Tämä blogiviesti on kirjoitettu yhdessä Chaoyang He:n ja Salman Avestimehrin kanssa FedML:stä.
Todellisen terveydenhuollon ja biotieteiden (HCLS) tietojen analysointi asettaa useita käytännön haasteita, kuten hajautetut tietosiilot, riittävän datan puute yhdestä paikasta harvinaisten tapahtumien varalta, tiedon jakamisen kieltävät sääntelyohjeet, infrastruktuurivaatimukset ja luomisesta aiheutuvat kustannukset. keskitetty tietovarasto. Koska HCLS-kumppanit ja -asiakkaat ovat tiukasti säännellyllä alueella, etsivät yksityisyyttä suojelevia mekanismeja hallitakseen ja analysoidakseen laajamittaista, hajautettua ja arkaluontoista tietoa.
Näiden haasteiden lieventämiseksi ehdotamme federated learning (FL) -kehystä, joka perustuu avoimen lähdekoodin FedML:ään AWS:ssä ja joka mahdollistaa arkaluonteisten HCLS-tietojen analysoinnin. Se sisältää globaalin koneoppimismallin (ML) koulutuksen paikallisesti eri paikoissa olevista hajautetuista terveystiedoista. Se ei vaadi tietojen siirtämistä tai jakamista sivustojen välillä tai keskitetyn palvelimen kanssa mallin koulutusprosessin aikana.
FL-kehyksen käyttöönotto pilvessä sisältää useita haasteita. Asiakas-palvelin-infrastruktuurin automatisointi useiden tilien tai virtuaalisten yksityispilvien (VPC) tukemiseksi edellyttää VPC-vertailua ja tehokasta viestintää VPC:iden ja instanssejen välillä. Tuotantotyökuormituksessa tarvitaan vakaa käyttöönottoputki, jotta asiakkaat voidaan lisätä ja poistaa saumattomasti ja päivittää niiden kokoonpanot ilman suuria ylimääräisiä kustannuksia. Lisäksi heterogeenisessa asetelmassa asiakkailla voi olla erilaisia vaatimuksia laskentaa, verkkoa ja tallennusta varten. Tässä hajautetussa arkkitehtuurissa loki- ja virheenkorjausvirheet asiakkaiden välillä voivat olla vaikeita. Lopuksi optimaalisen lähestymistavan määrittäminen malliparametrien yhdistämiseen, mallin suorituskyvyn ylläpitämiseen, tietojen yksityisyyden varmistamiseen ja viestinnän tehokkuuden parantamiseen on työlästä. Tässä viestissä käsittelemme näitä haasteita tarjoamalla liittoutuneiden oppimistoimintojen (FLOps) mallin, joka isännöi HCLS-ratkaisua. Ratkaisu on agnostinen käyttötapauksille, mikä tarkoittaa, että voit mukauttaa sen käyttötapauksiin muuttamalla mallia ja tietoja.
Tässä kaksiosaisessa sarjassa näytämme, kuinka voit ottaa käyttöön pilvipohjaisen FL-kehyksen AWS:ssä. Vuonna ensimmäinen viesti, kuvailimme FL-konsepteja ja FedML-kehystä. Tässä toisessa osassa esittelemme käytännönläheisen terveydenhuollon ja biotieteiden käyttötapauksen todellisen maailman tietojoukon eICU:sta. Tämä tietojoukko sisältää yli 200 sairaalasta kerätyn monikeskuksen tehohoidon tietokannan, mikä tekee siitä ihanteellisen FL-kokeiden testaamiseen.
HCLS käyttötapaus
Esittelyä varten rakensimme FL-mallin julkisesti saatavilla olevalle tietojoukolle kriittisesti sairaiden potilaiden hoitamiseksi. Käytimme eICU Collaborative Research Database, monikeskuksen tehohoitoyksiköiden (ICU) tietokanta, joka sisältää 200,859 139,367 potilasyksikön kohtaamista 335 208 yksittäiselle potilaalle. Heidät otettiin yhteen 2014 yksiköstä 2015 sairaalassa eri puolilla Yhdysvaltoja vuosina 1–XNUMX. Tietojen taustalla olevan heterogeenisyyden ja hajautetun luonteen vuoksi se tarjoaa ihanteellisen reaalimaailman esimerkin tämän FL-kehyksen testaamiseen. Aineisto sisältää laboratoriomittauksia, elintoimintoja, hoitosuunnitelmatietoja, lääkkeitä, potilashistoriaa, vastaanottodiagnoosia, aikaleimattuja diagnooseja jäsennellystä ongelmalistasta ja vastaavasti valitut hoidot. Se on saatavana CSV-tiedostoina, jotka voidaan ladata mihin tahansa relaatiotietokantajärjestelmään. Taulukoiden tunnisteet on poistettu, jotta ne täyttävät Yhdysvaltain sairausvakuutuksen siirrettävyys- ja tilivelvollisuuslain (HIPAA) vaatimukset. Tietoihin pääsee käsiksi PhysioNet-tietovaraston kautta, ja tiedot tietojen käyttöprosessista löytyvät täältä [XNUMX].
