Le traduzioni sono generate tramite traduzione automatica. In caso di conflitto tra il contenuto di una traduzione e la versione originale in Inglese, quest'ultima prevarrà.
Raccolta, archiviazione ed elaborazione dei dati nel settore delle scienze della vita
Data di pubblicazione: 20 luglio 2022 (Storia del diagramma)
Questo diagramma di architettura ti aiuta a imparare come trasferire i file di dati delle scienze della vita nel cloud e fornire l'accesso ai dati utilizzando Amazon Web Services (AWS).
Diagramma di raccolta, archiviazione ed elaborazione dei dati nel settore delle scienze biologiche
-
Un tecnico di laboratorio esegue un esperimento e i risultati vengono scritti in una cartella su un file server locale. Viene impostata un' AWS DataSync attività per sincronizzare i dati dallo storage locale a un bucket in Amazon Simple Storage Service (Amazon S3).
-
I dati vengono Cloud AWS trasferiti tramite Internet o tramite una connessione diretta a bassa latenza che evita Internet, ad esempio. AWS Direct Connect
-
On-premises i ricercatori analizzano i dati in Amazon S3 utilizzando strumenti bioinformatici esistenti utilizzando Network File System (NFS) o Server Message Block (SMB) tramite Amazon S3 File Gateway.
-
Le entità partner, come un'organizzazione di ricerca a contratto (CRO), possono caricare i risultati degli studi su Amazon S3 utilizzando FTP, SFTP o FTPS. AWS Transfer Family
-
È possibile ottimizzare lo storage scrivendo strumenti che eseguono i dati in un bucket S3 configurato per accessi occasionali. Identifica i modelli di accesso allo storage S3 per configurare in modo ottimale la politica del ciclo di vita del bucket S3 e trasferire i dati verso. Amazon Glacier
-
Utilizzando Amazon FSx for Lustre, i dati sono resi accessibili all'elaborazione ad alte prestazioni (HPC) sul cloud per la genomica, l'imaging e altri carichi di lavoro intensivi per fornire un file system condiviso a bassa latenza di millisecondi.
-
I carichi di lavoro HPC di ricerca sono orchestrati sul cloud con AWS Step Functions e AWS Batch, per l'elaborazione flessibile di unità di elaborazione centrale (CPU) e unità di elaborazione grafica (GPU) su istanze Amazon Elastic Compute Cloud (Amazon EC2) o contenitori Amazon Elastic Container Service (Amazon ECS).
-
L'apprendimento automatico è condotto con un comune toolkit di intelligenza artificiale e machine learning (AI/ML) che utilizza Amazon SageMaker AI per la progettazione delle funzionalità, l'etichettatura dei dati, l'addestramento dei modelli, l'implementazione e le operazioni di machine learning. Amazon Athena viene utilizzato per query SQL flessibili con strumenti esistenti.
Approfondimenti
Per ulteriori informazioni, consulta
Storia del diagramma
Per ricevere notifiche sugli aggiornamenti di questo diagramma di architettura di riferimento, iscriviti al feed RSS.
| Modifica | Descrizione | Data |
|---|---|---|
Pubblicazione iniziale | Diagramma dell'architettura di riferimento pubblicato per la prima volta. | 20 luglio 2022 |
Nota
Per iscriverti agli aggiornamenti RSS, devi avere un plugin RSS abilitato per il browser che stai utilizzando.
