تواصل معنا

AI

8 أسباب مهمة قد يكون معالجك التالي روبوت محادثة للصحة العقلية

الصورة الرمزية

تم النشر

on

نظرًا لأن المزيد والمزيد من حياتنا تنتقل إلى عالم الإنترنت ، فلدينا أيضًا العديد من الخدمات التي نستخدمها بانتظام. وهذا يشمل خدمات الصحة العقلية والعلاج.

وصلت الحاجة إلى دعم الصحة النفسية إلى أعلى مستوياتها على الإطلاق لأسباب عديدة:

  • وصمة العار على الصحة العقلية آخذة في التناقص
  • يدرك أرباب العمل أن الصحة النفسية جزء أساسي من الإنتاجية
  • يعاني الناس من مستويات غير مسبوقة من التوتر والقلق في جميع أنحاء العالم

في حين أن الطلب على دعم الصحة العقلية في أعلى مستوياته على الإطلاق ، يمكن أن يكون الوصول إليه مليئًا بالعوائق. هناك فرصة آخذة في الظهور ، وهي تتضمن تبني الذكاء الاصطناعي كجزء لا يتجزأ من عملية العلاج.

لدى المستشارين عبء ثقيل من المرضى ، وقد يكون العثور على مستشار في المقام الأول أمرًا صعبًا. معوقات الوصول تتضمن:

  • توافر محدود
  • القدرة على تحمل التكاليف
  • سياسات غير كافية لتنفيذ رعاية الصحة النفسية
  • نقص التثقيف حول الصحة النفسية
  • وصمة العار عن الصحة النفسية

مبادرات مثل #BellLetsTalk تعمل Day على تحطيم وصمة العار المتعلقة بالصحة العقلية أثناء جمع التبرعات لدعم برامج الصحة النفسية المجتمعية كندا. ساعد بيل في تمويل العديد من البرامج ، وعلى وجه الخصوص ، فقد ساعدوا في دعم 792,636،XNUMX كنديًا من خلال برامج الصحة النفسية القائمة على التكنولوجيا. حتى chatbots يتم استخدامها الآن لتقديم رعاية الصحة العقلية.

Wysa هي منصة عبر الإنترنت يمكن لأي شخص الوصول إليها على مدار الساعة طوال أيام الأسبوع مجانًا من خلال تطبيق على أجهزة iOS أو Android. يوصف التطبيق بأنه صديق يفرح لك ويتتبع صحتك. يتضمن تأملات يومية للصحة العقلية ، ويمكن حتى استخدامه كتجربة تأمل عائلي. مع Wysa ، لديك الدعم للبقاء بصحة جيدة من خلال:

  • تتبع حالتك المزاجية
  • البحث عن التفاؤل
  • ممارسة إعادة صياغة الأفكار باستخدام العلاج السلوكي المعرفي (CBT)
  • تقليل الحزن

يساعدك Wysa على معرفة المزيد عن الصحة العقلية ويمكنه توصيلك بمعالج بشري ، والذي سيقدم لك الدعم عبر الرسائل النصية. يكلف الدعم من معالج بشري حقيقي أقل بقليل من 100 دولار أمريكي شهريًا لأربع جلسات مباشرة. في أجزاء كثيرة من العالم ، يبلغ متوسط ​​سعر زيارة معالج مرخص أكثر من 100 دولار في الساعة.

1. تتغير قواعد Messenger لصفحات Facebook الأوروبية. إليك ما تحتاج إلى معرفته

2. هذا هو السبب في أن أعمال Chatbot تحتضر

3. استحوذ Facebook على Kustomer: هل هي نهاية أعمال روبوتات المحادثة؟

4. الخمسة P's لبرامج الدردشة الناجحة

وويبوت هو تطبيق آخر للأجهزة التي تعمل بنظامي iOS و Android ويمكنه مساعدتك في التعامل مع المشاعر والتجارب الصعبة. يمكن أن يطالبك التطبيق بتسجيل الوصول كل يوم ، لتتبع حالتك المزاجية ، وإرشادك من خلال التقنيات القائمة على العلاج المعرفي السلوكي ، واليقظة ، والعلاج السلوكي الجدلي (DBT). يقدم Woebot تدريبًا في مجال الصحة العقلية ، ورؤى ، وبناء المهارات لمساعدتك على تعلم إدارة صحتك العقلية بشكل فعال. إنه متاح عندما تحتاج إليه ، وسيجعلك تبتسم أيضًا بنكات وقصص مضحكة.

يعلم Woebot أيضًا عن الصحة العقلية ويتتبع تقدمك بمرور الوقت. يمكن أن تساعد ميزات التتبع لهذه التطبيقات في تحديد الاتجاهات في التجارب وأوقات السنة التي قد تؤدي إلى ظهور أعراض الصحة العقلية.

يمكن أن محادثة منظمة العفو الدولية chatbot يساعد في تقديم علاج فعال للصحة العقلية؟ فيما يلي ثمانية أسباب قد تجعلك تبحث عن روبوت لجلسة العلاج التالية:

  1. Chatbots متوفرة على مدار الساعة طوال أيام الأسبوع ، متى احتاج الناس إلى الدعم.
  2. برامج الدردشة الخاصة بالصحة العقلية ميسورة التكلفة أكثر من العلاج التقليدي ؛ معظمها مجاني للمستخدمين.
  3. يمكن أن تساعد روبوتات المحادثة الفرد في التأقلم بين المواعيد مع المعالج البشري.
  4. لا يتعين على المريض الذهاب إلى أي مكان أو ارتداء ملابسه لإجراء مكالمة فيديو ؛ لقد تحدثوا فقط مع روبوت المحادثة من المنزل.
  5. يمكن الوصول إلى روبوتات المحادثة ، مما يوفر خيارات للعملاء ضعاف البصر أو ضعاف السمع.
  6. يمكن للمعالجين نشر روبوتات المحادثة الخاصة بهم لمراقبة المرضى المعرضين للخطر بين المواعيد بطريقة منخفضة الضغط.
  7. كثير من الناس تفضل التحدث إلى روبوت محادثة من البشر الحقيقيين ، لذا من المرجح أن يتفاعلوا.
  8. قد لا يؤدي التحدث إلى الروبوت إلى إثارة القلق بنفس الطريقة التي يمكن أن تحدث بها المحادثات وجهًا لوجه أو الهاتف لبعض الأشخاص ، مما يجعل العلاج أكثر نجاحًا.

Chatbots يمكن أن يساعد الناس في تحسين الوصول إلى خدمات رعاية الصحة العقلية ، وسد الفجوة للأفراد الذين قد لا يتمكنون من الوصول إلى الخدمات بالطرق التقليدية. تُعد برامج الدردشة الآلية الخاصة بالصحة العقلية خطوة ممتازة في كسر الحواجز الشائعة لمساعدة الأشخاص على إدارة رعاية صحتهم العقلية.