eICU:n tiedot ovat ihanteellisia ML-algoritmien, päätöksenteon tukityökalujen kehittämiseen ja kliinisen tutkimuksen edistämiseen. Vertailuanalyysiä varten harkitsimme potilaiden sairaalakuolleisuuden ennustamista [2]. Määritimme sen binääriluokittelutehtäväksi, jossa jokainen datanäyte kattaa 1 tunnin ikkunan. Tätä tehtävää varten kohortin luomiseksi valitsimme potilaat, joiden potilastietueessa oli sairaalahoitosta ja joiden oleskeluaika on vähintään 48 tuntia, koska keskitymme ennustekuolleisuuteen ensimmäisten 24 ja 48 tunnin aikana. Tämä loi 30,680 1,164,966 potilaan kohortin, joka sisälsi 3 5 48 tietuetta. Otimme käyttöön aluekohtaisen tiedon esikäsittelyn ja kohdassa [48] kuvatut menetelmät kuolleisuuden ennustamiseen. Tämä johti koottuun tietosarjaan, joka sisälsi useita sarakkeita potilasta kohti tietueita kohti, kuten seuraavassa kuvassa näkyy. Seuraavassa taulukossa on potilastietue taulukkomuotoisessa käyttöliittymässä, jossa on aika sarakkeissa (XNUMX aikaväliä XNUMX tunnin aikana) ja elintoimintohavainnot riveinä. Jokainen rivi edustaa fysiologista muuttujaa, ja jokainen sarake edustaa sen arvoa, joka on tallennettu XNUMX tunnin aikaikkunan aikana potilaalle.
Fysiologinen parametri | Kaavio_Aika_0 | Kaavio_Aika_1 | Kaavio_Aika_2 | Kaavio_Aika_3 | Kaavio_Aika_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 |
Syke | 101 | 100 | 98 | 99 | 94 |
Invasiivinen diastolinen verenpaine | 73 | 68 | 60 | 64 | 61 |
Invasiivinen systolinen verenpaine | 124 | 122 | 111 | 105 | 116 |
Keskimääräinen valtimopaine (mmHg) | 77 | 77 | 77 | 77 | 77 |
Glasgow Coma Score Motor | 6 | 6 | 6 | 6 | 6 |
02 Kylläisyys | 97 | 97 | 97 | 97 | 97 |
Hengitysnopeus | 19 | 19 | 19 | 19 | 19 |
Lämpötila (C) | 36 | 36 | 36 | 36 | 36 |
Glasgow Coma Score sanallinen | 5 | 5 | 5 | 5 | 5 |
pääsykorkeus | 162 | 162 | 162 | 162 | 162 |
pääsypaino | 96 | 96 | 96 | 96 | 96 |
ikä | 72 | 72 | 72 | 72 | 72 |
apacheadmissiondx | 143 | 143 | 143 | 143 | 143 |
etnisyys | 3 | 3 | 3 | 3 | 3 |
sukupuoli | 1 | 1 | 1 | 1 | 1 |
glukoosi | 128 | 128 | 128 | 128 | 128 |
sairaalahoitokorvaus | -436 | -436 | -436 | -436 | -436 |
sairaalasta poistuminen | 0 | 0 | 0 | 0 | 0 |
eräpoikkeama | -6 | -1 | 0 | 1 | 2 |
pH | 7 | 7 | 7 | 7 | 7 |
potilasyksikön oleskeluaika | 2918620 | 2918620 | 2918620 | 2918620 | 2918620 |
yksikön tyhjennyspoikkeama | 1466 | 1466 | 1466 | 1466 | 1466 |
yksikön purkaustila | 0 | 0 | 0 | 0 | 0 |
Käytimme sekä numeerisia että kategorisia ominaisuuksia ja ryhmittelimme jokaisen potilaan kaikki tietueet tasoittaaksemme ne yhden tietueen aikasarjaksi. Seitsemän kategorista ominaisuutta (pääsydiagnoosi, etnisyys, sukupuoli, Glasgow Coma Score Total, Glasgow Coma Score Eyes, Glasgow Coma Score Eyes, Glasgow Coma Score Motor ja Glasgow Coma Score Verbal muunnettiin one-hot-koodausvektoreiksi) sisälsivät 429 ainutlaatuista arvoa ja ne muunnettiin yhdeksi - kuumat upotukset. Tietovuotojen estämiseksi koulutussolmupalvelimien välillä jaoimme tiedot sairaalatunnusten mukaan ja säilytimme kaikki sairaalan tiedot yhdessä solmussa.
Ratkaisun yleiskatsaus
Seuraava kaavio näyttää FedML:n usean tilin käyttöönoton arkkitehtuurin AWS:ssä. Tämä sisältää kaksi asiakasta (osallistuja A ja osallistuja B) ja mallin aggregaattorin.
