Ezt a blogbejegyzést Chaoyang He-vel és Salman Avestimehrrel közösen írták a FedML-től.
A valós egészségügyi és élettudományi (HCLS) adatok elemzése számos gyakorlati kihívást vet fel, mint például az elosztott adatsilók, a ritka eseményekhez egyetlen helyen történő elegendő adat hiánya, az adatmegosztást tiltó szabályozási irányelvek, az infrastruktúra-szükséglet és a létrehozás költségei. központosított adattár. Mivel erősen szabályozott tartományba tartoznak, a HCLS-partnerek és -ügyfelek magánélet-megőrző mechanizmusokat keresnek a nagy léptékű, elosztott és érzékeny adatok kezelésére és elemzésére.
E kihívások mérséklése érdekében egy összevont tanulási (FL) keretrendszert javasolunk, amely nyílt forráskódú FedML-en alapul AWS-en, amely lehetővé teszi az érzékeny HCLS adatok elemzését. Ez magában foglalja egy globális gépi tanulási (ML) modell betanítását a különböző helyeken tárolt, elosztott egészségügyi adatokból. A modell betanítási folyamata során nincs szükség adatok áthelyezésére vagy megosztására a helyek között vagy egy központi szerverrel.
Az FL-keretrendszer felhőben történő telepítése számos kihívással jár. Az ügyfél-szerver infrastruktúra automatizálása több fiók vagy virtuális privát felhő (VPC) támogatása érdekében VPC társviszony-létesítést és hatékony kommunikációt igényel a VPC-k és példányok között. Éles munkaterhelés esetén stabil üzembe helyezési folyamatra van szükség az ügyfelek zökkenőmentes hozzáadásához és eltávolításához, valamint a konfigurációk frissítéséhez sok többletköltség nélkül. Ezen túlmenően egy heterogén konfigurációban az ügyfelek eltérő követelményeket támasztanak a számítással, a hálózattal és a tárolással kapcsolatban. Ebben a decentralizált architektúrában a naplózási és hibakeresési hibák az ügyfelek között nehézkesek lehetnek. Végül pedig a modellparaméterek összesítésére, a modell teljesítményének fenntartására, az adatvédelem biztosítására és a kommunikációs hatékonyság javítására vonatkozó optimális megközelítés meghatározása nehéz feladat. Ebben a bejegyzésben ezekkel a kihívásokkal foglalkozunk egy összevont tanulási műveletek (FLOps) sablon biztosításával, amely HCLS megoldást tartalmaz. A megoldás agnosztikus a használati esetekkel szemben, ami azt jelenti, hogy a modell és az adatok megváltoztatásával a használati esetekhez igazíthatja.
Ebben a kétrészes sorozatban bemutatjuk, hogyan telepíthet felhőalapú FL-keretrendszert az AWS-re. Ban,-ben első poszt, leírtuk az FL fogalmakat és a FedML keretrendszert. Ebben a második részben egy valós adatkészletből származó eICU-ból mutatunk be egy koncepcionális egészségügyi és élettudományi felhasználási esetet. Ez az adatkészlet több mint 200 kórházból összegyűjtött többközpontú kritikus ellátási adatbázist tartalmaz, ami ideálissá teszi FL-kísérleteink tesztelését.
HCLS használati eset
A demonstráció céljából egy nyilvánosan elérhető adatkészletre építettünk egy FL-modellt a kritikus állapotú betegek kezelésére. Használtuk a eICU Collaborative Research Database, egy többközpontú intenzív terápiás osztály (ICU) adatbázis, amely 200,859 139,367 betegegység-találkozást tartalmaz 335 208 egyedi beteg számára. 2014 és 2015 között 1 USA-beli kórház XNUMX osztályának egyikébe vették fel őket. Az adatok mögöttes heterogenitása és elosztott jellege miatt ideális valós példát nyújt az FL keretrendszer tesztelésére. Az adatkészlet laboratóriumi méréseket, életjeleket, gondozási tervvel kapcsolatos információkat, gyógyszereket, betegelőzményt, felvételi diagnózist, időbélyeggel ellátott diagnózisokat strukturált problémalistából és hasonlóan kiválasztott kezeléseket tartalmaz. CSV-fájlok készleteként érhető el, amely bármely relációs adatbázis-rendszerbe betölthető. A táblázatok azonosítása megtörtént, hogy megfeleljenek az Egyesült Államok egészségbiztosítási hordozhatóságáról és elszámoltathatóságáról szóló törvényének (HIPAA). Az adatok egy PhysioNet adattáron keresztül érhetők el, az adathozzáférési folyamat részletei pedig itt találhatók [XNUMX].
