פוסט זה בבלוג נכתב בשיתוף עם Chaoyang He ו-Salman Avestimehr מ-FedML.
ניתוח נתוני בריאות ומדעי החיים בעולם האמיתי (HCLS) מציב מספר אתגרים מעשיים, כגון ממגורות נתונים מבוזרות, היעדר מספיק נתונים באתר יחיד לאירועים נדירים, הנחיות רגולטוריות האוסרות על שיתוף נתונים, דרישת תשתית ועלויות הכרוכות ביצירת מאגר נתונים מרכזי. מכיוון שהם נמצאים בתחום מוסדר מאוד, שותפי HCLS ולקוחות מחפשים מנגנונים לשמירה על הפרטיות לניהול וניתוח נתונים בקנה מידה גדול, מבוזר ורגיש.
כדי למתן את האתגרים הללו, אנו מציעים מסגרת למידה מאוחדת (FL), המבוססת על FedML בקוד פתוח על AWS, המאפשרת ניתוח נתוני HCLS רגישים. זה כרוך באימון מודל למידת מכונה גלובלית (ML) מנתוני בריאות מבוזרים המוחזקים באופן מקומי באתרים שונים. זה לא מצריך העברה או שיתוף נתונים בין אתרים או עם שרת מרכזי במהלך תהליך הכשרת המודל.
לפריסת מסגרת FL על הענן יש כמה אתגרים. אוטומציה של תשתית שרת-לקוח כדי לתמוך במספר חשבונות או בעננים פרטיים וירטואליים (VPCs) דורשת הצצה של VPC ותקשורת יעילה בין VPCs ומופעים. בעומס עבודה בייצור, יש צורך בצינור פריסה יציב כדי להוסיף ולהסיר לקוחות בצורה חלקה ולעדכן את התצורות שלהם ללא תקורה רבה. יתר על כן, בהגדרה הטרוגנית, ללקוחות עשויים להיות דרישות שונות עבור מחשוב, רשת ואחסון. בארכיטקטורה מבוזרת זו, רישום וניפוי שגיאות בין לקוחות יכולים להיות קשים. לבסוף, קביעת הגישה האופטימלית לפרמטרים מצטברים של מודל, שמירה על ביצועי המודל, הבטחת פרטיות הנתונים ושיפור יעילות התקשורת היא משימה מפרכת. בפוסט זה, אנו מתייחסים לאתגרים הללו על ידי אספקת תבנית פעולות למידה מאוחדות (FLOps) המארח פתרון HCLS. הפתרון הוא אגנוסטי לשימוש במקרים, מה שאומר שאתה יכול להתאים אותו למקרי השימוש שלך על ידי שינוי המודל והנתונים.
בסדרה זו בת שני חלקים, אנו מדגימים כיצד ניתן לפרוס מסגרת FL מבוססת ענן ב-AWS. בתוך ה פוסט ראשון, תיארנו את מושגי FL ואת מסגרת FedML. בחלק השני הזה, אנו מציגים מקרה שימוש הוכחת קונספט של שירותי בריאות ומדעי החיים מתוך מערך נתונים eICU בעולם האמיתי. מערך נתונים זה כולל מסד נתונים רב-מרכזי לטיפול קריטי שנאסף מלמעלה מ-200 בתי חולים, מה שהופך אותו לאידיאלי לבדיקת ניסויי ה-FL שלנו.
מקרה שימוש של HCLS
לצורך הדגמה, בנינו מודל FL על מערך נתונים זמין לציבור לניהול חולים קשים. השתמשנו ב מאגר מחקר שיתופי של eICU, מסד נתונים רב-מרכזי של יחידות טיפול נמרץ (ICU), הכולל 200,859 מפגשים של יחידות מטופלים עבור 139,367 מטופלים ייחודיים. הם אושפזו לאחת מ-335 יחידות ב-208 בתי חולים ברחבי ארה"ב בין השנים 2014-2015. בשל ההטרוגניות הבסיסית והטבע המבוזר של הנתונים, הוא מספק דוגמה אידיאלית בעולם האמיתי לבדיקת מסגרת FL זו. מערך הנתונים כולל מדידות מעבדה, סימנים חיוניים, מידע על תוכנית טיפול, תרופות, היסטוריית מטופל, אבחון קבלה, אבחנות עם חותמת זמן מרשימת בעיות מובנית וטיפולים שנבחרו באופן דומה. זה זמין כסט של קבצי CSV, שניתן לטעון לכל מערכת מסד נתונים יחסיים. הטבלאות לא מזוהות כדי לעמוד בדרישות הרגולטוריות של חוק ניידות ואחריות של ביטוח בריאות בארה"ב (HIPAA). ניתן לגשת לנתונים דרך מאגר PhysioNet, ופרטים על תהליך הגישה לנתונים ניתן למצוא כאן [1].
