हमसे जुडे

AI

AWS लैम्ब्डा में TensorFlow मॉडल चलाने के लिए कंटेनर छवियों का उपयोग करना

अवतार

प्रकाशित

on

TensorFlow एक ओपन-सोर्स मशीन लर्निंग (एमएल) लाइब्रेरी है जिसका उपयोग व्यापक रूप से तंत्रिका नेटवर्क और एमएल मॉडल विकसित करने के लिए किया जाता है। उन मॉडलों को आमतौर पर प्रशिक्षण को तेज करने के लिए कई GPU उदाहरणों पर प्रशिक्षित किया जाता है, जिसके परिणामस्वरूप महंगे प्रशिक्षण समय और कुछ गीगाबाइट तक के मॉडल आकार होते हैं। प्रशिक्षण प्राप्त करने के बाद, इन मॉडलों को उत्पादन में अंतर्ग्रहणों के लिए तैनात किया जाता है। वे तुल्यकालिक, अतुल्यकालिक, या बैच-आधारित वर्कलोड हो सकते हैं। शून्य से लाखों अनुरोधों को संसाधित करने के लिए उन समापन बिंदुओं को अत्यधिक मापनीय और लचीला होना चाहिए। यहीं पर AWS लाम्बा स्केलेबल, लागत प्रभावी और विश्वसनीय सिंक्रोनस और एसिंक्रोनस एमएल हीनिंग के लिए एक सम्मोहक गणना सेवा हो सकती है। लैम्ब्डा ऑटोमैटिक स्केलिंग, कम ऑपरेशनल ओवरहेड और पे-पर-इनफरेंस बिलिंग जैसे लाभ प्रदान करता है।

यह पोस्ट आपको बताती है कि लैंबडा के साथ किसी भी TensorFlow मॉडल का उपयोग 10 जीबी मेमोरी के साथ उत्पादन में स्केलेबल इनफॉरमेशन के लिए कैसे किया जाता है। यह हमें कुछ गिगाबाइट्स तक लम्बे कार्यों में एमएल मॉडल का उपयोग करने की अनुमति देता है। इस पोस्ट के लिए, हम TensorFlow-Keras का पूर्व-प्रशिक्षित उपयोग करते हैं ResNet50 छवि वर्गीकरण के लिए।

समाधान का अवलोकन

लैम्ब्डा एक सर्वर रहित कंप्यूट सर्विस है जो आपको सर्वर को प्रोविजन या मैनेज किए बिना कोड चलाने की सुविधा देती है। लैम्ब्डा स्वचालित रूप से हर घटना के जवाब में कोड चलाकर आपके एप्लिकेशन को मापता है, जिससे इवेंट-संचालित आर्किटेक्चर और समाधान की अनुमति मिलती है। कोड समानांतर में चलता है और प्रत्येक घटना को व्यक्तिगत रूप से संसाधित करता है, कार्यभार के आकार के साथ स्केलिंग करता है, प्रति दिन कुछ अनुरोधों से सैकड़ों हजारों वर्कलोड तक। निम्नलिखित चित्र हमारे समाधान की वास्तुकला को दर्शाता है।

निम्नलिखित चित्र हमारे समाधान की वास्तुकला को दर्शाता है।

आप एक के रूप में अपने कोड और निर्भरता पैकेज कर सकते हैं कंटेनर छवि डॉकर सीएलआई जैसे उपकरणों का उपयोग करना। अधिकतम कंटेनर का आकार 10 जीबी है। अनुमान के लिए मॉडल डॉकरीकृत होने के बाद, आप छवि को अपलोड कर सकते हैं अमेज़ॅन इलास्टिक कंटेनर रजिस्ट्री (अमेज़न ईसीआर)। फिर आप अमेज़ॅन ईसीआर में संग्रहीत कंटेनर से लैंबडा फ़ंक्शन बना सकते हैं।

.. पूर्वापेक्षाएँ

इस पूर्वाभ्यास के लिए, आपके पास निम्नलिखित शर्तें होनी चाहिए:

समाधान को लागू करना

हम छवि वर्गीकरण के लिए टेन्सरफ्लो हब से एक पूर्व-प्रशिक्षित मॉडल का उपयोग करते हैं। जब एक छवि को एक पर अपलोड किया जाता है अमेज़न सरल भंडारण सेवा (अमेज़न S3) बाल्टी, छवि का पता लगाने और इसे मुद्रित करने के लिए एक लैम्ब्डा फ़ंक्शन को आमंत्रित किया जाता है अमेज़ॅन क्लाउडवॉच लॉग करता है। निम्न आरेख इस वर्कफ़्लो को दिखाता है।

वह निम्नलिखित आरेख इस वर्कफ़्लो को दिखाता है।

समाधान को लागू करने के लिए, निम्नलिखित चरणों को पूरा करें:

  1. अपनी स्थानीय मशीन पर, नाम के साथ एक फ़ोल्डर बनाएँ lambda-tensorflow-example.
  2. बनाओ requirements.txt उस निर्देशिका में फ़ाइल करें।
  3. अपने एमएल मॉडल के लिए सभी आवश्यक पुस्तकालयों को जोड़ें। इस पोस्ट के लिए, हम TensorFlow 2.4 का उपयोग करते हैं।
  4. एक बनाएं app.py स्क्रिप्ट जिसमें लैम्ब्डा फ़ंक्शन के लिए कोड होता है।
  5. एक ही डायरेक्टरी में एक डॉकरीफाइल बनाएं।

निम्न पाठ हमारे उपयोग के मामले के लिए TensorFlow कोड चलाने के लिए आवश्यकताएँ.txt फ़ाइल का एक उदाहरण है:

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

हम TensorFlow 2.4 संस्करण का उपयोग केवल CPU समर्थन के साथ कर रहे हैं, क्योंकि इस लेखन के रूप में, Lambda केवल CPU समर्थन प्रदान करता है। TensorFlow के CPU-केवल संस्करणों के बारे में अधिक जानकारी के लिए, देखें पैकेज का स्थान.

अजगर कोड app.py में रखा गया है। App.py में इंफेक्शन फंक्शन को इनवॉइस करने के लिए एक विशिष्ट संरचना का पालन करने की आवश्यकता होती है लम्बोदर रनटाइम। लम्बे के लिए हैंडलर के बारे में अधिक जानकारी के लिए, देखें पायथन में एडब्ल्यूएस लाम्बा फंक्शन हैंडलर। निम्नलिखित कोड देखें:

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'])

पायथॉन 3.8 के लिए निम्न डॉकरीफाइल ओपन-सोर्स प्रदान किए गए एडब्ल्यूएस का उपयोग करता है आधार चित्र कि कंटेनर छवियों को बनाने के लिए इस्तेमाल किया जा सकता है। बेस इमेज लैंग्डा पर कंटेनर इमेज चलाने के लिए आवश्यक भाषा रनटाइम्स और अन्य घटकों के साथ पहले से लोड होती हैं।

# 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"]

आपकी फ़ोल्डर संरचना निम्न स्क्रीनशॉट की तरह दिखनी चाहिए।

आपकी फ़ोल्डर संरचना निम्न स्क्रीनशॉट की तरह दिखनी चाहिए।

आप निम्न बैश कमांड के साथ कंटेनर छवि को Amazon ECR पर बना और धकेल सकते हैं। प्रतिस्थापित करें अपनी AWS खाता आईडी के साथ और यह भी निर्दिष्ट करें .

# 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

यदि आप अपने मॉडल के अनुमान का स्थानीय स्तर पर परीक्षण करना चाहते हैं, तो लैंबडा के बेस छवियों में एक रनटाइम इंटरफ़ेस एमुलेटर (RIE) शामिल है जो इसे भी अनुमति देता है स्थानीय रूप से परीक्षण आपके लाम्बा फ़ंक्शन ने विकास चक्रों को गति देने के लिए एक कंटेनर छवि के रूप में पैक किया।

एक S3 बाल्टी बनाना

अगले चरण के रूप में, हम छवि वर्ग की भविष्यवाणी करने के लिए उपयोग की जाने वाली छवियों को संग्रहीत करने के लिए एक S3 बाल्टी बनाते हैं।

  1. अमेज़न S3 कंसोल पर, चुनें बाल्टी बनाएँ.
  2. S3 बाल्टी को एक नाम दें, जैसे कि tensorflow-images-for-inference-<Random_String> और बदलें एक यादृच्छिक मूल्य के साथ।
  3. चुनें बाल्टी बनाएँ.

TensorFlow कोड के साथ लैम्ब्डा फ़ंक्शन बनाना

अपना लैम्ब्डा फ़ंक्शन बनाने के लिए, निम्नलिखित चरणों को पूरा करें:

  1. लैम्ब्डा कंसोल पर, चुनें कार्य.
  2. चुनें फ़ंक्शन बनाएं.
  3. चुनते हैं कंटेनर छवि.
  4. के लिए कार्य का नाम, जैसे नाम दर्ज करें tensorflow-endpoint.
  5. के लिए कंटेनर छवि URI, पहले बनाए गए दर्ज करें lambda-tensorflow-example भंडार।

  1. चुनें छवियों को ब्राउज़ करें नवीनतम छवि चुनने के लिए।
  2. क्लिक करें फ़ंक्शन बनाएं इसके निर्माण को शुरू करने के लिए।
  3. लैम्ब्डा रनटाइम को बेहतर बनाने के लिए, फ़ंक्शन मेमोरी को कम से कम 6 जीबी तक बढ़ाएं और 5 मिनट के लिए समय समाप्त करें मूल सेटिंग्स.

फ़ंक्शन मेमोरी और टाइमआउट सेटिंग्स के बारे में अधिक जानकारी के लिए, देखें AWS लाम्बा के लिए नया - 10 जीबी तक मेमोरी और 6 वीसीपीयू के साथ कार्य.

S3 बाल्टी को अपने लैम्ब्डा फ़ंक्शन से कनेक्ट करना

लैम्ब्डा फ़ंक्शन के सफल निर्माण के बाद, हमें इसे एक ट्रिगर जोड़ने की आवश्यकता है ताकि जब भी कोई फ़ाइल S3 बाल्टी में अपलोड हो, तो फ़ंक्शन को लागू किया जाए।

  1. लैम्ब्डा कंसोल पर, अपना फ़ंक्शन चुनें।
  2. चुनें ट्रिगर जोड़ें.