تواصل مع أحد خبرائنا إذا كان لديك أي أسئلة حول كيفية استخدام روبوت المحادثة في صناعة الرعاية الصحية وما بعدها.

Source: https://chatbotslife.com/8-important-reasons-your-next-therapist-may-be-a-mental-health-chatbot-3b9ec88e14cb?source=rss—-a49517e4c30b—4

مواصلة القراءة

AI

تستمر وحدات معالجة الرسومات للألعاب وخوادم مركز البيانات في زيادة إيرادات Nvidia على الرغم من نقص الرقائق في كل مكان

الصورة الرمزية

تم النشر

on

تستمر Nvidia في النمو وتتغلب على توقعات وول ستريت وسط نقص في الرقائق العالمية. وكشفت يوم الأربعاء عن أرقام وفيرة للربع الرابع من السنة المالية 2021 ، والأشهر الثلاثة حتى 31 يناير ، ونتائج العام بأكمله.

تفاخر الرئيس التنفيذي جنسن هوانغ بأن "الربع الرابع كان ربعًا قياسيًا آخر ، متوجًا بعام الاختراق" قبل مؤتمر عبر الهاتف مع المحللين لمناقشة الأرقام. وقد خص الألعاب ومركز البيانات باعتبارهما أكبر منطقتين في شركته في وادي السيليكون ، وكلاهما أدى إلى زيادة الأرباح.

"لقد أدى عملنا الرائد في مجال الحوسبة المتسارعة إلى أن تصبح الألعاب الترفيه الأكثر شعبية في العالم ، وإلى إضفاء الطابع الديمقراطي على الحوسبة الفائقة لجميع الباحثين ، وظهور الذكاء الاصطناعي باعتباره القوة الأكثر أهمية في التكنولوجيا ،" تدفقت بالوضع الحالي.

على وجه الخصوص ، كما قيل لنا ، تؤدي مبيعات GPU إلى القطاعات الرأسية إلى نمو إيرادات مركز بيانات Nvidia بدلاً من المبيعات لعمالقة السحابة الفائقة النطاق. كشفت المديرة المالية كوليت كريس للمحللين خلال المكالمة أن "الصناعات العمودية كانت أكثر من 50 في المائة من عائدات مراكز البيانات عبر الحوسبة والشبكات مع قوة خاصة في الحوسبة الفائقة والخدمات المالية والتعليم العالي وقطاعات الإنترنت للمستهلكين".

في العام الماضي ، أطلقت عملاق GPU عددًا كبيرًا من المعالجات بناءً على العمارة أمبير. يتضمن الراقية A100، المصمم لأجهزة الكمبيوتر العملاقة والخوادم ومحطات العمل الضخمة التي تعمل بالذكاء الاصطناعي ، حيث تذهب غالبية قوة الحوسبة إلى التدريب وتطوير وتشغيل الشبكات العصبية الكبيرة وخوارزميات التعلم الآلي.

قامت أيضًا بتحديث خط ألعاب GeForce الخاص بها بخمس بطاقات متفاوتة القوة تحت مظلة RTX 30. تم قطع كل منهم تقريبًا ، بما في ذلك 3090 ، 3080 ، 3070 ، 3060 Ti ، بسرعة بعد إطلاقها. مخزونات الأجهزة منخفضة ، ولا يُتوقع أن تتعافى في أي وقت قريب ، بسبب الجفاف المستمر من أشباه الموصلات.

من المقرر طرح بطاقة RTX 3060 للبيع يوم الخميس. هذا هو Nv الإرادة خنق على مستوى السائق إذا اكتشف أنه يتم استخدامه لتعدين العملات المعدنية الشبيهة بالإيثيريوم ، وهي خطوة قد تمنع بعض عمال المناجم من الحصول على البطاقات ذات الأسعار المعقولة عند الإطلاق ، وبالتالي ربما تترك عددًا قليلاً أكثر للاعبين للقتال. اعتبارًا من الشهر المقبل ، ستروج Nvidia لوحدات معالجة الرسومات المخصصة للتعدين. لقد كان اقترح أن هذا النهج ، على الرغم من أنه يبدو معقولًا على الورق ، لن يحقق الكثير في الواقع إذا هزم عمال المناجم الحماية التي يفرضها السائق ، وبطاقات التعدين المشفر تحول السيليكون بعيدًا عن اللاعبين.

قال كريس في المؤتمر الهاتفي: "كان من الصعب الاحتفاظ بمجموعة RTX 30 Series بأكملها في المخزون ، وقد خرجنا من الربع الرابع بمخزونات القنوات أقل مما كانت عليه عندما بدأنا". "على الرغم من أننا نزيد العرض ، فمن المرجح أن تظل مخزونات القناة منخفضة طوال الربع الأول."

وأضاف هوانغ: "على مستوى الشركة ، نحن مقيدون. الطلب أكبر من العرض ... علينا فقط القيام بعمل جيد في التخطيط ". ثم ، لطمأنة المستثمرين ، تابع: "لدينا ما يكفي من المعروض للنمو كل ربع على مدار العام."

على الرغم من كل هذا ، يبدو أن Nvidia في حالة معنوية جيدة وصحية. فيما يلي عرض سريع للأرقام:

  • الإيرادات كانت 5 مليارات دولار للربع المالي الرابع ، بزيادة قدرها 61 في المائة مقارنة بـ 3.1 مليار دولار عن العام الماضي. يصادف ذلك أيضًا نهاية العام المالي 2021 ، وبذلك يصل إجمالي إيراداتها إلى 16.7 مليار دولار ، بزيادة 53 في المائة من 10.9 مليار دولار المسجلة في العام السابق.
  • الألعاب في الربع الرابع ، حققت 4 مليار دولار ، بزيادة قدرها 2.5 في المائة عن العام الماضي. تم إطلاق أكثر من 67 طرازًا جديدًا من أجهزة الكمبيوتر المحمولة التي تحتوي على مجموعة شرائح رسومات GeForce RTX 70.
  • مركز البيانات كان ثاني أكبر قطاع ، حيث حقق 1.9 مليار دولار في إيرادات الربع الرابع. هذا ارتفاع بنسبة 4 في المائة عن العام السابق. هذا لا يشمل أرقام Mellanox: قال المدير المالي إن شبكة الأعمال المكتسبة "شهدت انخفاضًا متتابعًا متأثرًا بالمبيعات غير المتكررة إلى إحدى الشركات المصنعة للمعدات الأصلية في الصين في الربع الثالث". "بدءًا من الربع التالي ... لن نحقق إيرادات Mellanox بشكل منفصل."
  • السيارات والتصور المهني وتصنيع المعدات الأصلية أصغر بكثير بالمقارنة مع 145 مليون دولار ، 307 مليون دولار ، 153 مليون دولار على التوالي. تقلصت الإيرادات هنا بنسبة 11 في المائة ، و 7 في المائة للسيارات ذاتية القيادة وعرض الرسومات في الألعاب والرسوم المتحركة. ومع ذلك ، ارتفع تصنيع المعدات الأصلية بنسبة 1 في المائة عن العام الماضي.
  • صافي الدخل 1.46 مليار دولار للربع الأخير ، بزيادة قدرها 53 في المائة عن 950 مليون دولار على أساس سنوي. بالنسبة للعام بأكمله ، فقد ارتفع بنسبة 55 في المائة ليصل إلى 4.3 مليار دولار.
  • نسبة الهامش الإجمالي كان 63.1 في المائة ، بانخفاض 180 نقطة أساس (BPS) عن العام الماضي.
  • أرباح السهم الواحد GAAP بلغ 2.31 دولار ، بزيادة 51 في المائة عن العام الماضي.