נתוני eICU אידיאליים לפיתוח אלגוריתמי ML, כלי תומכי החלטות וקידום מחקר קליני. לניתוח בנצ'מרק, שקלנו את המשימה של חיזוי התמותה בבית החולים של חולים [2]. הגדרנו אותה כמשימת סיווג בינארי, כאשר כל דגימת נתונים משתרעת על פני חלון של שעה. כדי ליצור קבוצה למשימה זו, בחרנו חולים עם סטטוס שחרור מבית חולים בתיעוד המטופל ומשך שהייה של לפחות 1 שעות, מכיוון שאנו מתמקדים בחיזוי תמותה במהלך 48 ו-24 השעות הראשונות. זה יצר קבוצה של 48 חולים המכילה 30,680 רשומות. אימצנו עיבוד מוקדם של נתונים ספציפיים לתחום ושיטות המתוארות ב-[1,164,966] לחיזוי תמותה. זה הביא למערך נתונים מצטבר הכולל מספר עמודות לכל מטופל לכל רשומה, כפי שמוצג באיור הבא. הטבלה הבאה מספקת רישום מטופל בממשק בסגנון טבלאי עם זמן בעמודות (3 מרווחים על פני 5 שעות) ותצפיות על סימנים חיוניים בשורות. כל שורה מייצגת משתנה פיזיולוגי, וכל עמודה מייצגת את הערך שלה שנרשם בחלון זמן של 48 שעות למטופל.
פרמטר פיזיולוגי | תרשים_זמן_0 | תרשים_זמן_1 | תרשים_זמן_2 | תרשים_זמן_3 | תרשים_זמן_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 |
קצב לב | 101 | 100 | 98 | 99 | 94 |
לחץ דם פולשני דיאסטולי | 73 | 68 | 60 | 64 | 61 |
לחץ דם פולשני סיסטולי | 124 | 122 | 111 | 105 | 116 |
לחץ עורקי ממוצע (ממ כספית) | 77 | 77 | 77 | 77 | 77 |
Glasgow Coma Score Motor | 6 | 6 | 6 | 6 | 6 |
02 רוויה | 97 | 97 | 97 | 97 | 97 |
קצב נשימה | 19 | 19 | 19 | 19 | 19 |
טמפרטורה (C) | 36 | 36 | 36 | 36 | 36 |
גלזגו תרדמת ניקוד מילולי | 5 | 5 | 5 | 5 | 5 |
גובה כניסה | 162 | 162 | 162 | 162 | 162 |
משקל כניסה | 96 | 96 | 96 | 96 | 96 |
גיל | 72 | 72 | 72 | 72 | 72 |
apacheadmissiondx | 143 | 143 | 143 | 143 | 143 |
מוצא אתני | 3 | 3 | 3 | 3 | 3 |
מין | 1 | 1 | 1 | 1 | 1 |
גלוקוז | 128 | 128 | 128 | 128 | 128 |
קיזוז אשפוז | -436 | -436 | -436 | -436 | -436 |
מצב שחרור מבית החולים | 0 | 0 | 0 | 0 | 0 |
פריט היסט | -6 | -1 | 0 | 1 | 2 |
pH | 7 | 7 | 7 | 7 | 7 |
patientunitstayid | 2918620 | 2918620 | 2918620 | 2918620 | 2918620 |
יחידת הפריקה | 1466 | 1466 | 1466 | 1466 | 1466 |
מצב פריקת יחידה | 0 | 0 | 0 | 0 | 0 |
השתמשנו הן במאפיינים מספריים והן במאפיינים קטגוריים וקיבוץטנו את כל הרשומות של כל מטופל כדי לשטח אותם לסדרת זמן של רשומה אחת. שבעת המאפיינים הקטגוריים (אבחון קבלה, אתניות, מגדר, סה"כ ה-Glasgow Coma Score, Glasgow Coma Score Eyes, Glasgow Coma Score Motor ו-Glasgow Coma Score Verbal הומרו לוקטורי קידוד חד-חמים) הכילו 429 ערכים ייחודיים והומרו לערך אחד. -הטבעות חמות. כדי למנוע דליפת נתונים על פני שרתי צומת אימון, חילקנו את הנתונים לפי מזהי בית חולים ושמרנו את כל הרישומים של בית חולים בצומת בודד.
סקירת פתרונות
התרשים הבא מציג את הארכיטקטורה של פריסה מרובת חשבונות של FedML ב-AWS. זה כולל שני לקוחות (משתתף א' ומשתתף ב') ואגרגטור מודלים.
הארכיטקטורה מורכבת משלושה נפרדים ענן מחשוב אלסטי של אמזון (Amazon EC2) מופעים הפועלים בחשבון AWS משלו. כל אחת משתי המופעים הראשונים נמצאת בבעלות לקוח, והמופע השלישי בבעלות אגרגטור המודלים. החשבונות מחוברים באמצעות VPC Peering כדי לאפשר החלפת מודלים ומשקולות של ML בין הלקוחות והאגרגטור. גר"פ משמש כגבן תקשורת לתקשורת בין צובר מודלים ולקוחות. בדקנו מערך מחשוב מבוזר המבוסס על חשבון יחיד עם שרת אחד ושני צמתי לקוח. כל אחד מהמופעים הללו נוצר באמצעות אמזון EC2 AMI מותאם אישית עם תלויות FedML המותקנות לפי מדריך התקנה של FedML.ai.
