یہ بلاگ پوسٹ FedML سے Chaoyang He اور Salman Avestimehr کے ساتھ مل کر لکھی گئی ہے۔

حقیقی دنیا کے ہیلتھ کیئر اینڈ لائف سائنسز (HCLS) ڈیٹا کا تجزیہ کرنے سے کئی عملی چیلنجز پیدا ہوتے ہیں، جیسے کہ تقسیم شدہ ڈیٹا سائلوز، نایاب واقعات کے لیے کسی ایک سائٹ پر کافی ڈیٹا کی کمی، ریگولیٹری گائیڈ لائنز جو ڈیٹا شیئرنگ پر پابندی لگاتی ہیں، انفراسٹرکچر کی ضرورت، اور تخلیق میں ہونے والی لاگت۔ مرکزی ڈیٹا کا ذخیرہ۔ چونکہ وہ ایک انتہائی ریگولیٹڈ ڈومین میں ہیں، HCLS پارٹنرز اور گاہک بڑے پیمانے پر، تقسیم شدہ، اور حساس ڈیٹا کا انتظام اور تجزیہ کرنے کے لیے رازداری کے تحفظ کے طریقہ کار کی تلاش کرتے ہیں۔

ان چیلنجوں کو کم کرنے کے لیے، ہم ایک اوپن سورس فیڈریٹڈ لرننگ (FL) فریم ورک کا استعمال کرنے کی تجویز پیش کرتے ہیں۔ FedML، جو آپ کو مختلف سائٹس پر مقامی طور پر رکھے گئے تقسیم شدہ ڈیٹا سے عالمی مشین لرننگ ماڈل کی تربیت دے کر حساس HCLS ڈیٹا کا تجزیہ کرنے کے قابل بناتا ہے۔ ماڈل ٹریننگ کے عمل کے دوران FL کو سائٹس پر یا مرکزی سرور کے ساتھ ڈیٹا منتقل کرنے یا شیئر کرنے کی ضرورت نہیں ہے۔

اس دو حصوں کی سیریز میں، ہم یہ ظاہر کرتے ہیں کہ آپ AWS پر کلاؤڈ بیسڈ FL فریم ورک کیسے تعینات کر سکتے ہیں۔ پہلی پوسٹ میں، ہم نے FL تصورات اور FedML فریم ورک کو بیان کیا۔ میں دوسری پوزیشن، ہم حقیقی دنیا کے ہیلتھ کیئر ڈیٹاسیٹس کا تجزیہ کرنے میں اس کی تاثیر کو ظاہر کرنے کے لیے استعمال کے معاملات اور ڈیٹا سیٹ پیش کرتے ہیں، جیسے eICU ڈیٹاجس میں 200 سے زیادہ ہسپتالوں سے جمع کردہ ایک ملٹی سینٹر کریٹیکل کیئر ڈیٹا بیس پر مشتمل ہے۔

پس منظر

اگرچہ HCLS سے تیار کردہ ڈیٹا کا حجم کبھی زیادہ نہیں تھا، لیکن اس طرح کے ڈیٹا تک رسائی سے وابستہ چیلنجز اور رکاوٹیں مستقبل کی تحقیق کے لیے اس کی افادیت کو محدود کرتی ہیں۔ مشین لرننگ (ML) ان میں سے کچھ خدشات کو دور کرنے کا ایک موقع پیش کرتی ہے اور اسے ڈیٹا اینالیٹکس کو آگے بڑھانے اور مختلف HCLS ڈیٹا سے بامعنی بصیرت حاصل کرنے کے لیے اپنایا جا رہا ہے جیسے کہ نگہداشت کی فراہمی، طبی فیصلے کی معاونت، صحت سے متعلق ادویات، ٹرائیج اور تشخیص، اور دائمی۔ دیکھ بھال کا انتظام چونکہ ایم ایل الگورتھم اکثر مریض کی سطح کے ڈیٹا کی رازداری کے تحفظ کے لیے کافی نہیں ہوتے ہیں، اس لیے ایچ سی ایل ایس کے شراکت داروں اور صارفین کے درمیان بڑے پیمانے پر، تقسیم شدہ، اور حساس ڈیٹا کے انتظام اور تجزیہ کے لیے رازداری کے تحفظ کے طریقہ کار اور بنیادی ڈھانچے کو استعمال کرنے میں دلچسپی بڑھ رہی ہے۔ [1]