في نفيديا المقترح يخضع الاستحواذ على مصمم الرقائق البريطاني Arm للمراجعة من قبل المنظمين في الولايات المتحدة والمملكة المتحدة. ليس الجميع في صالحها ، مما لا يثير الدهشة ؛ عبرت Google و Microsoft و Qualcomm عن مخاوفهم في السر. ومع ذلك ، أعرب هوانغ عن ثقته في أن الصفقة ستتم.

وقال: "في ذلك الوقت ، توقعنا أن الأمر سيستغرق 18 شهرًا [لعملية الاستحواذ] في الولايات المتحدة والمملكة المتحدة والاتحاد الأوروبي والصين وغيرها من الولايات القضائية". هذه العملية تمضي قدمًا كما هو متوقع ، ونحن واثقون من أن المنظمين سيرون الفائدة. سيوفر Arm و Nvidia معًا خيارًا أكبر للنظام البيئي ونعتزم مواصلة نموذج الترخيص المفتوح من Arm.

سوف يمر الوباء ولكن العالم قد تغير إلى الأبد ، ونرى تسارع التكنولوجيا في كل صناعة. لم تكن الحاجة الملحة إلى الرقمنة والأتمتة والتعجيل أكبر من أي وقت مضى ". ®

المصدر: https://go.theregister.com/feed/www.theregister.com/2021/02/25/gpus_for_gaming_and_aipowered/

مواصلة القراءة

AI

استخدام صور الحاوية لتشغيل نماذج TensorFlow في AWS Lambda

الصورة الرمزية

تم النشر

on

TensorFlow هي مكتبة مفتوحة المصدر للتعلم الآلي (ML) تستخدم على نطاق واسع لتطوير الشبكات العصبية ونماذج ML. عادةً ما يتم تدريب هذه النماذج على مثيلات GPU متعددة لتسريع التدريب ، مما ينتج عنه وقت تدريب باهظ وأحجام نماذج تصل إلى بضعة غيغابايت. بعد أن يتم تدريبهم ، يتم نشر هذه النماذج في الإنتاج لإنتاج الاستدلالات. يمكن أن تكون أحمال عمل متزامنة أو غير متزامنة أو قائمة على الدُفعات. يجب أن تكون نقاط النهاية هذه قابلة للتطوير بدرجة عالية ومرنة من أجل معالجة من صفر إلى ملايين الطلبات. هذا هو المكان AWS لامدا يمكن أن تكون خدمة حوسبة مقنعة لاستنتاج ML المتزامن وغير المتزامن القابل للتطوير والفعالية من حيث التكلفة والموثوق به. تقدم Lambda مزايا مثل التدرج التلقائي ، وتقليل النفقات التشغيلية ، ودفع فواتير الاستدلال.

يوضح لك هذا المنشور كيفية استخدام أي نموذج TensorFlow مع Lambda للاستدلالات القابلة للتطوير في الإنتاج مع ما يصل إلى 10 جيجابايت من الذاكرة. يتيح لنا ذلك استخدام نماذج ML في وظائف Lambda حتى بضعة غيغابايت. في هذا المنشور ، نستخدم TensorFlow-Keras المدربة مسبقًا ResNet50 لتصنيف الصور.

نظرة عامة على الحل

Lambda هي خدمة حوسبة بدون خادم تتيح لك تشغيل التعليمات البرمجية دون توفير أو إدارة الخوادم. تقوم Lambda تلقائيًا بتوسيع نطاق تطبيقك عن طريق تشغيل التعليمات البرمجية استجابةً لكل حدث ، مما يسمح بالبنيات والحلول القائمة على الأحداث. تعمل الكود بالتوازي وتعالج كل حدث على حدة ، مع زيادة حجم عبء العمل ، من بضع طلبات في اليوم إلى مئات الآلاف من أعباء العمل. يوضح الرسم البياني التالي بنية الحل الذي نقدمه.

يوضح الرسم البياني التالي بنية الحل الذي نقدمه.

يمكنك حزم التعليمات البرمجية والاعتماديات كملف صورة الحاوية باستخدام أدوات مثل Docker CLI. الحد الأقصى لحجم الحاوية 10 جيجا بايت. بعد أن يتم Dockerized نموذج الاستدلال ، يمكنك تحميل الصورة إلى سجل الأمازون المرنة للحاويات (أمازون ECR). يمكنك بعد ذلك إنشاء وظيفة Lambda من الحاوية المصورة المخزنة في Amazon ECR.

الشروط

في هذا الدليل ، يجب أن يكون لديك المتطلبات الأساسية التالية:

تنفيذ الحل

نستخدم نموذجًا مُدرَّبًا مسبقًا من TensorFlow Hub لتصنيف الصور. عندما يتم تحميل صورة إلى ملف خدمة تخزين أمازون البسيطة (Amazon S3) ، يتم استدعاء وظيفة Lambda لاكتشاف الصورة وطباعتها في ملف الأمازون CloudWatch السجلات. يوضح الرسم التخطيطي التالي سير العمل هذا.

يوضح الرسم البياني التالي سير العمل هذا.

لتنفيذ الحل ، أكمل الخطوات التالية:

  1. على جهازك المحلي ، قم بإنشاء مجلد بالاسم lambda-tensorflow-example.
  2. إنشاء requirements.txt ملف في هذا الدليل.
  3. أضف جميع المكتبات المطلوبة لنموذج ML الخاص بك. بالنسبة لهذا المنشور ، نستخدم TensorFlow 2.4.
  4. خلق app.py البرنامج النصي الذي يحتوي على رمز وظيفة Lambda.
  5. قم بإنشاء Dockerfile في نفس الدليل.