הגדר הצצה ב-VPC
לאחר שתפעיל את שלושת המופעים בחשבונות ה-AWS שלהם, אתה יוצר ציון VPC בין החשבונות באמצעות ענן וירטואלי פרטי של אמזון (Amazon VPC). כדי להגדיר חיבור להצצה ל-VPC, תחילה צור בקשה להצצה עם VPC אחר. אתה יכול לבקש חיבור VPC עם VPC אחר בחשבון שלך, או עם VPC בחשבון AWS אחר. כדי להפעיל את הבקשה, על בעל ה-VPC לקבל את הבקשה. לצורך הדגמה זו, הקמנו את חיבור ההצצה בין VPCs בחשבונות שונים אך באותו אזור. לתצורות אחרות של הצצה ב-VPC, עיין ב צור חיבור VPC להצצה.
לפני שתתחיל, ודא שיש לך את מספר חשבון ה-AWS ומזהה ה-VPC של ה-VPC שאפשר להציץ איתם.
בקש חיבור VPC להצצה
כדי ליצור את חיבור ההצצה של VPC, בצע את השלבים הבאים:
- במסוף VPC של Amazon, בחלונית הניווט, בחר חיבורי הצצה.
- בחרו צור חיבור להצצה.
- בעד תג שם חיבור הצצה, אתה יכול לחלופין לתת שם לחיבור ההצצה שלך ב-VPC. פעולה זו יוצרת תג עם מפתח השם וערך שאתה מציין. תג זה גלוי רק לך; הבעלים של ה-VPC של עמיתים יכולים ליצור תגים משלו עבור חיבור ההצצה של VPC.
- בעד VPC (מבקש), בחר את ה-VPC בחשבון שלך כדי ליצור את חיבור ההצצה.
- בעד חֶשְׁבּוֹן, בחר חשבון אחר.
- בעד מזהה חשבון, הזן את מזהה חשבון AWS של הבעלים של ה-VPC המקבל.
- בעד VPC (מקבל), הזן את מזהה ה-VPC שאיתו ליצור את חיבור ההצצה של ה-VPC.
- בתיבת הדו-שיח לאישור, בחר OK.
- בחרו צור חיבור להצצה.
קבל חיבור VPC להצצה
כפי שהוזכר קודם לכן, חיבור ההצצה של VPC צריך להתקבל על ידי הבעלים של ה-VPC שאליו נשלחה בקשת החיבור. השלם את השלבים הבאים כדי לקבל את בקשת חיבור ההצצה:
- במסוף ה-VPC של Amazon, השתמש בבורר האזורים כדי לבחור את האזור של ה-VPC המקבל.
- בחלונית הניווט בחר חיבורי הצצה.
- בחר את חיבור ההצצה הממתין ל-VPC (הסטטוס הוא
pending-acceptance
), ועל ה פעולות בתפריט, בחר קבל את הבקשה. - בתיבת הדו-שיח לאישור, בחר כן, קבל.
- בתיבת הדו-שיח השנייה של האישור, בחר שנה את טבלאות המסלולים שלי עכשיו כדי לעבור ישירות לדף טבלאות המסלול, או לבחור סְגוֹר לעשות זאת מאוחר יותר.
עדכון טבלאות מסלולים
כדי לאפשר תעבורת IPv4 פרטית בין מופעים ב-Pered VPCs, הוסף נתיב לטבלאות המסלולים המשויכות לרשתות המשנה עבור שני המופעים. יעד המסלול הוא בלוק CIDR (או חלק מבלוק CIDR) של ה-VPC העמית, והיעד הוא המזהה של חיבור ההצצה של VPC. למידע נוסף, ראה הגדר טבלאות מסלולים.
עדכן את קבוצות האבטחה שלך כדי להתייחס לקבוצות VPC עמיתים
עדכן את הכללים הנכנסים או היוצאים עבור קבוצות האבטחה של VPC שלך כדי להתייחס לקבוצות אבטחה ב-VPC המשויך. זה מאפשר לתעבורה לזרום על פני מופעים המשויכים לקבוצת האבטחה המוזכרת ב-VPC המשויך. לפרטים נוספים על הגדרת קבוצות אבטחה, עיין ב עדכן את קבוצות האבטחה שלך כדי להתייחס לקבוצות אבטחה עמיתים.
הגדר את FedML
לאחר ששלושת מופעי EC2 פועלים, התחבר לכל אחד מהם ובצע את השלבים הבאים:
- שיבט את מאגר FedML.
