Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.
▪ Francisco García
Jefe de la Unidad de Bioinformática y Bioestadística del Centro de
Investigación Príncipe Felipe
▪ Javi...
Atos: Visión de la Inteligencia Artificial
El reto de la IA no es solo hacer máquinas que piensen si no encontrar el
camin...
What is our approach?
Enterprise
Computing
3Y roadmap with a meeting point
on Quantum roadmap
High
Performance
Computing
E...
Open Source project in Ystia organization: https://github.com/ystia
Studio – FastML UI
Dataset Management
• Upload /rename / download /delete datasets
• Set a relative path for trainings
• A...
Forge – Boost your AI development
Big DataDeep LearningDevelopment
Forge
▶ Pre-trained models for enabling transfer learni...
AUTOMATED DEEP-LEARNING ENGINE
MODEL
MANAGEMENT
DATA SETS
MANAGEMENT
INFERENCE
MANAGEMENT
DL FRAMEWORK
MANAGEMENT
RESOURCE...
HPC Job
Scheduler
Virtual
Machines
Container as
a Service
Public
Cloud
Host Pool
▶ Fast application deployment on multiple...
Francisco García-García
fgarcia@cipf.es
Plataforma de IA para
Medicina de Precisión
Tecnologías de alto rendimiento y
Medicina de Precisión
Tecnologías de alto rendimiento y
Medicina de Precisión
Tecnologías de alto rendimiento y
Medicina de Precisión
¿Qué necesitamos?
Datos
FAIR
¿Qué necesitamos?
Datos
FAIR
Métodos
¿Qué necesitamos?
Datos
FAIR
Métodos Clúster
Casos de uso
1.Detección precoz de tumores
Datos ómicos
AprendizajeDatos ómicos
1.Detección precoz de tumores
AprendizajeDatos ómicos
1.Detección precoz de tumores
AprendizajeDatos ómicos Predicción
¿?
● ¿Tumor? S/N
● Localización
● Fase
● + Info
1.Detección precoz de tumores
2. Soledad y salud
Soledad en el
envejecimiento
2. Soledad y salud
Soledad en el
envejecimiento
2. Soledad y salud
Soledad en el
envejecimiento
3. Imagen biomédica
Esquizofrenia
3. Imagen biomédica
Esquizofrenia
Radiomics
Gracias por vuestra atención
Francisco García y Javier Bau - Plataforma de IA para Medicina de Precisión
Francisco García y Javier Bau - Plataforma de IA para Medicina de Precisión
Ha terminado este documento.
Descárguela y léala sin conexión.
Próximo SlideShare
What to Upload to SlideShare
Siguiente
Próximo SlideShare
What to Upload to SlideShare
Siguiente
Descargar para leer sin conexión y ver en pantalla completa.

Compartir

Francisco García y Javier Bau - Plataforma de IA para Medicina de Precisión

Descargar para leer sin conexión

Ponencia: Plataforma de IA para Medicina de Precisión - Jornada "Estrategia IT en las Administraciones Públicas" – SI2019