النص التالي هو مثال على ملف requirements.txt لتشغيل كود TensorFlow لحالة الاستخدام الخاصة بنا:

# List all python libraries for the lambda
tensorflow==2.4.0
tensorflow_hub==0.11
Pillow==8.0.1

نحن نستخدم إصدار TensorFlow 2.4 مع دعم وحدة المعالجة المركزية فقط لأنه ، حتى كتابة هذه السطور ، لا تقدم Lambda سوى دعم وحدة المعالجة المركزية. لمزيد من المعلومات حول إصدارات وحدة المعالجة المركزية فقط من TensorFlow ، راجع موقع العبوة.

يتم وضع كود Python في app.py. تحتاج وظيفة الاستنتاج في app.py إلى اتباع بنية محددة ليتم استدعاؤها بواسطة وقت تشغيل Lambda. لمزيد من المعلومات حول معالجات Lambda ، راجع معالج وظائف AWS Lambda في Python. انظر الكود التالي:

import json
import boto3
import numpy as np
import PIL.Image as Image import tensorflow as tf
import tensorflow_hub as hub IMAGE_WIDTH = 224
IMAGE_HEIGHT = 224 IMAGE_SHAPE = (IMAGE_WIDTH, IMAGE_HEIGHT)
model = tf.keras.Sequential([hub.KerasLayer("model/")])
model.build([None, IMAGE_WIDTH, IMAGE_HEIGHT, 3]) imagenet_labels= np.array(open('model/ImageNetLabels.txt').read().splitlines())
s3 = boto3.resource('s3') def lambda_handler(event, context): bucket_name = event['Records'][0]['s3']['bucket']['name'] key = event['Records'][0]['s3']['object']['key'] img = readImageFromBucket(key, bucket_name).resize(IMAGE_SHAPE) img = np.array(img)/255.0 prediction = model.predict(img[np.newaxis, ...]) predicted_class = imagenet_labels[np.argmax(prediction[0], axis=-1)] print('ImageName: {0}, Prediction: {1}'.format(key, predicted_class)) def readImageFromBucket(key, bucket_name): bucket = s3.Bucket(bucket_name) object = bucket.Object(key) response = object.get() return Image.open(response['Body'])

يستخدم Dockerfile التالي لـ Python 3.8 المصدر المفتوح المقدم من AWS الصور الأساسية التي يمكن استخدامها لإنشاء صور حاوية. يتم تحميل الصور الأساسية مسبقًا بأوقات تشغيل اللغة والمكونات الأخرى المطلوبة لتشغيل صورة حاوية على Lambda.

# Pull the base image with python 3.8 as a runtime for your Lambda
FROM public.ecr.aws/lambda/python:3.8 # Install tar and gzip
RUN yum -y install tar gzip zlib # Copy the earlier created requirements.txt file to the container
COPY requirements.txt ./ # Install the python requirements from requirements.txt
RUN python3.8 -m pip install -r requirements.txt # Copy the earlier created app.py file to the container
COPY app.py ./ # Download ResNet50 and store it in a directory
RUN mkdir model
RUN curl -L https://tfhub.dev/google/imagenet/resnet_v1_50/classification/4?tf-hub-format=compressed -o ./model/resnet.tar.gz
RUN tar -xf model/resnet.tar.gz -C model/
RUN rm -r model/resnet.tar.gz # Download ImageNet labels
RUN curl https://storage.googleapis.com/download.tensorflow.org/data/ImageNetLabels.txt -o ./model/ImageNetLabels.txt # Set the CMD to your handler
CMD ["app.lambda_handler"]

يجب أن تبدو بنية المجلد الخاص بك مثل لقطة الشاشة التالية.

يجب أن تبدو بنية المجلد الخاص بك مثل لقطة الشاشة التالية.

يمكنك إنشاء صورة الحاوية ودفعها إلى Amazon ECR باستخدام أوامر bash التالية. استبدل ملف باستخدام معرف حساب AWS الخاص بك وتحديد ملف .

# Build the docker image
docker build -t lambda-tensorflow-example . # Create a ECR repository
aws ecr create-repository --repository-name lambda-tensorflow-example --image-scanning-configuration scanOnPush=true --region <REGION> # Tag the image to match the repository name
docker tag lambda-tensorflow-example:latest <AWS_ACCOUNT_ID>.dkr.ecr.<REGION>.amazonaws.com/lambda-tensorflow-example:latest # Register docker to ECR
aws ecr get-login-password --region <REGION> | docker login --username AWS --password-stdin <AWS_ACCOUNT_ID>.dkr.ecr.<REGION>.amazonaws.com # Push the image to ECR
docker push <AWS_ACCOUNT_ID>.dkr.ecr.<REGION>.amazonaws.com/lambda-tensorflow-example:latest

إذا كنت ترغب في اختبار نموذج الاستدلال محليًا ، فإن الصور الأساسية لـ Lambda تتضمن Runtime Interface Emulator (RIE) الذي يسمح لك أيضًا اختبار محلي يتم تجميع وظيفة Lambda كصورة حاوية لتسريع دورات التطوير.

إنشاء دلو S3

كخطوة تالية ، نقوم بإنشاء حاوية S3 لتخزين الصور المستخدمة للتنبؤ بفئة الصورة.

  1. في وحدة تحكم Amazon S3 ، اختر إنشاء دلو.
  2. امنح حاوية S3 اسمًا ، مثل tensorflow-images-for-inference-<Random_String> واستبدال بقيمة عشوائية.
  3. اختار إنشاء دلو.

إنشاء وظيفة Lambda باستخدام كود TensorFlow

لإنشاء وظيفة Lambda الخاصة بك ، أكمل الخطوات التالية:

  1. في وحدة تحكم لامدا ، اختر وظائف.
  2. اختار خلق وظيفة.
  3. اختار صورة الحاوية.
  4. لكي تتأهل للحصول على اسم وظيفة، أدخل اسمًا ، مثل tensorflow-endpoint.
  5. لكي تتأهل للحصول على عنوان URI لصورة الحاوية، أدخل ما تم إنشاؤه مسبقًا lambda-tensorflow-example مستودع.

  1. اختار تصفح الصور لاختيار أحدث صورة.
  2. انقر خلق وظيفة لتهيئة إنشائها.
  3. لتحسين وقت تشغيل Lambda ، قم بزيادة ذاكرة الوظيفة إلى 6 جيجا بايت على الأقل والمهلة إلى 5 دقائق في ملف الإعدادات الأساسية.

