یہ AWS اور Philips کے ساتھ مشترکہ بلاگ ہے۔
Philips ایک ہیلتھ ٹیکنالوجی کمپنی ہے جو بامعنی اختراعات کے ذریعے لوگوں کی زندگیوں کو بہتر بنانے پر مرکوز ہے۔ 2014 سے، کمپنی صارفین کو اپنا Philips HealthSuite پلیٹ فارم پیش کر رہی ہے، جو درجنوں AWS سروسز کو آرکیسٹریٹ کرتا ہے جنہیں ہیلتھ کیئر اور لائف سائنسز کمپنیاں مریضوں کی دیکھ بھال کو بہتر بنانے کے لیے استعمال کرتی ہیں۔ یہ صحت کی دیکھ بھال فراہم کرنے والوں، سٹارٹ اپس، یونیورسٹیوں اور دیگر کمپنیوں کے ساتھ ایسی ٹیکنالوجی تیار کرنے کے لیے شراکت کرتا ہے جو ڈاکٹروں کو زیادہ درست تشخیص کرنے اور دنیا بھر میں لاکھوں لوگوں کے لیے ذاتی نوعیت کا علاج فراہم کرنے میں مدد کرتی ہے۔
فلپس کی اختراعی حکمت عملی کے اہم محرکات میں سے ایک مصنوعی ذہانت (AI) ہے، جو سمارٹ اور ذاتی نوعیت کی مصنوعات اور خدمات کی تخلیق کے قابل بناتی ہے جو صحت کے نتائج کو بہتر بنا سکتی ہے، کسٹمر کے تجربے کو بڑھا سکتی ہے، اور آپریشنل کارکردگی کو بہتر بنا سکتی ہے۔
ایمیزون سیج میکر مشین لرننگ آپریشنز (MLOps) کے لیے مقصد سے بنائے گئے ٹولز فراہم کرتا ہے تاکہ ایم ایل لائف سائیکل میں عمل کو خودکار اور معیاری بنانے میں مدد مل سکے۔ SageMaker MLOps ٹولز کے ساتھ، ٹیمیں پروڈکشن میں ماڈل کی کارکردگی کو برقرار رکھتے ہوئے ڈیٹا سائنسدانوں اور ML انجینئرز کی پیداواری صلاحیت کو بڑھانے کے لیے ML ماڈلز کو آسانی سے تربیت، جانچ، ٹربل شوٹ، تعینات، اور ان پر حکومت کر سکتی ہیں۔
اس پوسٹ میں، ہم بیان کرتے ہیں کہ کس طرح فلپس نے AWS کے ساتھ شراکت داری کی تاکہ AI ToolSuite — SageMaker پر ایک قابل توسیع، محفوظ، اور مطابقت پذیر ML پلیٹ فارم۔ یہ پلیٹ فارم تجربہ، ڈیٹا تشریح، تربیت، ماڈل کی تعیناتی، اور دوبارہ قابل استعمال ٹیمپلیٹس تک کی صلاحیتیں فراہم کرتا ہے۔ یہ تمام صلاحیتیں مرکزی کنٹرول کے ساتھ پیمانے پر حکومت کرتے ہوئے رفتار اور چستی کے ساتھ کاروبار کی متعدد لائنوں کو اختراع کرنے میں مدد کرنے کے لیے بنائی گئی ہیں۔ ہم استعمال کے کلیدی معاملات کا خاکہ پیش کرتے ہیں جنہوں نے پلیٹ فارم کی پہلی تکرار، بنیادی اجزاء، اور حاصل کردہ نتائج کے لیے تقاضے فراہم کیے ہیں۔ ہم پلیٹ فارم کو تخلیقی AI کام کے بوجھ کے ساتھ فعال کرنے اور پلیٹ فارم کو اپنانے کے لیے تیزی سے نئے صارفین اور ٹیموں کے ساتھ پلیٹ فارم کو فعال کرنے کے لیے جاری کوششوں کی نشاندہی کرکے نتیجہ اخذ کرتے ہیں۔
کسٹمر سیاق و سباق
Philips AI کا استعمال مختلف ڈومینز میں کرتا ہے، جیسے امیجنگ، تشخیص، تھراپی، ذاتی صحت، اور منسلک دیکھ بھال۔ AI سے چلنے والے حل کی کچھ مثالیں جو فلپس نے پچھلے سالوں میں تیار کی ہیں:
- فلپس اسمارٹ اسپیڈ - ایم آر آئی کے لیے ایک AI پر مبنی امیجنگ ٹیکنالوجی جو کہ مریضوں کی ایک بڑی قسم کے لیے رفتار اور تصویر کے معیار کو اگلی سطح تک لے جانے کے لیے ایک منفرد کمپریسڈ-سینس پر مبنی ڈیپ لرننگ AI الگورتھم کا استعمال کرتی ہے۔
- فلپس ای کیئر مینیجر - ایک ٹیلی ہیلتھ حل جو انتہائی نگہداشت کے یونٹوں میں شدید بیمار مریضوں کی ریموٹ دیکھ بھال اور انتظام میں مدد کے لیے AI کا استعمال کرتا ہے، متعدد ذرائع سے مریض کے ڈیٹا پر کارروائی کرنے کے لیے جدید تجزیات اور کلینیکل الگورتھم کا استعمال کرتے ہوئے، اور قابل عمل بصیرت، الرٹس، اور سفارشات فراہم کرتا ہے۔ دیکھ بھال کی ٹیم
- فلپس سونیکیئر - ایک سمارٹ ٹوتھ برش جو صارفین کے برش کرنے کے رویے اور زبانی صحت کا تجزیہ کرنے کے لیے AI کا استعمال کرتا ہے، اور ریئل ٹائم رہنمائی اور ذاتی سفارشات فراہم کرتا ہے، جیسے برش کرنے کا بہترین وقت، دباؤ اور کوریج، تاکہ ان کی دانتوں کی صفائی کو بہتر بنایا جا سکے اور گہا اور مسوڑھوں کی بیماریوں سے بچا جا سکے۔ .
