Geleneksel CAD'den derin öğrenmeye dayalı görüntüleme sistemine: akıllı tıbbi bakımın uygulanması için üç büyük teknik zorluk
Xinzhiyuan Orijinal
Görüntü tanıma, derin öğrenme gibi yapay zeka teknolojisinin ilk çığır açan alanıdır.YZ ve tıbbi senaryoların birleşiminde, derin öğrenme teknolojisine dayalı tıbbi görüntülerin tanınması ve analizinin de akıllı tıbbi, doğru Tıp alanı gelişiyor ve büyük ölçekli uygulama aşamasına ilk giren.
Geleneksel CAD, doktorlar arasında popüler değil
Aslında, bilgisayar destekli tespit (kısaca CAD) insanların, özellikle sağlık çalışanlarının gözüne çok erken girmiştir. İlginç olan, uzun süre önce CAD sistemini kullanmaya çalışan radyologların, bu yeni akıllı tıbbi görüntüleme teknolojisi dalgasının tanıtımı konusunda hevesli olmamasıdır, çünkü onların izlenimine göre, geçmiş CAD temelde uzmanlara dayanıyordu. Yargılama kurallarını elle yazmak kolay değildir.
Jin Zhengyu, Çin Radyoloji Derneği başkanı ve Pekin Birliği Tıp Koleji Hastanesi Radyoloji Bölümü direktörü olarak atandı.
"En az 15 ila 20 yıl önce CAD başladı. Neden başarılı olamadı? ... Bilgisayarlarımız o zamanlar yeterince güçlü değildi. Önde gelen figürlerimiz yoktu. Sosyal talep olmasaydı başarı olmazdı. O zamanlar CAD ünlüydü. Şirket daha sonra ortadan kayboldu. O zamanlar CAD gerçekten inanılmazdı. Ancak, birkaç yıl içinde yavaş yavaş görüş alanımızdan çıktı. Dedi Çin Radyoloji Derneği yöneticisi ve Pekin Union Medical College Hastanesi Radyoloji Bölümü yöneticisi Jin Zhengyu.
Liu Shiyuan, Çin Radyoloji Derneği Başkan Yardımcısı ve Shanghai Changzheng Hastanesi Radyoloji Bölümü Direktörü
Çin Radyoloji Derneği başkan yardımcısı ve Shanghai Changzheng Hastanesi Radyoloji Bölümü müdürü Liu Shiyuan şunları söyledi: 20 yıl önce bazı bilgisayar uzmanlarıyla işbirliği yaptık. O sırada akciğer kanseri için uzman bir teşhis yapmamı istediler. Tanı koyduğum tanıya dayanarak bir sistem haline getirildi ve bilgisayar sistemi tanımladığım tanıya göre lezyonun iyi huylu mu yoksa kötü huylu mu olduğuna karar verdi. Daha sonra bu yöntemin kesinlik oranının belli olduğu ancak belli bir dereceden sonra yapılamadığı doğrulandı. Bu nedenle, gelişmeye devam etmedik.Aslında, çeşitli üreticiler, ekipmanlarında bazı yazılımlar da dahil olmak üzere, klinik çalışmalarda bizimle işbirliği yapıyorlar, amaç, klinik çalışmalarda lezyonları bulmayı ve lezyonları ölçmeyi kolaylaştırmaktır. Bu CAD'ler, bazı lezyonların ve patolojik değişikliklerin analizi dahil olmak üzere bazı küçük lezyonların keşfi de dahil olmak üzere bazı sorunları çözer. Bununla birlikte, çoğu KAH uzun zaman alır ve rutin klinik uygulamalarda büyük zorluklar vardır. "
Ancak tıbbi görüntülerin tanımlanması ve analizinde yapay zekaya olan talep giderek güçlendi. Şu anda, Çin'deki tıbbi görüntüleme verilerinin yıllık büyüme oranı yaklaşık% 30 ve radyolog sayısının yıllık büyüme oranı yaklaşık% 4,1'dir. Radyologların sayısı görüntü verilerinden çok daha az arttı. Bu, radyologlar üzerindeki görüntü verilerini işlemeye yönelik baskının gelecekte, yükü çok aşacak şekilde artacağı anlamına gelir.