لمزيد من المعلومات حول ذاكرة الوظيفة وضبط المهلة ، انظر جديد لـ AWS Lambda - وظائف مع ما يصل إلى 10 جيجابايت من الذاكرة و 6 وحدات معالجة مركزية (vCPU).

توصيل دلو S3 بوظيفة Lambda

بعد الإنشاء الناجح لوظيفة Lambda ، نحتاج إلى إضافة مشغل إليها بحيث يتم استدعاء الوظيفة كلما تم تحميل ملف إلى حاوية S3.

  1. في وحدة تحكم لامدا ، اختر وظيفتك.
  2. اختار إضافة الزناد.

اختر إضافة مشغل.

  1. اختار S3.
  2. لكي تتأهل للحصول على دلو، اختر الحاوية التي أنشأتها سابقًا.

بالنسبة إلى الجرافة ، اختر الحاوية التي أنشأتها سابقًا.

بعد إضافة المشغل ، تحتاج إلى السماح لوظيفة Lambda بالاتصال بحاوية S3 عن طريق ضبط الإعداد المناسب إدارة الهوية والوصول AWS حقوق (IAM) لدورها التنفيذي.

  1. على أذونات علامة التبويب لوظيفتك ، اختر دور IAM.
  2. اختار إرفاق السياسات.
  3. البحث عن AmazonS3ReadOnlyAccess وإرفاقه بدور IAM.

لقد قمت الآن بتهيئة جميع الخدمات الضرورية لاختبار وظيفتك. قم بتحميل صورة JPG إلى حاوية S3 التي تم إنشاؤها عن طريق فتح الحاوية في وحدة تحكم إدارة AWS والنقر تحميل. بعد بضع ثوانٍ ، يمكنك رؤية نتيجة التنبؤ في سجلات CloudWatch. كخطوة متابعة ، يمكنك تخزين التنبؤات في ملف الأمازون DynamoDB الجدول.

بعد تحميل صورة JPG إلى حاوية S3 ، سنحصل على فئة الصورة المتوقعة نتيجة طباعتها على CloudWatch. سيتم تشغيل وظيفة Lambda بواسطة EventBridge وسحب الصورة من الحاوية. كمثال ، سوف نستخدم صورة هذا ببغاء ليتم توقعها من خلال نقطة نهاية الاستدلال.

في سجلات CloudWatch ، تتم طباعة الفئة المتوقعة. في الواقع ، يتنبأ النموذج بالفئة الصحيحة للصورة (الببغاء):

أداء

من أجل تحقيق الأداء الأمثل ، يمكنك تجربة مستويات مختلفة من إعدادات الذاكرة (التي تغير خطيًا وحدة المعالجة المركزية الافتراضية المعينة ، لمعرفة المزيد ، اقرأ هذا مدونة أخبار AWS). في حالة نموذجنا الذي تم نشره ، نحقق معظم مكاسب الأداء عند حوالي 3 جيجابايت - 4 جيجابايت (~ 2 وحدة معالجة مركزية) والمكاسب التي تتجاوز ذلك منخفضة نسبيًا. ترى النماذج المختلفة مستوى مختلفًا من تحسين الأداء من خلال زيادة كمية وحدة المعالجة المركزية ، لذا من الأفضل تحديد ذلك بشكل تجريبي لنموذجك الخاص. بالإضافة إلى ذلك ، يوصى بشدة أن تقوم بتجميع شفرة المصدر الخاصة بك للاستفادة منها ملحقات Vector المتقدمة 2 (AVX2) على Lambda الذي يزيد من الأداء عن طريق السماح لوحدات المعالجة المركزية الافتراضية بتشغيل عدد أكبر من عمليات الأعداد الصحيحة والفاصلة العائمة لكل دورة ساعة.

النتيجة

يتيح لك دعم صورة الحاوية لـ Lambda تخصيص وظيفتك بشكل أكبر ، مما يفتح الكثير من حالات الاستخدام الجديدة لـ ML بدون خادم. يمكنك إحضار النماذج المخصصة الخاصة بك ونشرها على Lambda باستخدام ما يصل إلى 10 جيجا بايت لحجم صورة الحاوية. بالنسبة للنماذج الأصغر التي لا تحتاج إلى قدر كبير من القدرة الحاسوبية ، يمكنك إجراء تدريب واستدلال عبر الإنترنت في Lambda فقط. عندما يزيد حجم النموذج ، تصبح مشكلات البدء البارد أكثر أهمية ويجب أن تكون كذلك التخفيف. لا توجد أيضًا قيود على الإطار أو اللغة مع صور الحاوية ؛ أطر ML الأخرى مثل PyTorch, أباتشي MXNet, XGBoost، أو Scikit تعلم يمكن استخدامها كذلك!

إذا كنت تحتاج إلى GPU لاستنتاجك ، فيمكنك التفكير في استخدام خدمات الحاويات مثل خدمة الأمازون المرنة للحاويات (Amazon ECS) أو Kubernetes أو نشر النموذج في ملف الأمازون SageMaker نقطة النهاية.


عن المؤلف

جان باور مطور تطبيقات سحابية في خدمات AWS الاحترافية. اهتماماته هي الحوسبة بدون خادم ، والتعلم الآلي ، وكل ما يتضمن الحوسبة السحابية.

المصدر: https://aws.amazon.com/blogs/machine-learning/using-container-images-to-run-tensorflow-models-in-aws-lambda/

مواصلة القراءة

AI

أطلقت أمازون خدمة الرؤية الحاسوبية لاكتشاف العيوب في المنتجات المصنعة

الصورة الرمزية

تم النشر

on

الأمازون اليوم أعلن التوفر العام لـ Amazon Lookout for Vision ، وهي خدمة سحابية تحلل الصور باستخدام رؤية الكمبيوتر لاكتشاف عيوب المنتج أو معالجة العيوب والشذوذ في السلع المصنعة. تقول أمازون إن Lookout for Vision ، المتوفر في أمازون ويب سيرفيسز (أوس) المناطق عبر وحدة تحكم AWS والشركاء الداعمين ، قادرة على تدريب نموذج الذكاء الاصطناعي باستخدام أقل من 30 صورة أساسية.

يمكن أن تكون المهام في التصنيع عرضة للخطأ عندما يكون البشر في الحلقة. أ دراسة من Vanson Bourne أن 23٪ من جميع فترات التوقف غير المخطط لها في التصنيع ناتجة عن خطأ بشري ، مقارنة بمعدلات منخفضة تصل إلى 9٪ في القطاعات الأخرى. تم تدمير المركبة الفضائية Mars Climate Orbiter التي تبلغ تكلفتها 327.6 مليون دولار بسبب الفشل في التحويل بشكل صحيح بين وحدات القياس. وشركة فارما واحدة وذكرت سوء فهم أدى إلى تجاوز تذكرة تنبيه ، والتي تكلف أربعة أيام على خط الإنتاج بمبلغ 200,000 ألف جنيه إسترليني (253,946 دولارًا أمريكيًا) في اليوم.