کئی سالوں سے، Philips صحت کی دیکھ بھال کے تسلسل میں اپنے اختراعی حل کو فروغ دینے کے لیے ڈیٹا سے چلنے والے الگورتھم کی ترقی میں پیش پیش ہے۔ تشخیصی امیجنگ ڈومین میں، فلپس نے طبی تصویر کی تعمیر نو اور تشریح، ورک فلو مینجمنٹ، اور علاج کی اصلاح کے لیے ایم ایل ایپلی کیشنز کی ایک بڑی تعداد تیار کی۔ اس کے علاوہ مریضوں کی نگرانی میں، امیج گائیڈڈ تھراپی، الٹراساؤنڈ اور ذاتی صحت کی ٹیمیں ایم ایل الگورتھم اور ایپلی کیشنز بنا رہی ہیں۔ تاہم، ٹیموں میں بکھرے ہوئے AI ترقیاتی ماحول کے استعمال کی وجہ سے اختراع میں رکاوٹ پیدا ہوئی۔ یہ ماحول انفرادی لیپ ٹاپس اور ڈیسک ٹاپس سے لے کر متنوع آن پریمیسس کمپیوٹیشنل کلسٹرز اور کلاؤڈ بیسڈ انفراسٹرکچر تک تھے۔ اس تفاوت نے ابتدائی طور پر مختلف ٹیموں کو ان کی ابتدائی AI کی ترقی کی کوششوں میں تیزی سے آگے بڑھنے کے قابل بنایا، لیکن اب ہمارے AI ترقی کے عمل کی کارکردگی کو پیمانہ اور بہتر بنانے کے مواقع کو روک رہا ہے۔
یہ واضح تھا کہ فلپس میں ڈیٹا پر مبنی کوششوں کی صلاحیت کو صحیح معنوں میں اجاگر کرنے کے لیے ایک متحد اور معیاری ماحول کی طرف بنیادی تبدیلی ضروری تھی۔
کلیدی AI/ML استعمال کے کیسز اور پلیٹ فارم کی ضروریات
AI/ML- فعال تجاویز معالجین کے ذریعہ کئے گئے انتظامی کاموں کو خودکار بنا کر صحت کی دیکھ بھال کو تبدیل کر سکتی ہیں۔ مثال کے طور پر:
- AI طبی امیجز کا تجزیہ کر سکتا ہے تاکہ ریڈیولوجسٹ بیماریوں کی تیز اور درست طریقے سے تشخیص کر سکیں
- AI مریضوں کے ڈیٹا کا تجزیہ کرکے اور فعال دیکھ بھال کو بہتر بنا کر مستقبل کے طبی واقعات کی پیش گوئی کر سکتا ہے۔
- AI مریضوں کی ضروریات کے مطابق ذاتی نوعیت کے علاج کی سفارش کر سکتا ہے۔
- ریکارڈ سازی کو زیادہ موثر بنانے کے لیے AI کلینیکل نوٹوں سے معلومات کو نکال کر ساخت بنا سکتا ہے۔
- AI انٹرفیس سوالات، یاد دہانیوں اور علامات کی جانچ کرنے والوں کے لیے مریض کی مدد فراہم کر سکتے ہیں۔
مجموعی طور پر، AI/ML انسانی غلطی، وقت اور لاگت کی بچت، مریض کے بہتر تجربات، اور بروقت، ذاتی نوعیت کی مداخلتوں کو کم کرنے کا وعدہ کرتا ہے۔
ایم ایل ڈویلپمنٹ اور تعیناتی پلیٹ فارم کے لیے ایک اہم ضرورت پلیٹ فارم کی مسلسل تکراری ترقی اور تعیناتی کے عمل کو سپورٹ کرنے کی صلاحیت تھی، جیسا کہ درج ذیل تصویر میں دکھایا گیا ہے۔
AI اثاثہ کی ترقی لیبارٹری کے ماحول میں شروع ہوتی ہے، جہاں ڈیٹا اکٹھا اور کیوریٹ کیا جاتا ہے، اور پھر ماڈلز کو تربیت دی جاتی ہے اور ان کی تصدیق کی جاتی ہے۔ جب ماڈل تیار ہو جاتا ہے اور استعمال کے لیے منظور ہو جاتا ہے، تو اسے حقیقی دنیا کے پروڈکشن سسٹمز میں تعینات کر دیا جاتا ہے۔ ایک بار تعیناتی کے بعد، ماڈل کی کارکردگی کی مسلسل نگرانی کی جاتی ہے۔ حقیقی دنیا کی کارکردگی اور تاثرات کو آخر کار ماڈل کی تربیت اور تعیناتی کے مکمل آٹومیشن کے ساتھ ماڈل میں مزید بہتری کے لیے استعمال کیا جاتا ہے۔
مزید تفصیلی AI ToolSuite کی ضروریات تین مثالوں کے استعمال کے معاملات سے چلتی ہیں:
- ایک کمپیوٹر وژن ایپلی کیشن تیار کریں جس کا مقصد کنارے پر آبجیکٹ کا پتہ لگانا ہے۔ ڈیٹا سائنس ٹیم نے AI پر مبنی خودکار امیج اینوٹیشن ورک فلو کی توقع کی ہے تاکہ لیبلنگ کے عمل کو تیز کیا جا سکے۔
- متعدد طبی اکائیوں میں بینچ مارکنگ کے اعدادوشمار کے لیے کلاسک ML ماڈلز کی فیملی کا نظم کرنے کے لیے ڈیٹا سائنس ٹیم کو فعال کریں۔ اس منصوبے کے لیے ماڈل کی تعیناتی، تجرباتی ٹریکنگ، ماڈل مانیٹرنگ، اور مستقبل میں آڈیٹنگ اور دوبارہ تربیت دونوں کے لیے ختم ہونے کے لیے پورے عمل پر مزید کنٹرول کی ضرورت تھی۔
- تشخیصی میڈیکل امیجنگ میں گہرے سیکھنے کے ماڈلز کے لیے مارکیٹ کے معیار اور وقت کو بہتر بنائیں۔ موجودہ کمپیوٹنگ انفراسٹرکچر نے متوازی طور پر بہت سے تجربات کو چلانے کی اجازت نہیں دی، جس سے ماڈل کی ترقی میں تاخیر ہوئی۔ نیز، ریگولیٹری مقاصد کے لیے، کئی سالوں تک ماڈل ٹریننگ کی مکمل تولیدی صلاحیت کو فعال کرنا ضروری ہے۔
