PyTorch를 사용하여 머신러닝 프로젝트 간소화

많은 외과의사에게 수술실로 돌아가 환자에게 수행한 조치를 검토하는 것은 귀중한 의학적 통찰력을 제공할 수 있습니다.

의료 기술 회사 극장에서는 Facebook이 공동 제작한 프레임워크인 PyTorch와 머신 러닝 플랫폼인 Allegro Trains를 함께 사용하여 이제 외과의사에게 도구를 제공하고 있습니다. 과거 자신이 수행한 작업을 자세히 관찰하고 분석할 수 있으며, 주변 동료가 수행한 절차를 동영상으로 볼 수 있습니다. 세계.

"수술 지능 플랫폼"이라고 불리는 이 극장의 플랫폼은 컴퓨터 비전 기술을 사용하여 수술 중에 촬영한 비디오에서 주요 정보를 추출합니다. 데이터는 주석을 달고 편집 및 구성되어 의사가 플랫폼을 통해 핵심 단어를 입력하기만 하면 특정 내용을 검토할 수 있습니다. 외과 의사는 이 도구를 사용하여 특정 단계로 이동하거나, 중요한 순간을 다시 보거나, 특정 작업을 수행하는 데 걸린 시간과 같은 절차에 대한 분석에 액세스할 수 있습니다.

보다:2020년 기업의 AI 및 ML 관리: 기술 리더가 프로젝트 개발 및 구현을 늘립니다. (테크리퍼블릭 프리미엄)

극장의 데이터 과학자들은 여러 가지 정교한 기계 학습 모델을 사용하여 외과 의사가 제공한 비디오 콘텐츠를 색인화하고 카탈로그화합니다. 하지만 콘텐츠가 늘어나는 상황에서 모델을 수동으로 훈련하는 것이 다른 작업보다 더 어렵다는 사실을 금방 깨달았습니다. 예상됨.

"우리는 이러한 모든 프로세스를 수동으로 실행하는 것이 불가능하며 교육 파이프라인을 자동화하는 것이 반드시 필요하다는 것을 깨달았습니다."라고 새로운 블로그 게시물에서 극장의 연구 팀 책임자인 Omri Bar가 말했습니다. "이제 새로운 데이터가 들어오면 즉시 처리되어 훈련 파이프라인에 직접 공급됩니다. 작업 흐름 속도를 높이고 인적 오류를 최소화하며 연구팀이 더 중요한 작업에 집중할 수 있도록 합니다. 과제." 

기계 학습 파이프라인은 데이터 수집, 준비 및 정리, 기능 추출 또는 모델 검증을 포함한 다양한 프로세스로 구성됩니다. 이러한 작업은 전통적으로 데이터 과학자가 완료하는데 비용이 더 많이 들고 최대 몇 달이 걸릴 수 있습니다.

개발에 필요한 시간이 많이 걸리고 반복적인 작업 중 일부를 자동화합니다. 따라서 기계 학습 모델을 통해 조직은 더 적은 비용으로 기술을 보다 효율적으로 배포할 수 있습니다. 자원.

theator의 데이터 과학 팀은 기계 학습 훈련 파이프라인에서 자동화해야 하는 다양한 프로세스에 직면했습니다. 수술 분야에 맞춰진 회사 내부 관행을 통해 실험을 수행할 수 있도록 유연한 도구가 필요했습니다. 컴퓨터 비전 애플리케이션에 자주 사용되는 오픈 소스 머신 러닝 라이브러리인 Facebook의 PyTorch 프레임워크가 곧 최고의 기술로 떠올랐습니다.

Bar는 "우리는 PyTorch가 우리에게 필요한 유연성을 제공하는 최고의 프레임워크라고 판단했습니다."라고 말했습니다. "PyTorch를 사용하면 집중하려는 부품을 쉽게 분해하고 재조립할 수 있으며 마찰 없는 위에서 아래까지 디버깅 기능을 제공합니다." 

예를 들어, 팀은 PyTorch의 비디오 처리 모듈이 무거운 콘텐츠 처리를 용이하게 하는 데 유용하다는 사실을 발견했습니다. 몇 시간 동안 지속되는 수술 비디오는 일반적으로 거대한 4D 텐서로 표현되므로 소화하기 어렵습니다. 연극팀은 PyTorch를 사용하여 모델 훈련을 가속화하는 맞춤형 데이터 로딩 기능을 작성할 수 있었습니다.

Bar와 그의 팀은 이제 모델 개발부터 배포, 모델 개선까지 수술 플랫폼에 대한 기계 학습 교육의 전체 프로세스를 성공적으로 자동화했습니다. 플랫폼에는 피드백 루프가 효과적으로 포함됩니다. 최종 사용자에게 전달되는 데이터는 모델의 지속적인 교육을 위해 기존 데이터 세트 내에 다시 통합됩니다.

Bar는 "우리는 전통적인 머신러닝 방식에 의존하던 회사에서 완전히 자동화되고 확장 가능한 조직으로 발전했습니다."라고 말했습니다. "그 과정에서 연구원과 엔지니어가 진정한 부가가치가 있는 곳에 집중할 수 있게 함으로써 수많은 시간을 절약할 수 있었습니다." 

PyTorch 외에도 극장은 Allegro Trains라는 기계 학습 플랫폼도 활용하고 있습니다. 다양한 모델의 파이프라인을 통해 들어오는 데이터를 관리하고 쿼리 가능한 방식으로 구성합니다. 방법. 열차는 동시에 여러 파이프라인을 조율하여 이중 데이터를 식별하거나 새로운 소스에서 오는 콘텐츠에 플래그를 지정할 수 있습니다.

보다: 알고리즘은 우리를 감시하고 있는데 누가 알고리즘을 감시하고 있는 걸까요?

이 복잡한 기계 학습 프로세스의 반대편에서 외과 의사는 이제 버튼 클릭만으로 풍부한 새로운 데이터에 액세스할 수 있습니다. 작업의 다양한 요소를 수행하는 데 몇 분이 소요되었는지 아는 것이 기술을 개선하는 데 핵심이 될 수 있으며 향후 작업에서 정보에 근거한 결정을 내리는 데 도움이 될 수 있습니다.

결정적으로, 외과의사는 플랫폼을 사용하여 다른 전문가의 경험으로부터 배울 수도 있습니다. 연극인에 따르면 회사는 이미 10개 이상의 AI 주석이 달린 비디오 콘텐츠를 보유하고 있습니다. 수천 개의 절차에 대해 사용자가 액세스하고 찾아볼 수 있어 주어진 모든 절차에 대해 더 나은 통찰력을 얻을 수 있습니다. 작업.

수술 지능 플랫폼은 이미 텔아비브에 있는 Ichilov 병원의 수술실에 설치되었으며 회사는 이 기술이 또한 몬트리올의 공립 연구 대학 McGill을 포함하여 북미 지역의 여러 병원, 의과 대학 및 연구 센터에서 활동하고 있습니다.