Az eICU adatok ideálisak ML algoritmusok, döntéstámogató eszközök fejlesztéséhez és a klinikai kutatás előmozdításához. A benchmark elemzéshez a betegek kórházi mortalitásának előrejelzését vettük figyelembe [2]. Bináris osztályozási feladatként határoztuk meg, ahol minden adatminta egy 1 órás ablakot ölel fel. A feladathoz egy kohorsz létrehozásához olyan betegeket választottunk ki, akiknél a betegnyilvántartásban kórházi elbocsátási státusz szerepel, és legalább 48 órás tartózkodási idővel rendelkeznek, mivel az első 24 és 48 óra előrejelzésére összpontosítunk. Ezzel egy 30,680 1,164,966 betegből álló kohorsz jött létre, amely 3 5 48 rekordot tartalmazott. A mortalitás előrejelzésére a [48]-ban leírt tartomány-specifikus adat-előfeldolgozást és módszereket alkalmaztuk. Ez egy olyan összesített adatkészletet eredményezett, amely betegenként és rekordonként több oszlopot tartalmazott, amint az a következő ábrán látható. Az alábbi táblázat táblázatos interfészen mutatja be a betegrekordot, oszlopokban feltüntetve az időt (XNUMX intervallum XNUMX órán keresztül), és sorokban az életjel-megfigyeléseket. Minden sor egy fiziológiai változót jelöl, minden oszlop pedig annak értékét, amelyet egy páciens XNUMX órás időtartama alatt rögzítettek.
Fiziológiai paraméter | Chart_Time_0 | Chart_Time_1 | Chart_Time_2 | Chart_Time_3 | Chart_Time_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 |
Invazív diasztolés vérnyomás | 73 | 68 | 60 | 64 | 61 |
Invazív szisztolés vérnyomás | 124 | 122 | 111 | 105 | 116 |
Átlagos artériás nyomás (Hgmm) | 77 | 77 | 77 | 77 | 77 |
Glasgow Coma Score Motor | 6 | 6 | 6 | 6 | 6 |
02 Telítettség | 97 | 97 | 97 | 97 | 97 |
Légzésszám | 19 | 19 | 19 | 19 | 19 |
Hőmérséklet (C) | 36 | 36 | 36 | 36 | 36 |
Glasgow Coma Score verbális | 5 | 5 | 5 | 5 | 5 |
felvételi magasság | 162 | 162 | 162 | 162 | 162 |
felvételi súly | 96 | 96 | 96 | 96 | 96 |
kor | 72 | 72 | 72 | 72 | 72 |
apacheadmissiondx | 143 | 143 | 143 | 143 | 143 |
etnikai | 3 | 3 | 3 | 3 | 3 |
nemek | 1 | 1 | 1 | 1 | 1 |
szőlőcukor | 128 | 128 | 128 | 128 | 128 |
kórházi felvételi ellentételezés | -436 | -436 | -436 | -436 | -436 |
kórházi elbocsátási állapot | 0 | 0 | 0 | 0 | 0 |
itemoffset | -6 | -1 | 0 | 1 | 2 |
pH | 7 | 7 | 7 | 7 | 7 |
betegegység marad | 2918620 | 2918620 | 2918620 | 2918620 | 2918620 |
egységkisülés offset | 1466 | 1466 | 1466 | 1466 | 1466 |
egységlemerülési állapot | 0 | 0 | 0 | 0 | 0 |
Mind numerikus, mind kategorikus jellemzőket használtunk, és az egyes betegek összes rekordját csoportosítottuk, hogy egy rekordból álló idősorokba simítsuk őket. A hét kategorikus jellemző (felvételi diagnózis, etnikai hovatartozás, nem, Glasgow Coma Score Total, Glasgow Coma Score Eyes, Glasgow Coma Score Eyes, Glasgow Coma Score Motor és Glasgow Coma Score Verbal egy-hot kódolási vektorokká konvertálva) 429 egyedi értéket tartalmazott, és egybe konvertálták őket. -forró beágyazások. Az adatszivárgás elkerülése érdekében a képzési csomópont-szervereken az adatokat kórházi azonosítók szerint osztottuk fel, és a kórház összes nyilvántartását egyetlen csomóponton tároltuk.
Megoldás áttekintése
A következő diagram a FedML többfiókos telepítésének architektúráját mutatja be az AWS-en. Ez két klienst (A résztvevő és B résztvevő) és egy modell-aggregátort tartalmaz.