ट्रिगर जोड़ें चुनें।

  1. चुनें S3.
  2. के लिए बाल्टी, आपके द्वारा पहले बनाई गई बाल्टी का चयन करें।

बाल्टी के लिए, आपके द्वारा पहले बनाई गई बाल्टी चुनें।

ट्रिगर जोड़े जाने के बाद, आपको लैम्बडा फ़ंक्शन को उपयुक्त सेट करके S3 बाल्टी से कनेक्ट करने की अनुमति देने की आवश्यकता है AWS पहचान और अभिगम प्रबंधन (IAM) इसकी निष्पादन भूमिका के अधिकार।

  1. पर अनुमतियाँ अपने फ़ंक्शन के लिए टैब, IAM भूमिका चुनें।
  2. चुनें नीतियों को संलग्न करें.
  3. के लिए खोजें AmazonS3ReadOnlyAccess और इसे IAM भूमिका में संलग्न करें।

अब आपने अपने फ़ंक्शन का परीक्षण करने के लिए सभी आवश्यक सेवाओं को कॉन्फ़िगर कर दिया है। AWS प्रबंधन कंसोल में बाल्टी खोलकर और क्लिक करके बनाई गई S3 बाल्टी में JPG छवि अपलोड करें अपलोड। कुछ सेकंड के बाद, आप क्लाउडवॉच लॉग में भविष्यवाणी का परिणाम देख सकते हैं। एक अनुवर्ती कदम के रूप में, आप भविष्यवाणियों को स्टोर कर सकते हैं Amazon DynamoDB तालिका.

S3 बाल्टी में JPG तस्वीर अपलोड करने के बाद, हम CloudWatch पर मुद्रित परिणाम के रूप में अनुमानित छवि वर्ग प्राप्त करेंगे। EventBridge द्वारा लैम्ब्डा फ़ंक्शन को ट्रिगर किया जाएगा और बाल्टी से छवि को खींचेगा। एक उदाहरण के रूप में, हम इस की तस्वीर का उपयोग करने जा रहे हैं तोता हमारे अनुमान समापन बिंदु द्वारा भविष्यवाणी करने के लिए।

CloudWatch लॉग में पूर्वानुमानित वर्ग मुद्रित होता है। दरअसल, मॉडल चित्र के लिए सही वर्ग की भविष्यवाणी करता है (macaw):

प्रदर्शन

इष्टतम प्रदर्शन प्राप्त करने के लिए, आप मेमोरी सेटिंग के विभिन्न स्तरों की कोशिश कर सकते हैं (जो कि अधिक जानने के लिए, असाइन किए गए vCPU को रैखिक रूप से बदलता है, इसे पढ़ें AWS न्यूज़ ब्लॉग) का है। हमारे तैनात मॉडल के मामले में, हमें लगभग 3GB - 4GB (~ 2vCPUs) सेटिंग में सबसे अधिक प्रदर्शन लाभ का एहसास होता है और इससे आगे का लाभ अपेक्षाकृत कम होता है। विभिन्न मॉडलों में सीपीयू की बढ़ी हुई मात्रा के प्रदर्शन में सुधार के विभिन्न स्तर दिखाई देते हैं, इसलिए यह अपने मॉडल के लिए प्रयोगात्मक रूप से निर्धारित करना सबसे अच्छा है। इसके अतिरिक्त, यह अत्यधिक अनुशंसा की जाती है कि आप अपने स्रोत कोड का लाभ उठाने के लिए संकलित करें उन्नत वेक्टर एक्सटेंशन 2 (AVX2) लैम्ब्डा पर जो कि प्रदर्शन को बढ़ाता है ताकि vCPUs को प्रति घड़ी चक्र में अधिक संख्या में पूर्णांक और फ्लोटिंग-पॉइंट ऑपरेशन चलाने की अनुमति मिले।

निष्कर्ष

लैंबडा के लिए कंटेनर इमेज सपोर्ट आपको सर्वर रहित एमएल के लिए बहुत सारे नए उपयोग के मामलों को खोलने के साथ अपने फ़ंक्शन को और भी अधिक अनुकूलित करने की अनुमति देता है। आप अपने कस्टम मॉडल ला सकते हैं और कंटेनर छवि आकार के लिए 10 जीबी तक का उपयोग करके उन्हें लामबडा पर तैनात कर सकते हैं। छोटे मॉडलों के लिए जिन्हें कंप्यूटिंग शक्ति की अधिक आवश्यकता नहीं है, आप ऑनलाइन प्रशिक्षण और लैम्ब्डा में शुद्ध रूप से अनुमान लगा सकते हैं। जब मॉडल का आकार बढ़ता है, तो कोल्ड स्टार्ट मुद्दे अधिक से अधिक महत्वपूर्ण हो जाते हैं और होने की आवश्यकता होती है कम। कंटेनर छवियों के साथ ढांचे या भाषा पर कोई प्रतिबंध नहीं है; अन्य एमएल चौखटे जैसे PyTorch, अपाचे एमएक्सनेट, XGBoostया, Scikit सीखने के रूप में अच्छी तरह से इस्तेमाल किया जा सकता है!

यदि आपको अपने अनुमान के लिए जीपीयू की आवश्यकता है, तो आप कंटेनर सेवाओं का उपयोग करने पर विचार कर सकते हैं जैसे अमेज़ॅन इलास्टिक कंटेनर सेवा (अमेज़ॅन ईसीएस), कुबेरनेट्स, या मॉडल को ए पर तैनात करें अमेज़न SageMaker समापन बिंदु.


लेखक के बारे में

जान बाउर AWS व्यावसायिक सेवाओं में क्लाउड एप्लिकेशन डेवलपर है। उनकी रुचियों में सर्वर रहित कंप्यूटिंग, मशीन लर्निंग और सब कुछ शामिल है जिसमें क्लाउड कंप्यूटिंग शामिल है।

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

कृत्रिम बुद्धिमत्ता

डीप लर्निंग बनाम मशीन लर्निंग: हाउ इज़ अ इमर्जिंग फील्ड इन्फ्लुएंस ट्रेडिशनल कंप्यूटर प्रोग्रामिंग

अवतार

प्रकाशित

on

जब दो भिन्न अवधारणाएँ आपस में जुड़ जाती हैं, तो उन्हें अलग-अलग अकादमिक विषयों के रूप में अलग करना मुश्किल हो सकता है। यह समझा सकता है कि अलग करना इतना मुश्किल क्यों है ध्यान लगा के पढ़ना या सीखना से यंत्र अधिगम पूरा का पूरा। दोनों स्वचालन के साथ-साथ तत्काल संतुष्टि के लिए वर्तमान धक्का को ध्यान में रखते हुए, विषय पर नए सिरे से ध्यान केंद्रित करने का एक बड़ा सौदा किया गया है।

स्वचालित विनिर्माण worfklows से सब कुछ करने के लिए व्यक्तिगत डिजिटल दवा संभावित रूप से भरोसा करने के लिए बढ़ सकता है ध्यान लगा के पढ़ना या सीखना तकनीक। इस तकनीकी अनुशासन के सटीक पहलुओं को परिभाषित करना, जो इन उद्योगों में क्रांति लाएगा, हालांकि, वास्तव में बहुत अधिक कठिन है। कंप्यूटर विज्ञान में अधिक से अधिक आंदोलन के संदर्भ में गहन शिक्षा पर विचार करना शायद सबसे अच्छा है।

डीप लर्निंग को मशीन लर्निंग के सबसेट के रूप में परिभाषित करना

मशीन लर्निंग और गहरी शिक्षा अनिवार्य रूप से एक ही सिक्के के दो पहलू हैं। डीप लर्निंग तकनीक एक विशिष्ट अनुशासन है जो बहुत बड़े क्षेत्र से संबंधित है जिसमें प्रशिक्षित कृत्रिम रूप से बुद्धिमान एजेंटों की एक बड़ी विविधता शामिल है जो समान रूप से स्थितियों की एक विस्तृत श्रृंखला में सही प्रतिक्रिया का अनुमान लगा सकते हैं। हालांकि, इन सभी अन्य तकनीकों से गहन सीखने को स्वतंत्र बनाता है, हालांकि, यह तथ्य है कि यह विशेष रूप से शिक्षण एजेंटों पर केंद्रित है जो कई आभासी वातावरणों में सर्वोत्तम संभव कार्रवाई सीखकर एक विशिष्ट लक्ष्य को पूरा करते हैं।

पारंपरिक मशीन लर्निंग एल्गोरिदम आमतौर पर कृत्रिम नोड्स सिखाते हैं कि कैसे रटे याद द्वारा उत्तेजनाओं का जवाब देना है। यह कुछ हद तक मानव शिक्षण तकनीकों के समान है जिसमें सरल पुनरावृत्ति शामिल है, और इसलिए उन्हें बार-बार तालिकाओं के माध्यम से चलने वाले छात्र के कम्प्यूटरीकृत समकक्ष के बारे में सोचा जा सकता है जब तक वे उन्हें सुन नहीं सकते। हालांकि यह एक तरह से प्रभावी है, इस तरह से शिक्षित कृत्रिम रूप से बुद्धिमान एजेंट अपने मूल डिजाइन विनिर्देशों के दायरे से बाहर किसी भी उत्तेजना का जवाब देने में सक्षम नहीं हो सकते हैं।

यही कारण है कि गहन शिक्षण विशेषज्ञों ने वैकल्पिक एल्गोरिदम विकसित किए हैं जिन्हें इस पद्धति से कुछ हद तक बेहतर माना जाता है, हालांकि वे कई मायनों में हार्डवेयर की तुलना में कहीं अधिक गहन हैं। डीप लर्निंग एजेंट्स द्वारा उपयोग किए जाने वाले सबराउंटीन जेनरेटरों के प्रतिकूल नेटवर्क, कंफर्टेबल न्यूरल नोड संरचनाओं या प्रतिबंधित बोल्ट्जमैन मशीन के व्यावहारिक रूप के आसपास हो सकते हैं। ये पारंपरिक मशीनों लर्निंग फर्मवेयर द्वारा उपयोग किए जाने वाले बाइनरी ट्री और लिंक्ड सूचियों के साथ-साथ आधुनिक फाइल सिस्टम के बहुमत के साथ खड़े हैं।

स्वयं-व्यवस्थित मानचित्र भी व्यापक रूप से गहन शिक्षा में रहे हैं, हालांकि अन्य एआई अनुसंधान क्षेत्रों में उनके आवेदन आमतौर पर बहुत कम आशाजनक रहे हैं। जब यह परिभाषित करने की बात आती है डीप लर्निंग बनाम मशीन लर्निंग हालांकि, बहस की संभावना है कि आने वाले महीनों में सैद्धांतिक अकादमिक चर्चा की तुलना में तकनीशियन व्यावहारिक अनुप्रयोगों की तलाश करेंगे। यह कहने के लिए पर्याप्त है कि मशीन लर्निंग सरल एआई से सबसे परिष्कृत भविष्य कहनेवाला एल्गोरिदम तक सब कुछ शामिल करती है, जबकि गहन शिक्षण इन तकनीकों का एक अधिक चयनात्मक सबसेट बनाता है।