ہم نے AWS پر ایک FL فریم ورک تیار کیا ہے جو پرائیویسی کے تحفظ کے طریقے سے تقسیم شدہ اور حساس صحت کے ڈیٹا کا تجزیہ کرنے کے قابل بناتا ہے۔ اس میں ماڈل ٹریننگ کے عمل کے دوران سائٹس پر ڈیٹا کو منتقل یا شیئر کیے بغیر یا سینٹرلائزڈ سرور کے ساتھ مشترکہ ایم ایل ماڈل کی تربیت شامل ہے، اور اسے متعدد AWS اکاؤنٹس میں لاگو کیا جا سکتا ہے۔ شرکاء یا تو اپنے ڈیٹا کو اپنے آن پریمیسس سسٹم میں یا AWS اکاؤنٹ میں برقرار رکھنے کا انتخاب کر سکتے ہیں جسے وہ کنٹرول کرتے ہیں۔ لہذا، یہ ڈیٹا کو تجزیات میں منتقل کرنے کے بجائے، ڈیٹا میں تجزیات لاتا ہے۔

اس پوسٹ میں، ہم نے دکھایا کہ آپ اوپن سورس FedML فریم ورک کو AWS پر کیسے تعینات کر سکتے ہیں۔ ہم eICU ڈیٹا پر فریم ورک کی جانچ کرتے ہیں، ایک ملٹی سینٹر کریٹیکل کیئر ڈیٹا بیس جو 200 سے زیادہ ہسپتالوں سے جمع کیا گیا ہے، تاکہ ہسپتال میں مریضوں کی اموات کی پیشن گوئی کی جا سکے۔ ہم اس FL فریم ورک کو جینومک اور لائف سائنسز ڈیٹا سمیت دیگر ڈیٹا سیٹس کا تجزیہ کرنے کے لیے استعمال کر سکتے ہیں۔ اسے دوسرے ڈومینز کے ذریعے بھی اپنایا جا سکتا ہے جو کہ تقسیم شدہ اور حساس ڈیٹا سے بھرے ہوئے ہیں، بشمول فنانس اور تعلیم کے شعبے۔

فیڈریٹڈ لرننگ

ٹیکنالوجی میں ترقی کی وجہ سے HCLS سمیت تمام صنعتوں میں ڈیٹا کی دھماکہ خیز ترقی ہوئی ہے۔ HCLS تنظیمیں اکثر ڈیٹا کو سائلوز میں محفوظ کرتی ہیں۔ یہ ڈیٹا پر مبنی سیکھنے میں ایک بڑا چیلنج پیش کرتا ہے، جس کو اچھی طرح سے عام کرنے اور کارکردگی کی مطلوبہ سطح کو حاصل کرنے کے لیے بڑے ڈیٹا سیٹس کی ضرورت ہوتی ہے۔ مزید برآں، اعلیٰ معیار کے ڈیٹاسیٹس کو جمع کرنے، کیورٹنگ کرنے اور برقرار رکھنے میں اہم وقت اور لاگت آتی ہے۔

فیڈریٹڈ لرننگ ML ماڈلز کو باہمی تعاون کے ساتھ تربیت دے کر ان چیلنجوں کو کم کرتی ہے جو تقسیم شدہ ڈیٹا کا استعمال کرتے ہیں، انہیں اشتراک یا مرکزیت کی ضرورت کے بغیر۔ یہ متنوع سائٹس کو حتمی ماڈل کے اندر نمائندگی کرنے کی اجازت دیتا ہے، سائٹ پر مبنی تعصب کے ممکنہ خطرے کو کم کرتا ہے۔ فریم ورک کلائنٹ-سرور کے فن تعمیر کی پیروی کرتا ہے، جہاں سرور کلائنٹس کے ساتھ عالمی ماڈل کا اشتراک کرتا ہے۔ کلائنٹ مقامی ڈیٹا کی بنیاد پر ماڈل کو تربیت دیتے ہیں اور سرور کے ساتھ پیرامیٹرز (جیسے گریڈیئنٹس یا ماڈل وزن) کا اشتراک کرتے ہیں۔ سرور عالمی ماڈل کو اپ ڈیٹ کرنے کے لیے ان پیرامیٹرز کو اکٹھا کرتا ہے، جس کے بعد تربیت کے اگلے دور کے لیے کلائنٹس کے ساتھ اشتراک کیا جاتا ہے، جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔ ماڈل ٹریننگ کا یہ تکراری عمل اس وقت تک جاری رہتا ہے جب تک کہ عالمی ماڈل ایک دوسرے میں تبدیل نہ ہو جائے۔