Az építészet három különálló elemből áll Amazon rugalmas számítási felhő (Amazon EC2) példányok, amelyek saját AWS-fiókjában futnak. Az első két példány mindegyike egy ügyfél, a harmadik példány pedig a modell-aggregátor tulajdonában van. A számlák VPC peeringen keresztül kapcsolódnak egymáshoz, hogy lehetővé tegyék az ML modellek és súlyok cseréjét az ügyfelek és az aggregátor között. gRPC kommunikációs háttérként használják a modell-aggregátor és az ügyfelek közötti kommunikációhoz. Egyetlen fiók alapú elosztott számítástechnikai beállítást teszteltünk egy szerverrel és két kliens csomóponttal. Mindegyik példányt egyéni Amazon EC2 AMI használatával hozták létre, a FedML-függőségekkel telepítve a FedML.ai telepítési útmutató.
VPC társviszony beállítása
Miután elindította a három példányt a megfelelő AWS-fiókjukban, létrehozza a VPC-társkapcsolatot a fiókok között ezen keresztül Amazon Virtual Private Cloud (Amazon VPC). VPC társviszony beállításához először hozzon létre egy kérelmet egy másik VPC-vel való társításra. Kérhet VPC társviszony-kapcsolatot egy másik VPC-vel a fiókjában, vagy egy másik AWS-fiókban lévő VPC-vel. A kérelem aktiválásához a VPC tulajdonosának el kell fogadnia a kérést. Ennek a demonstrációnak a céljára beállítjuk a peering kapcsolatot a különböző fiókokban, de ugyanabban a régióban lévő VPC-k között. A VPC társviszony-létesítés egyéb konfigurációiról lásd: Hozzon létre egy VPC társviszony-létesítési kapcsolatot.
Mielőtt elkezdené, győződjön meg arról, hogy rendelkezik a társításhoz használt VPC AWS-számlaszámával és VPC-azonosítójával.
Kérjen VPC társviszony-kapcsolatot
A VPC társviszony létrehozásához hajtsa végre a következő lépéseket:
- Az Amazon VPC konzol navigációs ablaktábláján válassza a lehetőséget Peering kapcsolatok.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Peering kapcsolat létrehozása.
- A Peering kapcsolat névcímke, opcionálisan elnevezheti a VPC társviszony-létesítési kapcsolatot. Ezzel létrehoz egy címkét a megadott név és érték kulcsával. Ezt a címkét csak Ön láthatja; a peer VPC tulajdonosa létrehozhatja saját címkéit a VPC társviszony-kapcsolathoz.
- A VPC (kérő), válassza ki a VPC-t a fiókjában a társviszony létrehozásához.
- A Fiók, választ Egy másik fiók.
- A felhasználónév, adja meg az elfogadó VPC tulajdonosának AWS-fiókazonosítóját.
- A VPC (elfogadó), adja meg a VPC-azonosítót, amellyel létrehozhatja a VPC társviszony-létesítési kapcsolatot.
- A megerősítő párbeszédpanelen válassza a lehetőséget OK.
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a Peering kapcsolat létrehozása.
VPC peering kapcsolat elfogadása
Mint korábban említettük, a VPC társviszony-létesítési kapcsolatot el kell fogadnia annak a VPC-nek a tulajdonosának, amelyre a csatlakozási kérést elküldték. Hajtsa végre a következő lépéseket a társviszony-létesítési kérelem elfogadásához:
- Az Amazon VPC konzolon a Régió választó segítségével válassza ki az elfogadó VPC régióját.
- A navigációs panelen válassza a lehetőséget Peering kapcsolatok.
- Válassza ki a függőben lévő VPC társviszony-létesítési kapcsolatot (az állapot:
pending-acceptance
), és a Hozzászólások menüben válasszon Kérés elfogadása. - A megerősítő párbeszédpanelen válassza a lehetőséget Igen, elfogadom.
- A második megerősítő párbeszédpanelen válassza a lehetőséget Módosítsa most az útvonaltáblázataimat hogy közvetlenül az útvonaltáblázatok oldalára lépjen, vagy válassza a lehetőséget közel hogy ezt később megtegye.
Útvonaltáblázatok frissítése
A párosított VPC-kben a példányok közötti privát IPv4-forgalom engedélyezéséhez vegyen fel egy útvonalat mindkét példány alhálózatához társított útvonaltáblázatokhoz. Az útvonal célpontja a peer VPC CIDR-blokkja (vagy a CIDR-blokk egy része), a cél pedig a VPC társviszony-létesítési kapcsolat azonosítója. További információkért lásd Útvonaltáblázatok konfigurálása.
Frissítse biztonsági csoportjait a hasonló VPC-csoportokhoz
Frissítse a VPC biztonsági csoportjaihoz tartozó bejövő vagy kimenő szabályokat, hogy a társított VPC biztonsági csoportjaira hivatkozzanak. Ez lehetővé teszi, hogy a forgalom olyan példányokon keresztül áramoljon, amelyek a társított VPC hivatkozott biztonsági csoportjához vannak társítva. A biztonsági csoportok beállításával kapcsolatos további részletekért lásd: Frissítse biztonsági csoportjait a hasonló biztonsági csoportokhoz való hivatkozáshoz.