डीप लर्निंग टेक्नोलॉजी के व्यावहारिक अनुप्रयोग

इस बात पर निर्भर करता है कि किसी विशेष कार्यक्रम को कैसे लिखा जाता है, गहन शिक्षण तकनीकों को पर्यवेक्षण या अर्ध-पर्यवेक्षित तंत्रिका नेटवर्क के साथ तैनात किया जा सकता है। सैद्धांतिक रूप से, यह भी संभव होगा एक पूरी तरह से असुरक्षित नोड लेआउट के माध्यम से ऐसा करते हैं, और यह इस तकनीक है कि जल्दी से सबसे होनहार बन गया है। मेडिकल इमेज एनालिसिस के लिए अनसपर्विज्ड नेटवर्क उपयोगी हो सकता है, क्योंकि यह एप्लिकेशन अक्सर एक कंप्यूटर प्रोग्राम के लिए ग्राफिकल जानकारी के अनूठे टुकड़े प्रस्तुत करता है जिन्हें ज्ञात इनपुट के खिलाफ परीक्षण करना होता है।

पारंपरिक बाइनरी ट्री या ब्लॉकचैन-आधारित शिक्षण प्रणाली नाटकीय रूप से अलग-अलग परिदृश्यों में समान पैटर्न की पहचान करने के लिए संघर्ष किया है, क्योंकि जानकारी एक संरचना में छिपी हुई है जो अन्यथा डेटा को प्रभावी ढंग से प्रस्तुत करने के लिए डिज़ाइन की गई होती। यह अनिवार्य रूप से स्टेग्नोग्राफ़ी का एक प्राकृतिक रूप है, और इसने स्वास्थ्य उद्योग में कंप्यूटर एल्गोरिदम को भ्रमित कर दिया है। हालाँकि, यह नया प्रकार का अनचाहा सीखने वाला नोड वस्तुतः स्वयं को शिक्षित कर सकता है कि इन पैटर्न को एक डेटा संरचना में भी कैसे मिलान किया जाए जो सामान्य रेखाओं के साथ व्यवस्थित नहीं होती है जो एक कंप्यूटर यह उम्मीद करता है।

दूसरों ने लागू करने का प्रस्ताव दिया है कृत्रिम रूप से बुद्धिमान विपणन एजेंटों की अर्ध-पर्यवेक्षण की जाती है मौजूदा डील-क्लोज़िंग सॉफ़्टवेयर के बारे में नैतिकता पर बहुत अधिक चिंता को समाप्त कर सकता है। संभव के रूप में बड़े ग्राहक आधार तक पहुंचने की कोशिश करने के बजाय, ये उपकरण किसी भी व्यक्ति को किसी निश्चित समय पर किसी उत्पाद की आवश्यकता की बाधाओं की गणना करेंगे। ऐसा करने के लिए, उसे संगठन द्वारा प्रदान की गई कुछ प्रकार की जानकारी की आवश्यकता होगी, जो कि उसकी ओर से काम करती है, लेकिन यह अंततः अपने दम पर आगे की सभी क्रियाओं की भविष्यवाणी करने में सक्षम होगी।

हालांकि कुछ कंपनियां वर्तमान में ऐसे उपकरणों पर निर्भर हैं जो समान लक्ष्यों को प्राप्त करने के लिए पारंपरिक मशीन सीखने की तकनीक का उपयोग करते हैं, ये अक्सर साथ होते हैं एकांत और नैतिक चिंताओं। गहरी संरचित शिक्षण एल्गोरिदम के आगमन ने सॉफ्टवेयर इंजीनियरों को नए सिस्टम के साथ आने में सक्षम बनाया है जो इन कमियों से ग्रस्त नहीं हैं।

एक निजी स्वचालित शिक्षण पर्यावरण का विकास करना

पारंपरिक मशीन सीखने के कार्यक्रम अक्सर गंभीर रूप से चलते हैं एकांत इस तथ्य के कारण चिंता है कि किसी भी प्रयोग योग्य निष्कर्ष निकालने के लिए उन्हें भारी मात्रा में इनपुट की आवश्यकता होती है। डीप लर्निंग इमेज रिकॉग्निशन सॉफ्टवेयर इस प्रकार यह सुनिश्चित करने के लिए कि इसे करने के लिए अधिक जानकारी की आवश्यकता नहीं है, इनपुट्स के एक छोटे से उपसमूह को संसाधित करके काम करता है काम। यह उन लोगों के लिए विशेष महत्व का है जिनके बारे में चिंतित हैं उपभोक्ता डेटा लीक की संभावना.

इनमें से कई मुद्दों पर नए नियामक रुख को देखते हुए, यह जल्दी से एक ऐसी चीज बन जाती है जो अनुपालन के दृष्टिकोण से भी महत्वपूर्ण हो जाती है। जैसे-जैसे विष विज्ञान प्रयोगशालाओं का उपयोग शुरू होता है बायोएक्टिविटी-केंद्रित गहरे संरचित शिक्षण पैकेज, यह संभावना है कि नियामक इस प्रकार के संवेदनशील डेटा के साथ किसी भी कार्य को करने के लिए आवश्यक जानकारी की मात्रा के संबंध में अतिरिक्त चिंता व्यक्त करेंगे। कंप्यूटर वैज्ञानिकों को इस बात से पीछे हटना पड़ा है कि कुछ ने बाइट्स की एक सत्यनिष्ठ अग्नि नली को कहा है जो किसी कहानी को अधिक से अधिक बताती है वह सबसे आरामदायक होगी।

एक तरह से, इन विकासों ने एक पुराने समय में वापस सुनाई जब यह माना जाता था कि किसी प्रणाली में प्रत्येक प्रक्रिया में केवल विशेषाधिकारों की मात्रा होनी चाहिए जो अपना काम पूरा करें। जैसा कि मशीन लर्निंग इंजीनियर इस प्रतिमान को गले लगाते हैं, यह बहुत अधिक संभावना है कि भविष्य के विकास को केवल इसलिए अधिक सुरक्षित किया जाएगा क्योंकि उन्हें आज के मौजूदा संचालन को पूरा करने के लिए आवश्यक बड़ी मात्रा में डेटा खनन की आवश्यकता नहीं है।

चित्र साभार: toptal.io

Coinsmart। यूरोपा में बेस्टे बिटकॉइन-बोरसे
स्रोत: https://datafloq.com/read/deep-learning-vs-machine-learning-how-emerging-field-influences-traditional-computer-programming/13652

पढ़ना जारी रखें

कृत्रिम बुद्धिमत्ता

एक्स्ट्रा क्रंच राउंडअप: टोनल ईसी -1, डेलीवेरू का चट्टानी आईपीओ, क्या वास्तव में $ 650M का दाम है?

अवतार

प्रकाशित

on

के लिए आज सुबह का कॉलम, एलेक्स विल्हेम ने पिछले कुछ महीनों में देखा, "प्रौद्योगिकी के लिए एक व्यस्त मौसम" जो एक गर्म Q4 2020 के बाद था।

हम एक आईपीओ बाजार के संकेत देख रहे हैं जो ठंडा हो सकता है, लेकिन फिर भी, "पूरे हाल के वाई कॉम्बिनेटर वर्ग को सार्वजनिक करने के लिए पर्याप्त एसपीएसी हैं," वह नोट करते हैं।

एक बार जब हम निजी इक्विटी फर्मों में पैसा लगाते हैं, तो यह स्पष्ट होता है कि लेट-स्टेज कंपनियों के पास लेवलिंग के लिए तीन ठोस विकल्प होते हैं।

इन तरलता विकल्पों में अधिक जानकारी की तलाश में, एलेक्स ने साक्षात्कार किया:

  • DigitalOcean CEO Yancey Spruill, जिनकी कंपनी IPO के माध्यम से सार्वजनिक हुई;
  • लैच सीएफओ गर्थ मिशेल, जिन्होंने रियल एस्टेट एसपीएसी $ टीएसआईए के साथ अपने स्टार्टअप के विलय पर चर्चा की;
  • ब्रायन क्रूवर, AlertMedia के संस्थापक और सीईओ, जो हाल ही में एक निजी इक्विटी फर्म को बेच दिया गया।

अपने सौदों को फिर से भरने के बाद, प्रत्येक कार्यकारी बताते हैं कि कैसे उनकी कंपनी निर्धारित करती है कि लाल रंग का फ्लैश "EXIT" साइन इन करता है। जैसा कि एलेक्स ने कहा, "किसी बुफे के मूल्य में से कौन सा विकल्प चुनना सबसे अच्छा है यह एक दिलचस्प काम है।"

एक्स्ट्रा क्रंच पढ़ने के लिए बहुत बहुत धन्यवाद! तुम्हारा सप्ताह का अंत अच्छा हो।

वाल्टर थॉम्पसन
वरिष्ठ संपादक, टेकक्रंच
@yourprotagonist


पूर्ण अतिरिक्त क्रंच लेख केवल सदस्यों के लिए उपलब्ध हैं
डिस्काउंट कोड का उपयोग करें ECFriday एक या दो साल की सदस्यता से 20% बचाने के लिए


द टोनल ईसी -1

छवि क्रेडिट: निगेल सुस्मान

मंगलवार को, हमने टोनल पर एक चार-भाग की श्रृंखला प्रकाशित की, एक होम फिटनेस स्टार्टअप जिसने 200 में लॉन्च होने के बाद से $ 2018 मिलियन जुटाए हैं। कंपनी का पेटेंट हार्डवेयर एक दीवार-माउंटेड सिस्टम में डिजिटल वेट, कोचिंग और एआई को जोड़ता है जो $ 2,995 में बेचता है।

किसी भी उपाय से, यह सफलता के लिए तैयार है - बिक्री 800% बढ़ी दिसंबर 2019 और 2020 के बीच, और इस साल के अंत तक, कंपनी के 60 खुदरा स्थान होंगे। बुधवार को, टोनल ने $ 250 मिलियन श्रृंखला ई की सूचना दी इस कंपनी का मूल्य $ 1.6 बिलियन था।

हमारे गहरे गोता ने टोनल की उत्पत्ति, उत्पाद विकास की समयावधि, इसकी बाजार की रणनीति और अन्य पहलुओं की पड़ताल की जो निवेशक की रुचि और ग्राहकों को प्रसन्न करने के लिए संयुक्त थे।

हम इस प्रारूप को "कहते हैं"EC-1, "चूंकि ये कहानियां व्यापक और रोशन हैं, क्योंकि एस -1 फॉर्म स्टार्टअप को सार्वजनिक होने से पहले एसईसी के साथ फाइल करना चाहिए।

यहाँ बताया गया है कि टोनल ईसी -1 कैसे टूट जाता है:

हमारे पास अन्य लेट-स्टेज स्टार्टअप्स के बारे में अधिक EC-1s हैं जो बड़ी चीजों को अच्छी तरह से कर रहे हैं और प्रक्रिया में समाचार बना रहे हैं।

डेलीवरू के किसी न किसी आईपीओ की शुरुआत करने के लिए

जब व्यापार शुरू हुआ तो डेलीवरू ने संघर्ष क्यों किया? क्या यह अपने उच्च-विकास मॉडल और अधिक रूढ़िवादी यूरोपीय निवेशकों के बीच सांस्कृतिक असंगति से पीड़ित है?