Libros relacionados

Gratis con una prueba de 30 días de Scribd

Ver todo
  • Sé el primero en recomendar esto

Francisco García y Javier Bau - Plataforma de IA para Medicina de Precisión

  1. 1. ▪ Francisco García Jefe de la Unidad de Bioinformática y Bioestadística del Centro de Investigación Príncipe Felipe ▪ Javier Bau Director de producto Big Data en Atos Iberia PLATAFORMA DE IA PARA MEDICINA DE PRECISIÓN
  2. 2. Atos: Visión de la Inteligencia Artificial El reto de la IA no es solo hacer máquinas que piensen si no encontrar el camino para expandir la inteligencia humana. Hoy en día, la inteligencia humana por sí sola ya no es suficiente para entender y explorar el diluvio de datos de los que somos testigos. Cada dieciocho meses, el volumen de datos que producimos se duplica. Este crecimiento es el combustible de la revolución de la IA, pero tres condiciones debe cumplirse para que las organizaciones la adopten plenamente. • Primero, necesitan identificar las situaciones y casos de uso donde AI tiene más sentido y aporta el mayor valor. • Segundo, necesitan tener acceso a herramientas y potencia de cómputo para procesar y explorar estas enormes cantidades de datos. • Por último, deben asegurarse de que pueden manejar la IA De la forma más adecuada y segura.
  3. 3. What is our approach? Enterprise Computing 3Y roadmap with a meeting point on Quantum roadmap High Performance Computing Edge Computing Next gen memory & node controler New components targeting Exascale New use cases 2017 2018 2019 2020 BullSequana S (2 to 32 CPU + 2 to 32 GPU) Machine Intelligence (with Siemens) BullSequana X (GPU blades) Knowledge Integration Google Alliance (ML Engine & APIs in the Cloud) Pocket Computer Prototype (embedded computing) EPI (European Processor Initiative with Vector acceleration) EPI (European Processor Initiative with Deep Learning acceleration) READY READY READY READY Data Lake Appliance (also used in Prescriptive SOC) READY READY
  4. 4. Open Source project in Ystia organization: https://github.com/ystia
  5. 5. Studio – FastML UI Dataset Management • Upload /rename / download /delete datasets • Set a relative path for trainings • Archive file • Choose datasets • Select wished resources (CPU,GPU, RAM) • Monitoring choice (tensorboard) • Set hyper parameters range • Set metadata with our trainings • Launch a model training Experiments Management • Monitoring session handled by tensorboard • Training logs are stored in an user context Trainings Management
  6. 6. Forge – Boost your AI development Big DataDeep LearningDevelopment Forge ▶ Pre-trained models for enabling transfer learning ▶ Use cases for fast end-to-end deployment ▶ Technological components for setting-up user specific environment and use case Typical technical components proposed in the open source forge
  7. 7. AUTOMATED DEEP-LEARNING ENGINE MODEL MANAGEMENT DATA SETS MANAGEMENT INFERENCE MANAGEMENT DL FRAMEWORK MANAGEMENT RESOURCE MANAGEMENT TRAINING MANAGEMENT FastML engine Speed up Go-to-market ▶ Speed up ML trainings ▶ Provide automation for low added-value tasks ▶ Provide industrial functionalities for model development (experience traceability)
  8. 8. HPC Job Scheduler Virtual Machines Container as a Service Public Cloud Host Pool ▶ Fast application deployment on multiple environments ▶ Use of High Performance Data Analytics resources for large scale trainings ▶ Use of cloud resources for other stages like reporting, visualization Orchestrator Orchestrator
  9. 9. Francisco García-García fgarcia@cipf.es Plataforma de IA para Medicina de Precisión
  10. 10. Tecnologías de alto rendimiento y Medicina de Precisión
  11. 11. Tecnologías de alto rendimiento y Medicina de Precisión
  12. 12. Tecnologías de alto rendimiento y Medicina de Precisión
  13. 13. ¿Qué necesitamos? Datos FAIR
  14. 14. ¿Qué necesitamos? Datos FAIR Métodos
  15. 15. ¿Qué necesitamos? Datos FAIR Métodos Clúster
  16. 16. Casos de uso
  17. 17. 1.Detección precoz de tumores Datos ómicos
  18. 18. AprendizajeDatos ómicos 1.Detección precoz de tumores
  19. 19. AprendizajeDatos ómicos 1.Detección precoz de tumores
  20. 20. AprendizajeDatos ómicos Predicción ¿? ● ¿Tumor? S/N ● Localización ● Fase ● + Info 1.Detección precoz de tumores
  21. 21. 2. Soledad y salud Soledad en el envejecimiento
  22. 22. 2. Soledad y salud Soledad en el envejecimiento
  23. 23. 2. Soledad y salud Soledad en el envejecimiento
  24. 24. 3. Imagen biomédica Esquizofrenia
  25. 25. 3. Imagen biomédica Esquizofrenia Radiomics
  26. 26. Gracias por vuestra atención

Ponencia: Plataforma de IA para Medicina de Precisión - Jornada "Estrategia IT en las Administraciones Públicas" – SI2019

Vistas

Total de vistas

137

En Slideshare

0

De embebidos

0

Número de embebidos

0

Acciones

Descargas

1

Compartidos

0

Comentarios

0

Me gusta

0

×