Arkkitehtuuri koostuu kolmesta erillisestä Amazonin elastinen laskentapilvi (Amazon EC2) -esiintymiä, jotka toimivat sen omalla AWS-tilillä. Kumpikin kahdesta ensimmäisestä ilmentymästä on asiakkaan omistuksessa ja kolmannen ilmentymän omistaa mallin aggregaattori. Tilit on yhdistetty VPC peeringillä, jotta ML-malleja ja painoja voidaan vaihtaa asiakkaiden ja aggregaattorin välillä. gRPC käytetään viestintätaustana mallinaggregaattorin ja asiakkaiden väliseen viestintään. Testasimme yhden tilipohjaisen hajautetun laskentajärjestelmän, jossa oli yksi palvelin ja kaksi asiakassolmua. Jokainen näistä ilmentymistä luotiin käyttämällä mukautettua Amazon EC2 AMI:tä, johon on asennettu FedML-riippuvuudet FedML.ai asennusopas.
Määritä VPC peering
Kun olet käynnistänyt kolme ilmentymää vastaavilla AWS-tileillä, luot VPC-liikenteen tilien välille Amazonin virtuaalinen yksityinen pilvi (Amazon VPC). Voit määrittää VPC-verkkoyhteyden luomalla ensin pyynnön vertailla toisen VPC:n kanssa. Voit pyytää VPC peering -yhteyttä tilisi toiseen VPC:hen tai toisella AWS-tilillä olevaan VPC:hen. Pyynnön aktivoimiseksi VPC:n omistajan on hyväksyttävä pyyntö. Tätä demonstraatiota varten määritimme peering-yhteyden VPC:iden välille eri tileillä, mutta samalla alueella. Katso muut VPC peeringin kokoonpanot kohdasta Luo VPC peering -yhteys.
Ennen kuin aloitat, varmista, että sinulla on vertailtavan VPC:n AWS-tilinumero ja VPC-tunnus.
Pyydä VPC peering -yhteyttä
Luo VPC peering -yhteys suorittamalla seuraavat vaiheet:
- Valitse Amazon VPC -konsolin navigointiruudusta Peering-yhteydet.
- Valita Luo peering-yhteys.
- varten Peering-yhteyden nimilappu, voit valinnaisesti nimetä VPC-liikenteen yhteytesi. Näin luot tunnisteen, jossa on määrittämäsi nimen ja arvon avain. Tämä tunniste näkyy vain sinulle; vertais-VPC:n omistaja voi luoda omia tunnisteitaan VPC-peering-yhteydelle.
- varten VPC (Pyytäjä), valitse tililtäsi VPC luodaksesi peering-yhteyden.
- varten Tili, valitse Toinen tili.
- varten Tilin tunnus, anna hyväksyvän VPC:n omistajan AWS-tilitunnus.
- varten VPC (hyväksyjä), anna VPC-tunnus, jolla luodaan VPC-peering-yhteys.
- Valitse vahvistusvalintaikkunassa OK.
- Valita Luo peering-yhteys.
Hyväksy VPC peering -yhteys
Kuten aiemmin mainittiin, sen VPC:n omistajan, jolle yhteyspyyntö on lähetetty, on hyväksyttävä VPC-peering-yhteys. Suorita seuraavat vaiheet hyväksyäksesi peering-yhteyspyynnön:
- Käytä Amazon VPC -konsolissa Aluevalitsinta valitaksesi hyväksyvän VPC:n alue.
- Valitse siirtymisruudussa Peering-yhteydet.
- Valitse odottava VPC peering -yhteys (tila on
pending-acceptance
), ja Toiminnot valikosta, valitse Hyväksy pyyntö. - Valitse vahvistusvalintaikkunassa Kyllä, Hyväksy.
- Valitse toisessa vahvistusikkunassa Muokkaa reittitaulukoitani nyt Siirry suoraan reittitaulukkosivulle tai valitse lähellä tehdäksesi tämän myöhemmin.
Päivitä reittitaulukot
Jos haluat ottaa käyttöön yksityisen IPv4-liikenteen esiintymien välillä vertaisverkossa olevissa VPC:issä, lisää reitti molempien ilmentymien aliverkkoihin liittyviin reittitaulukoihin. Reitin kohde on vertais-VPC:n CIDR-lohko (tai CIDR-lohkon osa), ja kohde on VPC-liikenteen vaihtoyhteyden tunnus. Katso lisätietoja Määritä reittitaulukot.
Päivitä suojausryhmäsi viittaamaan vertais-VPC-ryhmiin
Päivitä VPC-suojausryhmiesi saapuvan tai lähtevän liikenteen säännöt viittaamaan vertais-VPC:n suojausryhmiin. Tämä sallii liikenteen virrata esiintymien yli, jotka liittyvät vertais-VPC:n viitattuun suojausryhmään. Lisätietoja suojausryhmien määrittämisestä on kohdassa Päivitä suojausryhmäsi viittaamaan vertaistietoturvaryhmiin.