ماڈل ٹریننگ کا تکراری عمل

حالیہ برسوں میں، ایم ایل ماڈلز کی تربیت میں ڈیٹا گورننس کی تشویش کو دور کرنے کے لیے سیکھنے کے اس نئے نمونے کو کامیابی کے ساتھ اپنایا گیا ہے۔ ایسی ہی ایک کوشش ہے۔ میلوڈی، ایک اختراعی دوائیوں کا اقدام (IMI) زیر قیادت کنسورشیم، AWS کے ذریعے تقویت یافتہ۔ یہ ایک 3 سالہ پروگرام ہے جس میں 10 فارماسیوٹیکل کمپنیاں، 2 تعلیمی ادارے، اور 3 ٹیکنالوجی پارٹنرز شامل ہیں۔ اس کا بنیادی مقصد منشیات کی دریافت پر مبنی ماڈلز کی پیشن گوئی کی کارکردگی اور کیمیائی قابل اطلاق کو بہتر بنانے کے لیے ملٹی ٹاسک FL فریم ورک تیار کرنا ہے۔ پلیٹ فارم متعدد AWS اکاؤنٹس پر مشتمل ہے، جس میں ہر فارما پارٹنر اپنے پرائیویٹ ڈیٹا سیٹس کو برقرار رکھنے کے لیے اپنے متعلقہ اکاؤنٹس پر مکمل کنٹرول رکھتا ہے، اور ایک مرکزی ML اکاؤنٹ ماڈل ٹریننگ کے کاموں کو مربوط کرتا ہے۔

کنسورشیم نے اربوں ڈیٹا پوائنٹس پر ماڈلز کو تربیت دی، جس میں 20 سے زیادہ حیاتیاتی اسیسز میں 40,000 ملین سے زیادہ چھوٹے مالیکیول شامل ہیں۔ تجرباتی نتائج کی بنیاد پر، باہمی تعاون کے ماڈلز نے مالیکیولز کو فارماسولوجیکل یا ٹوکسیولوجیکل طور پر فعال یا غیر فعال کے طور پر درجہ بندی کرنے میں 4 فیصد بہتری کا مظاہرہ کیا۔ اس کی وجہ سے نئی قسم کے مالیکیولز پر لاگو ہونے پر پراعتماد پیشین گوئیاں کرنے کی صلاحیت میں 10 فیصد اضافہ ہوا۔ آخر میں، باہمی تعاون کے ماڈل زہریلے اور فارماسولوجیکل سرگرمیوں کی قدروں کا تخمینہ لگانے میں عام طور پر 2% بہتر تھے۔

FedML

FedML FL الگورتھم کی ترقی میں سہولت فراہم کرنے کے لیے ایک اوپن سورس لائبریری ہے۔ یہ کمپیوٹنگ کے تین نمونوں کی حمایت کرتا ہے: ایج ڈیوائسز کے لیے آن ڈیوائس ٹریننگ، ڈسٹری بیوٹڈ کمپیوٹنگ، اور سنگل مشین سمولیشن۔ یہ لچکدار اور عام API ڈیزائن اور جامع حوالہ بیس لائن نفاذ (آپٹیمائزر، ماڈلز اور ڈیٹا سیٹس) کے ساتھ متنوع الگورتھمک تحقیق بھی پیش کرتا ہے۔ FedML لائبریری کی تفصیلی وضاحت کے لیے، رجوع کریں۔ FedML.