تهدف Lookout for Vision إلى مكافحة ذلك عن طريق حقن القليل من الذكاء الاصطناعي في المزيج ، واكتشاف عيوب التصنيع والإنتاج بما في ذلك التشققات والخدوش واللون غير الصحيح والشكل غير المنتظم في المنتجات من مظهرها. يمكن للخدمة معالجة آلاف الصور في الساعة ولا تتطلب التزامًا مقدمًا أو حدًا أدنى للرسوم ، كما تقول أمازون. يدفع العملاء بالساعة مقابل الاستخدام لتدريب النموذج واكتشاف العيوب أو العيوب باستخدام الخدمة.

بعد تحليل البيانات ، يقوم Lookout for Vision بالإبلاغ عن صور تختلف عن خط الأساس عبر لوحة معلومات الخدمة أو واجهة برمجة التطبيقات في الوقت الفعلي. إن Lookout for Vision متطور بما يكفي للحفاظ على الدقة مع الاختلافات في زاوية الكاميرا ، والوضعية ، والإضاءة الناشئة عن التغيرات في بيئات العمل ، كما تدعي Amazon. لا يزال العملاء لديهم القدرة على تقديم ملاحظات حول النتائج ، سواء كان التنبؤ قد حدد بشكل صحيح حالة شاذة. سيعيد Lookout for Vision تدريب النموذج الأساسي تلقائيًا بحيث تتحسن الخدمة باستمرار.

يشمل العملاء الذين يستخدمون Lookout for Vision GE Healthcare و Basler و Dafgards ومقرها السويد. (تم إطلاق Lookout for Vision في المعاينة مع العملاء بدءًا من ديسمبر 2020 ، بعد الكشف عنها خلال مؤتمر Amazon الافتراضي: Invent Conference). تستخدم Dafgards الخدمة لأتمتة فحص خطوط الإنتاج الخاصة بها واكتشاف ما إذا كانت البيتزا والهامبرغر والكيش تحتوي على الطبقة الصحيحة . ومنشأة الطباعة عند الطلب الخاصة بأمازون ، والتي تطبع الكتب عند الطلب لتلبية طلبات العملاء ، تقوم بالاستفادة من Lookout for Vision لأتمتة الفحص البصري وتوسيع نطاقه في كل خطوة من خطوات تصنيع الكتاب.

"سواء كان العميل يضع طبقة علوية على بيتزا مجمدة أو يصنع أجزاءً مُعايرة بدقة لطائرة ، فإن ما سمعناه بشكل لا لبس فيه هو أن ضمان وصول المنتجات عالية الجودة فقط إلى المستخدمين النهائيين هو أمر أساسي لأعمالهم. قال نائب رئيس Amazon Machine Learning في AWS Swami Sivasubramanian في بيان صحفي ، على الرغم من أن هذا قد يبدو واضحًا ، إلا أن ضمان مراقبة الجودة في خطوط الأنابيب الصناعية قد يكون في الواقع أمرًا صعبًا للغاية. "نحن متحمسون لتقديم Amazon Lookout for Vision للعملاء من جميع الأحجام وعبر جميع الصناعات لمساعدتهم على اكتشاف العيوب على نطاق واسع بسرعة وفعالية من حيث التكلفة لتوفير الوقت والمال مع الحفاظ على الجودة التي يعتمد عليها المستهلكون - بدون خبرة تعلم الآلة مطلوب."

VentureBeat

تتمثل مهمة VentureBeat في أن تكون ساحة المدينة الرقمية لصناع القرار التقنيين لاكتساب المعرفة حول التكنولوجيا التحويلية والمعاملات. يقدم موقعنا معلومات أساسية حول تقنيات واستراتيجيات البيانات لإرشادك وأنت تقود مؤسساتك. ندعوك لتصبح عضوًا في مجتمعنا ، للوصول إلى:

  • معلومات محدثة عن الموضوعات التي تهمك
  • رسائلنا الإخبارية
  • محتوى رائد الفكر وإمكانية وصول مخفضة إلى أحداثنا الثمينة ، مثل Transform
  • ميزات الشبكات والمزيد

تصبح عضوا

المصدر: https://venturebeat.com/2021/02/24/amazon-launches-computer-vision-service-to-detect-defects-in-manufactured-products/

مواصلة القراءة

AI

تم الإبلاغ عن انسحاب IBM من الرعاية الصحية مع Watson 

الصورة الرمزية

تم النشر

on

يُذكر أن شركة IBM تدرس بيع Watson Health ، وهو مؤشر على تحديات تطبيق الذكاء الاصطناعي في الرعاية الصحية. تواصل شركة IBM الاستثمار في الخدمات السحابية باستخدام Watson. (تصوير كارسون ماسترسون على Unsplash.)  

بقلم جون ديزموند ، محرر اتجاهات الذكاء الاصطناعى  

ظهرت تقارير الأسبوع الماضي أن IBM تفكر في بيع Watson Health ، وهو ما يمثل تراجعا عن سوق الذكاء الاصطناعي المطبق على الرعاية الصحية التي اتبعتها شركة IBM تحت إشراف رئيسها التنفيذي السابق. 

صحيفة وول ستريت جورنال ذكرت الأسبوع الماضي أن IBM كانت تستكشف بيع Watson Health ؛ لم تؤكد شركة IBM التقرير. قبل عشر سنوات ، عندما فازت شركة IBM Watson بجائزة خطر! عرض اللعبة ضد اثنين من الفائزين بالأرقام القياسية في اللعبة ، تم إنشاء علامة Watson التجارية في AI. 

كما ورد في اتجاهات الذكاء الاصطناعى فبراير الماضي ، ربعد يوم من هزيمة واتسون على بطلي الإنسان يوم خطر!، أعلنت شركة IBM أن واتسون يتجه إلى المجال الطبي. سوف تأخذ IBM قدرتها على فهم اللغة الطبيعية التي عرضتها على التلفزيون ، وتطبيقها على الطب. أول العروض التجارية ستكون متاحة في 18 إلى 24 شهرا ، وعدت الشركة ، وفقا لحساب في IEEE الطيف من أبريل 2019.  

كان طريقًا صعبًا. كانت شركة IBM هي أول شركة تقوم بدفع كبير لجلب الذكاء الاصطناعي إلى الطب. تم دق ناقوس الخطر روبرت واتشر، رئيس قسم الطب في جامعة كاليفورنيا ، سان فرانسيسكو ، ومؤلف كتاب 2015 الطبيب الرقمي: الأمل والضجيج والأذى في عصر الكمبيوتر في فجر الطب (ماكجرو هيل). واتسون كسب على الخطر! منح فريق مبيعات IBM AI منصة انطلاق.  