Määritä FedML
Kun kolme EC2-esiintymää on käynnissä, muodosta yhteys kuhunkin niistä ja suorita seuraavat vaiheet:
- Kloonaa FedML-arkisto.
- Anna verkkosi topologiatiedot asetustiedostossa
grpc_ipconfig.csv
.
Tämä tiedosto löytyy osoitteesta FedML/fedml_experiments/distributed/fedavg
FedML-arkistossa. Tiedosto sisältää tietoja palvelimesta ja asiakkaista ja niille määritetyistä solmukartoituksista, kuten FL-palvelin – Solmu 0, FL Client 1 – Node 1 ja FL Client 2 – Node2.
- Määritä GPU-kartoituksen konfigurointitiedosto.
Tämä tiedosto löytyy osoitteesta FedML/fedml_experiments/distributed/fedavg
FedML-arkistossa. Tiedosto gpu_mapping.yaml
koostuu konfiguraatiotiedoista asiakaspalvelimen yhdistämiseksi vastaavaan GPU:hun, kuten seuraavassa katkelmassa näkyy.
Kun olet määrittänyt nämä kokoonpanot, olet valmis suorittamaan asiakkaita. Huomaa, että asiakkaat on suoritettava ennen palvelimen käynnistämistä. Ennen kuin teet sen, määritetään kokeiden datalataajat.
Mukauta FedML eICU:lle
Voit mukauttaa FedML-tietovaraston eICU-tietojoukolle tekemällä seuraavat muutokset data- ja datalataajaan.
Päiväys
Lisää tiedot valmiiksi määritettyyn tietokansioon seuraavan kuvakaappauksen mukaisesti. Voit sijoittaa tiedot mihin tahansa valitsemaasi kansioon, kunhan polkuun viitataan johdonmukaisesti harjoitusskriptissä ja pääsy on sallittu. Jos haluat seurata todellista HCLS-skenaariota, jossa paikallisia tietoja ei jaeta sivustojen kesken, jaa tiedot ja ota näyte, jotta kahden asiakkaan sairaalatunnukset eivät ole päällekkäisiä. Tämä varmistaa, että sairaalan tiedot isännöidään sen omalla palvelimella. Asetimme myös saman rajoituksen jakamaan tiedot juna-/testaussarjoiksi kunkin asiakkaan sisällä. Jokaisella asiakkaiden juna-/testaussarjalla oli positiivisten ja negatiivisten merkkien suhde 1:10, noin 27,000 3,000 näytettä koulutuksessa ja XNUMX XNUMX näytettä testissä. Käsittelemme mallikoulutuksen dataepätasapainoa painotetulla häviöfunktiolla.
Tietojen latausohjelma
Jokainen FedML-asiakas lataa tiedot ja muuntaa sen PyTorch-tensoreiksi tehokkaan GPU-koulutuksen varmistamiseksi. Laajenna olemassa olevaa FedML-nimikkeistöä lisäämällä kansio eICU-tiedoille data_processing
kansio.
Seuraava koodinpätkä lataa tiedot tietolähteestä. Se esikäsittelee tiedot ja palauttaa yhden kohteen kerrallaan __getitem__
toiminto.
ML-mallien kouluttaminen yhdellä datapisteellä kerrallaan on työlästä ja aikaa vievää. Mallikoulutus suoritetaan tyypillisesti datapisteiden erässä jokaisessa asiakkaassa. Tämän toteuttamiseksi tietojen latausohjelma data_loader.py
komentosarja muuntaa NumPy-taulukot Torch-tensoreiksi seuraavan koodinpätkän mukaisesti. Huomaa, että FedML tarjoaa dataset.py
ja data_loader.py
komentosarjat sekä strukturoidulle että jäsentämättömälle tiedolle, joita voit käyttää tietokohtaisiin muutoksiin, kuten missä tahansa PyTorch-projektissa.
Tuo tietojen latausohjelma harjoitusskriptiin
Kun olet luonut datalataimen, tuo se FedML-koodiin ML-mallin koulutusta varten. Kuten kaikki muutkin tietojoukot (esimerkiksi CIFAR-10 ja CIFAR-100), lataa eICU-tiedot main_fedavg.py
kirjoitus polulla FedML/fedml_experiments/distributed/fedavg/
. Tässä käytimme keskiarvoa (fedavg
) yhdistämisfunktio. Voit määrittää samanlaisen menetelmän main
tiedosto mitä tahansa muuta koontifunktiota varten.
Kutsumme eICU-tietojen tiedonlataustoimintoa seuraavalla koodilla:
Määrittele malli
FedML tukee useita valmiita syväoppimisalgoritmeja eri tietotyypeille, kuten taulukko-, teksti-, kuva-, kaavio- ja Internet of Things (IoT) -datalle. Lataa eICU-kohtainen malli tietojoukon perusteella määritetyillä tulo- ja lähtömitoilla. Tätä konseptikehityksen todistetta varten käytimme logistista regressiomallia kouluttaaksemme ja ennustaaksemme potilaiden kuolleisuutta oletuskonfiguraatioilla. Seuraava koodinpätkä näyttää päivitykset, joita teimme main_fedavg.py
käsikirjoitus. Huomaa, että voit myös käyttää mukautettuja PyTorch-malleja FedML:n kanssa ja tuoda sen main_fedavg.py
skriptejä.