Veri ve resim kaynağı: Yumurta Kabuğu Araştırma Enstitüsü
"Her gün görüntüleme muayenesi yaptığımız kişi sayısı binlerce yaşlı ... Örneğin, bir göğüs BT'si olan bir hasta için bir hastanın 200'den fazla resme, hatta 300'den fazla resme ihtiyacı var. Bir resme bakmak 3 saniye sürer. Bir hastayı gördükten sonra en çok Tongji Hastanesi, Tongji Tıp Fakültesi, Huazhong Bilim ve Teknoloji Üniversitesi Radyoloji Bölümü müdürü Profesör Xia Liming bize, "Yerli radyologlar çok zor. Sabah 8'de işe gidiyorlar ve akşam 10'a kadar meşguller. Teşhis raporu yazmak. Öğlen pek çok insan film izlerken öğle yemeğini yer. "
Profesör Xia Liming, Direktör, Radyoloji Bölümü, Tongji Hastanesi, Tongji Tıp Fakültesi, Huazhong Bilim ve Teknoloji Üniversitesi
Şu anda, derin öğrenme ve sinir ağı teknolojisi ile yapay zekanın güçlü bir şekilde güçlendirilmesi başladı.
Derin öğrenme yapay zekası, akıllı tıbbi görüntüleme için çok uygun olan özellikleri otomatik olarak bulabilir
2006 yılında sinir ağları alanında usta olan Profesör Geoffrey Hinton ve doktora öğrencileri "Bilim" ve ilgili dergilerde makaleler yayınladılar ve ilk kez "derin inanç ağı" kavramını ortaya koydular. Geleneksel eğitim yönteminden farklı olarak, "derin inanç ağı", sinir ağındaki ağırlıkların kolayca optimum çözüme yakın bir değer bulmasını ve ardından kullanmasını sağlayan bir "ön eğitim" sürecine sahiptir. Tüm ağın eğitimini optimize etmek için "ince ayar" teknolojisi. Bu iki tekniğin kullanılması, çok katmanlı bir sinir ağını eğitme süresini büyük ölçüde azaltır. Çok katmanlı sinir ağlarıyla ilgili öğrenme yöntemlerine yeni bir terim "derin öğrenme" verdi.
2012 yılında Profesör Hinton'ın araştırma ekibi, Stanford Üniversitesi'nden Profesör Li Feifei tarafından düzenlenen ImageNetILSVRC büyük ölçekli görüntü tanıma değerlendirme görevine katıldı. Görev 1,2 milyon yüksek çözünürlüklü resim ve 1.000 analoji içeriyor. Profesör Hinton'un ekibi, görüntü tanıma hata oranını% 26,2'den% 15,3'e çıkarmak için yepyeni bir çok katmanlı evrişimli sinir ağı yapısı kullandı. Bu devrim niteliğindeki teknoloji, sinir ağlarının derin öğreniminin son derece hızlı bir şekilde tıbbi ve endüstriyel alanlara sıçramasını sağladı ve bu, bu teknolojiyi kullanan bir dizi tıbbi görüntüleme şirketinin ortaya çıkmasına yol açtı.
Akıllı sağlık hizmetinin arkasındaki algoritma evrimi
Evrişimli Sinir Ağları (CNN) ve Derin Sinir Ağları (DNN) gibi derin öğrenme yöntemleri, modelin itici gücü olarak veri miktarını ve hesaplamaları kullanarak ve alıcı alanı ve ağırlık paylaşımını azaltarak insan beyninin görüntü tanıma sürecini daha gerçekçi bir şekilde simüle eder. Sinir ağının eğitilmesi gereken parametre sayısı nihayet geleneksel yöntemlerin ötesinde görüntü tanıma performansına ulaştı.