قال واتشتر: "لقد جاءوا بالتسويق أولاً ، ثم المنتج ثانيًا ، وأثاروا حماس الجميع". "ثم ضرب المطاط الطريق. هذه مجموعة صعبة للغاية من المشكلات ، وقد أثبتت شركة IBM ، بكونها أول من قدم ، ذلك للجميع ".  

ثم استخدم جيني رومتي ، الرئيس التنفيذي لشركة IBM ، واتسون فيكتوري لإطلاق الذكاء الاصطناعي في الرعاية الصحية  

جيني رومتي, أخبر الرئيس التنفيذي لشركة IBM في ذلك الوقت جمهورًا من محترفي تكنولوجيا المعلومات الصحية في مؤتمر عام 2017 أن "الذكاء الاصطناعي هو الاتجاه السائد ، إنه هنا ، ويمكنه تغيير كل شيء تقريبًا عن الرعاية الصحية. لقد رأت ، مثل الكثيرين ، قدرة الذكاء الاصطناعي على المساعدة في تحويل صناعة الرعاية الصحية. 

استخدم Watson التطورات في معالجة اللغة الطبيعية للفوز في Jeopardy. استخدم فريق Watson التعلم الآلي على مجموعة بيانات تدريبية من أدلة Jeopardy والاستجابات. لدخول سوق الرعاية الصحية ، حاولت شركة IBM استخدام التعرف على النص في السجلات الطبية لبناء قاعدة معارفها. قد تمثل البيانات غير المنظمة مثل ملاحظات الأطباء المليئة بالمصطلحات والاختزال 80% لسجل المريض. كان الأمر صعبًا.   

كان الجهد المبذول لبناء أداة تشخيص. شكلت IBM قسم Watson Health في عام 2015. وحققت الوحدة 4 مليارات دولار من عمليات الاستحواذ. استمر البحث عن دراسة الجدوى الطبية لتبرير الاستثمارات. تم إطلاق العديد من المشاريع حول دعم القرار باستخدام مجموعات البيانات الطبية الكبيرة. بدا التركيز على علم الأورام لتخصيص علاج السرطان للمرضى واعدًا.  

الأطباء في عمل مركز إم دي أندرسون للسرطان بجامعة تكساس في هيوستن مع شركة آي بي إم لإنشاء أداة تسمى مستشار خبير الأورام. حصل إم دي أندرسون على الأداة لـ مرحلة الاختبار في قسم اللوكيميا. لم يصبح أبدًا منتجًا تجاريًا.   

لم ينته المشروع بشكل جيد. تم إلغاؤه في عام 2016. وجدت مراجعة أجرتها جامعة تكساس أن مركز السرطان قد أنفق 62 مليون دولار على المشروع. قال مؤلفو IEEE Spectrum إن المشروع كشف عن "عدم توافق جوهري بين وعد التعلم الآلي وواقع الرعاية الطبية" ، وهو أمر سيكون مفيدًا لأطباء اليوم.  

قامت شركة IBM بجولة من عمليات التسريح في وحدة IBM Watson Health في عام 2018 ، وفقًا لتقرير آخر في ذلك الوقت IEEE الطيف في يونيو 2018. أبلغ المهندسون من إحدى الشركات التي استحوذت عليها شركة IBM ، وهي Phytel ، عن تقلص قاعدة العملاء لحل تحليلات المرضى من 150 إلى 80 منذ الاستحواذ. قال المهندس "الشركات الصغيرة تأكلنا أحياء". "إنها أفضل وأسرع وأرخص. إنهم يربحون عقودنا ، ويأخذون عملائنا ، ويعملون بشكل أفضل في الذكاء الاصطناعي ".  

لوحظ عدم التوافق بين حقائق الرعاية الصحية ووعود الذكاء الاصطناعي  

توماس جيه فوكس ، عميد الذكاء الاصطناعي والصحة البشرية ، ماونت سيناي هيلث سيستم

تم دعم فكرة عدم التوافق بين وعد الذكاء الاصطناعي وواقع الرعاية الصحية في تقرير وول ستريت جورنال الأسبوع الماضي أن شركات التكنولوجيا قد تفتقر إلى الخبرة العميقة في كيفية عمل الرعاية الصحية في أماكن المرضى. صرح توماس جيه فوكس ، عميد الذكاء الاصطناعي وصحة الإنسان في Mount Sinai Health System: "عليك حقًا أن تفهم سير العمل السريري في الخنادق". "عليك أن تفهم أين يمكنك إدخال الذكاء الاصطناعي وأين يمكن أن يكون مفيدًا" دون إبطاء الأمور في العيادة. 

لطالما كان تغليف تطورات الذكاء الاصطناعي في علوم الكمبيوتر إلى منتج أو خدمة برمجية قابلة للتطبيق تحديًا أساسيًا في مجال البرمجيات. صرح توني ساكوناجي ، المحلل في شركة Bernstein Research: "قد يكون Watson رمزًا كبيرًا لقضية أوسع في شركة IBM تتعلق بأخذ العلم الجيد وإيجاد طريقة لجعله وثيق الصلة تجارياً".  

توني ساكوناجي ، محلل ، Bernstein Research

قال الرئيس التنفيذي الجديد لشركة IBM ، آرفيند كريشنا ، إن الذكاء الاصطناعي مع الهجين الحوسبة السحابية ، ستكون محورية لشركة IBM في المستقبل. (يرى اتجاهات الذكاء الاصطناعى، نوفمبر 2020.) يتجه كريشنا للخروج من وحدات الأعمال المتعثرة والتركيز على تلك التي يمكنها تحقيق نمو ثابت. وكجزء من هذا الجهد ، فإن IBM بصدد تحويل قسم خدمات تكنولوجيا المعلومات المدارة إلى شركة عامة جديدة ؛ ينظر المحللون إلى خدمات تكنولوجيا المعلومات على أنها تجارة هامشية متناقصة. وبلغت مبيعات آي بي إم 100 مليار دولار في عام 2010 و 73.6 مليار دولار في العام الماضي. 

التحدي الآخر الذي يواجه الذكاء الاصطناعي في الرعاية الصحية هو الافتقار إلى معايير جمع البيانات ، مما يجعل تطبيق النماذج المطورة في أحد أماكن الرعاية الصحية وتطبيقها في أماكن أخرى أمرًا صعبًا. صرح أندرو نج ، خبير الذكاء الاصطناعي والرئيس التنفيذي لشركة Startup Landing AI ، ومقرها بالو ألتو ، كاليفورنيا: "مشكلة التخصيص شديدة في الرعاية الصحية" صحيفة وول ستريت جورنال. 