A FedML konfigurálása
Miután a három EC2 példány fut, csatlakozzon mindegyikhez, és hajtsa végre a következő lépéseket:
- Klónozza a FedML adattár.
- Adja meg a hálózat topológiai adatait a konfigurációs fájlban
grpc_ipconfig.csv
.
Ez a fájl itt található FedML/fedml_experiments/distributed/fedavg
a FedML adattárban. A fájl adatokat tartalmaz a kiszolgálóról és az ügyfelekről, valamint a kijelölt csomópont-leképezésről, például FL-kiszolgálóról – 0. csomópont, 1. FL-kliensről – 1. csomópontról és 2. FL-kliensről – 2. csomópontról.
- Határozza meg a GPU-leképezés konfigurációs fájlját.
Ez a fájl itt található FedML/fedml_experiments/distributed/fedavg
a FedML adattárban. A fájl gpu_mapping.yaml
konfigurációs adatokból áll az ügyfélkiszolgáló megfelelő GPU-hoz való hozzárendeléséhez, amint az a következő részletben látható.
Miután meghatározta ezeket a konfigurációkat, készen áll az ügyfelek futtatására. Ne feledje, hogy a klienseket le kell futtatni a szerver elindítása előtt. Mielőtt ezt megtennénk, állítsuk be az adatbetöltőket a kísérletekhez.
A FedML testreszabása az eICU-hoz
Az eICU-adatkészlet FedML-tárának testreszabásához hajtsa végre a következő módosításokat az adat- és adatbetöltőben.
dátum
Adjon hozzá adatokat az előre hozzárendelt adatmappához az alábbi képernyőképen látható módon. Az adatokat tetszőleges mappába elhelyezheti, feltéve, hogy az elérési útra következetesen hivatkozik a betanítási parancsfájl, és engedélyezve van a hozzáférése. Egy valós HCLS-forgatókönyv követéséhez, ahol a helyi adatok nem oszthatók meg a helyek között, ossza szét és vegyen mintát az adatokból, hogy ne legyen átfedés a két kliens kórházi azonosítói között. Ez biztosítja, hogy a kórház adatai a saját szerverén legyenek tárolva. Ugyanezt a megszorítást érvényesítettük az adatok vonat-/tesztkészletekre való felosztására is az egyes klienseken belül. Az ügyfelek mindegyik vonat/tesztkészletének 1:10 aránya volt a pozitív és negatív címkék aránya, nagyjából 27,000 3,000 mintával a képzésben és XNUMX XNUMX mintával a tesztben. A modellképzésben az adatkiegyensúlyozatlanságot súlyozott veszteségfüggvénnyel kezeljük.
Adatbetöltő
A FedML-kliensek mindegyike betölti az adatokat, és PyTorch-tenzorokká konvertálja a GPU-n való hatékony képzés érdekében. Bővítse ki a meglévő FedML-nómenklatúrát, és adjon hozzá egy mappát az eICU-adatok számára data_processing
mappát.
A következő kódrészlet betölti az adatokat az adatforrásból. Előfeldolgozza az adatokat, és egy-egy elemet ad vissza a következőn keresztül __getitem__
funkciót.
Egyszerre egyetlen adatponttal ML modellek betanítása unalmas és időigényes. A modell betanítása jellemzően egy köteg adatponton történik minden ügyfélnél. Ennek megvalósításához az adatbetöltő a data_loader.py
script a NumPy tömböket Torch tenzorokká alakítja, amint azt a következő kódrészlet mutatja. Vegye figyelembe, hogy a FedML biztosítja dataset.py
és a data_loader.py
szkriptek mind a strukturált, mind a strukturálatlan adatokhoz, amelyeket adatspecifikus módosításokhoz használhat, mint bármely PyTorch projektben.
Importálja az adatbetöltőt a képzési szkriptbe
Az adatbetöltő létrehozása után importálja azt a FedML-kódba az ML-modell betanításához. Mint minden más adatkészlet (például CIFAR-10 és CIFAR-100), töltse be az eICU-adatokat a main_fedavg.py
script az útvonalon FedML/fedml_experiments/distributed/fedavg/
. Itt az egyesített átlagolást használtuk (fedavg
) aggregációs függvény. Hasonló módszerrel állíthatja be a main
fájl bármely más összesítő függvényhez.