Tıp alanı için, derin öğrenmenin karakteristik işlevi otomatik olarak bulması çok yararlıdır. Görüntüler farklı biçimlerde gelir ve farklı kuruluşlardan gelir.Derin öğrenme analiz edilebilir ve işlenebilir, bu da bazı insan hatalarının ayarlanmasına izin verir. En önemli özellikleri çıkarmak için derin öğrenme yoluyla hastalıkları sınıflandırabilir, görüntüleri sınıflandırabilir ve bölümlere ayırabilir. İnsan müdahalesi olmadan, derin öğrenme algoritmaları, son derece karmaşık ve ayrıntılı olarak açıklanması zor olan tıbbi görüntülerden birçok zıt özellik bulabilir. Bu ince özellikler miyom veya polip belirtileri olabilir.
Tıbbi görüntülemeye derin öğrenmeyi uygulamak istiyorsanız, önce yaşamak için hastaneye gidin
Derin öğrenme teknolojisinin tıbbi görüntüleme alanına ilk uygulamasından bahseden Inferred Technology'nin kurucusu ve CEO'su Chen Kuan bize şunları söyledi: "2012 boyunca, Chicago Üniversitesi'nde ekonomi ve finans alanında çift doktora için çalışıyordum. O sırada çok onur duydum. Öğretmenlerin birçoğu Nobel Ödülü sahibi. Onlardan basit, soyut ve rafine bir matematiksel model öğrendim. Aslında, daha iyi açıklamamıza, simüle etmemize, tahmin etmemize ve hatta Gerçek toplumumuzdaki bazı gerçek olaylara müdahale edin.
Kuan Chen, Guxiang Technology'nin Kurucusu ve CEO'su
"Bu yüzden, doktoram sırasında derin öğrenme de dahil olmak üzere ortaya çıkan bazı yapay zeka modellerinin ekonomik ve politik alanlarda nasıl çalışabileceğini bilmekle gerçekten çok ilgileniyordum. Örneğin, 2012'de Massachusetts'ten birkaç kişiyle konuştum. Bilim ve teknolojinin küçük ortakları, derin öğrenme modelini ve makine modelini birlikte kullanarak Obama'nın o yıl başkan seçileceğini tahmin ettiler.
"O zamanlar, derin öğrenmenin hala değerini nerede oynayabileceğini bilmek istiyordum. Bu yüzden, bu soruyla, doktoram sırasında girişimcilik için bazı fırsatlar toplamak için Çin'e geri döndüm. O sırada, teknik bir kişinin, Çoğu zaman garip bir çemberin içine düşersiniz.Örneğin, teknolojinizin dünyada yenilmez olabileceğini düşünürsünüz ve her sorunu çözebilirsiniz.Ama çoğu zaman böyle bir zihniyetle bir iş kurup bir model aradığınızda, teknolojinizin Belki en temel sorunlar bile çözülemez, hiçbir sorun çözülemez.
"Bu yüzden, bunu yapacağımız için, endüstriye çok sıkı bir şekilde entegre olabilmemiz gerektiğini düşünüyoruz. Bu nedenle, bu aşamada, hayatın her kesiminden insanlarla iletişim kuracağım, ihtiyaçlarını keşfedeceğim ve acı noktalarını anlayacağım. O zaman, iletişim kurdum. Bankacılık, hükümet, güvenlik vb. Dahil birçok sektör var. Bir keresinde bir PPT sunumu yaptığımda, göstermek için bir yüz tanıma yaptım Gösteriden sonra bir radyolog geldi ve senin yaptığını söyledi. Yüz tanıma çok değerlidir, ancak radyologlarımızın böyle bir sorunu çözmesine yardımcı olabilir mi - radyoloji departmanının sorunu çözmesine yardımcı olmak için derin öğrenme teknolojisini kullanmayı önerdi.Bu yüzden çeşitli hastaneleri ziyaret ettim ve böyle bir talebin gerçek olduğunu gördüm Varoluş aynı zamanda hem doktorların çalışmalarını hem de hastaların mutluluğunu etkileyen bir acı noktasıdır. "
