Bizimle iletişime geçin

Yapay Zeka

Ekstra Crunch toplantısı: Dijital sağlık VC anketi, edtech M&A, derin teknoloji pazarlaması, daha fazlası

Avatar

Yayınlanan

on

Geçen yıl ilk tele-sağlık konsültasyonumu yaptım ve senin de yapmış olma ihtimali çok yüksek. Pandemi başladığından beri, tüketicilerin uzaktan sağlık hizmetlerini benimseme oranı% 300 arttı.

Aşılanmamış bir şehir sakini olarak konuşmak: Bir otobüste fiziksel olarak mesafeli kalmaya çalışmak veya ofisine gidip gelirken selam vermek yerine dizüstü bilgisayarım aracılığıyla bir hemşire veya doktorla konuşmayı tercih ederim.

İşler geri döndükten sonra bile (gözleri yuvarlar) normal, oturma odamda yüksek kaliteli sağlık hizmeti almanın güvenilir bir yolu olduğunu düşünürsem, onu seçerdim.

Açıkça, yalnız değilim: a Mayıs 2020 McKinsey araştırması koronavirüsten önce yıllık ev tele-sağlık gelirini 3 milyar dolar olarak belirledi, ancak pandeminin azalmasından sonra “ABD'deki mevcut 250 milyar dolara kadar sağlık harcamasının potansiyel olarak sanallaştırılabileceği” tahmin ediliyor.

Bu şaşırtıcı bir rakam, ancak cinsel sağlık, kadın sağlığı, pediatri, akıl sağlığı, veri yönetimi ve teste odaklanan girişimleri içeren bir kategoride, dijital sağlık fonunun neden ilk üç çeyrekte 10 milyar doları aştığını görmek çok açık. 2020.

Çizmek TechCrunch Listesi, muhabir Sarah Buhr sekiz aktif sağlık teknolojisi VC'si ile röportaj yaptı 2021'de ilgilerini çeken şirketler ve sektör dikeyleri hakkında daha fazla bilgi edinmek için:

  • Bryan Roberts ve Bob Kocher, ortaklar, Venrock
  • Nan Li, genel müdür, Obvious Ventures
  • Elizabeth Yin, genel ortak, Hustle Fund
  • Christina Farr, ana yatırımcı ve sağlık teknolojisi lideri, OMERS Ventures
  • Ursheet Parikh, ortak, Mayfield Ventures
  • Nnamdi Okike, kurucu ortak ve yönetici ortak, 645 Ventures
  • Emily Melton, kurucu ve yönetici ortak, Threshold Ventures

Full Extra Crunch makaleleri sadece üyelere açıktır
İndirim kodunu kullan ECCriday bir veya iki yıllık abonelikte% 20 tasarruf etmek için


COVID-19, Washington'un sağlık hizmetlerine odaklanmasını yenilediğinden, birçok yatırımcı 2021'de tele-sağlık için dostane bir düzenleyici ortam beklediklerini söyledi. Ek olarak, sağlık hizmeti sağlayıcıları, davranışsal destek arayan hastalar için maliyetleri düşürmenin ve engelleri azaltmanın yollarını arıyor.

Hustle Fund'ın genel ortağı Elizabeth Yin, "Remote gerçekten işe yarıyor," dedi.

Bu yıl ek anketler, dikey raporlama, kurucu görüşmeleri ve çok daha fazlasıyla dijital sağlığı daha derinlemesine ele alacağız.

Bu hafta Extra Crunch'ı okuduğunuz için çok teşekkürler; Umarım rahatlatıcı bir hafta sonu geçirirsiniz.

Walter Thompson
Kıdemli Editör, TechCrunch
@kafadergisi

8 VC aynı fikirde: Davranışsal destek ve uzaktan ziyaretler, dijital sağlığı 2021 için güçlü bir bahis haline getiriyor

Dijital tablet kullanarak doktoruyla bir tıp video konferans olan kadın. Evde tablet bilgisayarını kullanan bir doktorla görüntülü aramada kadın kıdemli.

Resim Kredi: Luis Alvarez (Yeni bir pencerede açılır) / Getty Images

Top Hat'ın satın alma çılgınlığından dersler

Resim Kredi: Bryce Durbin

Geçen yıl, edtech girişimi Top Hat üç yayıncılık şirketini satın aldı: Fountainhead Press, Bludoor ve Nelson HigherEd.

Natasha Mascarenhas CEO ve kurucu Mike Silagadze ile röportaj yaptı içerik edinme stratejisi hakkında daha fazla şey öğrenmek istiyordu, ancak hikayesinde "bazı konsolidasyon gürlemeleri ve edtech dünyasından çıkışlar" da tartışıldı.

VC'ler 2020'de Asya ve Avrupa'ya nasıl yatırım yaptı?

Geçen yıl, ABD merkezli VC'ler ortalama olarak Her gün 428 milyon dolar yerel girişimlerde, faydalarının çoğu ile fintech şirketlerine akış.

Bu sabahAlex Wilhelm, 4 milyar dolarlık rekor yatırımına rağmen, 1'un ilk çeyreğinden bu yana en düşük anlaşma sayısına sahip olan Avrupa için 2019. çeyrek VC toplamlarını inceledi.

Alex, 25.2 anlaşmaya 1,398 milyar dolar yatırılan Asya'nın risk sermayesi endüstrisinin "sessiz bir iyileşme" gördüğünü söylüyor.

“Düşen tohum hacmi, çok sayıda büyük tur. Kısaca, dünya genelinde 2020 VC'sidir. "

Şifresi çözüldü: Daha fazla SolarWinds serpintisi ile Biden siber güvenlik ekibini seçiyor

Resim Kredi: Treedeo (Yeni bir pencerede açılır) / Getty Images

In bu haftanın Şifresi çözüldü, güvenlik muhabiri Zack Whittaker, ortaya çıkan SolarWinds casusluk kampanyasındaki en son haberleri yayınladı ve şimdi ABD Çalışma İstatistikleri Bürosu ve Malwarebytes'i etkilediği ortaya çıktı.

Diğer bir haberde Zack, WhatsApp'ın gizlilik politikası değişikliğiyle ilgili tartışmanın kullanıcıları şifreli mesajlaşma uygulaması Signal'e yönlendirdiğini bildirdi. Görünüşe göre Facebook, değişiklikleri "milyonlarca kullanıcıyı kaybetmeden nasıl açıklayacağını anlayana kadar" WhatsApp'taki değişiklikleri beklemeye aldı.