- ספק נתוני טופולוגיה לגבי הרשת שלך בקובץ התצורה
grpc_ipconfig.csv
.
ניתן למצוא קובץ זה בכתובת FedML/fedml_experiments/distributed/fedavg
במאגר FedML. הקובץ כולל נתונים על השרת והלקוחות ומיפוי הצמתים הייעודי שלהם, כגון FL Server – Node 0, FL Client 1 – Node 1, ו-FL Client 2 – Node2.
- הגדר את קובץ התצורה של מיפוי ה-GPU.
ניתן למצוא קובץ זה בכתובת FedML/fedml_experiments/distributed/fedavg
במאגר FedML. הקובץ gpu_mapping.yaml
מורכב מנתוני תצורה למיפוי שרת לקוח ל-GPU המתאים, כפי שמוצג בקטע הבא.
לאחר שתגדיר את התצורות האלה, אתה מוכן להפעיל את הלקוחות. שים לב שיש להפעיל את הלקוחות לפני הפעלת השרת. לפני שנעשה זאת, בואו נגדיר את מטעני הנתונים עבור הניסויים.
התאם אישית את FedML עבור eICU
כדי להתאים אישית את מאגר FedML עבור מערך הנתונים של eICU, בצע את השינויים הבאים במטען הנתונים והנתונים.
נתונים
הוסף נתונים לתיקיית הנתונים שהוקצו מראש, כפי שמוצג בצילום המסך הבא. אתה יכול למקם את הנתונים בכל תיקיה שתבחר, כל עוד הנתיב מופנה באופן עקבי בסקריפט ההדרכה והגישה מופעלת. כדי לעקוב אחר תרחיש HCLS בעולם האמיתי, שבו נתונים מקומיים אינם משותפים בין אתרים, פצל ודגום את הנתונים כך שלא תהיה חפיפה של מזהי בית החולים בין שני הלקוחות. זה מבטיח שהנתונים של בית חולים מתארחים בשרת שלו. אנו גם אכפנו את אותו אילוץ לפצל את הנתונים למערכות רכבת/בדיקות בתוך כל לקוח. לכל אחד ממערכי הרכבת/הבדיקות של הלקוחות היה יחס של 1:10 של תוויות חיוביות לשליליות, עם בערך 27,000 דגימות בהדרכה ו-3,000 דגימות בבדיקה. אנו מטפלים בחוסר איזון הנתונים באימון מודלים עם פונקציית אובדן משוקלל.
טוען נתונים
כל אחד מלקוחות FedML טוען את הנתונים וממיר אותם לטנסור PyTorch לאימון יעיל על GPU. הרחב את המינוח הקיים של FedML כדי להוסיף תיקיה לנתוני eICU ב- data_processing
תיקייה.
קטע הקוד הבא טוען את הנתונים ממקור הנתונים. זה מעבד מראש את הנתונים ומחזיר פריט אחד בכל פעם דרך ה __getitem__
פונקציה.
אימון מודלים של ML עם נקודת נתונים בודדת בכל פעם הוא מייגע וגוזל זמן. אימון מודלים נעשה בדרך כלל על אצווה של נקודות נתונים בכל לקוח. כדי ליישם זאת, מטעין הנתונים ב- data_loader.py
סקריפט ממיר מערכי NumPy לטנסור לפיד, כפי שמוצג בקטע הקוד הבא. שימו לב ש-FedML מספקת dataset.py
ו data_loader.py
סקריפטים גם לנתונים מובנים וגם לא מובנים שבהם אתה יכול להשתמש עבור שינויים ספציפיים לנתונים, כמו בכל פרויקט PyTorch.
ייבא את מטעין הנתונים לסקריפט ההדרכה
לאחר יצירת מטעין הנתונים, ייבא אותו לקוד FedML להדרכה של מודל ML. כמו כל מערך נתונים אחר (לדוגמה, CIFAR-10 ו-CIFAR-100), טען את נתוני ה-eICU ל- main_fedavg.py
סקריפט בנתיב FedML/fedml_experiments/distributed/fedavg/
. כאן, השתמשנו בממוצע פדרלי (fedavg
) פונקציית צבירה. אתה יכול לבצע שיטה דומה כדי להגדיר את main
קובץ עבור כל פונקציית צבירה אחרת.
אנו קוראים לפונקציית טעינת הנתונים עבור נתוני eICU עם הקוד הבא:
הגדירו את הדגם
FedML תומכת במספר אלגוריתמים של למידה עמוקה מחוץ לקופסה עבור סוגי נתונים שונים, כגון טבלאות, טקסט, תמונה, גרפים ונתוני האינטרנט של הדברים (IoT). טען את המודל הספציפי עבור eICU עם ממדי קלט ופלט המוגדרים על סמך מערך הנתונים. לפיתוח הוכחה למושג זה, השתמשנו במודל רגרסיה לוגיסטית כדי לאמן ולחזות את שיעור התמותה של חולים עם תצורות ברירת מחדל. קטע הקוד הבא מציג את העדכונים שביצענו ב- main_fedavg.py
תַסרִיט. שים לב שאתה יכול גם להשתמש במודלים מותאמים אישית של PyTorch עם FedML ולייבא אותו לתוך main_fedavg.py
תַסרִיט.