مندرجہ ذیل تصویر FedML کے اوپن سورس لائبریری کے فن تعمیر کو پیش کرتی ہے۔

FedML کا اوپن سورس لائبریری فن تعمیر

جیسا کہ پچھلے اعداد و شمار میں دیکھا گیا ہے، درخواست کے نقطہ نظر سے، FedML بنیادی کوڈ کی تفصیلات اور تقسیم شدہ تربیت کے پیچیدہ کنفیگریشنز کو محفوظ کرتا ہے۔ ایپلیکیشن کی سطح پر، جیسے کہ کمپیوٹر وژن، قدرتی زبان کی پروسیسنگ، اور ڈیٹا مائننگ، ڈیٹا سائنسدانوں اور انجینئرز کو صرف ماڈل، ڈیٹا، اور ٹرینر کو اسی طرح لکھنے کی ضرورت ہوتی ہے جس طرح ایک اسٹینڈ اسٹون پروگرام اور پھر اسے FedMLRunner آبجیکٹ کو منتقل کرنا ہوتا ہے۔ تمام عمل کو مکمل کریں، جیسا کہ درج ذیل کوڈ میں دکھایا گیا ہے۔ یہ ایپلیکیشن ڈویلپرز کے لیے FL انجام دینے کے لیے اوور ہیڈ کو بہت کم کر دیتا ہے۔

import fedml
from my_model_trainer import MyModelTrainer
from my_server_aggregator import MyServerAggregator
from fedml import FedMLRunner if __name__ == "__main__":
# init FedML framework
args = fedml.init() # init device
device = fedml.device.get_device(args) # load data
dataset, output_dim = fedml.data.load(args) # load model
model = fedml.model.create(args, output_dim) # my customized trainer and aggregator
trainer = MyModelTrainer(model, args)
aggregator = MyServerAggregator(model, args) # start training
fedml_runner = FedMLRunner(args, device, dataset, model, trainer, aggregator)
fedml_runner.run()

FedML الگورتھم ابھی بھی کام جاری ہے اور اسے مسلسل بہتر کیا جا رہا ہے۔ اس مقصد کے لیے، FedML بنیادی ٹرینر اور ایگریگیٹر کا خلاصہ کرتا ہے اور صارفین کو دو تجریدی اشیاء فراہم کرتا ہے، FedML.core.ClientTrainer اور FedML.core.ServerAggregator، جس کو صرف ان دو تجریدی اشیاء کے انٹرفیس کو وراثت میں لینے اور FedMLRunner کو منتقل کرنے کی ضرورت ہے۔ اس طرح کی تخصیص ایم ایل ڈویلپرز کو زیادہ سے زیادہ لچک فراہم کرتی ہے۔ آپ صوابدیدی ماڈل ڈھانچے، اصلاح کار، نقصان کے افعال، اور مزید کی وضاحت کر سکتے ہیں۔ یہ تخصیصات FedMLRunner کی مدد سے اوپن سورس کمیونٹی، اوپن پلیٹ فارم، اور ایپلیکیشن ایکولوجی کے ساتھ بھی بغیر کسی رکاوٹ کے منسلک ہو سکتی ہیں، جو جدید الگورتھم سے کمرشلائزیشن تک کے طویل وقفے کے مسئلے کو مکمل طور پر حل کرتی ہے۔

آخر میں، جیسا کہ پچھلے اعداد و شمار میں دکھایا گیا ہے، FedML تقسیم شدہ کمپیوٹنگ کے عمل کو سپورٹ کرتا ہے، جیسے پیچیدہ حفاظتی پروٹوکولز اور ایک ڈائریکٹڈ Acyclic گراف (DAG) فلو کمپیوٹنگ کے عمل کے طور پر تقسیم شدہ تربیت، جس سے پیچیدہ پروٹوکولز کی تحریر کو اسٹینڈ اسٹون پروگراموں کی طرح بنایا جاتا ہے۔ اس خیال کی بنیاد پر، سیکیورٹی پروٹوکول فلو لیئر 1 اور ایم ایل الگورتھم پروسیس فلو لیئر 2 کو آسانی سے الگ کیا جا سکتا ہے تاکہ سیکیورٹی انجینئرز اور ایم ایل انجینئرز ماڈیولر فن تعمیر کو برقرار رکھتے ہوئے کام کر سکیں۔

FedML اوپن سورس لائبریری کنارے کے ساتھ ساتھ کلاؤڈ کے لیے فیڈریٹڈ ML استعمال کے کیسز کو سپورٹ کرتی ہے۔ کنارے پر، فریم ورک موبائل فونز اور چیزوں کے انٹرنیٹ (IoT) آلات پر ایج ماڈلز کی تربیت اور تعیناتی کی سہولت فراہم کرتا ہے۔ کلاؤڈ میں، یہ عالمی تعاون پر مبنی ایم ایل کو قابل بناتا ہے، بشمول ملٹی ریجن، اور ملٹی ٹیننٹ پبلک کلاؤڈ ایگریگیشن سرورز، نیز ڈوکر موڈ میں نجی کلاؤڈ تعیناتی۔ یہ فریم ورک رازداری کے تحفظ کے FL کے حوالے سے اہم خدشات کو حل کرتا ہے جیسے کہ سیکورٹی، رازداری، کارکردگی، کمزور نگرانی، اور انصاف۔