आइए संख्याओं पर गौर करें और पता करें।

कलतुरा ने पदार्पण किया। क्या तकनीकी आईपीओ विंडो बंद हो रही है?

एक्सचेंज को संदेह है कि कई लोगों को उम्मीद थी कि आईपीओ का माहौल बिना किसी चेतावनी के इतना ठंडा हो जाएगा। लेकिन हम तकनीकी डिबेट के लिए पूर्व में झुलसाने वाली जलवायु में Q2 ठहराव के लिए हो सकते हैं।

क्या सबस्टैक का मूल्य वास्तव में $ 650M है?

65 के मानकों के हिसाब से $ 2021 मिलियन की श्रृंखला बी उल्लेखनीय है। लेकिन तथ्य यह है कि a16z अधिक मीडिया में जगह बना रहा है मीडिया में कोई आश्चर्य की बात नहीं है।

सबटैक एक ऐसी जगह है जहां प्रकाशनों ने मीडिया में गुरुत्वाकर्षण के केंद्र को स्थानांतरित करते हुए कुछ जानी-मानी प्रतिभाओं को उड़ा दिया है। आइए नजर डालते हैं सबटैक की ऐतिहासिक वृद्धि पर।

निवेशकों के रूप में आरपीए बाजार में उछाल आया, विक्रेताओं ने महामारी-चालित तकनीकी बदलाव का लाभ उठाया

व्यापार प्रक्रिया संगठन और विश्लेषिकी। व्यापार प्रक्रिया दृश्य और प्रतिनिधित्व, स्वचालित वर्कफ़्लो सिस्टम अवधारणा। वेक्टर अवधारणा रचनात्मक चित्रण

छवि क्रेडिट: विजुअल जनरेशन / गेटी इमेजेज

महामारी के दौरान रोबोट प्रक्रिया स्वचालन सामने आया, क्योंकि कंपनियों ने डिजिटल रूप से बदलने के लिए कदम उठाए। जब कर्मचारी एक साथ एक ही कार्यालय में नहीं हो सकते हैं, तो अधिक स्वचालित वर्कफ़्लोज़ को एक साथ मिलाना महत्वपूर्ण हो गया, जिसके लिए कम लोगों की आवश्यकता होती है।

आरपीए ने अधिकारियों को स्वचालन का एक स्तर प्रदान करने में सक्षम बनाया है जो अनिवार्य रूप से बड़ी संख्या में सांसारिक मैनुअल कार्यों को कम करने के लिए सिस्टम को अधिक आधुनिक दृष्टिकोणों के लिए अद्यतन करने के लिए उन्हें खरीदता है जो हर उद्योग के वर्कफ़्लो का हिस्सा हैं।

ई-कॉमर्स रोल-अप उपभोक्ता पैक वस्तुओं में व्यवधान की अगली लहर है

यह वर्ष सभी रोल-अप के बारे में है, बड़ी कंपनियों में छोटी कंपनियों का एकत्रीकरण, इक्विटी मूल्य के लिए एक संभावित सम्मोहक मार्ग का निर्माण। ई-कॉमर्स ब्रांडों के माध्यम से मूल्य बनाने में रुचि विशेष रूप से हड़ताली है।

महज एक साल पहले, डिजिटल रूप से देशी ब्रांड उद्यम पूंजीपतियों के पक्ष में गिर गए थे और इतने सारे उद्यम पैमाने पर रिटर्न बनाने में विफल रहे थे। तो रोल-अप प्रचार के बारे में क्या है?

हैक लेता है: एक CISO और एक हैकर विवरण कि वे एक्सचेंज उल्लंघन का जवाब कैसे देंगे

डेटा ब्रीच, गोपनीय डेटा चोरी, साइबर हमले की 3 डी फ्लैट आइसोमेट्रिक वेक्टर अवधारणा।

छवि क्रेडिट: टारिकविजन (एक नई विंडो में खुलता है) / गेटी इमेजेज

साइबर दुनिया ने एक नए युग में प्रवेश किया है जिसमें हमले पहले से कहीं अधिक बड़े पैमाने पर हो रहे हैं। हजारों उच्च-स्तरीय अमेरिकी कंपनियों और एजेंसियों को प्रभावित करने वाले बड़े पैमाने पर हैक हाल ही में खबर पर हावी हो गए हैं। इनमें से प्रमुख हैं दिसंबर सोलरविंड्स / फायरईईई ब्रीच और हाल ही में माइक्रोसॉफ्ट एक्सचेंज सर्वर ब्रीच।

हर कोई जानना चाहता है: यदि आप एक्सचेंज के उल्लंघन से प्रभावित हुए हैं, तो आपको क्या करना चाहिए?

5 मशीन सीखने के लिए गैर-तकनीकी नेताओं को समझना आवश्यक है

एक सफेद पृष्ठभूमि पर सीधी रेखाओं में बहुरंगी तारों की गड़गड़ाहट। केप टाउन, दक्षिण अफ्रीका। फरवरी 2019।

छवि क्रेडिट: डेविड मालन (एक नई विंडो में खुलता है) / गेटी इमेजेज

इस स्थान में परिवर्तन और विकास की अविश्वसनीय गति के कारण मशीन लर्निंग व्यवसाय और विकास त्वरण का आधार बन गया है।

लेकिन इंजीनियरिंग और टीम के नेताओं के लिए एक एमएल पृष्ठभूमि के बिना, यह भी भारी और डराना महसूस कर सकता है।

यहां सर्वोत्तम प्रैक्टिस और पांच-व्यावहारिक और आसानी से लागू होने वाले पाठों में घटकों को जानना चाहिए।

एंबेडेड खरीद हर कंपनी को अपना मार्केटप्लेस बनाएगी

डेटा और आर्थिक विकास ग्राफ चार्ट का विश्लेषण करते हुए मोबाइल फोन का उपयोग कर बिजनेसवुमेन। प्रौद्योगिकी डिजिटल विपणन और नेटवर्क कनेक्शन।

छवि क्रेडिट: बसाकोर्न पोंगपर्निट / गेटी इमेजेज़

एंबेडेड खरीद एम्बेडेड फिनटेक का प्राकृतिक विकास है।

इस अगली लहर में, व्यवसाय उन चीजों को खरीदेंगे जिनकी उन्हें ऊर्ध्वाधर बी 2 बी एप्स के माध्यम से बिक्री के प्रतिनिधि, वितरकों या एक व्यक्तिगत व्यापारी की वेबसाइट के माध्यम से आवश्यकता होगी।

यह जानते हुए कि आपके स्टार्टअप को व्यवसाय के विकास के लिए कब जाना चाहिए

एक व्यवसाय या वित्त विकास चार्ट कैनवास से तीर के सिर के साथ एक लाल रेखा।

छवि क्रेडिट: twomeows / गेटी इमेजेज़

चारों ओर एक निरंतर गिरावट है, जो किसी भी स्टार्टअप के बढ़ते दर्द या स्केलिंग की समस्या को व्यावसायिक विकास के साथ हल कर सकती है।

यह स्पष्ट रूप से सच नहीं है।

प्रिय सोफी: मुझे शादी के माध्यम से प्रेनअप और ग्रीन कार्ड प्राप्त करने के बारे में क्या पता होना चाहिए?

केंद्र में एक अमेरिकी ध्वज है हेज को भूलभुलैया करने के लिए प्रवेश द्वार पर अकेला आंकड़ा

छवि क्रेडिट: ब्राइस डर्बिन / टेकक्रंच

प्रिय सोफी:

मैं E-2 निवेशक वीज़ा पर स्टार्टअप का संस्थापक हूँ और बस सगाई कर चुका हूँ! मेरा जल्द ही होने वाला जीवनसाथी मुझे ग्रीन कार्ड के लिए प्रायोजित करेगा।

क्या मेरे प्रायोजक के लिए उसके लिए कोई न्यूनतम वेतन आवश्यकताएं हैं? क्या ग्रीन कार्ड प्रक्रिया शुरू करने से पहले मुझे कुछ ध्यान में रखना चाहिए?

- बेलमोंट में बेट्रोथेड

स्टार्टअप को चुस्त डेटा शासन सुनिश्चित करने के लिए नौकरशाही पर अंकुश लगाना होगा

लाल टेप में बंधे डेस्क पर एक कंप्यूटर, फोन और घड़ी की छवि।

छवि क्रेडिट: RichVlife / Getty Images

कई संगठन डेटा प्रबंधन को डेटा गवर्नेंस के समान मानते हैं, जहां जिम्मेदारियां नियंत्रण और ऑडिट प्रक्रियाओं को स्थापित करने के लिए केंद्रित होती हैं, और चीजों को एक रक्षात्मक लेंस से देखा जाता है।

यह दोषपूर्णता न्यायसंगत है, विशेष रूप से डेटा कुप्रबंधन और रिसाव के कारण संभावित वित्तीय और प्रतिष्ठित नुकसान को देखते हुए।

बहरहाल, यहां मायोपिया का एक तत्व है, और अत्यधिक सतर्क रहने से संगठनों को डेटा-संचालित सहयोग के लाभों को महसूस करने से रोका जा सकता है, खासकर जब यह सॉफ़्टवेयर और उत्पाद विकास की बात आती है।

कंपनी संस्कृति में साइबर सुरक्षा को सेंकने के लिए C- सूट को CISOs में लाएं

साइबर रणनीति और कंपनी की रणनीति अटूट रूप से जुड़ी हुई है। नतीजतन, सी-सूट में मुख्य सूचना सुरक्षा अधिकारी शेयरधारक मूल्य को अधिकतम करने में सीएफओ के समान ही सामान्य और प्रभावशाली होंगे।

एडटेक अपनी अतिरिक्त पूंजी कैसे खर्च कर रहा है?