غیر فعال ضروریات
ایک قابل توسیع اور مضبوط AI/ML پلیٹ فارم بنانے کے لیے غیر فعال تقاضوں پر احتیاط سے غور کرنے کی ضرورت ہے۔ یہ تقاضے پلیٹ فارم کی مخصوص خصوصیات سے بالاتر ہیں اور درج ذیل کو یقینی بنانے پر توجہ مرکوز کرتے ہیں:
- اسکیل ایبلٹی – AI ToolSuite پلیٹ فارم کو فلپس کے بصیرت پیدا کرنے کے بنیادی ڈھانچے کو زیادہ مؤثر طریقے سے پیمانہ کرنے کے قابل ہونا چاہیے تاکہ پلیٹ فارم کارکردگی کی قربانی کے بغیر ڈیٹا، صارفین اور AI/ML ورک بوجھ کے بڑھتے ہوئے حجم کو سنبھال سکے۔ اسے مرکزی وسائل کا انتظام فراہم کرتے ہوئے بغیر کسی رکاوٹ کے بڑھتے ہوئے مطالبات کو پورا کرنے کے لیے افقی اور عمودی پیمانے کے لیے ڈیزائن کیا جانا چاہیے۔
- کارکردگی - پیچیدہ AI/ML الگورتھم کو مؤثر طریقے سے پروسیس کرنے کے لیے پلیٹ فارم کو اعلیٰ کارکردگی کی کمپیوٹنگ کی صلاحیتیں فراہم کرنا چاہیے۔ سیج میکر مثالوں کی ایک وسیع رینج پیش کرتا ہے، بشمول طاقتور GPUs کی مثالیں، جو ماڈل ٹریننگ اور انفرنس کے کاموں کو نمایاں طور پر تیز کر سکتی ہیں۔ اسے ریئل ٹائم یا قریب قریب ریئل ٹائم نتائج فراہم کرنے کے لیے تاخیر اور ردعمل کے اوقات کو بھی کم کرنا چاہیے۔
- وشوسنییتا - پلیٹ فارم کو ایک انتہائی قابل اعتماد اور مضبوط AI انفراسٹرکچر فراہم کرنا چاہیے جو متعدد دستیابی زونز میں پھیلا ہوا ہو۔ اس ملٹی AZ فن تعمیر کو مختلف ڈیٹا سینٹرز میں وسائل اور کام کے بوجھ کی تقسیم کے ذریعے بلاتعطل AI آپریشنز کو یقینی بنانا چاہیے۔
- دستیابی - پلیٹ فارم 24/7 دستیاب ہونا چاہیے، دیکھ بھال اور اپ گریڈ کے لیے کم سے کم وقت کے ساتھ۔ AI ToolSuite کی اعلی دستیابی میں لوڈ بیلنسنگ، غلطی برداشت کرنے والے فن تعمیر، اور فعال نگرانی شامل ہونی چاہیے۔
- سیکیورٹی اور گورننس - پلیٹ فارم کو غیر معمولی سرگرمیوں کی مسلسل نگرانی اور سیکورٹی آڈٹ کے انعقاد کے ساتھ مضبوط حفاظتی اقدامات، خفیہ کاری، رسائی کے کنٹرول، سرشار کردار، اور تصدیقی طریقہ کار کو استعمال کرنا چاہیے۔
- ڈیٹا مینجمنٹ - AI/ML پلیٹ فارمز کے لیے موثر ڈیٹا مینجمنٹ بہت ضروری ہے۔ صحت کی دیکھ بھال کی صنعت میں ضوابط خاص طور پر سخت ڈیٹا گورننس کا مطالبہ کرتے ہیں۔ درست اور قابل اعتماد نتائج کو یقینی بنانے کے لیے اس میں ڈیٹا ورژننگ، ڈیٹا نسب، ڈیٹا گورننس، اور ڈیٹا کوالٹی ایشورنس جیسی خصوصیات شامل ہونی چاہئیں۔
- انٹرویوبلائٹی - پلیٹ فارم کو فلپس کے اندرونی ڈیٹا ریپوزٹریز کے ساتھ آسانی سے ضم کرنے کے لیے ڈیزائن کیا جانا چاہیے، جس سے بغیر کسی رکاوٹ کے ڈیٹا کے تبادلے اور تھرڈ پارٹی ایپلی کیشنز کے ساتھ تعاون کی اجازت دی جائے۔
- برقرار رکھنے - پلیٹ فارم کا فن تعمیر اور کوڈ بیس اچھی طرح سے منظم، ماڈیولر، اور برقرار رکھنے کے قابل ہونا چاہیے۔ یہ فلپس ایم ایل انجینئرز اور ڈویلپرز کو پورے سسٹم میں خلل ڈالے بغیر اپ ڈیٹس، بگ فکسز، اور مستقبل میں بہتری فراہم کرنے کے قابل بناتا ہے۔
- وسائل کی اصلاح - پلیٹ فارم کو استعمال کی رپورٹس کو بہت قریب سے مانیٹر کرنا چاہیے تاکہ یہ یقینی بنایا جا سکے کہ کمپیوٹنگ کے وسائل کو موثر طریقے سے استعمال کیا جائے اور طلب کی بنیاد پر متحرک طور پر وسائل مختص کیے جائیں۔ اس کے علاوہ، فلپس کو AWS بلنگ اور لاگت کے انتظام کے ٹولز کا استعمال کرنا چاہیے تاکہ یہ یقینی بنایا جا سکے کہ ٹیموں کو اطلاعات موصول ہوں جب استعمال مختص کردہ حد سے گزر جائے۔
- مانیٹرنگ اور لاگنگ - پلیٹ فارم کو استعمال کرنا چاہئے۔ ایمیزون کلاؤڈ واچ جامع نگرانی اور لاگنگ کی صلاحیتوں کے لیے الرٹس، جو سسٹم کی کارکردگی کو ٹریک کرنے، رکاوٹوں کی نشاندہی کرنے اور مسائل کو مؤثر طریقے سے حل کرنے کے لیے ضروری ہیں۔