Suorita ja seuraa FedML-koulutusta AWS:ssä
Seuraava video näyttää harjoitusprosessin alustuksen jokaisessa asiakkaassa. Kun molemmat asiakkaat on listattu palvelimelle, luo palvelimen koulutusprosessi, joka suorittaa mallien hajautetun aggregoinnin.
Määritä FL-palvelin ja asiakkaat suorittamalla seuraavat vaiheet:
- Suorita Client 1 ja Client 2.
Suorita asiakas kirjoittamalla seuraava komento sitä vastaavalla solmutunnuksella. Jos haluat esimerkiksi suorittaa Client 1:n solmutunnuksella 1, suorita komentoriviltä:
- Kun molemmat asiakasinstanssit on käynnistetty, käynnistä palvelinilmentymä käyttämällä samaa komentoa ja sopivaa solmutunnusta kokoonpanosi mukaan
grpc_ipconfig.csv file
. Voit nähdä mallipainot, jotka välitetään palvelimelle asiakasinstanssien kautta.
- Koulutamme FL-mallia 50 aikakauden ajan. Kuten alla olevasta videosta näkyy, painot siirretään solmujen 0, 1 ja 2 välillä, mikä osoittaa, että harjoittelu etenee odotetusti liittoutumalla.
- Lopuksi tarkkaile ja seuraa FL-mallin harjoittelun etenemistä klusterin eri solmuissa käyttämällä painot ja painotukset (wandb) -työkalu, kuten seuraavassa kuvakaappauksessa näkyy. Noudata lueteltuja ohjeita tätä asentaaksesi wandb- ja asennusvalvonnan tälle ratkaisulle.
Seuraava video kaappaa kaikki nämä vaiheet tarjotakseen täydellisen esittelyn FL:stä AWS:ssä FedML:n avulla:
Yhteenveto
Tässä viestissä osoitimme, kuinka voit ottaa käyttöön avoimen lähdekoodin FedML:ään perustuvan FL-kehyksen AWS:ssä. Sen avulla voit kouluttaa ML-mallia hajautetun datan perusteella ilman, että sitä tarvitsee jakaa tai siirtää. Luomme usean tilin arkkitehtuurin, jossa todellisessa tilanteessa sairaalat tai terveydenhuoltoorganisaatiot voivat liittyä ekosysteemiin hyötyäkseen yhteistoiminnallisesta oppimisesta säilyttäen samalla tiedonhallinnan. Käytimme usean sairaalan eICU-tietojoukkoa tämän käyttöönoton testaamiseen. Tätä viitekehystä voidaan soveltaa myös muihin käyttötapauksiin ja -alueisiin. Jatkamme tämän työn laajentamista automatisoimalla käyttöönottoa infrastruktuurin kautta koodina (käyttäen AWS-pilven muodostuminen), joka sisältää edelleen yksityisyyttä suojaavia mekanismeja ja parantaa FL-mallien tulkittavuutta ja oikeudenmukaisuutta.
Tarkista esitys re:MARS 2022 -tapahtumassa, jossa keskitytään "Managed Federated Learning on AWS: Tapaustutkimus terveydenhuollon alalla” saadaksesi yksityiskohtaisen esittelyn tästä ratkaisusta.
Viite
[1] Pollard, Tom J. et ai. "eICU Collaborative Research Database, vapaasti saatavilla oleva monikeskustietokanta tehohoidon tutkimukseen." Tieteellinen tieto 5.1 (2018): 1-13.
[2] Yin, X., Zhu, Y. ja Hu, J., 2021. Kattava tutkimus yksityisyyttä säilyttävästä liittoutuneesta oppimisesta: taksonomia, katsaus ja tulevaisuuden ohjeet. ACM Computing Surveys (CSUR), 54(6), pp.1-36.
[3] Sheikhalishahi, Seyedmostafa, Vevake Balaraman ja Venet Osmani. Koneoppimismallien benchmarking monikeskuksen eICU tehohoidon tietojoukossa. Plos yksi 15.7 (2020): e0235424.
Tietoja Tekijät
Vidya Sagar Ravipati on johtaja yrityksessä Amazon ML Solutions Lab, jossa hän hyödyntää laajaa kokemustaan laajamittaisista hajautetuista järjestelmistä ja intohimoaan koneoppimiseen auttaakseen AWS-asiakkaita eri toimialoilla nopeuttamaan tekoälyn ja pilvipalvelujen käyttöönottoa. Aikaisemmin hän oli koneoppimisinsinööri Connectivity Services -palvelussa Amazonissa, joka auttoi rakentamaan räätälöinnin ja ennakoivan ylläpidon alustoja.
