Ezt a bejegyzést Ilan Gellerrel, Shuyu Yanggal és Richa Guptával közösen írták az Accenture-től.

Az innovatív új gyógyszerkészítmények piacra hozatala hosszú és szigorú folyamat. A vállalatoknak összetett szabályozásokkal és kiterjedt jóváhagyási követelményekkel kell szembenézniük olyan irányító testületek részéről, mint az Egyesült Államok Élelmiszer- és Gyógyszerügyi Hatósága (FDA). A benyújtási folyamat kulcsfontosságú része az olyan szabályozási dokumentumok létrehozása, mint a Közös műszaki dokumentum (CTD), egy átfogó szabványos formázott dokumentum a kérelmek, módosítások, kiegészítések és jelentések FDA-hoz történő benyújtásához. Ez a dokumentum több mint 100 rendkívül részletes technikai jelentést tartalmaz, amelyek a gyógyszerkutatás és -tesztelés során készültek. A CTD-k manuális létrehozása hihetetlenül munkaigényes, és évente akár 100,000 XNUMX órát is igénybe vesz egy tipikus nagy gyógyszergyártó cégnél. A több száz dokumentum összeállításának fáradságos folyamata is hajlamos a hibákra.

Accenture szabályozó dokumentum-készítő megoldást épített automatizált felhasználásával generatív AI amely lehetővé teszi a kutatók és tesztelők számára a CTD-k hatékony előállítását. A kulcsfontosságú adatokat a tesztelési jelentésekből kinyerve a rendszer használja Amazon SageMaker JumpStart és más AWS AI-szolgáltatások a megfelelő formátumú CTD-k előállításához. Ez a forradalmi megközelítés összesűríti a CTD-alkotásra fordított időt és erőfeszítést. A felhasználók gyorsan áttekinthetik és módosíthatják a számítógéppel generált jelentéseket a benyújtás előtt.

Az adatok és az ezzel kapcsolatos erőfeszítések érzékeny természete miatt a gyógyszergyáraknak magasabb szintű ellenőrzésre, biztonságra és auditálhatóságra van szükségük. Ez a megoldás az AWS Well-Architected elveire és irányelveire támaszkodik, hogy lehetővé tegye az ellenőrzési, biztonsági és auditálhatósági követelményeket. A felhasználóbarát rendszer a biztonság érdekében titkosítást is alkalmaz.

Az AWS generatív mesterséges intelligencia kihasználásával az Accenture célja, hogy átalakítsa a szabályozott iparágak, például a gyógyszeripar hatékonyságát. A frusztráló CTD-dokumentum-folyamat automatizálása felgyorsítja az új termékek jóváhagyását, így az innovatív kezelések gyorsabban eljuthatnak a betegekhez. Az AI jelentős előrelépést jelent.

Ez a bejegyzés áttekintést nyújt az Accenture által a SageMaker JumpStart és más AWS-szolgáltatások segítségével történő szabályozási dokumentumok készítésére kifejlesztett, teljes körű generatív AI-megoldásról.

Megoldás áttekintése

Az Accenture egy mesterséges intelligencia-alapú megoldást épített ki, amely automatikusan létrehoz egy CTD-dokumentumot a kívánt formátumban, valamint rugalmasságot biztosít a felhasználók számára a generált tartalom áttekintésére és szerkesztésére. Az előzetes érték a becslések szerint 40–45%-kal csökkenti a szerzői időt.

Ez a generatív mesterséges intelligencia alapú megoldás a tesztelési folyamat részeként készült műszaki jelentésekből kinyeri az információkat, és a központi irányító testületek által megkövetelt közös formátumban eljuttatja a részletes dossziét. A felhasználók ezt követően áttekintik és szükség esetén módosítják a dokumentumokat, és benyújtják azokat a központi irányító testületekhez. Ez a megoldás a SageMaker JumpStart AI21 Jurassic Jumbo Instruct és AI21 Summarize modelleket használja a dokumentumok kibontásához és létrehozásához.

A következő ábra a megoldás architektúráját mutatja be.