- تعمیل - پلیٹ فارم AI سے چلنے والی تجاویز کی ریگولیٹری تعمیل کو بہتر بنانے میں بھی مدد کر سکتا ہے۔ تولیدی صلاحیت اور ٹریس ایبلٹی کو اختتام سے آخر تک ڈیٹا پروسیسنگ پائپ لائنوں کے ذریعے خود بخود فعال ہونا چاہیے، جہاں بہت سے لازمی دستاویزی نمونے، جیسے ڈیٹا نسب کی رپورٹس اور ماڈل کارڈز، خود بخود تیار کیے جا سکتے ہیں۔
- جانچ اور توثیق - AI/ML ماڈلز کی درستگی اور وشوسنییتا کو یقینی بنانے اور غیر ارادی تعصبات کو روکنے کے لیے سخت جانچ اور توثیق کے طریقہ کار کا ہونا ضروری ہے۔
حل جائزہ
AI ToolSuite ایک اختتام سے آخر تک، توسیع پذیر، فوری آغاز AI ترقی کا ماحول ہے جو مقامی SageMaker اور متعلقہ AI/ML خدمات فراہم کرتا ہے جس میں Philips HealthSuite سیکیورٹی اور پرائیویسی گارڈریلز اور Philips ایکو سسٹم انٹیگریشنز شامل ہیں۔ رسائی کی اجازت کے وقف کردہ سیٹ کے ساتھ تین شخصیات ہیں:
- ڈیٹا سائنسدان - ڈیٹا تیار کریں، اور ایک باہمی تعاون کے ساتھ کام کی جگہ میں ماڈلز تیار اور تربیت دیں۔
- ایم ایل انجینئر - ماڈل کی تعیناتی، نگرانی، اور دیکھ بھال کے ساتھ ML ایپلیکیشنز کو تیار کریں۔
- ڈیٹا سائنس ایڈمن - استعمال کے مخصوص ٹیمپلیٹس کے ساتھ وقف شدہ الگ تھلگ ماحول فراہم کرنے کے لیے فی ٹیم کی درخواست پر ایک پروجیکٹ بنائیں
پلیٹ فارم کی ترقی نے دریافت، ڈیزائن، تعمیر، جانچ، اور تعیناتی کے تکراری چکر میں متعدد ریلیز سائیکلوں کو پھیلایا۔ کچھ ایپلی کیشنز کی انفرادیت کی وجہ سے، پلیٹ فارم کی توسیع کے لیے موجودہ حسب ضرورت اجزاء جیسے ڈیٹا اسٹورز یا تشریح کے لیے ملکیتی ٹولز کو سرایت کرنے کی ضرورت تھی۔
مندرجہ ذیل تصویر AI ToolSuite کے تھری لیئر آرکیٹیکچر کو واضح کرتی ہے، جس میں پہلی پرت کے طور پر بنیادی انفراسٹرکچر، دوسری پرت کے طور پر عام ML اجزاء، اور تیسری پرت کے طور پر پروجیکٹ کے لیے مخصوص ٹیمپلیٹس شامل ہیں۔
پرت 1 بنیادی ڈھانچے پر مشتمل ہے:
- اعلی دستیابی کے ساتھ انٹرنیٹ تک پیرامیٹرائزڈ رسائی کے ساتھ ایک نیٹ ورکنگ پرت
- بنیادی ڈھانچے کے ساتھ سیلف سروس پروویژننگ بطور کوڈ (IaC)
- ایک مربوط ترقیاتی ماحول (IDE) کا استعمال کرتے ہوئے ایمیزون سیج میکر اسٹوڈیو ڈومین
- پلیٹ فارم کے کردار (ڈیٹا سائنس ایڈمن، ڈیٹا سائنسدان)
- نمونے کا ذخیرہ
- مشاہدے کے لیے لاگنگ اور نگرانی
پرت 2 میں عام ML اجزاء شامل ہیں:
- ہر کام اور پائپ لائن کے لیے خودکار تجربہ ٹریکنگ
- ایک نیا ماڈل بلڈ اپ ڈیٹ شروع کرنے کے لیے ایک ماڈل بلڈ پائپ لائن
- ایک ماڈل ٹریننگ پائپ لائن جس میں ماڈل ٹریننگ، تشخیص، رجسٹریشن شامل ہے۔
- حتمی جانچ اور منظوری کے لیے ماڈل کو تعینات کرنے کے لیے ایک ماڈل پائپ لائن تعینات کرتا ہے۔
- ماڈل ورژن کو آسانی سے منظم کرنے کے لیے ایک ماڈل رجسٹری
- سیج میکر اسٹوڈیو کے صارفین کو تفویض کرنے کے لیے خاص طور پر دیے گئے استعمال کیس کے لیے بنایا گیا ایک پروجیکٹ رول
- پراجیکٹ کے لیے بنائی گئی پروسیسنگ، ٹریننگ، اور انفرنس کنٹینر امیجز کو اسٹور کرنے کے لیے ایک امیج ریپوزٹری
- کوڈ نمونے کو ذخیرہ کرنے کے لیے ایک کوڈ ذخیرہ
- ایک منصوبہ ایمیزون سادہ اسٹوریج سروس (ایمیزون S3) تمام پروجیکٹ ڈیٹا اور نمونے کو ذخیرہ کرنے کے لیے بالٹی
پرت 3 پراجیکٹ کے مخصوص ٹیمپلیٹس پر مشتمل ہے جو نئے پروجیکٹس کی ضرورت کے مطابق حسب ضرورت اجزاء کے ساتھ بنائے جا سکتے ہیں۔ مثال کے طور پر:
- سانچہ 1 - ڈیٹا استفسار اور تاریخ سے باخبر رہنے کے لیے ایک جزو شامل ہے۔
- سانچہ 2 - ملکیتی تشریحی ٹولنگ کو استعمال کرنے کے لیے حسب ضرورت تشریحی ورک فلو کے ساتھ ڈیٹا تشریحات کے لیے ایک جزو شامل کرتا ہے۔
- سانچہ 3 - اپنی مرضی کے مطابق کنٹینر امیجز کے اجزاء پر مشتمل ہے تاکہ ان کے ترقیاتی ماحول اور تربیتی معمولات، سرشار HPC فائل سسٹم، اور صارفین کے لیے مقامی IDE سے رسائی دونوں کو اپنی مرضی کے مطابق بنایا جا سکے۔