Az eICU adatok adatbetöltő funkcióját a következő kóddal hívjuk:
Határozza meg a modellt
A FedML számos készenléti mélytanulási algoritmust támogat különféle adattípusokhoz, például táblázatos, szöveges, képi, grafikonokhoz és a tárgyak internete (IoT) adataihoz. Töltse be az eICU-ra jellemző modellt az adatkészlet alapján meghatározott bemeneti és kimeneti dimenziókkal. A koncepció kidolgozásának ezen bizonyítására logisztikus regressziós modellt használtunk az alapértelmezett konfigurációjú betegek mortalitási arányának betanítására és előrejelzésére. A következő kódrészlet mutatja a frissítéseket, amelyeket a main_fedavg.py
forgatókönyv. Vegye figyelembe, hogy egyéni PyTorch-modelleket is használhat a FedML-lel, és importálhatja azt a main_fedavg.py
szkripteket.
Futtassa és figyelje a FedML-képzést AWS-en
A következő videó bemutatja az egyes kliensek képzési folyamatát. Miután mindkét kliens szerepel a kiszolgálón, hozza létre a kiszolgáló betanítási folyamatát, amely végrehajtja a modellek egyesített összesítését.
Az FL-kiszolgáló és az ügyfelek konfigurálásához hajtsa végre a következő lépéseket:
- Futtassa a Client 1-et és a Client 2-t.
Egy ügyfél futtatásához írja be a következő parancsot a megfelelő csomópont-azonosítóval. Például az 1. Client 1. csomópontazonosítóval futtatásához futtassa a parancssorból:
- Miután mindkét klienspéldány elindult, indítsa el a kiszolgálópéldányt ugyanazzal a paranccsal és a megfelelő csomópont-azonosítóval a konfigurációnak megfelelően
grpc_ipconfig.csv file
. Láthatja, hogy az ügyfélpéldányok milyen modellsúlyokat adnak át a kiszolgálónak.
- Az FL modellt 50 korszakon keresztül képezzük. Amint az alábbi videón is látható, a súlyok a 0, 1 és 2 csomópontok között vannak áthelyezve, jelezve, hogy az edzés a várt módon, egyesített módon halad.
- Végül figyelje és kövesse nyomon az FL-modell betanítási folyamatát a fürt különböző csomópontjai között a segítségével súlyok és torzítások (wandb) eszközt, ahogy az a következő képernyőképen látható. Kérjük, kövesse a felsorolt lépéseket itt a wandb telepítéséhez és a beállításfigyelés beállításához ehhez a megoldáshoz.
A következő videó mindezeket a lépéseket rögzíti, hogy teljes körűen bemutathassa az FL-t az AWS-en a FedML használatával:
Következtetés
Ebben a bejegyzésben bemutattuk, hogyan telepíthet nyílt forráskódú FedML-alapú FL-keretrendszert AWS-re. Lehetővé teszi egy ML modell betanítását elosztott adatokon anélkül, hogy meg kellene osztania vagy át kellene helyeznie azokat. Létrehoztunk egy többfiókos architektúrát, ahol a valós forgatókönyv szerint a kórházak vagy egészségügyi szervezetek csatlakozhatnak az ökoszisztémához, hogy az adatkezelés fenntartása mellett élvezhessék az együttműködésen alapuló tanulás előnyeit. A telepítés teszteléséhez a többkórházi eICU adatkészletét használtuk. Ez a keretrendszer más használati esetekre és tartományokra is alkalmazható. Ezt a munkát továbbra is kiterjesztjük az infrastruktúrán keresztüli, kódként történő telepítés automatizálásával (a AWS felhőképződés), amely tovább építi a magánélet védelmét szolgáló mechanizmusokat, és javítja az FL-modellek értelmezhetőségét és tisztességességét.
Kérjük, tekintse át a re:MARS 2022 bemutatóját, amelynek középpontjában a „Managed Federated Learning on AWS: Esettanulmány az egészségügyi ellátáshoz” a megoldás részletes ismertetéséhez.
Referencia
[1] Pollard, Tom J. et al. „Az eICU Collaborative Research Database, egy ingyenesen elérhető többközpontú adatbázis a kritikus gondozási kutatásokhoz.” Tudományos adatok 5.1 (2018): 1-13.
[2] Yin, X., Zhu, Y. és Hu, J., 2021. Átfogó felmérés a magánélet védelmét megőrző egyesített tanulásról: taxonómia, áttekintés és jövőbeli irányok. ACM Computing Surveys (CSUR), 54(6), pp.1-36.
[3] Sheikhalishahi, Seyedmostafa, Vevake Balaraman és Venet Osmani. „Gépi tanulási modellek teljesítményértékelése többközpontú eICU kritikus ellátási adatkészleten.” Plos egy 15.7 (2020): e0235424.