Yatırımcılar teknolojiye bahis yapmaya devam ettikçe sıcak halka arzlar kazançlara bağlı

Büyük bir halka arz başlangıcı, birkaç haber döngüsü için ilginç bir konudur, ancak her zaman ağıllarından kurtulmaya ve halka açık pazarlara girmeye hazır başka bir tek boynuzlu at olduğu için, düşünmek için çok fazla zaman bırakmaz.

Alex, Lemonade, Airbnb ve Affirm gibi şirketlerde çalıştı bu IPO pop yıldızlarının değerini ne kadar iyi koruduklarını görmek için. Çoğu kişi sabit kalmakla kalmayıp, "pek çoğu ilerleyen haftalarda skoru gerçekten yükseltti" buldu.

Sevgili Sophie: Biden'ın göçmenlik değişiklikleri neler?

Ortasında Amerikan bayrağı olan labirent çitinin girişinde yalnız figür

Resim Kredi: Bryce Durbin / TechCrunch

Sevgili Sophie:

Bir teknoloji firması için İK'da çalışıyorum. Biden'ın bugün yeni bir göçmenlik planı başlattığını anlıyorum.

Yeni yönetimin nasıl olacağı konusunda ne düşünüyorsunuz? iş, kurumsal ve başlangıç ​​kurucusu göçmenliği değiştirin ABD'ye?

- Fremont'ta ücretsiz

Merhaba, Extra Crunch topluluğu!

Farklı Dillerde Merhaba

Resim Kredi: atakan (Yeni bir pencerede açılır) / Getty Images

Kariyerime hevesli bir TechCrunch okuyucusu olarak başladım ve yazar olarak katıldığımda, başka şeyler üzerinde çalışmak için ayrıldığımda ve şimdi topluluğumuza daha iyi hizmet etmeye odaklanmak için geri döndüğümde bile bir kaldım.

Topluluğumuzdaki bazı insanlarla sohbet ediyorum ve ben de sizinle konuşmak isterim. Fantezi değil, bizden görmek istedikleriniz hakkında daha fazla şey duymak ve şu ana kadar yaptıklarımızla ilgili geri bildirim almak için sadece 5-10 dakikanız.

Bir ya da iki dakika ayıracak kadar nazik olursan bu formu doldurun, Size bir not bırakacağım ve umarım hazırladığımız fikirlerden bazılarını resmi olarak sunmadan önce Extra Crunch topluluğunun geleceği hakkında bir sohbet yapabiliriz.

Drew Olanoff
@yoda

2020'de VC'ler ABD merkezli girişimlere her gün 428 milyon dolar yatırım yaptı

Geçen yıl, küresel bir salgın, ekonomik belirsizlik ve yaygın sosyal ve politik karışıklık nedeniyle genel olarak bir felaketti.

Ancak özel piyasalara dahil olsaydınız, 2020'nin bazı çok açık olumlu yanları vardı - VC'ler 156.2 milyar doları ABD merkezli girişimlere aktı, "veya her gün yaklaşık 428 milyon dolar,"Alex Wilhelm bildiriyor.

"Bununla birlikte, devasa miktardaki paranın kendisi, Amerikan girişimlerinin ürettiği yaklaşık 290.1 milyar dolar olan likidite miktarı yüzünden cüce kalmıştı.

Alex, National Venture Capital Association ve PitchBook'tan elde edilen verileri kullanarak, Pazartesi günkü sütununu geçen yılki başlangıç, erken aşama ve geç aşama turlarını özetlemek için kullandı.

Derin teknoloji şirketlerinde pazarlama ekipleri nasıl ve ne zaman oluşturulur?

Başında kancalı direk kaldırma lastik ördek

Resim Kredi: Andy Roberts (Yeni bir pencerede açılır) / Getty Images

Bir pazarlama ekibi oluşturmak, bir startup kurmanın en opak kısımlarından biridir, ancak derin bir teknoloji şirketi için risk daha yüksek olamaz.

En son teknoloji üzerinde çalışan teknik kurucular, hikayelerini anlatacak doğru insanları nasıl bulabilirler?

Gelir sonrası, erken aşama derin teknoloji girişiminde çalışıyorsanız (veya çalışan birini tanıyorsanız), bu gönderi ne zaman bir takımın işe alınacağını açıklıyor, önceki sektör deneyimine ihtiyaçları olup olmayacağı ve yeteneklerin nasıl kaynaklanıp değerlendirileceği.

Telaş CEO'su Bryan Goldberg, şirketi halka açma planlarını açıkladı

Telaş Dijital Grup CEO'su Bryan Goldberg

Telaş Dijital Grup CEO'su Bryan Goldberg. Resim Kredi: Telaş Dijital Grubu

Kıdemli Yazar Anthony Ha Bustle Digital Group CEO'su Bryan Goldberg ile röportaj yaptı dijital medyanın durumu hakkında düşüncelerini almak için.

Konuşmaları pek çok zemini kapsıyordu, ancak içerdiği en büyük haber Goldberg'in kısa vadeli planlarına odaklanıyor.

“Şirketi üç yıl içinde nerede görmek istiyorum? Üç şey görmek istiyorum: Halka açık olmak istiyorum, çok fazla kâr elde ettiğimizi görmek istiyorum ve çok daha büyük olmasını istiyorum, çünkü birçok başka yayını konsolide ettik ”dedi.

D2C kadar çekici olmayabilir, ancak güzellik teknolojisi büyük para

ABD Federal Ticaret Komisyonu, geleneksel tüketici ürünleri şirketleriyle birleşen kişisel bakım D2C markalarının büyük bir hayranı değil.

Bu ay, ustura şirketi Billie ve Proctor & Gamble, FTC'nin dava açmasının ardından planladıkları birleşmeyi iptal ettiklerini duyurdu.

Benzer nedenlerle, Edgewell Kişisel Bakım, geçen yıl Harry'yi 1.37 milyar dolara satın alma planlarından vazgeçti.

Daha sert bir düzenleyici ortamda, "karlılığa giden yol her ne pahasına olursa olsun büyümeye karşı başlangıç ​​hikayesinin daha önemli bir parçası haline geldi ”gibi görünüyor.

Twilio CEO'su, bilgeliğin geliştiricilerinizde yattığını söylüyor

SAN FRANCISCO, CA - 12 EYLÜL: Twilio Jeff Lawson'ın kurucusu ve CEO'su, 2016 Eylül 48'da San Francisco, California'da Pier 12'de TechCrunch Disrupt SF 2016 sırasında sahnede konuşuyor. Resim Kredi: TechCrunch için Steve Jennings / Getty Images

Twilio CEO'su Jeff Lawson'a göre, kendi araçlarını geliştiren şirketler "müşterilerinin kalbini, zihnini ve cüzdanını kazanma eğilimindedir".