Olivia Choudhury, PhD, on AWS:n Senior Partner Solutions -arkkitehti. Hän auttaa kumppaneita terveydenhuollon ja biotieteiden alalla suunnittelemaan, kehittämään ja skaalaamaan huippuluokan ratkaisuja hyödyntäen AWS:ää. Hänellä on tausta genomiikasta, terveydenhuollon analytiikasta, liittoutuneesta oppimisesta ja yksityisyyttä suojelevasta koneoppimisesta. Työn ulkopuolella hän pelaa lautapelejä, maalaa maisemia ja kerää mangaa.
Wajahat Aziz on koneoppimis- ja HPC-ratkaisujen pääarkkitehti AWS:ssä, jossa hän keskittyy auttamaan terveydenhuollon ja biotieteiden asiakkaita hyödyntämään AWS-teknologioita huippuluokan ML- ja HPC-ratkaisujen kehittämiseen monenlaisiin käyttötapauksiin, kuten lääkekehitykseen, Kliiniset kokeet ja yksityisyyttä säilyttävä koneoppiminen. Työn ulkopuolella Wajahat tykkää tutkia luontoa, patikoida ja lukea.
Divya Bhargavi on datatutkija sekä median ja viihteen vertikaalinen johtaja Amazon ML Solutions Lab, jossa hän ratkaisee arvokkaita liiketoimintaongelmia AWS-asiakkaille koneoppimisen avulla. Hän työskentelee kuvien/videoiden ymmärtämisen, tietokaavioiden suositusjärjestelmien ja ennakoivan mainonnan käyttötapausten parissa.
Ujjwal Ratan on AI/ML- ja datatieteen johtaja AWS Healthcare and Life Science -liiketoimintayksikössä ja on myös AI/ML-ratkaisujen pääarkkitehti. Ujjwal on vuosien ajan ollut terveydenhuolto- ja biotieteiden alan ajatusjohtaja ja auttanut useita Global Fortune 500 -organisaatioita saavuttamaan innovaatiotavoitteensa ottamalla käyttöön koneoppimisen. Hänen työnsä, johon liittyy lääketieteellisen kuvantamisen, jäsentämättömän kliinisen tekstin ja genomiikan analysointi, on auttanut AWS:ää rakentamaan tuotteita ja palveluita, jotka tarjoavat erittäin yksilöllistä ja tarkasti kohdennettua diagnostiikkaa ja terapiaa. Vapaa-ajallaan hän kuuntelee (ja soittaa) musiikkia ja tekee suunnittelemattomia retkiä perheensä kanssa.
Chaoyang He on FedML, Inc:n perustaja ja teknologiajohtaja, startup, joka pyrkii rakentamaan avointa ja yhteistyöhön perustuvaa tekoälyä mistä tahansa ja missä tahansa mittakaavassa. Hänen tutkimuksensa keskittyy hajautettuihin/federoituihin koneoppimisalgoritmeihin, järjestelmiin ja sovelluksiin. Hän sai Ph.D. Tietojenkäsittelytieteessä vuodesta University of Southern California, Los Angeles, Yhdysvallat.
Salman Avestimehr on FedML, Inc:n perustaja ja toimitusjohtaja. Aloitusyritys pyrkii rakentamaan avointa ja yhteistyöhön perustuvaa tekoälyä mistä tahansa ja missä tahansa mittakaavassa. Salman Avestimehr on maailmankuulu yhdistyneen oppimisen asiantuntija, jolla on yli 20 vuoden T&K-johtajuus sekä tiedemaailmassa että teollisuudessa. Hän on dekaanin professori ja Etelä-Kalifornian yliopiston USC-Amazon Center on Trustworthy Machine Learning -keskuksen avausjohtaja. Hän on myös ollut Amazon Scholar Amazonissa. Hän on Yhdysvaltain presidentin palkinnon voittaja syvällisestä panoksestaan tietotekniikassa ja IEEE:n stipendiaatti.
- SEO-pohjainen sisällön ja PR-jakelu. Vahvista jo tänään.
- Platoblockchain. Web3 Metaverse Intelligence. Tietoa laajennettu. Pääsy tästä.