A munkafolyamat a következő lépésekből áll:

1. A felhasználó számítógépe böngészőjéből éri el a szabályozási dokumentumok készítő eszközét.
2. A React alkalmazás a következő helyen található AWS erősítés és a felhasználó számítógépéről érhető el (DNS esetén használja Amazon út 53).
3. A React alkalmazás az Amplify hitelesítési könyvtárat használja annak észlelésére, hogy a felhasználó hitelesített-e.
4. Amazon Cognito helyi felhasználói készletet biztosít, vagy egyesíthető a felhasználó aktív könyvtárával.
5. Az alkalmazás az Amplify könyvtárakat használja Amazon egyszerű tárolási szolgáltatás (Amazon S3), és feltölti a felhasználók által biztosított dokumentumokat az Amazon S3-ba.
6. Az alkalmazás kiírja a feladat részleteit (alkalmazás által generált feladatazonosító és Amazon S3 forrásfájl helye) egy Amazon Simple Queue Service (Amazon SQS) sor. Rögzíti az Amazon SQS által visszaadott üzenetazonosítót. Az Amazon SQS hibatűrő szétválasztott architektúrát tesz lehetővé. Még akkor is, ha egy feladat feldolgozása közben néhány háttérrendszeri hiba történik, az Amazon SQS-en belüli feladatrekord biztosítja a sikeres újrapróbálkozásokat.
7. Az előző kérés által visszaadott feladatazonosító és üzenetazonosító használatával az ügyfél csatlakozik a WebSocket API és elküldi a feladatazonosítót és az üzenetazonosítót a WebSocket kapcsolatnak.
8. A WebSocket elindít egy AWS Lambda funkció, amely rekordot hoz létre Amazon DynamoDB. A rekord a jobazonosító (WebSocket) kulcsérték-leképezése a kapcsolatazonosítóval és az üzenetazonosítóval.
9. Egy másik Lambda-függvény egy új üzenettel aktiválódik az SQS-sorban. A Lambda függvény beolvassa a feladatazonosítót, és meghív egy AWS lépésfunkciók munkafolyamat adatfájlok feldolgozásához.
10. A Step Functions állapotgép egy Lambda függvényt hív meg a forrásdokumentumok feldolgozásához. A függvénykód meghívja Amazon szöveg hogy elemezze a dokumentumokat. A válaszadatokat a DynamoDB tárolja. Specifikus igények alapján az adatok feldolgozásával is tárolható az Amazon S3 ill Amazon DocumentDB (MongoDB-kompatibilitással).
11. A Lambda függvény meghívja az Amazon Textract API DetectDocument-et a táblázatos adatok elemzéséhez a forrásdokumentumokból, és a kivont adatokat a DynamoDB-ben tárolja.
12. A Lambda függvény egy DynamoDB táblában tárolt leképezési szabályok alapján dolgozza fel az adatokat.
13. A Lambda függvény meghívja a prompt könyvtárakat és egy sor műveletet generatív mesterséges intelligencia használatával egy nagy nyelvi modellen keresztül. Amazon SageMaker az adatok összegzéséhez.
14. A dokumentumíró Lambda függvény konszolidált dokumentumot ír egy S3 feldolgozott mappába.
15. A job-visszahívási Lambda függvény lekéri a visszahívási kapcsolat részleteit a DynamoDB táblából, átadva a feladatazonosítót. Ezután a Lambda függvény visszahívja a WebSocket végpontot, és megadja a feldolgozott dokumentum hivatkozását az Amazon S3-ból.
16. A Lambda-függvény törli az üzenetet az SQS-sorból, hogy ne kerüljön újrafeldolgozásra.
17. A dokumentumgenerátor webmodul a JSON-adatokat Microsoft Word-dokumentummá alakítja, elmenti, és a feldolgozott dokumentumot a webböngészőben jeleníti meg.
18. A felhasználó megtekintheti, szerkesztheti és visszamentheti a dokumentumokat az S3 vödörbe a webmodulból. Ez segít a szükséges felülvizsgálatokban és javításokban, ha vannak ilyenek.

A megoldás SageMaker jegyzetfüzeteket is használ (az előző architektúrában T címkével) a tartományadaptáció végrehajtására, a modellek finomhangolására és a SageMaker végpontok üzembe helyezésére.

Következtetés

Ebben a bejegyzésben bemutattuk, hogy az Accenture hogyan használja az AWS generatív mesterséges intelligencia szolgáltatásokat egy végponttól végpontig terjedő megközelítés megvalósítására a szabályozói dokumentum-alkotási megoldás felé. Ez a megoldás a korai tesztelés során 60–65%-kal csökkentette a CTD-k készítéséhez szükséges időt. Azonosítottuk a hagyományos szabályozási szabályozó platformok hiányosságait, és keretein belül kiterjesztettük a generatív intelligenciát a gyorsabb válaszidő érdekében, és folyamatosan fejlesztjük a rendszert, miközben kapcsolatba lépünk a felhasználókkal szerte a világon. Forduljon az Accenture Center of Excellence csapatához, hogy mélyebbre merüljön a megoldásban, és telepítse azt ügyfelei számára.