Kurumsal muhabir Ron Miller ile röportajda "Geliştiricinize Sorun" adlı yeni kitabı için Lawson, kurucuların geliştirici ekiplerini oluşturmaya karşı satın al kararları verirken bir ses tahtası olarak kullanmaları gerektiğini söylüyor.

Ron, “Lawson'ın kitaptaki temel felsefesi, onu inşa edebiliyorsanız, yapmanız gerektiğidir” diyor.

Kaynak: https://techcrunch.com/2021/01/22/extra-crunch-roundup-digital-health-vc-survey-edtech-ma-deep-tech-marketing-more/

AI

Oyun için GPU'lar, veri merkezi sunucuları, her yerde yonga kıtlığına rağmen Nvidia'nın gelirlerini artırmaya devam ediyor

Avatar

Yayınlanan

on

Nvidia, küresel bir yonga kıtlığı ortasında büyümeye ve Wall Street'in beklentilerini aşmaya devam ediyor. Çarşamba günü, 2021 mali yılının dördüncü çeyreği, 31 Ocak'a kadar üç aylık dönem ve tüm yıl sonuçları için tampon rakamları açıkladı.

CEO Jensen Huang, analistlerle rakamları tartışmak için bir konferans görüşmesi yapmadan önce, "4. çeyrek bir başka rekor çeyrek oldu ve bir kırılma yılını kapattı" diye övündü. Oyun ve veri merkezini, her ikisi de karı artıran Silikon Vadisi şirketinin en büyük iki alanı olarak seçti.

"Hızlandırılmış bilgi işlem alanındaki öncü çalışmamız, oyunların dünyanın en popüler eğlencesi haline gelmesine, süper bilgisayarların tüm araştırmacılar için demokratikleşmesine ve yapay zekanın teknolojideki en önemli güç olarak ortaya çıkmasına yol açtı" fışkırdı yaptığı açıklamada.

Özellikle, GPU'nun dikeylere yapılan satışlarının, hiper ölçekli bulut devlerine yapılan satışların aksine Nvidia'nın veri merkezi gelir artışına yol açtığı söylendi. CFO Colette Kress, görüşme sırasında analistlere "Dikey sektörler, bilgi işlem ve ağ iletişimi genelinde veri merkezi gelirinin yüzde 50'sinin çok üzerinde, süper bilgi işlem, finansal hizmetler, yüksek öğrenim ve tüketici İnternet dikeylerinde özel bir güç oluşturuyor" dedi.

Geçen yıl, GPU devi, bir dizi işlemci piyasaya sürdü. Amper mimarisi. Üst düzey A100, bilgi işlem gücünün büyük kısmının büyük sinir ağları ve makine öğrenimi algoritmalarını eğitime, geliştirmeye ve çalıştırmaya gittiği yapay zeka süper bilgisayarlar, sunucular ve tıknaz iş istasyonları için tasarlanmıştır.

Ayrıca GeForce oyun serisini RTX 30 şemsiyesi altında değişen güçte beş kartla yeniledi. 3090, 3080, 3070, 3060 Ti dahil olmak üzere neredeyse tamamı piyasaya sürüldükten sonra hızlıca kapatıldı. Donanım stokları düşük ve bu nedenle yakın zamanda toparlanması beklenmiyor. devam eden kuraklık yarı iletkenler.

RTX 3060 kartı Perşembe günü satışa çıkacak. Nv'nin yapacağı tek bu Gaz kelebeği sürücü düzeyinde, Ethereum benzeri madeni paralar çıkarmak için kullanıldığını algılarsa, bu, bazı madencileri lansman sırasında uygun fiyatlı kartları kapmaktan alıkoyabilecek ve bu nedenle belki de oyunculara savaşmak için birkaç tane daha bırakabilecek bir hareket. Önümüzdeki aydan itibaren Nvidia, GPU'ları özellikle madencilik için sunacak. Oldu önerilen Bu yaklaşım, kağıt üzerinde görünüşte mantıklı olsa da, madenciler sürücünün zorunlu kıldığı korumaları yenerse ve kripto madenciliği kartları silikonu oyunculardan uzaklaştırırsa aslında pek bir şey başaramayacak.

Kress konferans görüşmesinde "RTX 30 Serisi serisinin tamamının stokta tutulması zor oldu ve 4. çeyrekten, başladığımızdan daha düşük kanal envanterleriyle çıktık" dedi. "Arzımızı artırmamıza rağmen, kanal stokları 1. çeyrekte muhtemelen düşük kalacaktır."

Huang ekledi: “Şirket düzeyinde kısıtlandık. Talep arzdan daha büyük ... Sadece gerçekten iyi bir iş planlaması yapmalıyız. " Ardından yatırımcılara güvence vermek için devam etti: "Yıl boyunca her üç ayda bir büyümeye yetecek kadar arzımız var."

Tüm bunlara rağmen, Nvidia'nın ruhları iyi ve sağlıklı görünüyor. İşte rakamlarla ilgili hızlı bir inceleme:

  • gelir dördüncü mali çeyrekte 5 milyar dolardı, bir yıl öncesine göre 61 milyar dolar ile karşılaştırıldığında yüzde 3.1 artış oldu. Bu aynı zamanda 2021 mali yılının sonunu işaret ediyor ve toplam gelirlerini bir önceki yıl kaydedilen 16.7 milyar dolardan yüzde 53 artarak 10.9 milyar dolara çıkardı.
  • kumar dördüncü çeyrekte 4 milyar dolar kazandı, bir yıl öncesine göre yüzde 2.5 artış. GeForce RTX 67 grafik yonga seti içeren 70'in üzerinde yeni dizüstü bilgisayar modeli piyasaya sürüldü.
  • Veri Merkezi 1.9. çeyrekte 4 milyar dolar gelir elde ederek ikinci en büyük segment oldu. Bu, bir önceki yıla göre yüzde 97'lik bir artış. CFO, Mellanox'un rakamlarını içermiyor: Satın alınan ağ oluşturma şirketi "üçüncü çeyrekte bir Çin OEM'ine tekrarlanmayan satışlardan etkilenen ardışık bir düşüş yaşadı" dedi. "Önümüzdeki üç aylık dönemden itibaren ... Mellanox gelirini artık ayrı ayrı paylaşmayacağız."
  • Otomotiv, Profesyonel Görselleştirme ve OEM karşılaştırıldığında 145 milyon dolar, 307 milyon dolar ve 153 milyon dolardı. Otonom araçlarda ve oyunlarda ve animasyonda grafik sunumunda gelirler burada yüzde 11, yüzde 7 azaldı. Ancak OEM, bir önceki yıla göre yüzde 1'lik bir artış gösterdi.
  • Net gelir Geçen çeyrekte 1.46 milyar dolar oldu, yıllık 53 milyon dolardan yüzde 950 artış sağladı. Yılın tamamı için yüzde 55 artışla 4.3 milyar dolara çıktı.
  • Brüt marj yüzdesi bir yıl öncesine göre 63.1 baz puan (BPS) düşüşle yüzde 180 oldu.
  • Hisse başına GAAP kazancı yıldan yıla yüzde 2.31 artışla 51 dolardı.

