Dostarczanie powtarzalnej, mierzalnej i gotowej do użycia w przedsiębiorstwie sztucznej inteligencji dla branży nauk przyrodniczych
Dostarczanie powtarzalnej, mierzalnej i gotowej do użycia w przedsiębiorstwie sztucznej inteligencji dla branży nauk przyrodniczych
Firmy farmaceutyczne i z branży nauk przyrodniczych wykorzystują sztuczną inteligencję do ulepszania odkrywania leków, rozwoju klinicznego oraz doświadczeń pacjentów. W tego typu środowiskach regulowanych przepisami prawa kluczem do osiągnięcia przełomów wspomaganych sztuczną inteligencją i zwrotu z inwestycji (ROI) jest podejście oparte na podstawach — koncentrujące się na unifikacji danych, interoperacyjności oraz bezpieczeństwie i zarządzaniu.
W najnowszym odcinku podcastu Healthcare IT News, HIMSSCast, Rameez Chatni, globalny dyrektor ds. rozwiązań w Cloudera, wyjaśnia, że branża odchodzi od początkowego skupiania się na strategii AI i wraca do fundamentów opartych na solidnych danych.
Zapewnianie interoperacyjności w całym łańcuchu wartości
Typowa globalna organizacja farmaceutyczna obejmuje od 12 do 15 odrębnych, podobnych do przedsiębiorstw pionów — badania i rozwój, produkcja, dział komercyjny i tak dalej — a budowa zbioru danych gotowego na sztuczną inteligencję wymaga zarządzania złożonymi, rozproszonymi architekturami.
Ujednolicenie danych jest trudne, a wtłaczanie wszystkich danych do jednego, jednorodnego systemu nie jest rozwiązaniem. Zamiast tego organizacje wybierają architekturę hybrydową, która obsługuje systemy lokalne, wiele chmur i rozwiązania typu oprogramowanie jako usługa (SaaS).
Korzystanie z interoperacyjnych technologii open source, które obsługują otwarte formaty danych, gwarantuje, że wiele silników zapytań może uzyskiwać dostęp do danych na potrzeby różnych obciążeń inżynieryjnych, analitycznych i AI, a także zmniejsza ryzyko uzależnienia od dostawcy.
Ostatecznym celem unifikacji danych jest zapewnienie modelom sztucznej inteligencji kontekstu, którego potrzebują, aby połączyć punkty w całej organizacji i dostarczyć lepszych wyników. Jednym z modeli kontekstowych, z których korzysta wiele firm farmaceutycznych, jest wykres wiedzy. Ta struktura oddaje relacje w firmie — łączące leki z genami, chorobami, badaniami klinicznymi i danymi komercyjnymi — które ludziom często umykają, tworząc prawdziwie kompleksowy i użyteczny zbiór danych.
Te zaawansowane architektury opierają się jednak na jednym krytycznym, często pomijanym pierwszym kroku: inwentaryzacji danych i pochodzeniu danych. Są to niedoceniani bohaterowie i podstawowe filary, które uniemożliwiają różnym funkcjom (takim jak badania i rozwój oraz produkcja) duplikowanie licencji dla tych samych zbiorów danych i marnowanie zasobów.
Traktowanie zarządzania jako funkcji, a nie błędu
W sektorze, który stara się szybko wprowadzać innowacje za pomocą danych, zarządzanie jest często wdrażane po fakcie, w rezultacie czego projekty mogą być wstrzymywane nawet na dziewięć miesięcy. Rameez twierdzi, że zarządzanie należy traktować jako funkcję, a nie błąd. Oznacza to przekształcenie go w „zarządzanie jako usługę”, proaktywną, ciągłą zdolność w przedsiębiorstwie.
Jedynym sposobem na osiągnięcie zarządzania jako usługi jest multidyscyplinarne centrum doskonałości (CoE), które łączy liderów biznesowych, strategów danych, architektów technologii i prawników ds. prywatności / zgodności z prawem. Dzięki temu zespoły techniczne, które rozumieją sposób przenoszenia danych, mogą skutecznie komunikować się z zespołami prawnymi, które rozumieją ograniczenia związane z prywatnością i wyrażaniem zgody.
Co najważniejsze, zarządzanie powinno być stosowane wcześnie. Nieuwzględnienie zgodności z przepisami, takich jak ograniczenia dotyczące wykorzystywania danych z badań klinicznych do celów drugorzędnych, może zatrzymać cały projekt na późnym etapie. W rzeczywistości sztuczna inteligencja powinna być stosowana do samego zarządzania, aby przyspieszyć przeglądy umów i zapewnić, że kontrole zgodności są zautomatyzowane i podlegają audytowi.
Mierzenie zwrotu z inwestycji w celu osiągnięcia skali
Branża jest przepełniona relacjami z niepowodzeń pilotażowych wdrożeń sztucznej inteligencji. Organizacje, które dopiero rozpoczynają swoją podróż ku sztucznej inteligencji, powinny najpierw znaleźć operacyjne przypadki użycia AI. Automatyzacja „nudnych” zadań, takich jak pisanie protokołów z badań klinicznych (oszczędzająca tydzień na każdym z tysiąca dokumentów) lub szybsze przetwarzanie działań niepożądanych, to wyraźne, szybkie korzyści.
Rameez doradza, że sukces zaczyna się od zdefiniowania jasnego, mierzalnego zwrotu z inwestycji, który jest zgodny z działalnością. W farmacji wdrożenie kultury „szybkiego wykrywania błędów” jest zwrotem z inwestycji. Awaria obliczeniowa jest znacznie tańsza niż awaria badań klinicznych na późnym etapie.
Rameez przedstawia ten zwrot z inwestycji prosto, radząc, aby organizacje podejmowały kroki w celu szybkiego identyfikowania i rozwiązywania problemów, zanim zaczną się kumulować: „Im wcześniej napotka się problemy… tym szybciej można dojść do (rozwiązania), zanim staną się znacznie większym problemem”.
Na koniec ustandaryzuj systemy: zdefiniuj agentowe struktury, narzędzia, modele obsługi i, co najważniejsze, wyznacz jasne zasady promocji z etapu rozwoju do zatwierdzonego, podlegającego audytowi środowiska produkcyjnego.
Następna granica: spersonalizowana sztuczna inteligencja
Patrząc w przyszłość, następne trzy do pięciu lat zapowiadają jeszcze większą transformację. Będziemy świadkami wzrostu liczby personalizowanych agentów, które dostosowują interakcje i analizy do indywidualnych użytkowników.
Modele sztucznej inteligencji będą ewoluować ku jednoczesnej optymalizacji pod kątem wielu parametrów. Zamiast optymalizować tylko pod kątem skuteczności, modele będą sugerować cząsteczki, które są skuteczne, nietoksyczne, nadające się do produkcji i mają dobry okres przydatności do spożycia — wszystko jednocześnie. Być może nawet zobaczymy pierwszy dostępny w sprzedaży lek reklamowany jako „wygenerowany przez sztuczną inteligencję”.
Chcesz dowiedzieć się, jak przygotować swoją organizację na taką przyszłość? Posłuchaj pełnej rozmowy z Rameezem Chatnim, aby uzyskać wszystkie szczegóły dotyczące wdrażania sztucznej inteligencji i najlepszych praktyk.