Ez a generatív AI-ra összpontosító közös program segít megnövelni az Accenture és az AWS közös ügyfelei számára az értékteremtési időt. Az erőfeszítés a vállalatok közötti 15 éves stratégiai kapcsolatra épül, és ugyanazokat a bevált mechanizmusokat és gyorsítókat használja, mint a Accenture AWS Business Group (AABG).

Lépjen kapcsolatba az AABG csapattal a címen [e-mail védett] hogy az AWS-en egy intelligens adatvállalattá alakítsa át az üzleti eredményeket.

További információ az AWS használatával kapcsolatos generatív AI-ról Amazon alapkőzet vagy SageMaker, lásd Generatív mesterséges intelligencia az AWS-en: technológia és a Kezdje el a generatív mesterséges intelligenciát az AWS-en az Amazon SageMaker JumpStart segítségével.

Ön is iratkozzon fel az AWS generatív AI hírlevélre, amely oktatási forrásokat, blogokat és szolgáltatásfrissítéseket tartalmaz.

---

A szerzőkről

Ilan Geller az Accenture adat- és mesterségesintelligencia-gyakorlatának ügyvezető igazgatója. Ő az AWS globális partnervezetője az adatokért és a mesterséges intelligenciaért, valamint a Center for Advanced AIért. Az Accenture-nél betöltött szerepe elsősorban az összetett adatok, az AI/ML, illetve legutóbb a Generative AI megoldások tervezésére, fejlesztésére és szállítására összpontosult.

Shuyu Yang a Generatív AI és a Large Language Model Delivery Lead, valamint vezeti a CoE (Center of Excellence) Accenture AI (AWS DevOps professzionális) csapatait.

Richa Gupta az Accenture technológiai építésze, különféle mesterségesintelligencia-projekteket vezet. Több mint 18 éves tapasztalattal rendelkezik a Scalable AI és GenAI megoldások tervezésében. Szakterülete az AI architektúra, a felhőmegoldások és a generatív AI. Különféle presales tevékenységekben játszik és hangszeres szerepet játszik.

Shikhar Kwatra AI/ML Specialist Solutions Architect az Amazon Web Servicesnél, és egy vezető globális rendszerintegrátorral dolgozik együtt. Több mint 500 szabadalommal érdemelte ki az egyik legfiatalabb indiai mesterfeltaláló címet az AI/ML és az IoT területén. A Shikhar segítséget nyújt a szervezet költséghatékony, méretezhető felhőkörnyezeteinek tervezésében, felépítésében és karbantartásában, valamint támogatja a GSI-partnert az AWS-en alapuló stratégiai ipari megoldások kidolgozásában. Shikhar szeret gitározni, zenét komponálni, és szabadidejében gyakorolja a tudatosságot.

Sachin Thakkar az Amazon Web Services vezető megoldástervezője, egy vezető globális rendszerintegrátorral (GSI) dolgozik együtt. Több mint 23 éves tapasztalattal rendelkezik informatikai építészként és nagy intézmények technológiai tanácsadójaként. Fókuszterülete az adatok, az elemzés és a generatív AI. A Sachin építészeti útmutatást ad, és támogatja a GSI-partnert az AWS-en alapuló stratégiai ipari megoldások kidolgozásában.

• SEO által támogatott tartalom és PR terjesztés. Erősödjön még ma.
• PlatoData.Network Vertical Generative Ai. Erősítse meg magát. Hozzáférés itt.
• PlatoAiStream. Web3 Intelligence. Felerősített tudás. Hozzáférés itt.
• PlatoESG. Carbon, CleanTech, Energia, Környezet, Nap, Hulladékgazdálkodás. Hozzáférés itt.
• PlatoHealth. Biotechnológiai és klinikai vizsgálatok intelligencia. Hozzáférés itt.
• Forrás: https://aws.amazon.com/blogs/machine-learning/accenture-creates-a-regulatory-document-authoring-solution-using-aws-generative-ai-services/