Nvidia'nın önerilen İngiliz çip tasarımcısı Arm'ın satın alınması, ABD ve İngiltere'deki düzenleyiciler tarafından inceleniyor. Beklendiği gibi, herkes bundan yana değil; Google, Microsoft ve Qualcomm endişelerini özel olarak dile getirdiler. Huang, bununla birlikte, anlaşmanın gerçekleşeceğinden emin oldu.

"O zaman, ABD, İngiltere, AB, Çin ve diğer yargı bölgelerinde [satın almanın işleme koyulmasının] 18 ay süreceğini tahmin etmiştik" dedi. “Bu süreç beklendiği gibi ilerliyor, düzenleyicilerin faydasını göreceğinden eminiz. Arm ve Nvidia birlikte, ekosisteme daha fazla seçenek sunacak ve Arm'ın açık lisanslama modelini sürdürmeyi planlıyoruz.

“Pandemi geçecek ama dünya sonsuza dek değişti, teknolojinin her sektörde hızlandığını görüyoruz. Dijitalleştirme, otomatikleştirme ve hızlandırma aciliyeti hiç bu kadar büyük olmamıştı. " ®

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

Continue Reading

AI

AWS Lambda'da TensorFlow modellerini çalıştırmak için kapsayıcı görüntülerini kullanma

Avatar

Yayınlanan

on

TensorFlow sinir ağları ve makine öğrenimi modelleri geliştirmek için yaygın olarak kullanılan açık kaynaklı bir makine öğrenimi (ML) kitaplığıdır. Bu modeller, eğitimi hızlandırmak için genellikle birden fazla GPU örneği üzerinde eğitilir, bu da pahalı eğitim süresi ve birkaç gigabayta kadar model boyutları ile sonuçlanır. Eğitildikten sonra, bu modeller çıkarımlar üretmek için üretimde devreye alınır. Senkronize, asenkronize veya toplu iş tabanlı iş yükleri olabilirler. Sıfırdan milyona kadar talebi işlemek için bu uç noktaların son derece ölçeklenebilir ve esnek olması gerekir. Bu nerede AWS Lambda ölçeklenebilir, uygun maliyetli ve güvenilir eşzamanlı ve eşzamansız makine öğrenimi çıkarımı için cazip bir bilgi işlem hizmeti olabilir. Lambda, otomatik ölçeklendirme, azaltılmış operasyonel ek yük ve çıkarım başına ödeme faturalandırması gibi avantajlar sunar.

Bu gönderi, 10 GB belleğe kadar üretimde ölçeklenebilir çıkarımlar için Lambda ile herhangi bir TensorFlow modelini nasıl kullanacağınızı gösterir. Bu, birkaç gigabayta kadar Lambda işlevlerinde ML modellerini kullanmamıza olanak tanır. Bu gönderi için önceden eğitilmiş TensorFlow-Keras kullanıyoruz ResNet50 görüntü sınıflandırması için.

Çözüme genel bakış

Lambda, sunucuları sağlamadan veya yönetmeden kod çalıştırmanıza olanak tanıyan sunucusuz bir bilgi işlem hizmetidir. Lambda, her olaya yanıt olarak kod çalıştırarak uygulamanızı otomatik olarak ölçeklendirerek olay odaklı mimarilere ve çözümlere olanak tanır. Kod paralel olarak çalışır ve her olayı ayrı ayrı işler, günlük birkaç istekten yüz binlerce iş yüküne kadar iş yükünün boyutuna göre ölçeklenir. Aşağıdaki diyagram, çözümümüzün mimarisini göstermektedir.

Aşağıdaki diyagram, çözümümüzün mimarisini göstermektedir.

Kodunuzu ve bağımlılıklarınızı bir kapsayıcı görüntüsü Docker CLI gibi araçları kullanarak. Maksimum kapsayıcı boyutu 10 GB'dir. Çıkarım modeli Dockerized olduktan sonra, görüntüyü şuraya yükleyebilirsiniz: Amazon Elastik Konteyner Kayıt Defteri (Amazon ECR). Ardından, Amazon ECR'de depolanan görüntülenen kapsayıcıdan Lambda işlevini oluşturabilirsiniz.

Önkoşullar

Bu izlenecek yol için aşağıdaki ön koşullara sahip olmalısınız:

Çözümün uygulanması

Görüntü sınıflandırması için TensorFlow Hub'dan önceden eğitilmiş bir model kullanıyoruz. Bir görüntü bir Amazon Basit Depolama Hizmeti (Amazon S3) kovası, görüntüyü algılamak ve bunu bilgisayara yazdırmak için bir Lambda işlevi çağrılır. Amazon CloudWatch kütükler. Aşağıdaki şema bu iş akışını göstermektedir.

Aşağıdaki şema bu iş akışını göstermektedir.

Çözümü uygulamak için aşağıdaki adımları tamamlayın:

  1. Yerel makinenizde şu adla bir klasör oluşturun lambda-tensorflow-example.
  2. Hat için bir requirements.txt Bu dizindeki dosya.
  3. Makine öğrenimi modeliniz için gerekli tüm kitaplıkları ekleyin. Bu gönderi için TensorFlow 2.4 kullanıyoruz.
  4. Bir oluşturma app.py Lambda işlevinin kodunu içeren komut dosyası.
  5. Aynı dizinde bir Dockerfile oluşturun.

Aşağıdaki metin, kullanım örneğimiz için TensorFlow kodunu çalıştırmak için gerekenler.txt dosyasının bir örneğidir:

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

TensorFlow 2.4 sürümünü yalnızca CPU desteğiyle kullanıyoruz çünkü bu yazı itibariyle Lambda yalnızca CPU desteği sunuyor. TensorFlow'un yalnızca CPU sürümleri hakkında daha fazla bilgi için bkz. Paket konumu.

Python kodu app.py içine yerleştirilir. App.py'deki çıkarım işlevinin, tarafından çağrılacak belirli bir yapıyı izlemesi gerekir. Lambda çalışma zamanı. Lambda için işleyiciler hakkında daha fazla bilgi için bkz. Python'da AWS Lambda işlev işleyicisi. Aşağıdaki koda bakın:

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'])

Aşağıdaki Python 3.8 için Dockerfile, AWS tarafından sağlanan açık kaynağı kullanır temel görüntüler kapsayıcı görüntüleri oluşturmak için kullanılabilir. Temel görüntüler, Lambda'da bir kapsayıcı görüntüsü çalıştırmak için gereken dil çalışma zamanları ve diğer bileşenlerle önceden yüklenir.