A szerzőkről
Vidya Sagar Ravipati menedzser a Amazon ML Solutions Lab, ahol a nagyszabású elosztott rendszerek terén szerzett hatalmas tapasztalatát és a gépi tanulás iránti szenvedélyét kamatoztatja, hogy segítse az AWS ügyfeleit a különböző iparágakban az AI és a felhő alkalmazásának felgyorsításában. Korábban gépi tanulási mérnökként dolgozott az Amazon Connectivity Services területén, és segített személyre szabott és prediktív karbantartási platformok felépítésében.
Olivia Choudhury, PhD, az AWS vezető partner-megoldási építésze. Segít partnereinek az egészségügy és az élettudományok területén az AWS-t kihasználó legkorszerűbb megoldások tervezésében, fejlesztésében és méretezésében. Genomikai, egészségügyi elemzési, egyesített tanulási és magánélet-megőrző gépi tanulási háttérrel rendelkezik. Munkán kívül társasjátékokkal játszik, tájképeket fest és mangákat gyűjt.
Wajahat Aziz az AWS fő gépi tanulási és HPC-megoldások építésze, ahol arra összpontosít, hogy segítse az egészségügyi és élettudományi ügyfeleket az AWS-technológiák kiaknázásában a legkorszerűbb ML és HPC megoldások kifejlesztésében számos felhasználási esetre, például gyógyszerfejlesztésre, Klinikai vizsgálatok és a magánélet védelmét megőrző gépi tanulás. A munkán kívül Wajahat szereti felfedezni a természetet, túrázni és olvasni.
Divya Bhargavi adatkutató, valamint a média és szórakoztatás vertikális vezetője a Amazon ML Solutions Lab, ahol nagy értékű üzleti problémákat old meg az AWS-ügyfelek számára a Machine Learning segítségével. Kép/videó megértéssel, tudásgrafikon ajánlórendszerekkel, prediktív hirdetéshasználati esetekkel foglalkozik.
Ujjwal Ratan az AI/ML és az adattudomány vezetője az AWS Egészségügyi és Élettudományi Üzletágában, valamint az AI/ML megoldások vezető építésze. Az évek során Ujjwal vezető szerepet töltött be az egészségügyben és az élettudományokban, és segített több Global Fortune 500 szervezetnek elérni innovációs céljait a gépi tanulás bevezetésével. Munkája az orvosi képalkotás, a strukturálatlan klinikai szöveg és a genomika elemzésével segítette az AWS-t olyan termékeket és szolgáltatásokat építeni, amelyek magasan személyre szabott és pontosan célzott diagnosztikát és terápiát biztosítanak. Szabadidejében szívesen hallgat (és játszik) zenét, és nem tervezett kirándulásokat tesz a családjával.
Chaoyang He társalapítója és technológiai igazgatója a FedML, Inc.-nek, egy olyan startupnak, amely egy nyílt és együttműködő mesterséges intelligencia közösséget építeni bárhonnan, bármilyen léptékben. Kutatásai az elosztott/összevont gépi tanulási algoritmusokra, rendszerekre és alkalmazásokra összpontosítanak. Ph.D fokozatot szerzett. a számítástechnikában a University of Southern California, Los Angeles, USA.
Salman Avestimehr társalapítója és vezérigazgatója a FedML, Inc.-nek, egy olyan startupnak, amely egy nyílt és együttműködő mesterséges intelligencia közösséget építeni bárhonnan, bármilyen léptékben. Salman Avestimehr a szövetségi tanulás világhírű szakértője, aki több mint 20 éves K+F vezető szerepet tölt be mind a tudományos élet, mind az ipar területén. Dékánprofesszor és a Dél-Kaliforniai Egyetem USC-Amazon megbízható gépi tanulási központjának bevezető igazgatója. Ő is volt Amazon Scholar az Amazonban. Az Egyesült Államok Elnöki díjazottja az információtechnológiában nyújtott mélyreható hozzájárulásáért, és az IEEE tagja.
- SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
- Platoblockchain. Web3 metaverzum intelligencia. Felerősített tudás. Hozzáférés itt.
- Forrás: 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 év
- 2018
- 2020
- 2021
- 2022
- 28
- 7
- 9
- a
- Rólunk
- felett
- Akadémia
- gyorsul
- Elfogad!