مندرجہ ذیل خاکہ ترقی، سٹیجنگ اور پروڈکشن کے لیے متعدد AWS اکاؤنٹس پر محیط کلیدی AWS خدمات کو نمایاں کرتا ہے۔
مندرجہ ذیل حصوں میں، ہم AWS سروسز کے ذریعے فعال کردہ پلیٹ فارم کی اہم صلاحیتوں پر تبادلہ خیال کرتے ہیں، بشمول SageMaker، AWS سروس کیٹلاگ, CloudWatch او ڈبلیو ایس لامبڈا۔, ایمیزون لچکدار کنٹینر رجسٹری (ایمیزون ای سی آر)، ایمیزون ایس 3، AWS شناخت اور رسائی کا انتظام (IAM)، اور دیگر۔
بنیادی ڈھانچہ بطور کوڈ
پلیٹ فارم IaC کا استعمال کرتا ہے، جو فلپس کو بنیادی ڈھانچے کے وسائل کی فراہمی اور انتظام کو خودکار کرنے کی اجازت دیتا ہے۔ یہ نقطہ نظر تولیدی صلاحیت، اسکیل ایبلٹی، ورژن کنٹرول، مستقل مزاجی، سیکورٹی، اور ترقی، جانچ، یا پیداوار کے لیے نقل پذیری میں بھی مدد کرے گا۔
AWS ماحول تک رسائی
SageMaker اور متعلقہ AI/ML سروسز کو ڈیٹا کی تیاری، ماڈل ڈیولپمنٹ، ٹریننگ، تشریح، اور تعیناتی کے لیے سیکیورٹی گارڈریلز کے ساتھ رسائی حاصل ہے۔
تنہائی اور تعاون
یہ پلیٹ فارم ڈیٹا کو الگ الگ ذخیرہ کرنے اور پروسیسنگ کرکے، غیر مجاز رسائی یا ڈیٹا کی خلاف ورزیوں کے خطرے کو کم کرکے ڈیٹا کی تنہائی کو یقینی بناتا ہے۔
پلیٹ فارم ٹیم کے تعاون کی سہولت فراہم کرتا ہے، جو کہ AI پروجیکٹس میں ضروری ہے جس میں عام طور پر کراس فنکشنل ٹیمیں شامل ہوتی ہیں، بشمول ڈیٹا سائنسدان، ڈیٹا سائنس ایڈمنز، اور MLOps انجینئرز۔
کردار پر مبنی رسائی کنٹرول۔
رول بیسڈ ایکسیس کنٹرول (RBAC) اجازتوں کا انتظام کرنے اور کرداروں اور اجازتوں کو منظم انداز میں بیان کرکے رسائی کے انتظام کو آسان بنانے کے لیے ضروری ہے۔ AWS AI/ML پروجیکٹس میں شامل مختلف افراد جیسے کہ ڈیٹا سائنس ایڈمن، ڈیٹا سائنسدان، تشریحی منتظم، تشریح کنندہ، اور MLOps انجینئر جیسے ٹیموں اور پروجیکٹوں کے بڑھنے اور کنٹرول تک رسائی حاصل کرنے کے ساتھ ہی اجازتوں کا انتظام کرنا آسان بنا دیتا ہے۔
ڈیٹا اسٹورز تک رسائی
یہ پلیٹ فارم سیج میکر کو ڈیٹا اسٹورز تک رسائی کی اجازت دیتا ہے، جو اس بات کو یقینی بناتا ہے کہ ڈیٹا کو ماڈل ٹریننگ کے لیے موثر طریقے سے استعمال کیا جا سکتا ہے اور مختلف سٹوریج کے مقامات پر ڈیٹا کو نقل کرنے یا منتقل کرنے کی ضرورت کے بغیر، اس طرح وسائل کے استعمال کو بہتر بنانے اور اخراجات کو کم کرنے کی ضرورت ہے۔
فلپس کے لیے مخصوص تشریحی ٹولز کا استعمال کرتے ہوئے تشریح
AWS AI اور ML خدمات کا ایک مجموعہ پیش کرتا ہے، جیسے SageMaker، ایمیزون سیج میکر گراؤنڈ ٹروتھ، اور ایمیزون کاگنیٹو، جو فلپس کے مخصوص اندرون خانہ تشریحی ٹولز کے ساتھ مکمل طور پر مربوط ہیں۔ یہ انضمام ڈویلپرز کو AWS ماحول میں تشریح شدہ ڈیٹا کا استعمال کرتے ہوئے ML ماڈلز کو تربیت دینے اور تعینات کرنے کے قابل بناتا ہے۔
ایم ایل ٹیمپلیٹس
AI ToolSuite پلیٹ فارم مختلف ML ورک فلوز کے لیے AWS میں ٹیمپلیٹس پیش کرتا ہے۔ یہ ٹیمپلیٹس پہلے سے ترتیب شدہ بنیادی ڈھانچے کے سیٹ اپ ہیں جو مخصوص ML استعمال کے معاملات کے مطابق ہیں اور خدمات کے ذریعے قابل رسائی ہیں جیسے سیج میکر پروجیکٹ ٹیمپلیٹس, AWS کلاؤڈ فارمیشن، اور سروس کیٹلاگ۔
فلپس گٹ ہب کے ساتھ انضمام
GitHub کے ساتھ انٹیگریشن ورژن کنٹرول، کوڈ ریویو، اور خودکار CI/CD (مسلسل انضمام اور مسلسل تعیناتی) پائپ لائنوں کے لیے ایک مرکزی پلیٹ فارم فراہم کرکے، دستی کاموں کو کم کرکے اور پیداواری صلاحیت کو بڑھا کر کارکردگی کو بڑھاتا ہے۔
بصری اسٹوڈیو کوڈ انضمام
بصری اسٹوڈیو کوڈ کے ساتھ انضمام کوڈنگ، ڈیبگنگ، اور ایم ایل پروجیکٹس کے انتظام کے لیے ایک متحد ماحول فراہم کرتا ہے۔ یہ پورے ML ورک فلو کو ہموار کرتا ہے، سیاق و سباق کی تبدیلی اور وقت کی بچت کو کم کرتا ہے۔ انضمام ٹیم کے اراکین کے درمیان تعاون کو بھی بڑھاتا ہے تاکہ وہ ایک واقف ترقیاتی ماحول میں SageMaker پروجیکٹس پر کام کر سکیں، ورژن کنٹرول سسٹم کا استعمال کریں، اور بغیر کسی رکاوٹ کے کوڈ اور نوٹ بک کا اشتراک کریں۔