# 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"]

Klasör yapınız aşağıdaki ekran görüntüsü gibi görünmelidir.

Klasör yapınız aşağıdaki ekran görüntüsü gibi görünmelidir.

Aşağıdaki bash komutlarıyla kapsayıcı görüntüsünü oluşturabilir ve Amazon ECR'ye aktarabilirsiniz. Değiştirin kendi AWS hesap kimliğinizle ve ayrıca bir .

# 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

Model çıkarımınızı yerel olarak test etmek istiyorsanız, Lambda için temel görüntüler, aşağıdakileri de yapmanızı sağlayan bir Runtime Interface Emulator (RIE) içerir. yerel test Geliştirme döngülerini hızlandırmak için bir kapsayıcı görüntüsü olarak paketlenmiş Lambda işleviniz.

S3 grubu oluşturma

Sonraki adım olarak, görüntü sınıfını tahmin etmek için kullanılan görüntüleri depolamak için bir S3 kovası oluşturuyoruz.

  1. Amazon S3 konsolunda şunu seçin: Grup oluştur.
  2. S3 kovasına aşağıdaki gibi bir ad verin: tensorflow-images-for-inference-<Random_String> ve değiştirin rastgele bir değerle.
  3. Seçmek Grup oluştur.

TensorFlow koduyla Lambda işlevini oluşturma

Lambda işlevinizi oluşturmak için aşağıdaki adımları tamamlayın:

  1. Lambda konsolunda şunu seçin: fonksiyonlar.
  2. Seçmek İşlev oluştur.
  3. seçmek Konteyner görüntüsü.
  4. İçin Fonksiyon adı, gibi bir ad girin tensorflow-endpoint.
  5. İçin Kapsayıcı görüntüsü URI'si, daha önce oluşturulmuş olanı girin lambda-tensorflow-example deposu.

  1. Seçmek Görsellere göz atın en son görüntüyü seçmek için.
  2. Le Marchê'nin deri koleksiyonlarını görmek için İşlev oluştur yaratılışını başlatmak için.
  3. Lambda çalışma zamanını iyileştirmek için, işlev belleğini en az 6 GB'a ve zaman aşımını 5 dakikaya yükseltin. Temel ayarlar.

İşlev belleği ve zaman aşımı ayarları hakkında daha fazla bilgi için bkz. AWS Lambda için Yeni - 10 GB'a Kadar Bellek ve 6 vCPU ile İşlevler.

S3 kovasını Lambda işlevinize bağlama

Lambda işlevinin başarılı bir şekilde oluşturulmasından sonra, ona bir tetikleyici eklememiz gerekir, böylece S3 klasörüne bir dosya yüklendiğinde, işlev çağrılır.

  1. Lambda konsolunda işlevinizi seçin.
  2. Seçmek Tetikleyici ekle.

Tetikleyici ekle'yi seçin.

  1. Seçmek S3.
  2. İçin Kova, daha önce oluşturduğunuz paketi seçin.

Bucket için daha önce oluşturduğunuz paketi seçin.

Tetikleyici eklendikten sonra, uygun olanı ayarlayarak Lambda işlevinin S3 kovasına bağlanmasına izin vermeniz gerekir. AWS Kimlik ve Erişim Yönetimi (IAM) yürütme rolü için haklar.

  1. Üzerinde İzinler işleviniz için sekme, IAM rolünü seçin.
  2. Seçmek Politikaları ekleyin.
  3. Aramak AmazonS3ReadOnlyAccess ve bunu IAM rolüne ekleyin.

Artık işlevinizi test etmek için gerekli tüm hizmetleri yapılandırdınız. AWS yönetim konsolunda paketi açıp tıklayarak oluşturulan S3 klasörüne bir JPG görüntüsü yükleyin Foto Yükle. Birkaç saniye sonra, tahminin sonucunu CloudWatch günlüklerinde görebilirsiniz. Sonraki adım olarak, tahminleri bir Amazon DinamoDB tablo.

S3 klasörüne bir JPG resmi yükledikten sonra, CloudWatch'a yazdırılan sonuç olarak tahmin edilen görüntü sınıfını alacağız. Lambda işlevi EventBridge tarafından tetiklenecek ve görüntüyü kovadan çekecektir. Örnek olarak, bunun resmini kullanacağız papağan çıkarım uç noktamız tarafından tahmin edilmek için.

CloudWatch günlüklerinde tahmin edilen sınıf yazdırılır. Nitekim model, resim (Amerika papağanı) için doğru sınıfı tahmin eder:

Performans

En iyi performansı elde etmek için, çeşitli seviyelerde bellek ayarını deneyebilirsiniz (bu, atanan vCPU'yu doğrusal olarak değiştirir, daha fazlasını öğrenmek için, bunu okuyun AWS Haber Blogu). Dağıtılmış modelimiz durumunda, performans kazanımlarının çoğunu yaklaşık 3GB - 4GB (~ 2vCPU) ayarında gerçekleştiriyoruz ve bunun ötesinde kazançlar nispeten düşük. Farklı modeller, artan CPU miktarı ile farklı performans iyileştirme seviyeleri görür, bu nedenle bunu kendi modeliniz için deneysel olarak belirlemek en iyisidir. Ek olarak, kaynak kodunuzu şu avantajlardan yararlanmak için derlemeniz şiddetle tavsiye edilir: Gelişmiş Vektör Uzantıları 2 (AVX2) Lambda'da vCPU'ların saat döngüsü başına daha fazla sayıda tamsayı ve kayan nokta işlemi çalıştırmasına izin vererek performansı daha da artırıyor.

Sonuç

Lambda için kapsayıcı görüntü desteği, sunucusuz makine öğrenimi için birçok yeni kullanım alanı açarak işlevinizi daha da özelleştirmenize olanak tanır. Özel modellerinizi getirebilir ve kapsayıcı görüntü boyutu için 10 GB'a kadar kullanarak Lambda'da dağıtabilirsiniz. Çok fazla bilgi işlem gücüne ihtiyaç duymayan daha küçük modeller için, yalnızca Lambda'da çevrimiçi eğitim ve çıkarım yapabilirsiniz. Model boyutu arttığında, soğuk başlatma sorunları gittikçe daha önemli hale gelir ve azaltılmış olması. Ayrıca, kapsayıcı görüntülerle ilgili çerçeve veya dil üzerinde herhangi bir kısıtlama yoktur; gibi diğer ML çerçeveleri PyTorch, Apache MXNet, XGBoostya da Scikit-öğrenme de kullanılabilir!