הפעל וניטור אימוני FedML ב-AWS
הסרטון הבא מציג את תהליך האימון המתחולל אצל כל אחד מהלקוחות. לאחר ששני הלקוחות רשומים עבור השרת, צור את תהליך אימון השרת שמבצע צבירה מאוחדת של מודלים.
כדי להגדיר את שרת FL ואת הלקוחות, בצע את השלבים הבאים:
- הפעל את לקוח 1 ולקוח 2.
כדי להפעיל לקוח, הזן את הפקודה הבאה עם מזהה הצומת המתאים לו. לדוגמה, כדי להפעיל לקוח 1 עם מזהה צומת 1, הפעל משורת הפקודה:
- לאחר הפעלת שני מופעי הלקוח, הפעל את מופע השרת באמצעות אותה פקודה ומזהה הצומת המתאים לפי התצורה שלך ב-
grpc_ipconfig.csv file
. אתה יכול לראות את משקלי המודל מועברים לשרת ממופעי הלקוח.
- אנו מאמנים דגם FL למשך 50 עידנים. כפי שניתן לראות בסרטון למטה, המשקולות מועברות בין צמתים 0, 1 ו-2, מה שמצביע על התקדמות האימון כצפוי בצורה מאוחדת.
- לבסוף, עקוב אחר התקדמות האימון של מודל FL על פני צמתים שונים באשכול באמצעות ה- משקולות והטיות כלי (wandb), כפי שמוצג בצילום המסך הבא. אנא בצע את השלבים המפורטים כאן להתקנת wandb ומעקב אחר הגדרות עבור פתרון זה.
הסרטון הבא לוכד את כל השלבים הללו כדי לספק הדגמה מקצה לקצה של FL ב-AWS באמצעות FedML:
סיכום
בפוסט זה, הראינו כיצד ניתן לפרוס מסגרת FL, המבוססת על FedML בקוד פתוח, ב-AWS. זה מאפשר לך לאמן מודל ML על נתונים מבוזרים, ללא צורך לשתף או להעביר אותם. הקמנו ארכיטקטורה מרובת חשבונות, שבה בתרחיש אמיתי, בתי חולים או ארגוני בריאות יכולים להצטרף למערכת האקולוגית כדי ליהנות מלמידה שיתופית תוך שמירה על ממשל הנתונים. השתמשנו במערך הנתונים eICU של ריבוי בתי חולים כדי לבדוק את הפריסה הזו. ניתן להחיל מסגרת זו גם על מקרי שימוש ודומיינים אחרים. אנו נמשיך להרחיב את העבודה על ידי אוטומציה של פריסה באמצעות תשתית כקוד (באמצעות AWS CloudFormation), שילוב נוסף של מנגנונים לשמירה על הפרטיות, ושיפור הפרשנות וההגינות של מודלים FL.
אנא עיין במצגת ב-re:MARS 2022 המתמקדת ב"למידה מאוחדת מנוהלת ב-AWS: מחקר מקרה עבור שירותי בריאות" להדרכה מפורטת של פתרון זה.
התייחסות
[1] Pollard, Tom J., et al. "מסד הנתונים של eICU Collaborative Research Database, מסד נתונים רב-מרכזי זמין בחינם למחקר טיפול קריטי." נתונים מדעיים 5.1 (2018): 1-13.
[2] Yin, X., Zhu, Y. and Hu, J., 2021. סקר מקיף של למידה מאוחדת משמרת פרטיות: טקסונומיה, סקירה וכיוונים עתידיים. ACM Computing Surveys (CSUR), 54(6), pp.1-36.
[3] שייחאלישאהי, סיידמוסטפה, ווואקה בלארמאן, וונט אוסמני. "השוואת מודלים של למידת מכונה במערך נתונים רב-מרכזי של eICU לטיפול קריטי." PLoS ONE 15.7 (2020): e0235424.
על הכותבים
וידיה סגר רביפאטי הוא מנהל ב- מעבדת פתרונות אמזון ML, שם הוא ממנף את ניסיונו הרב במערכות מבוזרות רחבות היקף ואת התשוקה שלו ללמידת מכונה כדי לעזור ללקוחות AWS בכל האנרגיה השונה בתעשייה להאיץ את האימוץ שלהם לבינה מלאכותית וענן. בעבר, הוא היה מהנדס למידת מכונות בשירותי קישוריות באמזון שעזר לבנות פלטפורמות פרסונליזציה ותחזוקה ניבוי.