Bu nedenle, bunun bir başlangıç noktası olmasıyla Chen Kuan, tüm dikkatini akıllı tıbbi görüntülemede derin öğrenmenin uygulanmasına verdi. "2015'in başında, tıp sektöründe makine öğrenimi hakkında konuşan az sayıda insan vardı ve kimse derin öğrenmeden bahsetmiyordu. Birçok hastane özellikle yeni teknolojilerle ilgileniyor, ancak işbirliğine çok fazla zaman ve enerji yatırmaya gerçekten istekli olan hastaneler çok Sınırlı. Bu nedenle, bu süre zarfında, Pekin, Şanghay ve Guangzhou'dan, büyük başkentlerdeki en iyi hastaneler de dahil olmak üzere birçok hastaneyi ziyaret ettim ve çok sayıda hastaneyi ziyaret ettim. Bununla birlikte, işbirliği yapmak isteyen hastane sayısı nispeten az. 2015 Nisanına kadar, Sichuan İl Halk Hastanesini (bu aynı zamanda ilk kooperatif hastanemiz) bizimle çok yönlü işbirliğine başlaması için başarıyla ikna ettim. O zamanlar kaynaklarımız nispeten sınırlıydı ve şu anda bizi destekleyen çok fazla ortak yok gibi. Üç kişi de hastaneye girdi.Hastane çevresinde özellikle perişan bir daire kiraladık. İki veya üç kişi her gün doktorlarla çalışmaya gitti, birlikte işten ayrıldı, birlikte fazla mesai yaptı ve hastanede BT sorunlarını birlikte çözdü ve herkesle bir oldu. Tatillerde herkes tatildeydi, hastanenin acil servisi hala açıktı ve doktorla fazla mesai yaptık.
"Bu sürecin çok uzun olduğunu ve temelde çalışma ortamının çok iyi olmadığını düşünüyorum. Ancak, öyle bir süreçte ki, derin öğrenmenin en son teknolojisini, çok gelişmiş kavramları ve ne yapmalıyım? Hastanenin nispeten geleneksel, nispeten muhafazakar, nispeten daha güvenli ve mahremiyete odaklandığı benzersiz bir BT ortamında kök salmakta ve değer üretmektedir. Bugüne kadar geliştirdik, aslında, böyle bir deneyim bizim için çok yararlıdır.
"Sichuan Eyalet Halk Hastanesinin ilk deneyimi ve ilk sonuçlarıyla, kademeli olarak gelişmeye başladık. Mart 2016'da Alpha Dog'un ortaya çıkışı, derin öğrenmenin yavaş yavaş halkın görüş alanına girmesine de izin verdi, bu nedenle geliştirme hızımız da artıyor. Daha erken. 2014'ten 2017'ye kadar Beijing Union Medical College, Wuhan Tongji, Shanghai Long March, Dalian Zhongshan ve diğer hastaneler arasında derin bir işbirliği başlattık.Şirketin tıbbi görüntüleme destekli teşhis konusundaki olumlu ilerlemesi, sermaye piyasasının da lehine oldu. Innolux Technology, Şubat 2016'da Inno Capital, Zhenyun Venture Capital ve Kuaidi CEO'su Lu Chuanwei'den 12,5 milyon melek turu finansmanı aldı. 2017 yılının Ocak ayında Innovative Technology, Sequoia Capital liderliğindeki bir A turu ve GF Securities tarafından ortak bir yatırım aldı. 50 milyon finansman. "
Radyoloji bölümü müdüründen geri bildirim: hızlı ve doğru