Çıkarımınız için GPU'ya ihtiyacınız varsa, aşağıdaki gibi kapsayıcı hizmetlerini kullanmayı düşünebilirsiniz: Amazon Elastik Konteyner Hizmeti (Amazon ECS), Kubernetes veya modeli bir Amazon SageMaker Son nokta.


Yazar Hakkında

Jan Bauer AWS Professional Services'de Bulut Uygulama Geliştiricisidir. İlgi alanları sunucusuz bilgi işlem, makine öğrenimi ve bulut bilgi işlem içeren her şeydir.

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

Continue Reading

AI

Amazon, üretilen ürünlerdeki kusurları tespit etmek için bilgisayarla görme hizmetini başlattı

Avatar

Yayınlanan

on

Amazon bugün açıkladı Üretilen ürünlerdeki ürün veya süreç kusurlarını ve anormallikleri tespit etmek için görüntüleri bilgisayar vizyonu kullanarak analiz eden bir bulut hizmeti olan Amazon Lookout for Vision'ın genel kullanılabilirliği. Amazon, seçkin platformlarda bulunan Lookout for Vision Amazon Web Services (AWS) AWS konsolu ve destek ortakları aracılığıyla bölgeler, 30 kadar temel görüntü kullanarak bir AI modeli eğitebilir.

Üretimdeki görevler, insanlar döngüdeyken hataya açık olabilir. Bir ders çalışma Vanson Bourne'dan, üretimdeki tüm planlanmamış aksama sürelerinin% 23'ünün, diğer segmentlerdeki% 9 gibi düşük oranlara kıyasla insan hatasından kaynaklandığını buldu. 327.6 milyon dolarlık Mars Climate Orbiter uzay aracı, ölçü birimleri arasında uygun şekilde dönüştürme yapılamaması nedeniyle tahrip edildi. Ve bir ilaç şirketi rapor üretim hattında günde 200,000 £ (253,946 $) tutarında dört güne mal olan bir uyarı biletinin geçersiz kılınmasıyla sonuçlanan bir yanlış anlama.

Lookout for Vision, karışıma biraz AI enjekte ederek, ürünlerdeki çatlaklar, ezikler, yanlış renkler ve düzensiz şekil gibi üretim ve üretim hatalarını görünümlerinden tespit ederek bununla mücadele etmeyi amaçlıyor. Amazon, hizmetin saatte binlerce görüntüyü işleyebileceğini ve önceden taahhüt veya minimum ücret gerektirmediğini söylüyor. Müşteriler, modeli eğitmek ve hizmeti kullanarak anormallikleri veya kusurları tespit etmek için kullanım için saat başı ödeme yapar.

Verileri analiz ettikten sonra Lookout for Vision, hizmet panosu veya gerçek zamanlı bir API aracılığıyla temelden farklı olan görüntüleri rapor eder. Amazon, Lookout for Vision'ın, çalışma ortamlarındaki değişikliklerden kaynaklanan kamera açısı, poz ve aydınlatmadaki farklılıklarda doğruluğu koruyacak kadar karmaşık olduğunu iddia ediyor. Yine de müşteriler, bir tahminin bir anormalliği doğru şekilde tanımlayıp tanımlamadığına bakılmaksızın, sonuçlar hakkında geri bildirim sağlama yeteneğine sahiptir. Lookout for Vision, hizmetin sürekli olarak iyileştirilmesi için temel modeli otomatik olarak yeniden eğitecektir.

Lookout for Vision kullanan müşteriler arasında GE Healthcare, Basler ve İsveç merkezli Dafgard'lar bulunmaktadır. (Lookout for Vision, Amazon'un sanal re: Invent konferansında tanıtılmasının ardından Aralık 2020'de başlayan müşterilerle ön izleme olarak piyasaya sürüldü.) Dafgards, üretim hatlarının denetimini otomatikleştirmek ve pizza, hamburger ve quichlerin doğru malzemelere sahip olup olmadığını tespit etmek için hizmeti kullanıyor. . Amazon'un, müşteri siparişlerini yerine getirmek için talep üzerine kitaplar basan kendi Talep Üzerine Baskı tesisi, kitap üretiminin her adımında görsel denetimi otomatikleştirmek ve ölçeklendirmek için Lookout for Vision'a dokunuyor.

"Bir müşteri ister donmuş bir pizzaya sos koyuyor ister bir uçak için ince kalibre edilmiş parçalar üretiyor olsun, kesin olarak duyduğumuz şey, yalnızca yüksek kaliteli ürünlerin son kullanıcılara ulaşmasını garanti etmenin işleri için çok önemli olduğudur. AWS Swami Sivasubramanian yaptığı bir basın açıklamasında, bu açık görünse de, endüstriyel boru hatlarında bu tür bir kalite kontrolünün sağlanması aslında çok zor olabilir ”dedi. "Amazon Lookout for Vision'ı her ölçekteki ve tüm sektörlerdeki müşterilere, makine öğrenimi deneyimi olmadan tüketicilerinin güvendiği kaliteyi korurken zamandan ve paradan tasarruf etmek için ölçeğe göre hataları hızlı ve uygun maliyetli bir şekilde tespit etmelerine yardımcı olmak için sunmaktan heyecan duyuyoruz gereklidir."

VentureBeat

VentureBeat'in misyonu, teknik karar vericilerin dönüştürücü teknoloji ve işlem hakkında bilgi edinmesi için dijital bir şehir meydanı olmaktır. Sitemiz, kuruluşlarınıza liderlik ederken size rehberlik edecek veri teknolojileri ve stratejiler hakkında önemli bilgiler sunar. Sizi topluluğumuzun bir üyesi olmaya, erişmeniz için davet ediyoruz:

  • ilgilendiğiniz konular hakkında güncel bilgiler
  • bültenlerimiz
  • kapılı düşünce lideri içeriği ve Transform gibi değerli etkinliklerimize indirimli erişim
  • ağ özellikleri ve daha fazlası

Üye ol

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

Continue Reading

AI

IBM'in Watson ile Sağlık Hizmetinden Geri Çekildiği Bildirildi 

Avatar

Yayınlanan

on

IBM'in, sağlık hizmetlerinde yapay zeka uygulamasının zorluklarının bir göstergesi olan Watson Health'i satmayı düşündüğü bildiriliyor. IBM, Watson kullanarak bulut hizmetlerine yatırım yapmaya devam ediyor. (Unsplash'ta Carson Masterson'ın fotoğrafı.)  