אוליביה צ'ודהורי, PhD, הוא אדריכל פתרונות שותפים בכיר ב-AWS. היא עוזרת לשותפים, בתחום הבריאות ומדעי החיים, לתכנן, לפתח ולהרחיב פתרונות חדישים הממנפים את AWS. יש לה רקע בגנומיקה, ניתוח בריאות, למידה מאוחדת ולמידת מכונה משמרת פרטיות. מחוץ לעבודה היא משחקת משחקי לוח, מציירת נופים ואוספת מנגה.
וג'האת עזיז הוא ארכיטקט ראשי של למידת מכונה ופתרונות HPC ב-AWS, שם הוא מתמקד בסיוע ללקוחות שירותי בריאות ומדעי החיים למנף טכנולוגיות AWS לפיתוח פתרונות ML ו-HPC המתקדמים ביותר עבור מגוון רחב של מקרי שימוש כגון פיתוח תרופות, ניסויים קליניים, ולמידת מכונה לשמירה על הפרטיות. מחוץ לעבודה, וג'האט אוהב לחקור את הטבע, לטייל ולקרוא.
דיוויה בהרגאווי הוא מדען נתונים ומוביל אנכי במדיה ובידור ב- מעבדת פתרונות אמזון ML, שם היא פותרת בעיות עסקיות בעלות ערך גבוה עבור לקוחות AWS באמצעות Machine Learning. היא עובדת על הבנת תמונה/וידאו, מערכות המלצות גרפי ידע, מקרי שימוש חזוי בפרסום.
Uג'וול ראטן הוא המנהיג של AI/ML ומדעי נתונים ביחידה העסקית של AWS בריאות ומדעי החיים והוא גם ארכיטקט פתרונות AI/ML ראשי. לאורך השנים, Ujjwal הייתה מובילה מחשבתית בתעשיית הבריאות ומדעי החיים, וסייעה לארגונים רבים של Global Fortune 500 להשיג את יעדי החדשנות שלהם על ידי אימוץ למידת מכונה. עבודתו הכוללת ניתוח של הדמיה רפואית, טקסט קליני לא מובנה וגנומיקה סייעה ל-AWS לבנות מוצרים ושירותים המספקים אבחון וטיפולים מותאמים אישית וממוקדים במדויק. בזמנו הפנוי, הוא נהנה לשמוע (ולנגן) מוזיקה ולצאת לטיולים לא מתוכננים עם משפחתו.
צ'אויאנג הוא הוא מייסד שותף ו-CTO של FedML, Inc., סטארט-אפ הפועל לבניית קהילה בינה מלאכותית פתוחה ומשתפת מכל מקום ובכל קנה מידה. המחקר שלו מתמקד באלגוריתמים, מערכות ויישומים של למידת מכונה מבוזרת/מאוחדת. הוא קיבל את הדוקטורט שלו. במדעי המחשב מ- אוניברסיטת דרום קליפורניהלוס אנג'לס, ארה"ב.
סלמאן אווסטייםהר הוא מייסד שותף ומנכ"ל של FedML, Inc., סטארט-אפ הפועל למען בניית קהילה בינה מלאכותית פתוחה ומשתפת מכל מקום ובכל קנה מידה. Salman Avestimehr הוא מומחה בעל שם עולמי בלמידה מאוחדת עם למעלה מ-20 שנות מנהיגות מו"פ הן באקדמיה והן בתעשייה. הוא פרופסור דיקן ומנהל ההשבעה של מרכז USC-Amazon ללמידת מכונה מהימנה באוניברסיטת דרום קליפורניה. הוא גם היה מלומד של אמזון באמזון. הוא זוכה פרס נשיא ארצות הברית על תרומתו העמוקה בטכנולוגיית מידע, ועמית ב-IEEE.
- הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
- Platoblockchain. Web3 Metaverse Intelligence. ידע מוגבר. גישה כאן.