نتیجہ

اس پوسٹ میں، ہم نے دکھایا کہ آپ اوپن سورس FedML فریم ورک کو AWS پر کیسے تعینات کر سکتے ہیں۔ یہ آپ کو تقسیم شدہ ڈیٹا پر ایم ایل ماڈل کی تربیت دینے کی اجازت دیتا ہے، اسے شیئر کرنے یا منتقل کرنے کی ضرورت کے بغیر۔ ہم نے ایک ملٹی اکاؤنٹ آرکیٹیکچر قائم کیا، جہاں حقیقی دنیا کے منظر نامے میں، تنظیمیں ڈیٹا گورننس کو برقرار رکھتے ہوئے باہمی تعاون کے ساتھ سیکھنے سے فائدہ اٹھانے کے لیے ماحولیاتی نظام میں شامل ہو سکتی ہیں۔ میں اگلی پوسٹ، ہم ایک حقیقی دنیا کے منظر نامے میں اس کی تاثیر کو ظاہر کرنے کے لیے ملٹی ہسپتال eICU ڈیٹاسیٹ کا استعمال کرتے ہیں۔

براہ کرم دوبارہ پریزنٹیشن کا جائزہ لیں: MARS 2022 پر توجہ مرکوزAWS پر منیجڈ فیڈریٹڈ لرننگ: ہیلتھ کیئر کے لیے ایک کیس اسٹڈیاس حل کی تفصیلی واک تھرو کے لیے۔

حوالہ

[1] Kaissis, GA, Makowski, MR, Rückert, D. et al. میڈیکل امیجنگ میں محفوظ، رازداری کا تحفظ اور فیڈریٹڈ مشین لرننگ۔ Nat Mach Intell 2, 305–311 (2020)۔ https://doi.org/10.1038/s42256-020-0186-1
[2] فیڈ ایم ایل https://fedml.ai

مصنفین کے بارے میں

اولیویا چوہدری، پی ایچ ڈی، AWS میں ایک سینئر پارٹنر سلوشنز آرکیٹیکٹ ہے۔ وہ ہیلتھ کیئر اینڈ لائف سائنسز کے ڈومین میں شراکت داروں کی مدد کرتی ہے، AWS سے فائدہ اٹھاتے ہوئے جدید ترین حل تیار کرنے، تیار کرنے اور اسکیل کرنے میں۔ اس کا پس منظر جینومکس، ہیلتھ کیئر اینالیٹکس، فیڈریٹڈ لرننگ، اور پرائیویسی پرزورنگ مشین لرننگ میں ہے۔ کام سے باہر، وہ بورڈ گیمز کھیلتی ہے، مناظر پینٹ کرتی ہے، اور مانگا اکٹھا کرتی ہے۔

ودیا ساگر روی پتی۔ میں مینیجر ہے۔ ایمیزون ایم ایل حل لیبجہاں وہ بڑے پیمانے پر تقسیم شدہ نظاموں میں اپنے وسیع تجربے اور مشین لرننگ کے اپنے جذبے سے فائدہ اٹھاتا ہے تاکہ صنعت کے مختلف حصوں میں AWS صارفین کو ان کے AI اور کلاؤڈ کو اپنانے میں تیزی لا سکے۔ اس سے پہلے، وہ ایمیزون میں کنیکٹیویٹی سروسز میں مشین لرننگ انجینئر تھا جس نے پرسنلائزیشن اور پیشین گوئی کرنے والے مینٹیننس پلیٹ فارم بنانے میں مدد کی۔