AI Trends Editör John P. Desmond tarafından  

Geçen hafta, IBM'in, IBM'in önceki CEO'sunun yönlendirmesi altında sürdürdüğü sağlık hizmetlerine uygulanan yapay zeka pazarından bir geri çekilmeyi temsil eden bir Watson Health satışını planladığını bildiren raporlar ortaya çıktı. 

Wall Street Journal geçen hafta IBM'in Watson Health'in satışını araştırdığı bildirildi; IBM raporu onaylamadı. On yıl önce, IBM Watson, Jeopardy! oyun rekoru kazanan iki kişiye karşı yarışma programı, AI'da Watson markası kuruldu. 

Içinde bildirildiği gibi AI Eğilimleri geçen Şubat, tWatson'ın iki insan şampiyonunu yenmesinden bir gün sonra Jeopardy !, IBM, Watson'ın tıp alanına gittiğini duyurdu. IBM, televizyonda gösterdiği doğal dili anlama ve onu tıbba uygulama yeteneğini kazanacaktı. Şirkete göre, ilk ticari teklifler 18 ila 24 ay içinde satışa sunulacak IEEE Spektrumu Nisan 2019'ten itibaren.  

Zor bir yoldu. IBM, yapay zekayı tıbba getirmek için büyük bir adım atan ilk şirketti. Alarm çaldı Robert Wachter, California Üniversitesi, San Francisco tıp bölümü başkanı ve 2015 kitabının yazarı Dijital Doktor: Tıp Bilgisayarının Çağında Umut, Yutturmaca ve Zarar (McGraw-Hill). Watson kazanmak Jeopardy'de! IBM AI satış ekibine bir fırlatma rampası verdi.  

Wachter, "Önce pazarlamayla, sonra ürünle geldiler ve herkesi heyecanlandırdılar" dedi. Sonra lastik yola çıktı. Bu inanılmaz derecede zor bir problemler dizisi ve IBM, ilk çıkan olarak bunu diğer herkes için kanıtladı. "  

O zamanki IBM CEO'su Ginni Rometty, Sağlık Hizmetlerinde Yapay Zekayı Başlatmak İçin Watson Zaferini Kullantı  

Ginni Rometty, IBM'in o zamanki CEO'su, 2017'deki bir konferansta sağlık BT uzmanlarından oluşan bir kitleye "Yapay zeka ana görüştür, burada ve sağlık hizmetleri ile ilgili neredeyse her şeyi değiştirebilir" dedi. Pek çok kişi gibi, yapay zekanın sağlık sektörünü dönüştürmeye yardımcı olma potansiyelini gördü. 

Watson, Jeopardy'de kazanmak için doğal dil işlemedeki ilerlemeleri kullandı. Watson ekibi, Jeopardy ipuçları ve yanıtlarından oluşan bir eğitim veri kümesinde makine öğrenimini kullandı. IBM, sağlık hizmetleri pazarına girmek için bilgi tabanını oluşturmak üzere tıbbi kayıtlarda metin tanımayı kullanmayı denedi. Doktorların jargon ve steno dolu notları gibi yapılandırılmamış veriler, 80% bir hastanın kaydının. Zorlayıcıydı.   

Çaba, bir teşhis aracı oluşturmaktı. IBM, 2015 yılında Watson Health bölümünü kurdu. Birim, 4 milyar dolarlık satın alma gerçekleştirdi. Yatırımları haklı çıkarmak için tıbbi iş vakası arayışı devam etti. Büyük tıbbi veri setleri kullanılarak karar desteği etrafında birçok proje başlatıldı. Hastalar için kanser tedavisini kişiselleştirmek için onkolojiye odaklanma umut verici görünüyordu.  

Doktorlar Houston'daki Texas Üniversitesi MD Anderson Kanser Merkezi, Onkoloji Uzman Danışmanı adlı bir araç oluşturmak için IBM ile birlikte çalıştı. MD Anderson aracı aldı test aşaması lösemi bölümünde; asla ticari bir ürün olmadı.   

Proje iyi bitmedi; 2016'da iptal edildi. Texas Üniversitesi tarafından yapılan bir denetim, kanser merkezinin projeye 62 milyon dolar harcadığını ortaya çıkardı. IEEE Spectrum yazarları, projenin "makine öğrenimi vaadi ile tıbbi bakımın gerçekliği arasında temel bir uyumsuzluk" ortaya çıkardığını ve bu durumun günümüz doktorları için faydalı olacağını söyledi.  

IBM, 2018'de IBM Watson Health biriminde bir dizi işten çıkarmalar yaptı. IEEE Spektrumu Haziran ayında 2018. IBM'in satın aldığı şirketlerden biri olan Phytel'in mühendisleri, satın alındıktan sonra hasta analitiği çözümü için müşteri tabanının 150'den 80'e düştüğünü bildirdi. Mühendis, "Daha küçük şirketler bizi canlı canlı yiyor" dedi. "Daha iyi, daha hızlı, daha ucuzlar. Sözleşmelerimizi kazanıyorlar, müşterilerimizi alıyorlar, yapay zeka konusunda daha iyi iş yapıyorlar. "  

Sağlık Hizmetinin Gerçekleri ile Yapay Zeka Vaadi Arasında Görülen Uyuşmazlıklar  

Dr. Thomas J. Fuchs, Yapay Zeka ve İnsan Sağlığı Dekanı, Mount Sinai Sağlık Sistemi

Yapay zeka vaadi ile sağlık hizmetinin gerçekleri arasındaki bu uyumsuzluk kavramı, geçen haftaki Wall Street Journal raporunda, teknoloji şirketlerinin hasta ortamlarında sağlık hizmetlerinin nasıl çalıştığı konusunda derin uzmanlıktan yoksun olabileceği raporunda desteklendi. Mount Sinai Sağlık Sistemi'nin yapay zeka ve insan sağlığı dekanı Thomas J. Fuchs, "Siperlerdeki klinik iş akışını gerçekten anlamanız gerekiyor" dedi. Klinikte işleri yavaşlatmadan "AI'yı nereye yerleştirebileceğinizi ve nerede yardımcı olabileceğini anlamalısınız". 

Ambalaj yapay zekası, bilgisayar biliminde uygulanabilir bir yazılım ürününe veya hizmetine doğru ilerlerken, yazılım sektöründe her zaman temel bir zorluk olmuştur. Bernstein Research'te analist olan Toni Sacconaghi, “Watson, IBM'de iyi bilimi alma ve onu ticari olarak uygun hale getirmenin bir yolunu bulma gibi daha geniş bir konunun çok simgesel olabilir” dedi.  