ماڈل اور ڈیٹا نسب اور تولیدی صلاحیت اور تعمیل کے لیے ٹریس ایبلٹی
پلیٹ فارم ورژننگ فراہم کرتا ہے، جو وقت کے ساتھ ساتھ ڈیٹا سائنسدان کی تربیت اور انفرنس ڈیٹا میں ہونے والی تبدیلیوں پر نظر رکھنے میں مدد کرتا ہے، جس سے نتائج کو دوبارہ پیش کرنا اور ڈیٹا سیٹس کے ارتقاء کو سمجھنا آسان ہو جاتا ہے۔
پلیٹ فارم SageMaker تجرباتی ٹریکنگ کو بھی قابل بناتا ہے، جو اختتامی صارفین کو اپنے ML تجربات سے منسلک تمام میٹا ڈیٹا کو لاگ اور ٹریک کرنے کی اجازت دیتا ہے، بشمول ہائپر پیرامیٹر، ان پٹ ڈیٹا، کوڈ، اور ماڈل نمونے۔ یہ صلاحیتیں ریگولیٹری معیارات کی تعمیل کا مظاہرہ کرنے اور AI/ML ورک فلو میں شفافیت اور جوابدہی کو یقینی بنانے کے لیے ضروری ہیں۔
ریگولیٹری تعمیل کے لیے AI/ML تفصیلات کی رپورٹ تیار کرنا
AWS صنعت کے مختلف معیارات اور ضوابط کی تعمیل کے سرٹیفیکیشن کو برقرار رکھتا ہے۔ AI/ML تفصیلات کی رپورٹیں لازمی تعمیل دستاویزات کے طور پر کام کرتی ہیں، جو ریگولیٹری تقاضوں کی پابندی کو ظاہر کرتی ہیں۔ یہ رپورٹس ڈیٹاسیٹس، ماڈلز اور کوڈ کی ورژننگ کو دستاویز کرتی ہیں۔ ڈیٹا نسب، ٹریس ایبلٹی، اور تولیدی صلاحیت کو برقرار رکھنے کے لیے ورژن کنٹرول ضروری ہے، یہ سبھی ریگولیٹری تعمیل اور آڈیٹنگ کے لیے اہم ہیں۔
پروجیکٹ سطح کے بجٹ کا انتظام
پروجیکٹ کی سطح کے بجٹ کا انتظام تنظیم کو اخراجات کی حد مقرر کرنے کی اجازت دیتا ہے، غیر متوقع اخراجات سے بچنے میں مدد کرتا ہے اور اس بات کو یقینی بناتا ہے کہ ML پروجیکٹس بجٹ کے اندر رہیں۔ بجٹ کے انتظام کے ساتھ، تنظیم انفرادی منصوبوں یا ٹیموں کے لیے مخصوص بجٹ مختص کر سکتی ہے، جس سے ٹیموں کو ابتدائی طور پر وسائل کی ناکارہیوں یا غیر متوقع لاگت میں اضافے کی نشاندہی کرنے میں مدد ملتی ہے۔ بجٹ کے انتظام کے علاوہ، بیکار نوٹ بکس کو خود بخود بند کرنے کی خصوصیت کے ساتھ، ٹیم کے اراکین غیر استعمال شدہ وسائل کی ادائیگی سے گریز کرتے ہیں، جب وہ فعال طور پر استعمال میں نہیں ہوتے ہیں تو قیمتی وسائل بھی جاری کرتے ہیں، انہیں دوسرے کاموں یا صارفین کے لیے دستیاب کرتے ہیں۔
نتائج
AI ToolSuite کو فلپس میں ڈیٹا سائنسدانوں کے لیے ML کی ترقی اور تعیناتی کے لیے ایک انٹرپرائز وسیع پلیٹ فارم کے طور پر ڈیزائن اور لاگو کیا گیا تھا۔ ڈیزائن اور ترقی کے دوران تمام کاروباری اکائیوں سے مختلف ضروریات کو جمع کیا گیا اور ان پر غور کیا گیا۔ پروجیکٹ کے شروع میں، فلپس نے کاروباری ٹیموں کے چیمپینز کی نشاندہی کی جنہوں نے تاثرات فراہم کیے اور پلیٹ فارم کی قدر کا اندازہ کرنے میں مدد کی۔
درج ذیل نتائج حاصل کیے گئے:
- فلپس کے لیے صارف کو اپنانا اہم اہم اشاریوں میں سے ایک ہے۔ متعدد کاروباری اکائیوں کے صارفین کو تربیت دی گئی اور پلیٹ فارم پر آن بورڈ کیا گیا، اور 2024 میں اس تعداد میں اضافہ متوقع ہے۔
- ایک اور اہم میٹرک ڈیٹا سائنس کے صارفین کے لیے کارکردگی ہے۔ AI ToolSuite کے ساتھ، نئے ML ترقیاتی ماحول کئی دنوں کے بجائے ایک گھنٹے سے بھی کم وقت میں تعینات کیے جاتے ہیں۔
- ڈیٹا سائنس ٹیمیں قابل توسیع، محفوظ، لاگت سے موثر، کلاؤڈ بیسڈ کمپیوٹ انفراسٹرکچر تک رسائی حاصل کر سکتی ہیں۔
- ٹیمیں متوازی طور پر متعدد ماڈل ٹریننگ تجربات چلا سکتی ہیں، جس نے تربیت کے اوسط وقت کو ہفتوں سے 1–3 دن تک نمایاں طور پر کم کر دیا۔
- چونکہ ماحولیات کی تعیناتی مکمل طور پر خودکار ہے، اس کے لیے کلاؤڈ انفراسٹرکچر انجینئرز کی عملی طور پر کوئی شمولیت درکار نہیں ہے، جس سے آپریشنل اخراجات کم ہوتے ہیں۔
- AI ToolSuite کے استعمال نے اچھے ML طریقوں، معیاری ورک فلو، اور آخر سے آخر تک تولیدی صلاحیت کے استعمال کو فروغ دے کر ڈیٹا اور AI ڈیلیوری ایبلز کی مجموعی پختگی کو نمایاں طور پر بڑھایا، جو کہ صحت کی دیکھ بھال کی صنعت میں ریگولیٹری تعمیل کے لیے اہم ہے۔