تشمل أسواق الرعاية الصحية التي أظهر فيها الذكاء الاصطناعي نتائج واعدة وحققت نتائجها علم الأشعة وعلم الأمراض ، حيث يمكن استخدام تقنيات التعرف على الصور للإجابة على أسئلة محددة. أيضًا ، حقق الذكاء الاصطناعي نجاحًا في تبسيط العمليات التجارية مثل الفوترة والرسوم البيانية ، والتي يمكن أن تساعد في توفير المال وتحرير الموظفين للتركيز على المجالات الأكثر صعوبة. يقال إن التكاليف الإدارية تشكل 30 بالمائة من تكاليف الرعاية الصحية. 

وفي الوقت نفسه ، يستمر الاستثمار في مجال الذكاء الاصطناعي في الرعاية الصحية ، مع توقع نمو الإنفاق بمعدل سنوي يبلغ 48% حتى عام 2023 ، وفقًا لتقرير حديث من من الداخل الأعمال. يشمل اللاعبون الجدد عمالقة مثل Google ، التي حددت واجهة برمجة تطبيقات Cloud Healthcare (API) ، والتي يمكنها أخذ البيانات من السجلات الصحية الإلكترونية للمستخدمين عبر التعلم الآلي ، بهدف مساعدة الأطباء على اتخاذ قرارات سريرية أكثر استنارة. تعمل Google أيضًا مع جامعة كاليفورنيا وجامعة ستانفورد وجامعة شيكاغو على نظام ذكاء اصطناعي للتنبؤ بنتائج زيارات المستشفيات 

يتم تطبيق الذكاء الاصطناعي أيضًا على الانتقال إلى الرعاية الصحية الشخصية ، على سبيل المثال باستخدام التكنولوجيا القابلة للارتداء مثل FitBits والساعات الذكية ، والتي يمكن أن تنبه المستخدمين والمتخصصين في الرعاية الصحية إلى المشكلات والمخاطر الصحية المحتملة.  

أثناء التراجع عن تطبيق Watson في الرعاية الصحية ، تقوم IBM بتوسيع دور Watson في عروض الخدمات السحابية الخاصة بها. وتشمل هذه معالجة اللغة الطبيعية وتحليل المشاعر والمساعدين الافتراضيين ، وفقًا للإدخالات الموجودة في مدونة IBM Watson ،  

اقرأ مقالات المصدر والمعلومات في صحيفة وول ستريت جورنالin IEEE الطيف من أبريل 2019 ، في اتجاهات الذكاء الاصطناعى فبراير 2020 ، في IEEE الطيف من يونيو 2018 ، اتجاهات الذكاء الاصطناعى، نوفمبر 2020 ، من من الداخل الأعمال وعلى مدونة IBM Watson.  

المصدر: https://www.aitrends.com/healthcare/ibm-reportedly-retreating-from-healthcare-with-watson/

مواصلة القراءة
كتلة سلسلةقبل أيام

مراجعة VeChain: إدارة سلسلة التوريد Blockchain

Amb Cryptoقبل أيام

تحليل سعر Litecoin: 20 فبراير

Amb Cryptoقبل أيام

لماذا لا تندم MicroStrategy والمؤسسات الأخرى على مشترياتها من Bitcoin

العلاقات العامة وكالة الأنباءقبل أيام

S3 AeroDefense توقع اتفاقية توزيع لمدة 10 سنوات وترخيص إصلاح مع شركة Honeywell Aerospace

Amb Cryptoقبل أيام

لماذا قد يكون اعتماد Bitcoin بالتجزئة تحديًا عند 55,000 دولار

عالم السياراتقبل أيام

نشأت صيغة Gigafactory من Tesla من "خيمة" متواضعة في مصنع Fremont

Amb Cryptoقبل أيام

Polkadot، Cosmos، IOTA Price Analysis: 20 February

Amb Cryptoقبل أيام

هل يدخل مخادعو البيتكوين على المدى الطويل سوق البائع؟

AIقبل أيام

القصص التقنية الرائعة لهذا الأسبوع من جميع أنحاء الويب (حتى 20 فبراير)

Amb Cryptoقبل أيام

Chainlink ، Aave ، تحليل أسعار SushiSwap: 20 فبراير

Amb Cryptoقبل أيام

تحليل سعر Ethereum: 20 فبراير

Amb Cryptoقبل أيام

عملة Binance ، Tron ، تحليل سعر FTX Token: 20 فبراير

Amb Cryptoقبل أيام

لماذا يتقدم سعر البيتكوين بثلاثة أسابيع عن هدفه في أبريل البالغ 62968 دولارًا

Amb Cryptoقبل أيام

Monero، Ethereum Classic، VeChain Price Analysis: 20 February

Amb Cryptoقبل أيام

بيتكوين: كيف تغيرت أنماط Hodling للعملة

Amb Cryptoقبل أيام

تحليل أسعار Ethereum و Uniswap و Dogecoin: 21 فبراير

عالم السياراتقبل أيام

SpaceX Starship على استعداد لمعرفة ما إذا كانت المرة الثالثة هي السحر في وقت لاحق من هذا الأسبوع

تطبيق الأجهزة المقترح لرمز QEC. تتكون الدائرة من تقاطعين لجوزيفسون مقترنين بدوار ، مظلل باللون الأحمر. كريديت إم ريمارز وآخرون ، فيس ريف إكس (2021) ، https://doi.org/10.1103/PhysRevX.11.011032 (CC BY 4.0)
تقنية النانوقبل أيام

مخطط للكيوبتات المقاومة للأخطاء: صمم العلماء في Forschungszentrum Jülich وجامعة RWTH Aachen دائرة لأجهزة الكمبيوتر الكمومية محمية بشكل طبيعي من الأخطاء الشائعة

كتلة سلسلةقبل أيام

متسوقو كارفور في الإمارات العربية المتحدة للحصول على معلومات من المزرعة إلى الرفوف باستخدام تقنية Blockchain

تطبيق الأجهزة المقترح لرمز QEC. تتكون الدائرة من تقاطعين لجوزيفسون مقترنين بدوار ، مظلل باللون الأحمر. كريديت إم ريمارز وآخرون ، فيس ريف إكس (2021) ، https://doi.org/10.1103/PhysRevX.11.011032 (CC BY 4.0)
تقنية النانوقبل أيام

مخطط للكيوبتات المقاومة للأخطاء: صمم العلماء في Forschungszentrum Jülich وجامعة RWTH Aachen دائرة لأجهزة الكمبيوتر الكمومية محمية بشكل طبيعي من الأخطاء الشائعة

ترندنج