Toni Sacconaghi, analist, Bernstein Research

Yeni IBM CEO'su Arvind Krishna, hibrit ile birlikte yapay zeka dedi bulut bilişim, IBM için ileriye dönük çok önemli olacaktır. (Yerimizi AI Eğilimleri, Kasım 2020.) Krishna, mücadele eden iş birimlerinden çıkmak ve tutarlı büyüme sağlayabilenler üzerinde yoğunlaşmak üzere hareket ediyor. Bu çabanın bir parçası olarak IBM, yönetilen BT hizmetleri bölümünü yeni bir halka açık şirkete dönüştürme sürecindedir; BT hizmetleri, analistler tarafından azalan bir marj işi olarak görülüyor. IBM'in 100'da 2010 milyar dolarlık satışı ve geçen yıl 73.6 milyar dolarlık satışı vardı. 

Sağlık hizmetlerinde AI için bir diğer zorluk, bir sağlık hizmeti ortamında geliştirilen modellerin uygulanmasını ve diğerlerinde uygulanmasını zorlaştıran veri toplama standartlarının olmamasıdır. Kaliforniya, Palo Alto merkezli bir AI uzmanı ve Landing AI'nın CEO'su Andrew Ng, "Sağlık hizmetlerinde özelleştirme sorunu ciddi," dedi. Wall Street Journal. 

Yapay zekanın umut vaat ettiği ve elde ettiği sonuçlar, görüntü tanıma tekniklerinin belirli soruları yanıtlamak için kullanılabildiği radyoloji ve patolojiyi içerir. Ayrıca AI, faturalama ve çizelge gibi iş süreçlerini düzene sokmada, paradan tasarruf etmenize ve personelin daha zorlu alanlara odaklanmasına yardımcı olabilir. İdari maliyetlerin sağlık bakım maliyetlerinin yüzde 30'u olduğu söyleniyor. 

Bu arada, sağlık hizmetlerinde yapay zeka yatırımı devam ediyor ve harcamaların yıllık 48 oranında artması bekleniyor.% yakın tarihli bir rapora göre, 2023'e kadar İş Insider. Yeni oyuncular arasında, doktorların daha bilinçli klinik kararlar vermesine yardımcı olmak amacıyla makine öğrenimi yoluyla kullanıcıların elektronik sağlık kayıtlarından veri alabilen bir Cloud Healthcare uygulama programlama arayüzü (API) tanımlayan Google gibi devler yer alıyor. Google ayrıca, hastane ziyaretlerinin sonuçlarını tahmin etmek için bir AI sistemi üzerinde California Üniversitesi, Stanford Üniversitesi ve Chicago Üniversitesi ile birlikte çalışmaktadır. 

Yapay zeka, örneğin FitBits ve akıllı saatler gibi giyilebilir teknolojiler gibi kişiselleştirilmiş sağlık hizmetlerine geçiş için de uygulanıyor; bu, kullanıcıları ve sağlık uzmanlarını potansiyel sağlık sorunları ve riskler konusunda uyarabilir.  

IBM, sağlık hizmetlerinde Watson'ı uygulamaktan çekilirken, bulut hizmeti tekliflerinde Watson'ın rolünü genişletiyor. Bunlar, doğal dil işleme, duygu analizi ve sanal asistanları içerir. IBM Watson blogu,  

Kaynak makaleleri ve bilgileri okuyun. Wall Street Journalin IEEE Spektrumu Nisan 2019'dan itibaren AI Eğilimleri Şubat 2020, içinde IEEE Spektrumu Haziran 2018'den itibaren AI Eğilimleri, Kasım 2020 İş Insider ve ilgili IBM Watson blogu.  

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

Continue Reading
Blockchain4 gün önce

VeChain İncelemesi: Blockchain Tedarik Zinciri Yönetimi

Amb Kripto5 gün önce

Litecoin Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

MicroStrategy ve diğer kurumlar neden Bitcoin satın aldıklarından pişmanlık duymuyor?

PR Newswire4 gün önce

S3 AeroDefense, Honeywell Aerospace ile 10 Yıllık Dağıtım Anlaşması ve Onarım Lisansı İmzaladı

Amb Kripto5 gün önce

Bitcoin'in perakende olarak benimsenmesi neden 55,000 dolarlık bir zorluk olabilir?

Otomotiv5 gün önce

Tesla'nın Gigafactory formülü, Fremont Fabrikasındaki mütevazı bir "çadırdan" doğdu

Amb Kripto5 gün önce

Polkadot, Cosmos, IOTA Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

Bitcoin'in uzun vadeli hodlers satıcının pazarına mı giriyor?

AI5 gün önce

Bu Haftanın Web'den Harika Teknoloji Hikayeleri (20 Şubat'a kadar)

Amb Kripto5 gün önce

Chainlink, Aave, SushiSwap Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

Binance coin, Tron, FTX Token Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

Ethereum Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

Bitcoin'in fiyatı neden Nisan hedefi olan 62968 $ 'dan üç hafta önce?

Amb Kripto5 gün önce

Monero, Ethereum Classic, VeChain Fiyat Analizi: 20 Şubat

Amb Kripto5 gün önce

Bitcoin: Madeni paranın Hodling kalıpları nasıl değişti

Amb Kripto4 gün önce

Ethereum, Uniswap, Dogecoin Fiyat Analizi: 21 Şubat

Otomotiv4 gün önce

SpaceX Starship, bu hafta üçüncü seferin cazibesi olup olmadığını öğrenmeye hazır

NES kodunun önerilen donanım uygulaması. Devre, kırmızıyla vurgulanan bir jiratörle birleştirilmiş iki Josephson bağlantısından oluşur. KREDİ M. Rymarz ve diğerleri, Phys Rev X (2021), https://doi.org/10.1103/PhysRevX.11.011032 (CC BY 4.0)
Nano Teknoloji4 gün önce

Hataya dayanıklı kübitlerin planı: Forschungszentrum Jülich ve RWTH Aachen Üniversitesi'ndeki bilim adamları, yaygın hatalara karşı doğal olarak korunan kuantum bilgisayarlar için bir devre tasarladılar.

Blockchain3 gün önce

BAE'deki Carrefour Müşterileri, Blockchain Teknolojisiyle Çiftlikten Rafa Bilgi Alacak

NES kodunun önerilen donanım uygulaması. Devre, kırmızıyla vurgulanan bir jiratörle birleştirilmiş iki Josephson bağlantısından oluşur. KREDİ M. Rymarz ve diğerleri, Phys Rev X (2021), https://doi.org/10.1103/PhysRevX.11.011032 (CC BY 4.0)
Nano Teknoloji4 gün önce

Hataya dayanıklı kübitlerin planı: Forschungszentrum Jülich ve RWTH Aachen Üniversitesi'ndeki bilim adamları, yaygın hatalara karşı doğal olarak korunan kuantum bilgisayarlar için bir devre tasarladılar.

Trend