- hozzáférés
- igénybe vett
- Fiók
- felelősségre vonhatóság
- Fiókok
- Elérése
- át
- törvény
- alkalmazkodni
- cím
- felvételt nyer
- fogadott
- Elfogadása
- Örökbefogadás
- Hirdetés
- Után
- összesítés
- Összesítő
- AI
- AI / ML
- algoritmusok
- Minden termék
- lehetővé teszi, hogy
- amazon
- Amazon EC2
- elemzés
- analitika
- elemez
- elemzése
- és a
- Angeles
- Másik
- bárhol
- alkalmazások
- alkalmazott
- megközelítés
- megfelelő
- építészet
- társult
- automatizálás
- elérhető
- díj
- AWS
- háttér
- háttér
- alapján
- mert
- előtt
- hogy
- lent
- benchmark
- haszon
- között
- Blokk
- Blog
- bizottság
- Társasjátékok
- Doboz
- BP
- épít
- Épület
- épült
- üzleti
- Kalifornia
- hívás
- fogások
- ami
- eset
- esettanulmány
- esetek
- Központ
- központosított
- vezérigazgató
- kihívások
- Változások
- változó
- választás
- A pop-art design, négy időzóna kijelzése egyszerre és méretének arányai azok az érvek, amelyek a NeXtime Time Zones-t kiváló választássá teszik. Válassza a
- választott
- osztály
- besorolás
- vásárló
- ügyfél részére
- Klinikai
- klinikai vizsgálatok
- felhő
- felhő elfogadása
- Fürt
- Társalapító
- kód
- kohort
- kollaboratív
- összegyűjti
- Oszlop
- Oszlopok
- Kóma
- közlés
- közösség
- közösségi épület
- teljes
- átfogó
- Kiszámít
- számítógép
- Computer Science
- számítástechnika
- koncepció
- fogalmak
- Configuration
- Csatlakozás
- összefüggő
- kapcsolat
- Connectivity
- figyelembe vett
- Konzol
- folytatódik
- hozzájárulások
- átalakított
- Megfelelő
- Költség
- teremt
- készítette
- teremt
- létrehozása
- kritikai
- CTO
- szokás
- Ügyfelek
- testre
- dátum
- adat hozzáférés
- adatszivárgás
- adat pontok
- Adatvédelem
- adat-tudomány
- adattudós
- adatmegosztás
- adatbázis
- decentralizált
- döntés
- mély
- mély tanulás
- alapértelmezett
- bizonyítani
- telepíteni
- bevetés
- leírt
- Design
- rendeltetési hely
- részletes
- részletek
- meghatározó
- Fejleszt
- fejlesztése
- Fejlesztés
- Párbeszéd
- különböző
- nehéz
- méretek
- közvetlenül
- Igazgató
- megosztott
- elosztott számítástechnika
- elosztott rendszerek
- terjesztés
- Nem
- Ennek
- domain
- domainek
- gyógyszer
- gyógyszerfejlesztés
- alatt
- minden
- Korábban
- ökoszisztéma
- hatékonyság
- hatékony
- lehetővé
- engedélyezve
- lehetővé teszi
- végtől végig
- mérnök
- biztosítására
- biztosítja
- belép
- Szórakozás
- korszakok
- hibák
- létrehozni
- Eter (ETH)
- események
- példa
- létező
- várható
- tapasztalat
- szakértő
- feltárása
- terjed
- Szemek
- méltányosság
- család
- Jellemzők
- fickó
- Ábra
- filé
- Fájlok
- Végül
- vezetéknév
- áramlási
- Összpontosít
- összpontosított
- koncentrál
- következik
- következő
- Szerencse
- talált
- Keretrendszer
- Ingyenes
- ból ből
- funkció
- funkciók
- további
- Továbbá
- jövő
- Games
- nem
- genomika
- gif
- Globális
- Go
- Célok
- kormányzás
- GPU
- grafikon
- grafikonok
- Csoport
- Csoportok
- irányelvek
- fogantyú
- Egészség
- egészségbiztosítás
- egészségügyi
- hős
- segít
- segített
- segít
- segít
- itt
- nagyon
- turisztika
- történelem
- Kórház
- kórházak
- házigazdája
- NYITVATARTÁS
- Hogyan
- hpc
- HTML
- HTTPS
- ideális
- IEEE
- kép
- Leképezés
- kiegyensúlyozatlanság
- végre
- importál
- javul
- javuló
- in
- alakuló
- Inc.