- Lähde: 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 vuotta
- 2018
- 2020
- 2021
- 2022
- 28
- 7
- 9
- a
- Meistä
- edellä
- Academia
- kiihdyttää
- Hyväksyä
- pääsy
- Accessed
- Tili
- vastuullisuutta
- Tilit
- Saavuttaa
- poikki
- Toimia
- sopeuttaa
- osoite
- hyväksytty
- hyväksytty
- hyväksymällä
- Hyväksyminen
- mainonta
- Jälkeen
- aggregaatti
- Kerääjä
- AI
- AI / ML
- algoritmit
- Kaikki
- mahdollistaa
- Amazon
- Amazon EC2
- analyysi
- Analytics
- analysoida
- analysointi
- ja
- angeles
- Toinen
- kaikkialla
- sovellukset
- sovellettu
- lähestymistapa
- sopiva
- arkkitehtuuri
- liittyvä
- automatisointi
- saatavissa
- palkinto
- AWS
- taustaosa
- tausta
- perustua
- koska
- ennen
- ovat
- alle
- benchmark
- hyödyttää
- välillä
- Tukkia
- Uutiset ja media
- hallitus
- Lautapelit
- Laatikko
- BP
- rakentaa
- Rakentaminen
- rakennettu
- liiketoiminta
- Kalifornia
- soittaa
- kaappaa
- joka
- tapaus
- tapaustutkimus
- tapauksissa
- keskus
- keskitetty
- toimitusjohtaja
- haasteet
- Muutokset
- muuttuviin
- valinta
- Valita
- valittu
- luokka
- luokittelu
- asiakas
- asiakkaat
- Kliininen
- kliinisiä tutkimuksia
- pilvi
- pilvien hyväksyminen
- Cluster
- Perustaja
- koodi
- kohortti
- yhteistyöhön
- kerää
- Sarake
- Pylväät
- Kooma
- Viestintä
- yhteisö
- yhteisö rakennus
- täydellinen
- kattava
- Laskea
- tietokone
- Tietojenkäsittelyoppi
- tietojenkäsittely
- käsite
- käsitteet
- Konfigurointi
- kytkeä
- kytketty
- liitäntä
- Liitännät
- harkittu
- Console
- jatkaa
- maksut
- muunnetaan
- vastaava
- Hinta
- luoda
- luotu
- luo
- Luominen
- kriittinen
- CTO
- asiakassuhde
- Asiakkaat
- räätälöidä
- tiedot
- tietojen käyttö
- tietojen vuotaminen
- datapisteet
- Tietosuoja
- tietojenkäsittely
- tietojen tutkija
- tietojen jakaminen
- tietokanta
- hajautettu
- päätös
- syvä
- syvä oppiminen
- oletusarvo
- osoittaa
- sijoittaa
- käyttöönotto
- on kuvattu
- Malli
- määränpää
- yksityiskohtainen
- yksityiskohdat
- määritetään
- kehittää
- kehittämällä
- Kehitys
- Vuoropuhelu
- eri
- vaikea
- mitat
- suoraan
- Johtaja
- jaettu
- hajautettu laskenta
- hajautetut järjestelmät
- jakelu
- ei
- tekee
- verkkotunnuksen
- verkkotunnuksia
- huume
- huumeiden kehittäminen
- aikana
- kukin
- Aikaisemmin
- ekosysteemi
- tehokkuus
- tehokas
- mahdollistaa
- käytössä
- mahdollistaa
- päittäin
- insinööri
- varmistaa
- varmistaa
- enter
- Viihde
- aikakausia
- virheet
- perustaa
- Eetteri (ETH)
- Tapahtumat
- esimerkki
- olemassa
- odotettu
- experience
- asiantuntija
- tutkia
- laajentaa
- katse
- oikeudenmukaisuus
- perhe
- Ominaisuudet
- kaveri
- Kuva
- filee
- Asiakirjat
- Vihdoin
- Etunimi
- virtaus
- Keskittää
- keskityttiin
- keskittyy
- seurata
- jälkeen
- rikkaus
- löytyi
- Puitteet
- Ilmainen
- alkaen
- toiminto
- tehtävät
- edelleen
- Lisäksi
- tulevaisuutta
- Pelit
- Sukupuoli
- genomiikka
- gif
- Global
- Go
- Tavoitteet
- hallinto
- GPU
- kaavio
- kaaviot
- Ryhmä
- Ryhmän
- suuntaviivat
- kahva
- terveys
- sairausvakuutus
- terveydenhuollon
- sankari
- auttaa
- auttanut
- auttaa
- auttaa
- tätä
- erittäin
- retkeily
- historia
- Sairaala
- sairaalat
- isännöi
- TUNTIA
- Miten
- hpc
- HTML
- HTTPS
- ihanteellinen
- IEEE
- kuva
- Imaging
- epätasapaino
- toteuttaa
- tuoda
- parantaa
- parantaminen
- in
- virkaanastujaiset
- Inc.