تخلیقی AI کے ساتھ منتظر ہیں۔
جیسا کہ تنظیمیں AI میں اگلی جدید ترین ٹیکنالوجی کو اپنانے کی دوڑ میں لگ گئی ہیں، تنظیم کی سیکیورٹی اور گورننس پالیسی کے تناظر میں نئی ٹیکنالوجی کو اپنانا ضروری ہے۔ AI ToolSuite کا فن تعمیر فلپس میں مختلف ٹیموں کے لیے AWS میں تخلیقی AI صلاحیتوں تک رسائی کو فعال کرنے کے لیے ایک بہترین خاکہ فراہم کرتا ہے۔ ٹیمیں دستیاب فاؤنڈیشن ماڈل استعمال کر سکتی ہیں۔ ایمیزون سیج میکر جمپ اسٹارٹ، جو Hugging Face اور دیگر فراہم کنندگان کی جانب سے اوپن سورس ماڈلز کی ایک بڑی تعداد فراہم کرتا ہے۔ رسائی کنٹرول، پراجیکٹ کی فراہمی، اور لاگت کے کنٹرول کے سلسلے میں پہلے سے موجود ضروری گارڈریلز کے ساتھ، ٹیموں کے لیے SageMaker کے اندر تخلیقی AI صلاحیتوں کا استعمال شروع کرنا ہموار ہوگا۔
اس کے علاوہ، تک رسائی ایمیزون بیڈرک, جنریٹو AI کے لیے ایک مکمل طور پر منظم API سے چلنے والی سروس، پراجیکٹ کی ضروریات کی بنیاد پر انفرادی اکاؤنٹس کے لیے فراہم کی جا سکتی ہے، اور صارفین SageMaker نوٹ بک انٹرفیس کے ذریعے یا اپنے پسندیدہ IDE کے ذریعے Amazon Bedrock APIs تک رسائی حاصل کر سکتے ہیں۔
صحت کی دیکھ بھال جیسی ریگولیٹڈ سیٹنگ میں جنریٹو اے آئی کو اپنانے سے متعلق اضافی تحفظات ہیں۔ متعلقہ خطرات اور اخراجات کے خلاف جنریٹیو AI ایپلی کیشنز کے ذریعے پیدا ہونے والی قدر پر احتیاط سے غور کرنے کی ضرورت ہے۔ ایک رسک اور قانونی فریم ورک بنانے کی بھی ضرورت ہے جو تنظیم کے جنریٹیو AI ٹیکنالوجیز کے استعمال کو کنٹرول کرے۔ ڈیٹا سیکیورٹی، تعصب اور انصاف پسندی، اور ریگولیٹری تعمیل جیسے عناصر کو اس طرح کے طریقہ کار کے حصے کے طور پر غور کرنے کی ضرورت ہے۔
نتیجہ
فلپس نے صحت کی دیکھ بھال کے حل میں انقلاب لانے کے لیے ڈیٹا سے چلنے والے الگورتھم کی طاقت کو استعمال کرنے کے سفر کا آغاز کیا۔ سالوں کے دوران، تشخیصی امیجنگ میں جدت نے کئی ایم ایل ایپلی کیشنز حاصل کی ہیں، تصویر کی تعمیر نو سے لے کر ورک فلو مینجمنٹ اور علاج کی اصلاح تک۔ تاہم، سیٹ اپ کی متنوع رینج، انفرادی لیپ ٹاپ سے لے کر آن پریمیسس کلسٹرز اور کلاؤڈ انفراسٹرکچر تک، نے زبردست چیلنجز کا سامنا کیا۔ علیحدہ سسٹم ایڈمنسٹریشن، حفاظتی اقدامات، سپورٹ میکانزم، اور ڈیٹا پروٹوکول نے TCO کے جامع نظریے اور ٹیموں کے درمیان پیچیدہ تبدیلیوں کو روک دیا۔ تحقیق اور ترقی سے پیداوار کی طرف منتقلی نسب اور تولیدی صلاحیت کی کمی کی وجہ سے بوجھل تھی، جس سے ماڈل کی مسلسل تربیت کو مشکل بنا دیا گیا۔
Philips اور AWS کے درمیان اسٹریٹجک تعاون کے حصے کے طور پر، AI ToolSuite پلیٹ فارم کو SageMaker کے ساتھ ایک قابل توسیع، محفوظ، اور مطابقت پذیر ML پلیٹ فارم تیار کرنے کے لیے بنایا گیا تھا۔ یہ پلیٹ فارم تجربہ، ڈیٹا تشریح، تربیت، ماڈل کی تعیناتی، اور دوبارہ قابل استعمال ٹیمپلیٹس تک کی صلاحیتیں فراہم کرتا ہے۔ یہ تمام صلاحیتیں دریافت، ڈیزائن، تعمیر، جانچ، اور تعیناتی کے کئی چکروں میں تکراری طور پر بنائی گئی تھیں۔ اس سے متعدد کاروباری اکائیوں کو مرکزی کنٹرول کے ساتھ پیمانے پر حکومت کرتے ہوئے رفتار اور چستی کے ساتھ اختراع کرنے میں مدد ملی۔
یہ سفر صحت کی دیکھ بھال میں جدت اور کارکردگی کو آگے بڑھانے کے لیے AI اور ML کی طاقت کو بروئے کار لانے کی کوشش کرنے والی تنظیموں کے لیے ایک تحریک کا کام کرتا ہے، جس سے بالآخر دنیا بھر میں مریضوں اور دیکھ بھال فراہم کرنے والوں کو فائدہ ہوتا ہے۔ جیسا کہ وہ اس کامیابی کو آگے بڑھا رہے ہیں، فلپس اختراعی AI سے چلنے والے حل کے ذریعے صحت کے نتائج کو بہتر بنانے میں اور بھی بڑی پیش رفت کرنے کے لیے تیار ہیں۔
AWS پر فلپس کی اختراع کے بارے میں مزید جاننے کے لیے، ملاحظہ کریں۔ AWS پر فلپس.