- magában foglalja a
- amely magában foglalja
- index
- ipar
- információ
- Infrastruktúra
- Innováció
- bemenet
- telepíteni
- példa
- biztosítás
- Felület
- Internet
- internet a dolgok
- tárgyak internete
- IT
- csatlakozik
- Kulcs
- tudás
- Címkék
- laboratórium
- hiány
- nagyarányú
- indít
- vezet
- vezető
- Vezetés
- tanulás
- Hossz
- Tőkeáttétel
- kihasználja
- erőfölény
- élet
- Élettudományi
- Life Sciences
- vonal
- Lista
- Listázott
- Kihallgatás
- kiszámításának
- rakodó
- terhelések
- helyi
- helyileg
- található
- Hosszú
- az
- Los Angeles
- le
- gép
- gépi tanulás
- készült
- fenntartása
- karbantartás
- csinál
- KÉSZÍT
- kezelése
- menedzser
- mód
- térképészet
- március
- eszközök
- mérések
- Média
- orvosi
- Orvosi képalkotás
- Találkozik
- említett
- módszer
- mód
- MIT
- Enyhít
- ML
- ML algoritmusok
- modell
- modellek
- monitor
- ellenőrzés
- több
- Motor
- mozog
- mozgó
- többszörös
- zene
- név
- Természet
- Navigáció
- Szükség
- szükséges
- igények
- negatív
- hálózat
- csomópont
- csomópontok
- szám
- számtalan
- ONE
- nyitva
- nyílt forráskódú
- Művelet
- optimálisan
- szervezetek
- Más
- kívül
- saját
- tulajdonú
- tulajdonos
- üvegtábla
- paraméterek
- rész
- partner
- partnerek
- Elmúlt
- szenvedély
- ösvény
- beteg
- betegek
- egyenrangú
- teljesít
- teljesítmény
- Előadja
- Testreszabás
- Személyre
- csővezeték
- Hely
- terv
- Platformok
- Plató
- Platón adatintelligencia
- PlatoData
- játék
- kérem
- pont
- pont
- pózok
- pozitív
- állás
- Gyakorlati
- pontosan
- előre
- előrejelzésére
- előrejelzés
- be
- bemutatás
- elnöki
- nyomás
- megakadályozása
- korábban
- Fő
- magánélet
- magán
- Probléma
- problémák
- folyamat
- Termelés
- Termékek
- Termékek és szolgáltatások
- Egyetemi tanár
- halad
- haladás
- tiltják
- program
- bizonyíték
- bizonyíték a koncepcióra
- javasol
- ad
- biztosít
- amely
- nyilvánosan
- cél
- pytorch
- K + F
- véletlen
- RITKA
- Arány
- hányados
- RE
- Olvasás
- kész
- való Világ
- kapott
- Ajánlást
- rekord
- feljegyzett
- nyilvántartások
- vidék
- regresszió
- szabályozott
- szabályozók
- eltávolítása
- raktár
- jelentése
- kérni
- szükség
- követelmény
- követelmények
- megköveteli,
- kutatás
- azok
- visszatérés
- Visszatér
- Kritika
- út
- nagyjából
- Útvonal
- SOR
- szabályok
- futás
- futás
- azonos
- Skála
- Tudomány
- TUDOMÁNYOK
- Tudós
- szkriptek
- zökkenőmentesen
- Második
- biztonság
- Keresnek
- kiválasztott
- MAGA
- idősebb
- érzékeny
- Series of
- Szolgáltatások
- készlet
- Szettek
- beállítás
- felépítés
- hét
- számos
- Megosztás
- megosztott
- megosztás
- mutatott
- Műsorok
- <p></p>
- Jelek
- hasonló
- Hasonlóképpen
- egyetlen
- weboldal
- Webhely (ek)
- So
- megoldások
- Megoldások
- Megoldja
- forrás
- Déli
- ível
- különleges
- osztott
- stabil
- standard
- kezdet
- kezdődött
- indítás
- csúcs-
- Államok
- Állapot
- tartózkodás
- Lépései
- tárolás
- szerkesztett
- strukturált és strukturálatlan adatok
- Tanulmány
- stílus
- alhálózatok
- ilyen
- elegendő
- támogatás
- Támogatja
- Felmérés
- rendszer
- Systems
- táblázat
- TAG
- bevétel
- cél
- célzott
- Feladat
- taxonómia
- Technologies
- Technológia
- sablon
- teszt
- A
- azok
- gyógykezelés
- dolgok
- Harmadik
- gondoltam
- három
- Keresztül
- egész
- idő
- Idősorok
- időigényes
- nak nek
- szerszám
- szerszámok
- fáklya
- Torchvision
- Végösszeg
- vágány
- forgalom
- Vonat
- Képzések
- átment
- vizsgálatok
- megbízható
- típusok
- jellemzően
- mögöttes
- megértés
- egyedi
- egység
- Egyesült
- Egyesült Államok
- egységek
- egyetemi
- University of Southern California
- Frissítések
- Frissítés
- us
- USA
- használ
- használati eset
- érték
- Értékek
- fajta
- különféle
- Hatalmas
- függőlegesek
- keresztül
- videó
- Tényleges
- látható
- fontos
- végigjátszás
- ami
- míg
- WHO
- széles
- lesz
- belül
- nélkül
- Munka
- művek
- világhírű
- X
- év
- A te
- zephyrnet