मनी ट्री: एक वयस्क हाथ पत्ते रहित पेड़ पर बढ़ने वाले डॉलर के बिल के लिए पहुंचता है

छवि क्रेडिट: टेट्रा इमेज (एक नई विंडो में खुलता है) / गेटी इमेजेज

एडटेक यूनिकॉर्न के पास 2020 में सेक्टर को पूंजी बढ़ाने के लिए खर्च करने के लिए कैश लोड के बोटलोड हैं। नतीजतन, एडटेक एम एंड ए की गतिविधि लगातार बढ़ रही है।

अपने मुख्य व्यवसाय को पूरक करने के लिए प्रतियोगियों को खरीदने के लिए एक अच्छी तरह से पूंजीकृत स्टार्टअप का विचार कोई नई बात नहीं है, लेकिन इस क्षेत्र में निकास उल्लेखनीय हैं क्योंकि स्टार्टअप खरीदने के लिए उपयोग किए गए पैसे को दूरस्थ शिक्षा पर महामारी के प्रभाव के रूप में देखा जा सकता है।

लेकिन पिछले सप्ताह में, समेकन के माहौल ने एक स्पष्ट बयान दिया: महामारी-साबित स्टार्टअप प्रतिभाओं का उपहास कर रहे हैं - और तेज।

मेक्सिको में टेक: लैटिन अमेरिका, अमेरिका और एशिया का संगम

लाइनों से जुड़ी भीड़ का हवाई दृश्य

छवि क्रेडिट: ऑर्बन अलीजा (एक नई विंडो में खुलता है)/ गेटी इमेजेज

ज्ञान हस्तांतरण केवल यूएस-एशिया-लाटैम नेक्सस में बहने वाली प्रवृत्ति नहीं है। प्रतियोगिता भी पूर्ववत है।

समान बाजार स्थितियों के कारण, एशियाई टेक दिग्गज सीधे मैक्सिको और अन्य लाटम देशों में विस्तार कर रहे हैं।

कैसे हमने 30 तिमाहियों में शुद्ध प्रतिधारण 2+ अंकों में सुधार किया

जम्पर केबल से जुड़े अमेरिकी डॉलर के बिल से आने वाले स्पार्क

छवि क्रेडिट: स्टीवन पुएज़र (एक नई विंडो में खुलता है) / गेटी इमेजेज

निश्चित रूप से सास प्रदर्शन मेट्रिक्स नेताओं की कोई कमी नहीं है, लेकिन एनआरआर (शुद्ध राजस्व प्रतिधारण) बिना किसी सवाल के सबसे कम मीट्रिक है।

एनआरआर कुल राजस्व माइनस किसी भी राजस्व मंथन के अलावा उन्नयन, क्रॉस-सेल या अपग्रेड्स से किसी भी राजस्व विस्तार है। NRR जितनी बड़ी होगी, उतनी ही जल्दी कंपनियां पैमाना बना सकती हैं।

5 गलतियों रचनाकारों Roblox पर नए खेल का निर्माण करते हैं

ब्रेज़िल - 2021/03/24: इस तस्वीर चित्रण में एक रोबोक्स लोगो देखा गया जिसे स्मार्टफोन पर दिखाया गया है। (फोटो चित्रण राफेल हेनरिक / सोपा इमेज / लाइटरकेट द्वारा गेटी इमेज के माध्यम से)

छवि क्रेडिट: SOPA छवियाँ (एक नई विंडो में खुलता है) / गेटी इमेजेज

यहां तक ​​कि मोबाइल F2P व्यवसाय के सबसे अनुभवी और प्रतिभाशाली गेम डिजाइनर आमतौर पर यह समझने में विफल रहते हैं कि रोबोक्सियन के लिए क्या विशेषताएं हैं।

उन लोगों के लिए जो रोबोक्स गेम के विकास में अपनी यात्रा शुरू कर रहे हैं, ये सबसे आम गलतियाँ हैं जिन्हें गेमिंग पेशेवर रोबोक्स पर करते हैं।

सीईओ मनीष चंद्र, निवेशक नवीन चड्ढा बताते हैं कि पॉशमार्क की श्रृंखला ए डेक क्यों गाती है

सीईओ मनीष चंद्रा, निवेशक नवीन चड्ढा बताते हैं कि पॉशमार्क की श्रृंखला ए डेक छवि क्यों गाती है

"प्यार के साथ लीड, और पैसा आता है।" यह पॉशमार्क में आधारशिला मूल्यों में से एक है। एक्सट्रा क्रंच लाइव के नवीनतम एपिसोड में, चंद्रा और चड्ढा हमारे साथ बैठ गए और अपनी मूल श्रृंखला ए पिच डेक के माध्यम से हमें चले गए।

क्या महामारी शहरों के लिए एक स्मार्ट पुनर्जन्म होगी?

नया बनाम पुराना - आधुनिक नए मुखौटे की खिड़कियों में परिलक्षित एक पुरानी ईंट की इमारत

छवि क्रेडिट: Hopsalka (एक नई विंडो में खुलता है) / गेटी इमेजेज

शहर जहां लोग रहते हैं, काम कर रहे हैं और खेल रहे हैं। जब महामारी हिट हुई, तो कुछ लोग छोटे शहरों के लिए प्रमुख महानगरीय बाजारों से भाग गए - शहरों की भविष्य की वैधता पर सवाल उठाते हुए।

लेकिन जिन लोगों ने भविष्यवाणी की थी कि सीओवीआईडी ​​-19 प्रमुख शहरी समुदायों को नष्ट कर देगा, वे इन नगरपालिकाओं के लचीलेपन को कम करना बंद कर सकते हैं और पोस्ट-महामारी का भविष्य जैसा दिखता है, उस पर लंबा चलना शुरू कर सकते हैं।

एनएफटी का क्रेज वकीलों के लिए वरदान साबित होगा

गुलाबी पिग्गी बैंक की 3 डी रेंडरिंग, कॉपी स्पेस के साथ लाइट-ब्लू बैकग्राउंड पर गावेल के साथ लगने वाले ब्लॉक पर खड़ी है। पैसा माइने रखता है। पैसे के लिए मुकदमा। नीलामी बोली।

छवि क्रेडिट: गियरस्टड (एक नई विंडो में खुलता है) / गेटी इमेजेज

कॉपीराइट मुद्दों, धोखाधड़ी और वयस्क सामग्री के बारे में अनिश्चितता के बहुत सारे हैं, और कानूनी निहितार्थ एनएफटी की प्रवृत्ति का क्रेज हैं।

क्या अदालत दी गई फ़ाइल पर रसीद धारक के स्वामित्व की रक्षा करेगी या नहीं, यह कई कारकों पर निर्भर करता है। इन सभी चिंताओं का अर्थ है कि कलाकारों को वकील करने की आवश्यकता हो सकती है।

कैवू के प्रस्तावित SPAC को कैरवाना की विंडशील्ड के माध्यम से देखना

यह एक वाजिब सवाल है: अगर कैराना अधिक लाभदायक है और क्या नहीं तो आज कोई भी काजु के लिए इतना भुगतान क्यों करेगा? खैर, विकास। वैसे भी यही तर्क है।

Coinsmart। यूरोपा में बेस्टे बिटकॉइन-बोरसे
Source: https://techcrunch.com/2021/04/02/extra-crunch-roundup-tonal-ec-1-deliveroos-rocky-ipo-is-substack-really-worth-650m/

पढ़ना जारी रखें

AI

हमारे सभी मॉडलों के लिए COVID ने क्या किया?

अवतार

प्रकाशित

on

हमारे सभी मॉडलों के लिए COVID ने क्या किया?

डीन एबॉट और जॉन एल्डर के साथ एक साक्षात्कार जिसमें परिवर्तन प्रबंधन, जटिलता, व्याख्या और मानवता पर एआई के जोखिम को लेकर।


By हीदर फाइसन, समय

हमारे सभी मॉडलों के लिए COVID ने क्या किया?

के बाद KNIME पतन शिखर सम्मेलन, डायनासोर घर वापस चले गए ... अच्छी तरह से, अपने लैपटॉप बंद कर दिया। डीन एबॉट और जॉन एल्डर, लंबी अवधि के डेटा विज्ञान विशेषज्ञों द्वारा, फॉल समिट के लिए आमंत्रित किया गया था माइकल की चर्चा में शामिल होने के लिए डेटा साइंस का भविष्य: उद्योग डायनासोर के साथ एक फायरसाइड चैट। परिणाम डेटा विज्ञान चुनौतियों और नए रुझानों के बारे में एक शानदार बातचीत थी। स्टूडियो लाइट बंद करने के बाद से, Rosaria डेटा विज्ञान की दुनिया में परिवर्तन प्रबंधन, जटिलता, व्याख्या, और अधिक के बारे में कुछ हाइलाइट्स को आसुत और विस्तारित किया है। आइए देखें कि यह हमें कहां ले आया।

एआई में परिवर्तन प्रबंधन के साथ आपका अनुभव क्या है, जब वास्तविकता में बदलाव और मॉडल को अपडेट करना है? हमारे सभी मॉडलों के लिए COVID ने क्या किया?

 
[डीन] मशीन लर्निंग (एमएल) एल्गोरिदम अतीत और भविष्य के बीच स्थिरता मानते हैं। जब चीजें बदलती हैं, तो मॉडल विफल हो जाते हैं। COVID ने हमारी आदतें बदल दी हैं, और इसलिए हमारा डेटा। नई स्थिति से निपटने के लिए प्री-कोविद मॉडल संघर्ष करते हैं।

[जॉन] एक सरल उदाहरण Google मानचित्र पर ट्रैफ़िक परत होगी। 2020 में देश भर में लॉकडाउन हिट होने के बाद, Google मैप्स ट्रैफ़िक अनुमान कुछ समय के लिए बहुत गलत थे। यह काफी स्थिर प्रशिक्षण डेटा पर बनाया गया था, लेकिन अब यह प्रणाली पूरी तरह से बेकार हो गई थी।

जब दुनिया बदल गई है और मॉडल अब काम नहीं कर रहे हैं तो आप कैसे समझेंगे?

 
[डीन] यहां एक छोटी सी चाल है जिसका मैं उपयोग करता हूं: मैं अपने डेटा को समय से और रिकॉर्ड को "पहले" और "बाद" के रूप में लेबल करता हूं। मैं तब मॉडल उपयोग करता है उसी इनपुट से "पहले" बनाम "बाद" बनाम भेदभाव करने के लिए एक वर्गीकरण मॉडल का निर्माण करता हूं। यदि भेदभाव संभव है, तो "बाद" "पहले" से अलग है, दुनिया बदल गई है, डेटा बदल गया है, और मॉडल को फिर से देखना होगा।

परियोजनाओं के मॉडल को फिर से बनाना कितना जटिल है, खासकर अनुकूलन के वर्षों के बाद?

 
[जॉन] प्रशिक्षण मॉडल आमतौर पर सभी का सबसे आसान चरण है! अन्यथा सफल परियोजनाओं के विशाल बहुमत मरना कार्यान्वयन के चरण में। महानतम पहर डेटा सफाई और तैयारी के चरण में खर्च किया जाता है। और सबसे ज्यादा समस्याओं व्यापार समझ / परियोजना परिभाषा चरण में याद किया जाता है या बनाया जाता है। इसलिए यदि आप समझते हैं कि दोष क्या है और नया डेटा प्राप्त कर सकता है और कार्यान्वयन फ्रेमवर्क है, तो एक नया मॉडल बनाना, तुलना करके, बहुत सीधा है।

आपके दशकों के अनुभव के आधार पर, वास्तव में कार्यशील डेटा साइंस एप्लिकेशन को एक साथ रखना कितना जटिल है?