Tongji Hastanesi Radyoloji Bölümü Direktörü Profesör Xia Liming, ortaya çıkarılan bilim ve teknoloji ile işbirliği deneyiminden söz ederken şunları söyledi: "1990'larda makine destekli teşhis de yaptık, ancak canlılığı kısaydı. İnsan desteğine dayanıyordu. Lezyonun büyüklüğünü tanımlıyoruz ve teşhis için puanlıyoruz.Bu teşhis insanlara dayanıyor.Ama Chen Kuan bize mevcut derin öğrenmenin öğrenebilen ve bilgiyi artırabilen yapay bir sinir ağı sistemine sahip olduğunu tanıttı. , Bu ilk nokta;
İkincisi, buradaki bilgi, bir görüntüyü oluşturan en temel birim olan piksel seviyesine dayanmaktadır. Görüntümüzün piksel çözünürlüğü ne kadar yüksekse, sonuç o kadar bilimseldir. Chen Kuan'ın ekibi Amerika Birleşik Devletleri'ndeki prestijli üniversitelerden geldi. O zamanlar ona çok güveniyorduk. Geçen yıl Mayıs ayında gerçekten işbirliği yaptık ve yazılımı Ekim'de gördük. 110.000 X-ışınını ve 3.000'den fazla CT'yi görmek için kullandık. O zamanki sonuç, lezyonları bulmak için doğru röntgen oranının% 92'den fazla olması ve BT'nin% 95'in üzerinde olması olmalıdır. O zaman şaşırdık. Bu kadar kısa sürede tanınma yeteneği çok kuvvetlidir. Bu yüzden bunun çok umut verici olduğunu hissettik. Yani bize verilen izlenim hızlı olduğu. Az önce söylediğimiz gibi, bir kişinin BT'sine bakıyoruz. Akciğerlerden akciğerlere kadar on dakika ila yarım saat sürüyor. Ekipmanımız 5 saniye sürüyor. Bu sefer çok büyük. Kısaltın, bu ikinci nokta;
Aynı zamanda, üç milimetre içindeki küçük lezyonlar için, insan gözü onu kolayca gözden kaçırabilir, ancak bilgisayarın onu tanıma yeteneği nispeten güçlüdür. Ayrıca, lezyonun yoğunluğu yüksekse, onu görmemiz bizim için kolaydır, ancak yoğunluk normalden sadece biraz daha yüksekse, insan gözünün şu anda onu tanıması zor olacaktır, ancak bir bilgisayarın onu tanıması daha kolay olacaktır. Bu yüzden ilk kullanım hissimiz oldukça iyi. Ek olarak, fikirlerimizi sık sık aralıklarla iletir ve ortaya koyarız.Örneğin, lezyonun hacmi, alanı ve yoğunluğundaki değişiklikleri ve ilaç uygulandıktan sonra kontrast maddesinin ne kadar arttığını ölçmeniz gerekir. Bunlar teşhisimiz için bilgi sağlayacaktır. Teknolojinin yavaş yavaş fikirlerimizi gerçekleştirdiği ve ürünleri giderek geliştirdiği varsayılmaktadır. Bu, benim ön işbirliği deneyimim. "
Shanghai Changzheng Hastanesi Radyoloji Bölümü müdürü Liu Shiyuan, bilim ve teknolojideki işbirliğinin etkisini yorumladı ve çıkardı: "Changzheng Hastanesinde 6.000'den fazla çok merkezli tarama vakasının sonuçlarına göre, markörümüzün oluşturduğu modelin doğruluk oranı 85'e ulaştı. Yüzde üzerinde, bu sonuç bizim için hala çok heyecan verici. Ekipman donanımının geliştirilmesiyle, sinir ağlarının daha da evrimleşmesiyle, veri miktarı arttıkça doğruluk ve hassasiyetin daha da artacağına inanıyorum. "
Öyleyse, teknik bir perspektiften, tıbbi görüntülerin tanınması ve analizine derin öğrenme uygulama sürecinde karşılaşılan temel zorluklar nelerdir? Bu soruyu akılda tutarak, Inferred Technology'nin kurucusu ve CEO'su Chen Kuan ile özel bir röportaj gerçekleştirdik.
Sürekli dikkat gerektiren üç teknik zorluk
Chen Kuan'ın bu konuda büyük bir sözü var.
