بستر شناختی حماسی برای محاسبات شناختی


در سیستم های تولید یادگیری ماشین ، خود مدل تنها قسمت کوچکی از پیاده سازی است. “داربست” مورد نیاز برای راه اندازی مدل های یادگیری ماشین ، که عملیات یادگیری ماشین نیز نامیده می شود ، یا MLOps یکی دیگر از م importantلفه های مهم است.

این داربست شامل پیکربندی ، جمع آوری داده ها ، بازیابی عملکرد ، اعتبار سنجی داده ها ، مدیریت منابع ماشین ، ابزارهای تجزیه و تحلیل ، ابزارهای مدیریت فرآیند ، زیرساخت خدمات و نظارت ، دکتر Yindalon Aphinyanaphongs ، یک دستیار در بخشهای بهداشت عمومی و پزشکی در بخش طب داخلی عمومی در NYU Langone Health توضیح داد.

چگونه ابر به یادگیری ماشین کمک می کند

وی گفت: “یک روش معمول برای پیاده سازی مدل های مبتنی بر ماشین ، استفاده از منابع به عنوان زیرساخت به عنوان سرویس است.” “چندین فروشنده ابر مانند Microsoft Azure و Amazon Sagemaker راه حل هایی را ارائه می دهند که به ایجاد داربست برای استقرار مدل های مبتنی بر ماشین کمک می کند و همچنین ابزارهای زیادی برای MLOps فراهم می کند.”

علاوه بر هماهنگی پیچ و مهره های مدل ، یک چالش به دست آوردن داده ها در داخل و خارج از مدل و در یک پرونده الکترونیکی سلامت است.

“برای اجرای یک مدل دوستانه COVID-19 در سیستم عامل محاسبات شناختی Epic که از ماه مه بدون هیچ مشکلی در پس زمینه منفعلانه اجرا می شود ، حدود هفت هفته طول کشید.”

دکتر Yindalon Aphinyanaphongs ، NYU Langone Health

استانداردهای رایج مانند FHIR و HL7 می توانند ورودی را به این سرویس های خارجی منتقل کنند ، اما مشخصات دقیق برای انتشار داده های ساختمان ، به ویژه برای HL7 ، می تواند آزار دهنده باشد ، Kaza Athenianafongs.

“چالش دیگر اشتراک مدل ها است ، به همین دلیل است وی توضیح داد که NYU Langone Health می خواست با دیدگاه Epic برای آینده محاسبات شناختی همسو شود ، “Epic تصور می کند که به اشتراک گذاری مدل به ساده ترین شکل و به راحتی قابل حمل در بین سایت های مشتری باشد.

وی ادامه داد: “پلت فرم محاسبات شناختی اپیک یک راه حل پیاده سازی مدل کلید در دست است که مستقیماً با EHR ادغام می شود.”

“این پلت فرم بر نیازهای جمع آوری داده ها ، بازیابی عملکرد ، مدیریت منابع ماشین ، زیرساخت خدمات و نظارت متمرکز است. علاوه بر این ، به همان تعداد ویژگی وجود دارد که برای پیاده سازی مدل های ماشین خود نیازی به استفاده از منابع مدیریت زیرساخت نداریم. “

استخراج داده ها از EHR

این پلتفرم به چالش های فوق پاسخ داد. اول ، با مشخص کردن ستون ها در گزارش های محیط کار ، کارکنان بهداشت NYU Langone می توانند داده های خاص EHR را در زمان واقعی با طیف نسبتاً گسترده ای از تغییرات دریافت کنند.

دوم اینکه ، کارکنان با استفاده از بسته توربوشارژر همراه خود توانستند مدل را با یک شریک به اشتراک بگذارند و در عرض چند ساعت توانستند مدل را با زیرساخت کامل نصب کنند.

“سکوی Epic ایده آل است زیرا کاملا منفعل است و در پس زمینه اتفاق می افتد” Kaza Athenianafongs. “سازمان ما سازمانی است که دارای یک پلت فرم محاسبات شناختی اولیه است ، و ما همیشه قبل از در نظر گرفتن راه حل های پیاده سازی خارجی ، در نظر داریم که آیا می توانیم مدل را در زیرساختی که در ابتدا داریم پیاده کنیم.”

وی افزود که هر نقطه داده در Epic در دسترس نیست و کارکنان دارای ادغام های چند فروشنده هستند که کانال های داده آن به راه حل های اضافی نیاز دارند.

مدلی با نتیجه مطلوب برای COVID-19

“برای اجرای یک مدل دوستانه COVID-19 در حدود هفت هفته طول کشید پلت فرم محاسبات شناختی حماسی که از پس ماه مه بدون هیچ گونه گرفتگی منفعلانه در پس زمینه اجرا می شود. “ما همچنین بسته مدل ها را با دو مشتری دیگر Epic که در مراحل مختلف یافتن و پیاده سازی قهرمانان هستند ، به اشتراک گذاشتیم.”

Aphinyanaphongs به همتایان خود توصیه هایی در مورد استفاده از فن آوری های یادگیری ماشین و محاسبات شناختی ارائه می دهد.

وی توصیه کرد: “سازمان های دیگر باید به دقت ارزیابی کنند که چگونه می خواهند منابع علم داده خود را صرف کنند.”

“برای خود و تیم من ، ما می خواهیم به جای صرف وقت در زیرساخت ها و داربست ها ، منحصراً بر اثبات مفاهیم و ساختن مدل برای حل مشكلات در م institutionسسه خود تمركز كنیم. مدیریت سرور “

توییتر: SiwickiHealthIT
به نویسنده ایمیل بزنید: [email protected]
Health IT News نشریه ای از رسانه HIMSS است.




منبع: gharb-khabar.ir

Leave a reply

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>