 
[जॉन] यह जटिलता से, ज़ाहिर है, अलग-अलग हो सकता है। हमारी अधिकांश परियोजनाओं को कम से कम कुछ महीनों में कामकाजी प्रोटोटाइप मिलते हैं। लेकिन सभी के लिए, मैं प्रतिक्रिया के महत्व पर पर्याप्त जोर नहीं दे सकता: आपको लोगों से अधिक बार बात करनी है जितना आप चाहते हैं। और सुनो! हम हर बार व्यापार की समस्या, डेटा या बाधाओं के बारे में नई चीजें सीखते हैं। हम सभी मात्रात्मक लोग मनुष्यों के साथ बोलने में कुशल नहीं हैं, इसलिए यह अक्सर एक टीम लेता है। लेकिन हितधारकों की पूरी टीम को एक ही भाषा बोलना सीखना होगा।

[डीन] हमारे व्यापार समकक्ष से बात करना महत्वपूर्ण है। लोग परिवर्तन से डरते हैं और वर्तमान स्थिति को बदलना नहीं चाहते हैं। एक प्रमुख समस्या वास्तव में मनोवैज्ञानिक है। विश्लेषकों को अक्सर झुंझलाहट के रूप में देखा जाता है। इसलिए, हमें व्यापार समकक्ष और एनालिटिक्स गीक्स के बीच विश्वास का निर्माण करना होगा। एक परियोजना की शुरुआत में हमेशा निम्नलिखित चरण शामिल होने चाहिए: डोमेन विशेषज्ञों / परियोजना प्रबंधकों, विश्लेषकों और आईटी और बुनियादी ढांचे (DevOps) टीम को सिंक करें ताकि परियोजना के उद्देश्यों पर सभी को स्पष्ट हो और इसे कैसे निष्पादित किया जाएगा। विश्लेषक उन शीर्ष 11 लोगों की सूची में 10 वें स्थान पर हैं जिन्हें उन्हें हर दिन देखना है! आइए डेटा साइंटिस्ट के अहंकार को अपनाने से बचें: "व्यवसाय हमें / हमारी तकनीकों को समझ नहीं सकता है, लेकिन हम जानते हैं कि सबसे अच्छा काम क्या है"। हालांकि, हम जो नहीं समझते हैं, क्या डोमेन विशेषज्ञ वास्तव में उस डोमेन के विशेषज्ञ हैं जो हम काम कर रहे हैं! डोमेन विशेषज्ञों द्वारा समझी जाने वाली भाषा में डेटा विज्ञान मान्यताओं और दृष्टिकोणों का अनुवाद महत्वपूर्ण है!

नवीनतम प्रवृत्ति अब गहरी सीख रही है, जाहिर है कि यह सब कुछ हल कर सकती है। मुझे हाल ही में एक छात्र से एक सवाल मिला, "हमें डेटा विज्ञान की समस्याओं को हल करने के लिए गहन सीखने की कला है" तो हमें अन्य एमएल एल्गोरिदम सीखने की आवश्यकता क्यों है?

 
[डीन] डीप लर्निंग ने कमरे के बाहर बहुत सारे ऑक्सीजन को चूसा। 1990 के दशक की शुरुआत में ऐसा लगता है जब तंत्रिका नेटवर्क समान आशावाद के साथ चढ़े थे! डीप लर्निंग सुनिश्चित करने के लिए शक्तिशाली तकनीकों का एक सेट है, लेकिन उन्हें लागू करना और अनुकूलन करना कठिन है। XGBoost, पेड़ के Ensembles, भी शक्तिशाली हैं, लेकिन वर्तमान में अधिक मुख्यधारा है। उन्नत एनालिटिक्स का उपयोग करके हमें जिन समस्याओं का समाधान करना है, उनमें से अधिकांश को वास्तव में जटिल समाधान की आवश्यकता नहीं है, इसलिए सरल शुरू करें; इन परिस्थितियों में गहरी शिक्षा अधिभूत है। ओक्टम के रेजर सिद्धांत का उपयोग करना सबसे अच्छा है: यदि दो मॉडल समान प्रदर्शन करते हैं, तो सबसे सरल अपनाएं।

जटिलता के बारे में। अन्य प्रवृत्ति, गहरी शिक्षा के विपरीत, एमएल व्याख्या है। यहाँ, आप बहुत (अत्यधिक)? क्या व्याख्या करना महत्वपूर्ण है?

 
[जॉन] मैं अक्सर खुद को व्याख्यात्मकता से लड़ता हुआ पाता हूं। यह अच्छा है, निश्चित है, लेकिन अक्सर सबसे महत्वपूर्ण मॉडल संपत्ति की उच्च लागत पर आता है: विश्वसनीय सटीकता। लेकिन कई हितधारकों का मानना ​​है कि व्याख्यात्मकता आवश्यक है, इसलिए यह स्वीकृति के लिए एक बाधा बन जाती है। इस प्रकार, यह पता लगाना आवश्यक है कि किस तरह की व्याख्या की आवश्यकता है। शायद यह सिर्फ यह जानना है कि सबसे महत्वपूर्ण चर क्या हैं? यह कई nonlinear मॉडल के साथ उल्लेखनीय है। हो सकता है, के रूप में क्रेडिट आवेदकों को समझाने के साथ कि वे क्यों ठुकरा दिए गए थे, एक समय में एक मामले के लिए आउटपुट की व्याख्या करने की आवश्यकता है? हम दिए गए बिंदु के लिए एक रैखिक सन्निकटन का निर्माण कर सकते हैं। या, हम अपने ब्लैक बॉक्स मॉडल से डेटा उत्पन्न कर सकते हैं और उस डेटा को फिट करने के लिए किसी भी जटिलता के "व्याख्यात्मक" मॉडल का निर्माण कर सकते हैं।

अंत में, अनुसंधान से पता चला है कि यदि उपयोगकर्ताओं के पास एक मॉडल के साथ खेलने का मौका है - अर्थात, इसे इनपुट के परीक्षण मूल्यों के साथ प्रहार करने और इसके आउटपुट को देखने के लिए, और शायद इसकी कल्पना करें - उन्हें व्याख्या की समान गर्म भावनाएं मिलती हैं। कुल मिलाकर, भरोसा - मॉडल के पीछे लोगों और प्रौद्योगिकी में - स्वीकृति के लिए आवश्यक है, और यह नियमित संचार और मॉडल के अंतिम उपयोगकर्ताओं को निर्माण प्रक्रिया और मॉडलिंग प्रक्रिया के निर्णयों को शामिल करके बढ़ाया जाता है।

[डीन] वैसे, KNIME Analytics प्लेटफ़ॉर्म में एक यादृच्छिक वन में इनपुट चर के महत्व को निर्धारित करने की एक बड़ी विशेषता है!  रैंडम फॉरेस्ट लर्नर नोड उम्मीदवार और विभाजन चर के आंकड़ों का उत्पादन करता है। याद रखें कि, जब आप रैंडम फ़ॉरेस्ट लर्नर नोड का उपयोग करते हैं।

एक मॉडल क्या करता है, इसके स्पष्टीकरण के लिए अनुरोधों में वृद्धि हुई है। उदाहरण के लिए, कुछ सुरक्षा वर्गों के लिए, यूरोपीय संघ सत्यापन की मांग कर रहा है कि मॉडल वह नहीं करता है जो वह करने वाला नहीं है। अगर हमें यह सब समझाना है, तो शायद मशीन लर्निंग जाने का रास्ता नहीं है। कोई और मशीन लर्निंग?

 
[डीन]  हो सकता है कि पूर्ण व्याख्यात्मकता प्राप्त करना बहुत कठिन हो, लेकिन हम मॉडल इनपुट पर एक ग्रिड खोज करके प्रगति प्राप्त कर सकते हैं कि मॉडल क्या करता है, यह वर्णन करते हुए स्कोर कार्ड जैसा कुछ बनाया जा सकता है। यह हार्डवेयर और सॉफ्टवेयर QA में प्रतिगमन परीक्षण जैसा कुछ है। यदि एक औपचारिक सबूत कि मॉडल क्या कर रहे हैं संभव नहीं है, तो चलो परीक्षण करें और परीक्षण करें और परीक्षण करें! इनपुट फेरबदल और लक्ष्य फेरबदल मॉडल व्यवहार का एक मोटा प्रतिनिधित्व प्राप्त करने में मदद कर सकते हैं।

[जॉन] एक मॉडल क्या करता है, यह समझने के बारे में बात करते हुए, मैं विज्ञान में प्रतिलिपि प्रस्तुत करने की समस्या को उठाना चाहूंगा। सभी क्षेत्रों में जर्नल लेखों का विशाल अनुपात - 65 से 90% - माना जाता है कि यह अप्राप्य है। यह विज्ञान का सही संकट है। मेडिकल पेपर आपको यह बताने की कोशिश करते हैं कि उनके परिणामों को कैसे पुन: पेश किया जाए। एमएल कागज अभी तक प्रतिलिपि प्रस्तुत करने योग्यता के बारे में परवाह नहीं करते हैं। हाल के एक अध्ययन से पता चला है कि केवल 15% एआई पेपर अपने कोड को साझा करते हैं।

बात करते हैं मशीन लर्निंग बायस की। क्या ऐसे मॉडल बनाना संभव है जो भेदभाव नहीं करते हैं?

 
[जॉन] (एक सेकंड के लिए एक बेवकूफ बनने के लिए, यह शब्द दुर्भाग्य से है अतिभारित। एमएल वर्ल्ड शब्द में "भेदभाव" करना आपका बहुत लक्ष्य है: दो वर्गों के बीच अंतर करना।) लेकिन आपके वास्तविक प्रश्न के लिए, यह डेटा पर निर्भर करता है (और क्या विश्लेषक डेटा में कमजोरियों को समायोजित करने के लिए पर्याप्त चतुर है) ): मॉडल डेटा में से परिलक्षित जानकारी से बाहर खींच लेंगे। कंप्यूटर को दुनिया के बारे में कुछ नहीं पता है सिवाय इसके कि उसके सामने डेटा में क्या है। इसलिए विश्लेषक को आंकड़ों पर अंकुश लगाना होगा - वास्तविकता को दर्शाते हुए उन मामलों की जिम्मेदारी लें। उदाहरण के लिए, यदि कुछ प्रकार के लोगों का प्रतिनिधित्व किया जाता है, तो मॉडल उन पर कम ध्यान देगा और आगे बढ़ने पर उतना सटीक नहीं होगा। मैं पूछता हूं, "यहां पहुंचने के लिए डेटा को क्या करना पड़ा?" (इस डेटासेट में प्राप्त करने के लिए) यह सोचने के लिए कि प्रक्रिया के माध्यम से रास्ते में अन्य मामले कैसे गिर सकते हैं (जो उत्तरजीवी पूर्वाग्रह है)। एक कुशल डेटा वैज्ञानिक ऐसी समस्याओं की तलाश कर सकता है और उनके लिए समायोजन / सही करने के तरीकों के बारे में सोच सकता है।

[डीन] पूर्वाग्रह एल्गोरिदम में नहीं है। पूर्वाग्रह आंकड़ों में है। यदि डेटा पक्षपाती है, तो हम दुनिया के पक्षपाती दृष्टिकोण के साथ काम कर रहे हैं। गणित सिर्फ गणित है, यह पक्षपातपूर्ण नहीं है।

क्या AI मानवता पर कब्जा करेगा?