"İlk olarak, tıbbi görüntülerle karşılaştırıldığında, geleneksel ImageNet görüntüleri yüksek çözünürlüklü değildir ve tanınması gereken nesneler, görüntünün tamamının nispeten büyük bir bölümünü kaplar. . Örneğin, ImageNet'in görüntü çözünürlüğü 299 X 299 olabilir ve tanınacak nesneler görüntünün% 70-80'ini kaplar. Tıbbi görüntülemede, X-ray'in ortak görüntü çözünürlüğü, ImageNet'in yaklaşık 100 katı olan 3000 X 3000'dir; CT'nin ortak çözünürlüğü ise 512 X 512'dir, 300 ~ 400 ile çarpılır ve hatta mümkün olduğu kadar fazladır. On binlerce uçak. Yüksek çözünürlüğe ve yüksek boyutluluğa sahiptir. Bazen üç boyutlu, fMRI veya hatta dört boyutludur ve zaman içindeki değişikliklerle koordine edilmesi gerekir. Yüksek çözünürlüğe ve yüksek boyutluluğa sahiptir Buradaki zorluk, tanımlanması gereken nodüllerin görüntüde yalnızca çok çok küçük bir alanı kaplamasıdır. Bu büyük bir darboğaz ve tanımlama güçlüğüdür ve aynı zamanda araştırmacıların çözmeye çalıştığı bir sorundur. Çözümümüz, tıbbi görüntü tanımaya daha uygun bir model bulmak ve algılama alanını küçültmeye çalışmaktır. Ancak bu, yanlış pozitifleri artıracak ve nodüllere benzer tüm kan damarlarını bulacak, böylece doktorlar onları kullanmaktan hoşlanmayacak. Bu nedenle, hassasiyeti artırırken yanlış pozitiflerin nasıl azaltılacağı büyük bir teknik zorluktur.
"İkinci zorluk, doktorların teşhis sürecinde sistemin yargılarının nedenini bilmelerinin gerekmesidir. Ancak derin öğrenme sürecinin bir kara kutu olduğunu biliyoruz, modelin yorumlanabilirliğinin nasıl artırılacağı aslında tıbbi modeller için çözülmesi gereken bir acı noktasıdır. Bu seviyede herkesin iyi bir çözümü olmayabilir. Geçen yıl Dikkat Modeli adı verilen popüler bir yöntem vardı. Dikkat modeli, ilgili teşhisi koymadan önce gördüklerini belli bir dereceye kadar bize söyleyebilir. Bu biraz yorumlanabilirlik sağlayabilir, ancak bu hala dikkat etmemiz ve çalışmaya devam etmemiz gereken bir sorundur.
"Üçüncü zorluk, doğrudan derin öğrenme teknolojisiyle ilgili olmayabilir, ancak teknolojinin konuşlandırılması ve inişiyle ilgilidir. Hastanenin BT ortamının belirli bir özelliği olması ve derin öğrenme araştırması ve diğer görevler için ortamdan çok farklı olmasıdır. Örneğin, derin öğrenme modelimiz yükseltildi ve bazı yeni yöntemler ortaya çıktı.Normal şartlar altında, teknik personelimiz soru sormak ve kaynakları bulmak için GitHub'a gidebilir. Bununla birlikte, hastanenin BT ortamı güvenlik, istikrar ve mahremiyete büyük önem vermektedir ve hastane verilerinin, özellikle hasta verilerinin hastane ortamının dışına çıkarılmasına izin verilmez. Şimdi, programlarımızdan biri yükseltilirse, onu doğrudan sisteme ekleyemiyoruz, bunun yerine, önce hastaneyle ilgili onay sürecinden geçmeli ve sisteme yavaşça eklemeden önce BT ekolojisine uymalıyız. Bu çalışma şekli, açık kaynaklı bir ortamda çalışmaya alışkın birçok geliştirici için çok pratik bir problem olabilir. Geçtiğimiz dönemde, derin öğrenme modelimizin hastanenin benzersiz BT ortamında daha iyi büyümesini sağlamak için kendi mekanizmalarımızı da oluşturduk. Elbette, bu öncelikle hastanedeki gerçek durumun anlaşılmasına dayanmalıdır.
