详细内容或原文请订阅后点击阅览
Sonrai 如何使用 Amazon SageMaker AI 加速精准医学试验
在这篇文章中，我们探讨了生命科学 AI 公司 Sonrai 如何与 AWS 合作，使用 Amazon SageMaker AI 构建强大的 MLOps 框架，以应对这些挑战，同时保持受监管环境中所需的可追溯性和可重复性。
来源:亚马逊云科技 _机器学习在精准医学中，开发用于早期疾病检测的诊断测试的研究人员面临着严峻的挑战：数据集包含数千个潜在的生物标志物，但只有数百个患者样本。这种维度的诅咒可以决定突破性发现的成败。
现代生物信息学使用多种组学模式（基因组学、脂质组学、蛋白质组学和代谢组学）来开发早期疾病检测测试。该行业的研究人员也经常面临数据集的挑战，其中特征数量比样本数量多出几个数量级。随着考虑新的模式，排列呈指数级增加，使实验跟踪成为一项重大挑战。此外，源代码控制和代码质量是整个机器学习架构的关键任务方面。如果没有有效的机器学习操作 (MLOps) 流程，这一点可能会被忽视，特别是在周期的早期发现阶段。
在这篇文章中，我们探讨了生命科学 AI 公司 Sonrai 如何与 AWS 合作，使用 Amazon SageMaker AI 构建强大的 MLOps 框架，以应对这些挑战，同时保持受监管环境中所需的可追溯性和可重复性。
MLOps 概述
MLOps 结合了 ML、DevOps 和数据工程实践，可以在生产中可靠、高效地部署和维护 ML 系统。
从一开始就实施 MLOps 最佳实践可以实现更快的实验迭代以及可靠、可追踪的模型部署，所有这些对于治理和验证至关重要的医疗保健技术公司来说都是至关重要的。
Sonrai 的数据挑战
解决方案概述
端到端 MLOps 工作流程遵循清晰的路径：