõlmed
- number
- tuim
- ONE
- avatud
- avatud lähtekoodiga
- Operations
- optimaalselt
- organisatsioonid
- Muu
- väljaspool
- enda
- omanikuks
- omanik
- pane
- parameetrid
- osa
- partner
- partnerid
- Vastu võetud
- kirg
- tee
- patsient
- patsientidel
- peer
- täitma
- jõudlus
- täidab
- Isikupärastamine
- Isikliku
- torujuhe
- Koht
- kava
- Platvormid
- Platon
- Platoni andmete intelligentsus
- PlatoData
- mängimine
- palun
- Punkt
- võrra
- tekitab
- positiivne
- post
- Praktiline
- täpselt
- ennustada
- prognoosimine
- ennustus
- esitada
- esitlus
- presidendi-
- surve
- vältida
- varem
- Peamine
- privaatsus
- era-
- Probleem
- probleeme
- protsess
- Produktsioon
- Toodet
- Tooted ja teenused
- Õpetaja
- edeneb
- progressioon
- keelama
- projekt
- tõend
- tõendi mõiste
- esitama
- anda
- annab
- pakkudes
- avalikult
- eesmärk
- pütorch
- R & D
- juhuslik
- HARULDANE
- määr
- suhe
- RE
- Lugemine
- valmis
- päris maailm
- saadud
- Soovitus
- rekord
- dokumenteeritud
- andmed
- piirkond
- regressioon
- reguleeritud
- regulatiivne
- kõrvaldama
- Hoidla
- esindab
- taotleda
- nõudma
- nõue
- Nõuded
- Vajab
- teadustöö
- need
- tagasipöördumine
- Tulu
- läbi
- tee
- ligikaudu
- Marsruut
- ROW
- eeskirjade
- jooks
- jooksmine
- sama
- Skaala
- teadus
- TEADUSED
- teadlane
- skripte
- sujuvalt
- Teine
- turvalisus
- otsima
- väljavalitud
- SELF
- vanem
- tundlik
- Seeria
- Teenused
- komplekt
- Komplektid
- kehtestamine
- seade
- seitse
- mitu
- Jaga
- jagatud
- jagamine
- näidatud
- Näitused
- kirjutama
- Märgid
- sarnane
- Samamoodi
- ühekordne
- site
- Saidid
- So
- lahendus
- Lahendused
- Lahendab
- allikas
- Lõunapoolne
- ulatub
- konkreetse
- jagada
- stabiilne
- standard
- algus
- alustatud
- käivitamisel
- modernne
- Ühendriigid
- olek
- jääma
- Sammud
- ladustamine
- struktureeritud
- struktureeritud ja struktureerimata andmed
- Uuring
- stiil
- alamvõrgud
- selline
- piisav
- toetama
- Toetab
- Uuring
- süsteem
- süsteemid
- tabel
- TAG
- võtmine
- sihtmärk
- suunatud
- Ülesanne
- taksonoomia
- Tehnoloogiad
- Tehnoloogia
- šabloon
- test
- .
- oma
- ravimid
- asjad
- Kolmas
- arvasin
- kolm
- Läbi
- läbi kogu
- aeg
- Ajaseeria
- aega võttev
- et
- tööriist
- töövahendid
- tõrvik
- Torchvision
- Summa
- jälgida
- liiklus
- Rong
- koolitus
- üle antud
- uuringutes
- usaldusväärne
- liigid
- tüüpiliselt
- aluseks
- mõistmine
- ainulaadne
- üksus
- Ühendatud
- Ühendriigid
- üksused
- Ülikool
- University of Southern California
- Värskendused
- Uudised
- us
- USA
- kasutama
- kasutage juhtumit
- väärtus
- Väärtused
- sort
- eri
- suur
- vertikaalid
- kaudu
- Video
- virtuaalne
- nähtav
- tähtis
- läbikäiguks
- mis
- kuigi
- WHO
- lai
- will
- jooksul
- ilma
- Töö
- töötab
- maailmas tuntud
- X
- aastat
- Sinu
- sephyrnet