- מקור: 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
- שנים 20
- 2018
- 2020
- 2021
- 2022
- 28
- 7
- 9
- a
- אודות
- מֵעַל
- אקדמיה
- להאיץ
- לְקַבֵּל
- גישה
- נצפה
- חֶשְׁבּוֹן
- דין וחשבון
- חשבונות
- להשיג
- לרוחב
- לפעול
- להסתגל
- כתובת
- הודה
- מאומץ
- אימוץ
- אימוץ
- פרסום
- לאחר
- - צבירה
- צבר
- AI
- AI / ML
- אלגוריתמים
- תעשיות
- מאפשר
- אמזון בעברית
- אמזון
- אנליזה
- ניתוח
- לנתח
- ניתוח
- ו
- אנג'לס
- אחר
- בְּכָל מָקוֹם
- יישומים
- יישומית
- גישה
- מתאים
- ארכיטקטורה
- המשויך
- אוטומציה
- זמין
- פרס
- AWS
- קצה אחורי
- רקע
- מבוסס
- כי
- לפני
- להיות
- להלן
- בנצ 'מרק
- תועלת
- בֵּין
- לחסום
- בלוג
- לוּחַ
- משחקי לוח
- אריזה מקורית
- BP
- לִבנוֹת
- בִּניָן
- נבנה
- עסקים
- קליפורניה
- שיחה
- לוכדת
- אשר
- מקרה
- מקרה מבחן
- מקרים
- מרכז
- מְרוּכָּז
- מנכ"ל
- האתגרים
- שינויים
- משתנה
- בחירה
- בחרו
- נבחר
- בכיתה
- מיון
- לקוחות
- לקוחות
- קליני
- ניסויים קליניים
- ענן
- אימוץ ענן
- אשכול
- מייסד שותף
- קוד
- עוקבים
- שיתוף פעולה
- אוסף
- טור
- עמודות
- תרדמת
- תקשורת
- קהילה
- מבנה קהילה
- להשלים
- מַקִיף
- לחשב
- המחשב
- מדעי מחשב
- מחשוב
- מושג
- מושגים
- תְצוּרָה
- לְחַבֵּר
- מחובר
- הקשר
- קישוריות
- נחשב
- קונסול
- להמשיך
- תרומות
- הומר
- תוֹאֵם
- עלות
- לִיצוֹר
- נוצר
- יוצר
- יוצרים
- קריטי
- ראש אגף טכנולוגיה
- מנהג
- לקוחות
- אישית
- נתונים
- גישה למידע
- דליפת מידע
- נקודות מידע
- פרטיות מידע
- מדע נתונים
- מדען נתונים
- שיתוף מידע
- מסד נתונים
- מבוזר
- החלטה
- עמוק
- למידה עמוקה
- בְּרִירַת מֶחדָל
- להפגין
- לפרוס
- פריסה
- מְתוּאָר
- עיצוב
- יעד
- מְפוֹרָט
- פרטים
- קביעה
- לפתח
- מתפתח
- צעצועי התפתחות
- דיאלוג
- אחר
- קשה
- ממדים
- ישירות
- מְנַהֵל
- מופץ
- מחשוב מבוזר
- מערכות מבוזרות
- הפצה
- לא
- עושה
- תחום
- תחומים
- תרופה
- פיתוח תרופות
- בְּמַהֲלָך
- כל אחד
- מוקדם יותר
- המערכת האקולוגית
- יְעִילוּת
- יעיל
- לאפשר
- מופעל
- מאפשר
- מקצה לקצה
- מהנדס
- לְהַבטִיחַ
- מבטיח
- זן
- בידור
- תקופות
- שגיאות
- להקים
- Ether (ETH)
- אירועים
- דוגמה
- קיימים
- צפוי
- ניסיון
- מומחה
- לחקור
- להאריך
- עיניים
- הגינות
- משפחה
- תכונות
- בחור
- תרשים
- שלח
- קבצים
- בסופו של דבר
- ראשון
- תזרים
- להתמקד
- מרוכז
- מתמקד
- לעקוב
- הבא
- הון עתק
- מצא
- מסגרת
- חופשי
- החל מ-
- פונקציה
- פונקציות
- נוסף
- יתר על כן
- עתיד
- משחקים
- מין
- הגנומיקה
- gif
- גלוֹבָּלִי
- Go
- שערים
- ממשל
- GPU
- גרף
- גרפים
- קְבוּצָה
- קבוצה
- הנחיות
- לטפל
- בְּרִיאוּת
- ביטוח בריאות
- בריאות
- הוחזק
- לעזור
- עזר
- עזרה
- עוזר
- כאן
- מאוד
- טיולים
- היסטוריה
- בית חולים
- בתי חולים
- אירח
- שעות
- איך
- hpc
- HTML
- HTTPS
- אידאל
- IEEE
- תמונה
- הדמיה
- חוסר איזון
- ליישם
- לייבא
- לשפר
- שיפור
- in
- פתיחה
- בע"מ
- כולל
- שילוב
- מדד
- תעשייה
- מידע
- תשתית
- חדשנות
- קלט
- להתקין
- למשל
- ביטוח
- מִמְשָׁק
- אינטרנט
- אינטרנט של דברים
- IOT
- IT
- להצטרף
- מפתח
- ידע
- תוויות
- מעבדה
- חוסר
- בקנה מידה גדול
- לשגר
- עוֹפֶרֶת
- מנהיג
- מנהיגות
- למידה