 
[जॉन] मेरा मानना ​​है कि AI सिर्फ अच्छी इंजीनियरिंग है। क्या एआई मानव बुद्धि से अधिक होगा? मेरे अनुभव में 40 वर्ष से कम उम्र के किसी भी व्यक्ति का मानना ​​है कि यह अपरिहार्य है, और अधिकांश 40 से अधिक (मेरे जैसे, जाहिर है): नहीं! एआई मॉडल तेज, वफादार और आज्ञाकारी हैं। एक अच्छे जर्मन शेफर्ड कुत्ते की तरह, एक AI मॉडल जाएगा और उस गेंद को प्राप्त करेगा, लेकिन यह दुनिया के बारे में कुछ भी नहीं जानता है कि इसे दिखाए गए डेटा के अलावा। इसका कोई सामान्य ज्ञान नहीं है। यह विशिष्ट कार्यों के लिए एक महान सहायक है, लेकिन वास्तव में काफी मंद है।

[डीन] उस नोट पर, मैं 1961 और 1970 में, मार्विन मिंस्की द्वारा एअर इंडिया की सुबह से किए गए दो उद्धरणों की रिपोर्ट करना चाहूंगा, जो मुझे लगता है कि एआई के भविष्य का अच्छी तरह से वर्णन करता है।

"हमारे जीवनकाल के भीतर कुछ मशीनें सामान्य बुद्धि में हमसे आगे निकल सकती हैं" (1961)

"तीन से आठ वर्षों में हमारे पास इंसान की बुद्धिमत्ता वाली मशीन होगी" (1970)

ये विचार लंबे समय से हैं। यहाँ एक कारण है कि AI सभी समस्याओं का समाधान नहीं करेगा: हम केवल एक संख्या, एक संख्या के आधार पर इसके व्यवहार को देखते हैं! (मॉडल त्रुटि।) उदाहरण के लिए, अगले पांच वर्षों में स्टॉक की कीमतों की भविष्यवाणी, रूट मेट स्क्वायर त्रुटि का उपयोग करते हुए मॉडल का निर्माण करते हुए त्रुटि मीट्रिक के रूप में, संभवत: डेटा वास्तव में क्या कर रहे हैं और मॉडल को गंभीर रूप से बाधित करने की पूरी तस्वीर चित्रित नहीं कर सकता है। और लचीले ढंग से पैटर्न को उजागर करने की इसकी क्षमता। हम सभी जानते हैं कि आरएमएसई एक उपाय के लिए बहुत अधिक है। डीप लर्निंग एल्गोरिदम लगातार बेहतर होते रहेंगे, लेकिन हमें यह भी परखने की जरूरत है कि एक मॉडल वास्तव में कितना अच्छा है। तो, नहीं! मुझे नहीं लगता कि एआई मानवता को संभालेगा।

हम इस साक्षात्कार के अंत तक पहुँच चुके हैं। हम डीन और जॉन को उनके समय और ज्ञान की गोलियों के लिए धन्यवाद देना चाहते हैं। चलो आशा है कि हम जल्द ही फिर से मिलेंगे!

डीन एबॉट और जॉन एल्डर के बारे में

हमारे सभी मॉडलों के लिए COVID ने क्या किया डीन एबॉट SmarterHQ में सह-संस्थापक और मुख्य डेटा वैज्ञानिक है। वह एक अंतरराष्ट्रीय स्तर पर मान्यता प्राप्त विशेषज्ञ और डेटा साइंस और प्रेडिक्टिव एनालिटिक्स में प्रर्वतक है, जिसमें ओमेक्नीनेल ग्राहक विश्लेषिकी, धोखाधड़ी का पता लगाने, जोखिम मॉडलिंग, पाठ खनन और सर्वेक्षण विश्लेषण में तीन दशकों के अनुभव के साथ समस्याओं का समाधान है। अग्रणी डेटा वैज्ञानिकों और डेटा वैज्ञानिकों की सूची में अक्सर शामिल है, वह दुनिया भर के सम्मेलनों में एक लोकप्रिय मुख्य वक्ता और कार्यशाला प्रशिक्षक हैं, जो यूसी / इरविन प्रेडिटिव एनालिटिक्स और यूसीएसडी डेटा साइंस सर्टिफिकेट कार्यक्रमों के लिए सलाहकार बोर्डों पर भी सेवा कर रहे हैं। वह एप्लाइड प्रिडिक्टिव एनालिटिक्स (विले, 2014) के लेखक और आईबीएम एसपीएसएस मॉडलर रसोई की किताब (पैक प्रकाशन, 2013) के सह-लेखक हैं।


हमारे सभी मॉडलों के लिए COVID ने क्या किया जॉन एल्डर 1995 में अमेरिका के सबसे बड़े और सबसे अनुभवी डेटा साइंस कंसल्टेंसी, एल्डर रिसर्च की स्थापना की। चार्लोट्सविले VA, बाल्टीमोर एमडी, रैले, नेकां, वाशिंगटन डीसी और लंदन में कार्यालयों के साथ, उन्होंने वाणिज्यिक और सरकारी ग्राहकों के लिए सैकड़ों चुनौतियों को हल किया है, जो कार्रवाई योग्य ज्ञान को निकालते हैं। सभी प्रकार के डेटा से। डॉ। एल्डर ने तीन पुस्तकों - व्यावहारिक डेटा माइनिंग, एनसेम्बल, और टेक्स्ट माइनिंग पर सह-लेखक किया - जिनमें से दो ने "वर्ष की पुस्तक" पुरस्कार जीते। जॉन ने डेटा माइनिंग टूल्स बनाए हैं, पहनावा के तरीकों का खोजकर्ता था, अंतर्राष्ट्रीय सम्मेलनों की अध्यक्षता करता था, और एक लोकप्रिय कार्यशाला और मुख्य वक्ता होता है।


 
जैव: हीदर फाइसन KNIME पर ब्लॉग संपादक है। शुरुआत में इवेंट टीम में, उसकी पृष्ठभूमि वास्तव में अनुवाद और प्रूफरीडिंग में है, इसलिए 2019 में ब्लॉग पर जाकर वह ग्रंथों के साथ काम करने के अपने वास्तविक जुनून में लौट आया है। PS वह हमेशा नए लेखों के लिए आपके विचारों को सुनने के लिए इच्छुक रहती है।

मूल। अनुमति के साथ पुनर्प्रकाशित।

संबंधित:



शीर्ष आलेख पिछले 30 दिन

सबसे लोकप्रिय
  1. क्या आप अभी भी 2021 में बिग डेटा प्रोसेस करने के लिए पंडों का उपयोग कर रहे हैं? यहां दो बेहतर विकल्प हैं
  2. कैसे गणित के डर को दूर करने और डेटा विज्ञान के लिए गणित जानें
  3. डेटा विज्ञान के लिए शीर्ष YouTube चैनल
  4. अधिक डेटा विज्ञान धोखा देती है
  5. फ्रीलांस डेटा साइंटिस्ट बनने में सफलता कैसे प्राप्त करें
सर्वाधिक साझा
  1. कैसे गणित के डर को दूर करने और डेटा विज्ञान के लिए गणित जानें
  2. डेटा विज्ञान के लिए शीर्ष YouTube चैनल
  3. क्या आप अभी भी 2021 में बिग डेटा प्रोसेस करने के लिए पंडों का उपयोग कर रहे हैं? यहां दो बेहतर विकल्प हैं
  4. फ्रीलांस डेटा साइंटिस्ट बनने में सफलता कैसे प्राप्त करें
  5. 3 गणितीय कानून डेटा वैज्ञानिकों को पता होना चाहिए

Coinsmart। यूरोपा में बेस्टे बिटकॉइन-बोरसे
स्रोत: https://www.kdnuggets.com/2021/04/covid-do-all-our-models.html

पढ़ना जारी रखें

AI

एआई ट्रेंड्स रिशैपिंग हेल्थ केयर

अवतार

प्रकाशित

on

लेखक के बारे में अधिक जानने के लिए क्लिक करें बेन लोरिका।

स्वास्थ्य देखभाल में एआई के अनुप्रयोग कई चुनौतियों और विचारों को प्रस्तुत करते हैं जो अन्य उद्योगों से काफी भिन्न होते हैं। इसके बावजूद, एआई को काम करने में अग्रणी नेताओं में से एक माना गया है, जिसने देखभाल में सुधार करने के लिए अत्याधुनिक तकनीक का लाभ उठाया है। संख्या खुद के लिए बोलते हैं: स्वास्थ्य देखभाल बाजार के आकार में वैश्विक एआई 4.9 में $ 2020 बिलियन से बढ़ने की उम्मीद है 45.2 द्वारा 2026 अरब $। इस वृद्धि को चलाने वाले कुछ प्रमुख कारक स्वास्थ्य देखभाल डेटा और डेटासेट्स की बढ़ती जटिलताओं, बढ़ती स्वास्थ्य देखभाल लागतों को कम करने की आवश्यकता और रोगी की बढ़ती जरूरतों को ध्यान में रखते हैं।

ध्यान लगा के पढ़ना या सीखना, उदाहरण के लिए, पिछले कुछ वर्षों में नैदानिक ​​वातावरण में काफी हद तक सुधार हुआ है। विशेष रूप से, कंप्यूटर दृष्टि ने स्क्रीनिंग और निदान में सहायता के लिए चिकित्सा इमेजिंग में इसके मूल्य को साबित किया है। प्राकृतिक भाषा प्रसंस्करण (एनएलपी) पाठ खनन और डेटा साझाकरण के साथ दोनों संविदात्मक और विनियामक चिंताओं को संबोधित करने में महत्वपूर्ण मूल्य प्रदान किया है। दवा और जैव प्रौद्योगिकी कंपनियों द्वारा वैक्सीन और ड्रग डेवलपमेंट जैसी पहल करने के लिए एआई तकनीक को अपनाना, जैसा कि सीओवीआईडी ​​-19 के मद्देनजर देखा गया है, केवल एआई की विशाल क्षमता का उदाहरण है।