وجاہت عزیز AWS میں ایک پرنسپل مشین لرننگ اور HPC سلوشنز آرکیٹیکٹ ہے، جہاں وہ صحت کی دیکھ بھال اور لائف سائنسز کے صارفین کی مدد کرنے پر توجہ مرکوز کرتا ہے تاکہ AWS ٹیکنالوجیز کو جدید ترین ML اور HPC حل تیار کرنے کے لیے تیار کیا جا سکے جیسے کہ منشیات کی ترقی، کلینیکل ٹرائلز، اور پرائیویسی پریزونگ مشین لرننگ۔ کام سے باہر، وجاہت فطرت کو تلاش کرنا، پیدل سفر کرنا اور پڑھنا پسند کرتا ہے۔

دیویا بھارگوی ایمیزون ایم ایل سلوشنز لیب میں ڈیٹا سائنٹسٹ اور میڈیا اینڈ انٹرٹینمنٹ ورٹیکل لیڈ ہے، جہاں وہ مشین لرننگ کا استعمال کرتے ہوئے AWS صارفین کے لیے اعلیٰ قدر کے کاروباری مسائل حل کرتی ہے۔ وہ تصویر/ویڈیو کی تفہیم، علمی گراف کی سفارش کے نظام، پیشن گوئی اشتہارات کے استعمال کے معاملات پر کام کرتی ہے۔

اجول رتن AWS ہیلتھ کیئر اور لائف سائنس بزنس یونٹ میں AI/ML اور ڈیٹا سائنس کے لیے رہنما ہیں اور ایک پرنسپل AI/ML سلوشنز آرکیٹیکٹ بھی ہیں۔ برسوں کے دوران، Ujjwal صحت کی دیکھ بھال اور لائف سائنسز کی صنعت میں ایک سوچا رہنما رہا ہے، جس نے متعدد گلوبل فارچیون 500 تنظیموں کو مشین لرننگ کو اپنا کر اپنے اختراعی اہداف حاصل کرنے میں مدد کی۔ میڈیکل امیجنگ، غیر ساختہ کلینیکل ٹیکسٹ اور جینومکس کے تجزیہ پر مشتمل اس کے کام نے AWS کو ایسی مصنوعات اور خدمات بنانے میں مدد کی ہے جو انتہائی ذاتی نوعیت کی اور درست طور پر ہدف شدہ تشخیص اور علاج فراہم کرتی ہیں۔ اپنے فارغ وقت میں، وہ موسیقی سننے (اور بجانے) سے لطف اندوز ہوتا ہے اور اپنے خاندان کے ساتھ غیر منصوبہ بند سڑکوں پر سفر کرتا ہے۔

Chaoyang وہ FedML, Inc. کے شریک بانی اور CTO ہیں، ایک سٹارٹ اپ جو کسی بھی پیمانے پر کہیں سے بھی کمیونٹی کی کھلی اور باہمی تعاون پر مبنی AI کے لیے چل رہا ہے۔ اس کی تحقیق تقسیم شدہ/وفاقی مشین لرننگ الگورتھم، سسٹمز اور ایپلی کیشنز پر مرکوز ہے۔ انہوں نے پی ایچ ڈی کی ڈگری حاصل کی۔ سے کمپیوٹر سائنس میں جنوبی کیلی فورنیا یونیورسٹی، لاس اینجلس، امریکہ۔

سلمان اوسٹیمہر پروفیسر ہیں، USC-Amazon Center for Secure and Trusted Machine Learning (Trusted AI) کے افتتاحی ڈائریکٹر، اور الیکٹریکل اینڈ کمپیوٹر انجینئرنگ ڈیپارٹمنٹ اور کمپیوٹر سائنس ڈیپارٹمنٹ میں انفارمیشن تھیوری اینڈ مشین لرننگ (vITAL) ریسرچ لیب کے ڈائریکٹر۔ یونیورسٹی آف سدرن کیلیفورنیا۔ وہ FedML کے شریک بانی اور سی ای او بھی ہیں۔ اس نے میری پی ایچ ڈی حاصل کی۔ 2008 میں UC برکلے سے الیکٹریکل انجینئرنگ اور کمپیوٹر سائنسز میں۔ ان کی تحقیق انفارمیشن تھیوری، وکندریقرت اور فیڈریٹڈ مشین لرننگ، محفوظ اور رازداری کے تحفظ کے سیکھنے اور کمپیوٹنگ کے شعبوں پر مرکوز ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو بلاک چین۔ Web3 Metaverse Intelligence. علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/part-1-federated-learning-on-aws-with-fedml-health-analytics-without-sharing-sensitive-data/