- sisältää
- sisältävät
- indeksi
- teollisuus
- tiedot
- Infrastruktuuri
- Innovaatio
- panos
- asentaa
- esimerkki
- vakuutus
- liitäntä
- Internet
- Internet asioita
- Esineiden internet
- IT
- yhdistää
- avain
- tuntemus
- tarrat
- laboratorio
- Lack
- laaja
- käynnistää
- johtaa
- johtaja
- Johto
- oppiminen
- Pituus
- Vaikutusvalta
- vipusuhteita
- vipuvaikutuksen
- elämä
- Life Science
- Life Sciences
- linja
- Lista
- lueteltu
- Kuunteleminen
- kuormitus
- loader
- kuormat
- paikallinen
- paikallisesti
- sijaitsevat
- Pitkät
- niitä
- Los Angeles
- pois
- kone
- koneoppiminen
- tehty
- ylläpitää
- huolto
- tehdä
- TEE
- hoitaa
- johtaja
- tapa
- kartoitus
- maaliskuu
- välineet
- mitat
- Media
- lääketieteellinen
- lääketieteellinen kuvantaminen
- Tavata
- mainitsi
- menetelmä
- menetelmät
- MIT
- lieventää
- ML
- ML-algoritmit
- malli
- mallit
- monitori
- seuranta
- lisää
- moottori
- liikkua
- liikkuvat
- moninkertainen
- Musiikki
- nimi
- luonto
- suunnistus
- Tarve
- tarvitaan
- tarpeet
- negatiivinen
- verkko
- solmu
- solmut
- numero
- numpy
- ONE
- avata
- avoimen lähdekoodin
- Operations
- optimaalinen
- organisaatioiden
- Muut
- ulkopuolella
- oma
- omistuksessa
- omistaja
- lasi
- parametrit
- osa
- kumppani
- kumppani
- Hyväksytty
- intohimo
- polku
- potilas
- potilaat
- vertainen
- suorittaa
- suorituskyky
- suorittaa
- Personointi
- yksilöllinen
- putki
- Paikka
- suunnitelma
- Platforms
- Platon
- Platonin tietotieto
- PlatonData
- pelaa
- Ole hyvä
- Kohta
- pistettä
- aiheuttaa
- positiivinen
- Kirje
- Käytännön
- tarkasti
- ennustaa
- ennustamiseen
- ennustus
- esittää
- esitys
- presidentin-
- paine
- estää
- aiemmin
- Pääasiallinen
- yksityisyys
- yksityinen
- Ongelma
- ongelmia
- prosessi
- tuotanto
- Tuotteemme
- Tuotteet ja palvelut
- Opettaja
- etenee
- eteneminen
- kieltää
- projekti
- todiste
- todiste käsitteestä
- ehdottaa
- toimittaa
- tarjoaa
- tarjoamalla
- julkisesti
- tarkoitus
- pytorch
- T & K-
- satunnainen
- HARVINAINEN
- hinta
- suhde
- RE
- Lukeminen
- valmis
- todellinen maailma
- sai
- Suositus
- ennätys
- kirjataan
- asiakirjat
- alue
- regressio
- säännelty
- sääntelyn
- poistaa
- säilytyspaikka
- edustaa
- pyyntö
- edellyttää
- vaatimus
- vaatimukset
- Vaatii
- tutkimus
- ne
- palata
- Tuotto
- arviot
- tie
- karkeasti
- Reitti
- RIVI
- säännöt
- ajaa
- juoksu
- sama
- Asteikko
- tiede
- tieteet
- Tiedemies
- skriptejä
- saumattomasti
- Toinen
- turvallisuus
- etsiä
- valittu
- SELF
- vanhempi
- sensible
- Sarjat
- Palvelut
- setti
- Setit
- asetus
- setup
- seitsemän
- useat
- Jaa:
- yhteinen
- jakaminen
- esitetty
- Näytä
- merkki
- Signs
- samankaltainen
- samalla lailla
- single
- paikka
- Sivustot
- So
- ratkaisu
- Ratkaisumme
- Ratkaisee
- lähde
- Eteläinen
- jännevälien
- erityinen
- jakaa
- vakaa
- standardi
- Alkaa
- alkoi
- käynnistyksen
- huippu-
- Valtiot
- Tila
- pysyä
- Askeleet
- Levytila
- jäsennelty
- jäsennelty ja strukturoimaton data
- tutkimus
- tyyli
- aliverkkoon
- niin
- riittävä
- tuki
- Tukee
- Tutkimus
- järjestelmä
- järjestelmät
- taulukko
- TAG
- ottaen
- Kohde
- kohdennettu
- Tehtävä
- taksonomia
- Technologies
- Elektroniikka
- sapluuna
- testi
- -
- heidän
- terapeutiikka
- asiat
- kolmas
- ajatus
- kolmella
- Kautta
- kauttaaltaan
- aika
- Aikasarja
- aikaavievä
- että
- työkalu
- työkalut
- taskulamppu
- Torchvision
- Yhteensä
- raita
- liikenne
- Juna
- koulutus
- siirretty
- tutkimuksissa
- luotettava
- tyypit
- tyypillisesti
- taustalla oleva
- ymmärtäminen
- unique
- yksikkö
- Yhtenäinen
- Yhdysvallat
- yksiköt
- yliopisto
- University of Southern California
- Päivitykset
- Päivitykset
- us
- USA
- käyttää
- käyttölaukku
- arvo
- arvot
- lajike
- eri
- valtava
- pystysuunnassa
- kautta
- Video
- Virtual
- näkyvä
- elintärkeä
- läpikäynti
- joka
- vaikka
- KUKA
- leveä
- tulee
- sisällä
- ilman
- Referenssit
- toimii
- maailmankuulu
- X
- vuotta
- Sinun
- zephyrnet