En önemli şey yayına girmek. İlk günlerde yapmaya başladığımız zamandan bir hikaye paylaşıyorum. O zamanlar Sichuan İl Halk Hastanesine birkaç aylığına yeni girmiştik. İki ay sonra modelimizi inceledik. O zamanki durum yayınlandı, sonuca baktığımda doğruluk oranı% 99.9 idi, o zaman ilk hissim şirketimizin gelecek yıl listelenebileceğiydi. Daha sonra, doğruluk oranını artırmak bu kadar kolay olsa herkesin yapabileceğini düşündüm, sonra dikkatlice gözlemledik ve çözdük ve sonunda çok temel bir sorunu yanlış yaptığımızı gördük. Sorun şu ki, hastanenin BT sistemini anlamıyoruz Hastanedeki tüm sistemler arasındaki veriler birbirine bağlı. Verilerin birbirine bağlanmasının arkasında bir dizi mantık var, ancak bu mantık çok karmaşık. Hastanemizin farklı bölümlerindeki kişiler herhangi bir bölümde bu konuyu açıklığa kavuşturamayabilir, o zamanlar bu ekolojiyi ve veri akışı sürecini anlamıyorduk, bu yüzden çok temel bir ilişki konusunda yanlış bir şeyler yaptık. Sorun, yani çok büyük bir oolong vardı.
Bence en önemli şey, bu sektörün derinliklerine inebilmek, uzmanları anlamak, günlük raporlar yazan doktorların karşılaştığı sıkıntıları anlamak, hastane BT sistemindeki tüm farklı ekolojiyi anlamak ve ekolojide farklı insanlarla nasıl başa çıkılacağını düşünüyorum. Yapay zeka yapan bu insanların karşılaştığı en büyük zorluk budur. Amerika Birleşik Devletleri ve Birleşik Krallık'ta bu bölümleri incelediğimde, temelde verileri çok temiz bir şekilde temizledim ve iyi modellerle makaleler yayınladım. Ancak bu sektöre gerçekten girdiğinizde, çok fazla detayın modelin etkisiz kalmasına veya iyi sonuçların tükenmesine neden olabileceğini göreceksiniz. Bu yüzden bu bağlantıda, kullanıcılarımızla içeri girebilmek, daha derine inebilmek ve büyümek için en büyük zorluk olduğunu düşünüyorum. "
Xinzhiyuan İşe Alım
Pozisyon: Hesap Yöneticisi
Yıllık maaş pozisyonu: 120.000-250.000 (Maaş + ikramiye)
İş yeri: Pekin-Haidian Bölgesi
Departman: Müşteri Departmanı
Rapor: Hesap Direktörü
Çalışma hayatı: 3 yıl
Dil: İngilizce + Mandarin
Eğitim gereksinimleri: tam zamanlı lisans eğitimi
iş tanımı:
Müşteri ihtiyaçlarını ve şirket marka konumlandırmasını doğru bir şekilde kavrayın, işbirliği planlarını planlayın ve yazın;
Aktif düşünme, yaratıcı, güçlü metin kontrol yeteneği, PPT kullanımında uzman, iyi görsel değerlendirme ve performans yeteneği, mükemmel PS yeteneği en iyisidir;
Hevesli ve neşeli, kişiler arası iletişimde iyi, iyi iletişim ve işbirliği becerileri ve ekip ruhu;
Mükemmel aktivite hazırlama ve uygulama yeteneği, baskıya ve uyarlanabilirliğe karşı güçlü direnç, yüksek yoğunluklu çalışmaya uyum;
4A, bir halkla ilişkiler şirketinde çalışma deneyimi tercih edilir
Özellikle yapay zeka başta olmak üzere yüksek teknolojiye yoğun ilgi duyanlar için bonus puan.
İş sorumlulukları:
Planın uygulanmasını sağlamak için amir tarafından atanan projenin ilerlemesine katılın, yönetin ve takip edin. İlgili politika ve sistemlerin uygulanmasında üst seviyeye formüle edin, katılın veya yardımcı olun. Şirkete düzenli olarak doğru pazar bilgileri ve müşteri bilgileri sağlayın, müşteri ihtiyaçlarını analiz edin, belirlenen şirketin kilit müşterileriyle ilişkilerini sürdürün ve yeni işler geliştirmek için aktif olarak fırsatlar arayın. Müşteri veritabanını oluşturun ve yönetin, ilgili bilgileri izleyin ve analiz edin.
Başvuru e-postası: jobs@aiera.com.cn
HR WeChat: 13552313024
Xinzhiyuan, yüksek ideallere sahip insanları görüşmeye davet ediyor, daha fazla işe alım pozisyonu için lütfen tıklayın Xinzhiyuan İşe Alım Görünüm.