हम पहले से ही स्वास्थ्य देखभाल एआई में आश्चर्यजनक प्रगति देख रहे हैं, लेकिन अभी भी शुरुआती दिन हैं, और वास्तव में इसके मूल्य को अनलॉक करने के लिए, चुनौतियों का सामना करने के लिए बहुत सारे काम हैं, उपकरण, और उद्योग को आकार देने वाले उपयोगकर्ताओं का इरादा है। से नया शोध जॉन स्नो लैब्स और ढाल प्रवाह, 2021 हेल्थकेयर सर्वे रिपोर्ट में ए.आई., इस पर प्रकाश डालता है: जहां हम हैं, जहां हम जा रहे हैं, और वहां कैसे पहुंचें। वैश्विक सर्वेक्षण आज स्वास्थ्य देखभाल में एआई की व्यापक स्थिति प्रदान करने के लिए एआई गोद लेने, भौगोलिक, और तकनीकी कौशल के विभिन्न चरणों में स्वास्थ्य देखभाल संगठनों के लिए महत्वपूर्ण विचारों की पड़ताल करता है।               

सबसे महत्वपूर्ण निष्कर्षों में से एक यह है कि कौन सी तकनीकें दिमाग से ऊपर हैं जब यह एआई कार्यान्वयन की बात आती है। जब उनसे पूछा गया कि 2021 के अंत तक उनके पास कौन सी तकनीकें हैं, तो लगभग आधे उत्तरदाताओं ने उद्धृत किया डेटा एकीकरण। लगभग एक-तिहाई उद्धृत प्राकृतिक भाषा प्रसंस्करण (एनएलपी) और व्यावसायिक बुद्धिमत्ता (बीआई) उन तकनीकों के बीच है जो वे वर्तमान में उपयोग कर रहे हैं या वर्ष के अंत तक उपयोग करने की योजना बना रहे हैं। माना जाता है कि तकनीकी नेताओं का उपयोग कर रहे हैं या जल्द ही उपयोग कर रहे हैं - डेटा एकीकरण, एनएलपी, व्यापार खुफिया, और डेटा भंडारण के लिए प्रौद्योगिकियों। यह समझ में आता है, इन उपकरणों पर विचार करने के लिए बड़ी मात्रा में डेटा की समझ बनाने में मदद करने की शक्ति है, जबकि नियामक और जिम्मेदार एआई प्रथाओं को भी ध्यान में रखते हुए।

जब एआई उपकरण और प्रौद्योगिकियों के लिए इच्छित उपयोगकर्ताओं के बारे में पूछा गया, तो उत्तरदाताओं के आधे से अधिक ने अपने लक्षित उपयोगकर्ताओं के बीच चिकित्सकों की पहचान की। यह इंगित करता है कि AI का उपयोग स्वास्थ्य देखभाल सेवाओं को वितरित करने वाले लोगों द्वारा किया जा रहा है - न केवल प्रौद्योगिकीविदों और डेटा वैज्ञानिकों के रूप में, पिछले वर्षों में। परिपक्व संगठनों का मूल्यांकन करते समय यह संख्या और भी अधिक बढ़ जाती है, या जिनके पास दो वर्षों से अधिक समय से उत्पादन में AI मॉडल हैं। दिलचस्प बात यह है कि परिपक्व संगठनों के लगभग 60% उत्तरदाताओं ने यह भी संकेत दिया कि मरीज भी उनकी एआई प्रौद्योगिकियों के उपयोगकर्ता हैं। चैटबॉट और टेलीहेल्थ के आगमन के साथ, यह देखना दिलचस्प होगा कि एआई अगले कुछ वर्षों में रोगियों और प्रदाताओं दोनों के लिए कैसे आगे बढ़ता है।

एआई समाधान के निर्माण के लिए सॉफ्टवेयर पर विचार करते हुए, ओपन-सोर्स सॉफ़्टवेयर (53%) का सार्वजनिक क्लाउड प्रदाताओं (42%) पर थोड़ी बढ़त थी। एक से दो साल के लिए आगे बढ़ते हुए, उत्तरदाताओं ने वाणिज्यिक सॉफ्टवेयर और वाणिज्यिक सास दोनों का उपयोग करने के लिए खुलेपन का संकेत दिया। ओपन-सोर्स सॉफ़्टवेयर उपयोगकर्ताओं को अपने डेटा पर स्वायत्तता का एक स्तर देता है जो क्लाउड प्रदाता नहीं कर सकते हैं, इसलिए यह एक बड़ा आश्चर्य नहीं है कि स्वास्थ्य देखभाल जैसे अत्यधिक विनियमित उद्योग डेटा साझाकरण से सावधान रहेंगे। इसी तरह, तीसरे मॉडल या सॉफ्टवेयर विक्रेताओं के मूल्यांकन के बजाय, अपने स्वयं के डेटा और निगरानी उपकरणों का उपयोग करके मॉडल को मान्य करने के लिए एआई मॉडल तैनात करने के अनुभव वाली कंपनियों का बहुमत। जबकि पहले चरण की कंपनियां तीसरे पक्ष के भागीदारों की खोज करने के लिए अधिक ग्रहणशील हैं, अधिक परिपक्व संगठन अधिक रूढ़िवादी दृष्टिकोण लेने के लिए प्रवृत्त हैं।                      

आमतौर पर, एआई सॉल्यूशंस, सॉफ्टवेयर लाइब्रेरीज़ या सास सॉल्यूशंस का मूल्यांकन करने के लिए उपयोग किए जाने वाले महत्वपूर्ण मानदंडों के बारे में पूछे जाने पर दृष्टिकोण समान बने रहते हैं और कंपनियों के साथ काम करने के लिए परामर्श करते हैं। हालांकि, प्रत्येक श्रेणी के लिए उत्तर थोड़ा भिन्न होते हैं, तकनीकी नेताओं ने सॉफ़्टवेयर विक्रेताओं या परामर्श के साथ कोई डेटा साझा करने पर विचार किया। कंपनियां, अपने स्वयं के मॉडल को प्रशिक्षित करने की क्षमता, और सर्वोच्च प्राथमिकताओं के रूप में अत्याधुनिक सटीकता। स्वास्थ्य देखभाल-विशिष्ट मॉडल और स्वास्थ्य देखभाल डेटा इंजीनियरिंग में विशेषज्ञता, एकीकरण, और समाधान और संभावित भागीदारों के बारे में पूछे जाने पर सूची में सबसे ऊपर का अनुपालन। गोपनीयता, सटीकता और स्वास्थ्य देखभाल अनुभव एआई गोद लेने वाली सेना हैं। यह स्पष्ट है कि एआई और भी अधिक वृद्धि के लिए तैयार है, क्योंकि डेटा बढ़ता रहता है और प्रौद्योगिकी और सुरक्षा उपायों में सुधार होता है। स्वास्थ्य देखभाल, जिसे कभी-कभी त्वरित गोद लेने के लिए एक पिछड़ेपन के रूप में देखा जा सकता है, एआई को ले जा रहा है और पहले से ही इसके महत्वपूर्ण प्रभाव को देख रहा है। हालांकि इसका दृष्टिकोण, शीर्ष उपकरण और प्रौद्योगिकियां, और AI के अनुप्रयोग अन्य उद्योगों से भिन्न हो सकते हैं, यह देखना रोमांचक होगा कि अगले साल के सर्वेक्षण परिणामों के लिए क्या है।

Coinsmart। यूरोपा में बेस्टे बिटकॉइन-बोरसे
स्रोत: https://www.dataversity.net/the-ai-trends-reshaping-health-care/

पढ़ना जारी रखें
eSports21 घंटे

शतरंज के बीच से शतरंज के रूप में हटाए गए शतरंज

eSports5 दिन पहले

Dota 2 पैच 7.29 एक नए हीरो का खुलासा करेगा

फिनटेक4 दिन पहले

नोवात्ती की लहर साझेदारी फिलीपींस में रहती है

eSports5 दिन पहले

बेस्ट वॉरज़ोन गन: ब्लैक ऑप्स कोल्ड वॉर सीज़न 2 में आपको जिन हथियारों का इस्तेमाल करना है

ब्लॉक श्रृंखला4 दिन पहले

क्रिप्टो-न्यूज राउंडअप 8. अप्रैल

eSports3 दिन पहले

Dota 2 डॉनब्रेकर हीरो गाइड

साइबर सुरक्षा5 दिन पहले

फिनटेक रैंसमवेयर लक्ष्य हैं। इसे रोकने के लिए यहां 9 तरीके दिए गए हैं।

ब्लॉक श्रृंखला4 दिन पहले

DFB बट्ट डिजिटेल Sammelkarten auf die Blockchain

फिनटेक4 दिन पहले

ट्रू लेयर ने दुनिया के सबसे मूल्यवान ओपन बैंकिंग नेटवर्क के निर्माण के लिए US $ 70m उठाया

eSports3 दिन पहले

डलास साम्राज्य स्टेज 2 मेजर पर मिनेसोटा के खिलाफ जीत के साथ बच गया

ब्लॉक श्रृंखला5 दिन पहले

WEF-Gipfel 2021: ज़ुकुनफ्ट डेर विर्स्चफ़्ट इस् ट टोकनिसिएर्ट

eSports3 दिन पहले

डॉनब्रेकर, डोटा 2 का चार साल में पहला नया कैरी पर विस्तृत नज़र

eSports2 दिन पहले

क्यों चिकोटी ने अपनी भविष्यवाणियों से "मोटे" शब्द पर प्रतिबंध लगाया था?

ब्लॉक श्रृंखला4 दिन पहले

Bitcoin Preis erholt sich nach Drop auf Support bei 55.500 USD

eSports5 दिन पहले

वारज़ोन के वर्डडस्क को लाश, एक्टिवेशन टू न्यूक मैप द्वारा ओवररन किया जा रहा है

eSports3 दिन पहले

Dota 2 नए नायक: संभावित संदिग्धों की एक सूची

eSports5 दिन पहले

PUBG मोबाइल का निर्यात 2021 में नए क्षेत्रों और अधिक के साथ होता है

eSports5 दिन पहले

पेरिस लीजन और फ्लोरिडा मटिनीर्स सीडीएल स्टेज 2 से बाहर

फिनटेक5 दिन पहले

नोवाटी फ्री वेबिनार: बीएनपीएल से क्रिप्टो में कार्ड की शक्ति

फिनटेक5 दिन पहले

जिप ने जिप बिजनेस ट्रेड प्लस को लॉन्च करने के लिए क्रेडिट की नई लाइन के साथ छोटे बिजनेस कैश फ्लो को बढ़ाया

रुझान