- אורך
- תנופה
- מנופים
- מינוף
- החיים
- מדעי החיים
- מדעי חיים
- קו
- רשימה
- ברשימה
- האזנה
- לִטעוֹן
- מטעין
- המון
- מקומי
- באופן מקומי
- ממוקם
- ארוך
- ה
- לוס אנג'לס
- את
- מכונה
- למידת מכונה
- עשוי
- לתחזק
- תחזוקה
- לעשות
- עושה
- לנהל
- מנהל
- דרך
- מיפוי
- מַאְדִים
- אומר
- מידות
- מדיה
- רפואי
- הדמיה רפואית
- לִפְגוֹשׁ
- מוּזְכָּר
- שיטה
- שיטות
- MIT
- להקל
- ML
- אלגוריתמים של ML
- מודל
- מודלים
- צג
- ניטור
- יותר
- מָנוֹעַ
- המהלך
- נע
- מספר
- כלי נגינה
- שם
- טבע
- ניווט
- צורך
- נחוץ
- צרכי
- שלילי
- רשת
- צומת
- צמתים
- מספר
- קהות
- ONE
- לפתוח
- קוד פתוח
- תפעול
- אופטימלי
- ארגונים
- אחר
- בחוץ
- שֶׁלוֹ
- בבעלות
- בעלים
- זגוגית
- פרמטרים
- חלק
- שותף
- שותפים
- עבר
- תשוקה
- נתיב
- חולה
- חולים
- להציץ
- לבצע
- ביצועים
- מבצע
- התאמה אישית
- אישית
- צינור
- מקום
- תכנית
- פלטפורמות
- אפלטון
- מודיעין אפלטון
- אפלטון נתונים
- משחק
- אנא
- נקודה
- נקודות
- תנוחות
- חיובי
- הודעה
- מעשי
- בדיוק
- לחזות
- ניבוי
- נבואה
- להציג
- הצגה
- נשיאותי
- לחץ
- למנוע
- קוֹדֶם
- מנהל
- פְּרָטִיוּת
- פְּרָטִי
- בעיה
- בעיות
- תהליך
- הפקה
- מוצרים
- מוצרים ושירותים
- פרופסור
- מתקדם
- התקדמות
- לאסור
- פּרוֹיֶקט
- הוכחה
- הוכחה של רעיון או תאוריה
- להציע
- לספק
- מספק
- מתן
- בפומבי
- מטרה
- פיטורך
- R & D
- אקראי
- נדיר
- ציון
- יחס
- RE
- קריאה
- מוכן
- עולם אמיתי
- קיבלו
- המלצה
- שיא
- מוקלט
- רשום
- באזור
- נסיגה
- מוסדר
- רגולטורים
- להסיר
- מאגר
- מייצג
- לבקש
- לדרוש
- דרישה
- דרישות
- דורש
- מחקר
- אלה
- לַחֲזוֹר
- החזרות
- סקירה
- כביש
- בערך
- מסלול
- שׁוּרָה
- כללי
- הפעלה
- ריצה
- אותו
- סולם
- מדע
- מדעים
- מַדְעָן
- סקריפטים
- בצורה חלקה
- שְׁנִיָה
- אבטחה
- לחפש
- נבחר
- עצמי
- לחצני מצוקה לפנסיונרים
- רגיש
- סדרה
- שירותים
- סט
- סטים
- הצבה
- התקנה
- שבע
- כמה
- שיתוף
- משותף
- שיתוף
- הראה
- הופעות
- סִימָן
- שלטים
- דומה
- באופן דומה
- יחיד
- אתר
- אתרים
- So
- פִּתָרוֹן
- פתרונות
- פותר
- מָקוֹר
- דרומי
- משתרע
- ספציפי
- לפצל
- יציב
- תֶקֶן
- התחלה
- החל
- סטארט - אפ
- מדינה-of-the-art
- הברית
- מצב
- להשאר
- צעדים
- אחסון
- מובנה
- נתונים מובנים ולא מובנים
- לימוד
- סגנון
- רשתות משנה
- כזה
- מספיק
- תמיכה
- תומך
- סֶקֶר
- מערכת
- מערכות
- שולחן
- תָג
- נטילת
- יעד
- ממוקד
- המשימות
- טקסונומיה
- טכנולוגיות
- טכנולוגיה
- תבנית
- מבחן
- השמיים
- שֶׁלָהֶם
- תוֹרַת הָרִפּוּי
- דברים
- שְׁלִישִׁי
- מחשבה
- שְׁלוֹשָׁה
- דרך
- בכל
- זמן
- סדרת זמן
- דורש זמן רב
- ל
- כלי
- כלים
- לפיד
- חזון לפיד
- סה"כ
- לעקוב
- תְנוּעָה
- רכבת
- הדרכה
- הועבר
- ניסויים
- אמין
- סוגים
- בדרך כלל
- בְּסִיסִי
- הבנה
- ייחודי
- יחידה
- מאוחד
- ארצות הברית
- יחידות
- אוניברסיטה
- אוניברסיטת דרום קליפורניה
- עדכון
- עדכונים
- us
- ארה"ב
- להשתמש
- במקרה להשתמש
- ערך
- ערכים
- מגוון
- שונים
- Vast
- אנכיות
- באמצעות
- וִידֵאוֹ
- וירטואלי
- נראה
- חיוני
- בהדרכה
- אשר
- בזמן
- מי
- רָחָב
- יצטרך
- בתוך
- לְלֹא
- תיק עבודות
- עובד
- בעל שם עולמי
- X
- שנים
- זפירנט