مصنفین کے بارے میں
فرینک وارٹینا Philips Innovation & Strategy میں پروگرام مینیجر ہیں۔ وہ ہمارے Philips ڈیٹا اور AI فعال تجاویز کی حمایت میں ڈیٹا اور AI سے متعلق پلیٹ فارم اثاثوں کو مربوط کرتا ہے۔ ان کے پاس مصنوعی ذہانت، ڈیٹا سائنس اور انٹرآپریبلٹی کا وسیع تجربہ ہے۔ اپنے فارغ وقت میں، فرینک کو دوڑنا، پڑھنا اور قطار کرنا، اور اپنے خاندان کے ساتھ وقت گزارنا پسند ہے۔
ارینا فیدولووا فلپس انوویشن اینڈ اسٹریٹجی میں پرنسپل ڈیٹا اور اے آئی لیڈ ہے۔ وہ ان ٹولز، پلیٹ فارمز، اور بہترین طریقوں پر مرکوز اسٹریٹجک سرگرمیاں چلا رہی ہے جو فلپس میں (جنریٹو) AI سے چلنے والے حل کی ترقی اور پیداوار کو تیز اور پیمانہ بناتی ہے۔ ارینا کا مشین لرننگ، کلاؤڈ کمپیوٹنگ، اور سافٹ ویئر انجینئرنگ میں مضبوط تکنیکی پس منظر ہے۔ کام سے باہر، وہ اپنے خاندان کے ساتھ وقت گزارنے، سفر کرنے اور پڑھنے میں لطف اندوز ہوتی ہے۔
سیلواکمار پالنیپن Philips Innovation & Strategy میں پروڈکٹ کا مالک ہے، جو Philips HealthSuite AI اور ML پلیٹ فارم کے لیے پروڈکٹ مینجمنٹ کا انچارج ہے۔ وہ تکنیکی مصنوعات کے انتظام اور سافٹ ویئر انجینئرنگ میں انتہائی تجربہ کار ہیں۔ وہ فی الحال ایک قابل توسیع اور مطابقت پذیر AI اور ML ڈویلپمنٹ اور تعیناتی پلیٹ فارم بنانے پر کام کر رہا ہے۔ مزید برآں، وہ AI سے چلنے والے صحت کے نظام اور حل تیار کرنے کے لیے فلپس کی ڈیٹا سائنس ٹیموں کے ذریعے اسے اپنانے کی قیادت کر رہا ہے۔
عدنان ایلسی AWS پروفیشنل سروسز میں ایک سینئر کلاؤڈ انفراسٹرکچر آرکیٹیکٹ ہے۔ وہ ہیلتھ کیئر اور لائف سائنسز، فنانس، ایوی ایشن، اور مینوفیکچرنگ میں کلائنٹس کے لیے مختلف آپریشنز کی نگرانی کرتے ہوئے، ٹیک لیڈ کی حیثیت سے کام کرتا ہے۔ آٹومیشن کے لیے ان کا جوش و جذبہ AWS ماحول میں انٹرپرائز لیول کے کسٹمر سلوشنز کو ڈیزائن کرنے، بنانے اور لاگو کرنے میں ان کی وسیع شمولیت سے ظاہر ہوتا ہے۔ اپنی پیشہ ورانہ وابستگیوں سے ہٹ کر، عدنان فعال طور پر اپنے آپ کو رضاکارانہ کام کے لیے وقف کرتا ہے، کمیونٹی میں ایک بامعنی اور مثبت اثر پیدا کرنے کی کوشش کرتا ہے۔
حسن پونا والا AWS میں ایک سینئر AI/ML ماہر حل آرکیٹیکٹ ہے، حسن AWS پر پروڈکشن میں مشین لرننگ ایپلی کیشنز کو ڈیزائن اور تعینات کرنے میں صارفین کی مدد کرتا ہے۔ اس کے پاس ڈیٹا سائنٹسٹ، مشین لرننگ پریکٹیشنر، اور سافٹ ویئر ڈویلپر کے طور پر 12 سال سے زیادہ کام کا تجربہ ہے۔ اپنے فارغ وقت میں، حسن کو فطرت کی سیر کرنا اور دوستوں اور کنبہ کے ساتھ وقت گزارنا پسند ہے۔
سریوشی رائے AWS کے ساتھ ایک سینئر گلوبل انگیجمنٹ مینیجر ہے۔ ہیلتھ کیئر اور لائف سائنسز کے صارفین کے کاروباری پارٹنر کے طور پر، وہ پیچیدہ کاروباری مسائل کے حل کی وضاحت اور فراہمی میں ایک بے مثال تجربہ کے ساتھ آتی ہیں۔ وہ اپنے صارفین کو سٹریٹجک مقاصد بنانے، کلاؤڈ/ڈیٹا کی حکمت عملیوں کی وضاحت اور ڈیزائن کرنے اور ان کے تکنیکی اور کاروباری مقاصد کو پورا کرنے کے لیے سکیلڈ اور مضبوط حل کو نافذ کرنے میں مدد کرتی ہے۔ اپنی پیشہ ورانہ کوششوں کے علاوہ، اس کی لگن ہمدردی کو فروغ دینے اور شمولیت کو فروغ دے کر لوگوں کی زندگیوں پر ایک بامعنی اثر پیدا کرنے میں مضمر ہے۔
وجاہت عزیز AWS ہیلتھ کیئر اور لائف سائنسز ٹیم میں AI/ML اور HPC کے لیے رہنما ہیں۔ لائف سائنس تنظیموں کے ساتھ مختلف کرداروں میں ٹیکنالوجی لیڈر کے طور پر خدمات انجام دینے کے بعد، وجاہت نے صحت کی دیکھ بھال اور لائف سائنسز کے صارفین کو جدید ترین ML اور HPC حل تیار کرنے کے لیے AWS ٹیکنالوجیز سے فائدہ اٹھانے میں مدد کرنے کے لیے اپنے تجربے کا فائدہ اٹھایا۔ اس کی توجہ کے موجودہ شعبے ابتدائی تحقیق، کلینیکل ٹرائلز اور پرائیویسی محفوظ کرنے والی مشین لرننگ ہیں۔
ویلیٹا اسٹوبینیکا AWS پروفیشنل سروسز میں ڈیٹا سائنٹسٹ ہے۔ اپنے پورے پیشہ ورانہ کیریئر کے دوران، اس نے مختلف صنعتوں جیسے بینکنگ، انشورنس، ٹیلکو، اور پبلک سیکٹر کے لیے متعدد تجزیات پر مبنی پروجیکٹس فراہم کیے ہیں۔ اعلی درجے کے شماریاتی طریقوں اور مشین لرننگ کے بارے میں اس کا علم کاروباری ذہانت کے ساتھ اچھی طرح سے ملا ہوا ہے۔ وہ گاہکوں کے لیے قدر پیدا کرنے کے لیے حالیہ AI پیش رفت لاتی ہے۔
- SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
- پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
- پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
- پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
- پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
- ماخذ: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
