זהו בלוג משותף עם AWS ופיליפס.

פיליפס היא חברת טכנולוגיית בריאות המתמקדת בשיפור חייהם של אנשים באמצעות חדשנות משמעותית. מאז 2014, החברה מציעה ללקוחותיה את Philips HealthSuite Platform שלה, שמתזמרת עשרות שירותי AWS שחברות שירותי בריאות ומדעי החיים משתמשות בהן כדי לשפר את הטיפול בחולים. היא משתפת פעולה עם ספקי שירותי בריאות, סטארט-אפים, אוניברסיטאות וחברות אחרות כדי לפתח טכנולוגיה שעוזרת לרופאים לבצע אבחנות מדויקות יותר ולהעניק טיפול מותאם אישית יותר למיליוני אנשים ברחבי העולם.

אחד המניעים המרכזיים של אסטרטגיית החדשנות של פיליפס הוא בינה מלאכותית (AI), המאפשרת יצירת מוצרים ושירותים חכמים ומותאמים אישית שיכולים לשפר תוצאות בריאותיות, לשפר את חווית הלקוח ולייעל את היעילות התפעולית.

אמזון SageMaker מספק כלים ייעודיים עבור פעולות למידת מכונה (MLOps) כדי לסייע באוטומציה וסטנדרטיזציה של תהליכים לאורך מחזור החיים של ML. עם הכלים של SageMaker MLOps, צוותים יכולים בקלות לאמן, לבדוק, לפתור בעיות, לפרוס ולנהל מודלים של ML בקנה מידה כדי להגביר את הפרודוקטיביות של מדעני נתונים ומהנדסי ML תוך שמירה על ביצועי המודל בייצור.

בפוסט זה, אנו מתארים כיצד פיליפס שיתפה פעולה עם AWS כדי לפתח AI ToolSuite - פלטפורמת ML ניתנת להרחבה, מאובטחת ותואמת ב- SageMaker. פלטפורמה זו מספקת יכולות החל מניסויים, הערות נתונים, הדרכה, פריסות מודלים ותבניות לשימוש חוזר. כל היכולות הללו בנויות כדי לעזור למספר קווי עסקים לחדש במהירות ובזריזות תוך שליטה בקנה מידה עם בקרות מרכזיות. אנו מתארים את מקרי השימוש העיקריים שסיפקו דרישות לאיטרציה הראשונה של הפלטפורמה, רכיבי הליבה והתוצאות שהושגו. אנו מסכמים בזיהוי המאמצים המתמשכים לאפשר לפלטפורמה עומסי עבודה של בינה מלאכותית ולהכניס במהירות משתמשים וצוותים חדשים לאמץ את הפלטפורמה.

הקשר לקוח

פיליפס משתמשת בבינה מלאכותית בתחומים שונים, כגון הדמיה, אבחון, טיפול, בריאות אישית וטיפול מקושר. כמה דוגמאות לפתרונות התומכים בינה מלאכותית שפיתחה פיליפס במהלך השנים האחרונות:

• פיליפס SmartSpeed - טכנולוגיית הדמיה מבוססת AI עבור MRI המשתמשת באלגוריתם AI למידה עמוקה מבוסס Compressed-SENSE כדי לקחת את המהירות ואיכות התמונה לשלב הבא עבור מגוון גדול של מטופלים
• פיליפס eCareManager - פתרון בריאות טלפון המשתמש בבינה מלאכותית כדי לתמוך בטיפול וניהול מרחוק של חולים קשים ביחידות טיפול נמרץ, על ידי שימוש באנליטיקה מתקדמת ואלגוריתמים קליניים לעיבוד נתוני המטופל ממקורות רבים, ומתן תובנות, התראות והמלצות ניתנות לפעולה עבור צוות טיפול
• פיליפס סוניקר - מברשת שיניים חכמה המשתמשת בינה מלאכותית כדי לנתח את התנהגות הצחצוח ובריאות הפה של המשתמשים, ולספק הדרכה בזמן אמת והמלצות מותאמות אישית, כגון זמן צחצוח, לחץ וכיסוי מיטביים, כדי לשפר את היגיינת השיניים ולמנוע חורים ומחלות חניכיים .

במשך שנים רבות, פיליפס הייתה חלוצה בפיתוח אלגוריתמים מונעי נתונים כדי לתדלק את הפתרונות החדשניים שלה על פני רצף שירותי הבריאות. בתחום ההדמיה האבחונית, פיליפס פיתחה שפע של יישומי ML לשחזור ופרשנות של תמונה רפואית, ניהול זרימת עבודה ואופטימיזציה של טיפול. גם בניטור חולים, טיפול מונחה תמונה, אולטרסאונד ובריאות אישית יצרו אלגוריתמים ויישומים של ML. עם זאת, החדשנות נבלמה עקב שימוש בסביבות פיתוח AI מפוצלות בין צוותים. סביבות אלו נעו ממחשבים ניידים ומחשבים שולחניים בודדים ועד אשכולות חישוביים מקומיים מגוונים ותשתיות מבוססות ענן. ההטרוגניות הזו אפשרה תחילה לצוותים שונים לנוע מהר במאמצי פיתוח הבינה המלאכותית המוקדמים שלהם, אך כעת מעכבת הזדמנויות להרחיב ולשפר את היעילות של תהליכי פיתוח הבינה המלאכותית שלנו.

היה ברור ששינוי מהותי לעבר סביבה מאוחדת וסטנדרטית היה הכרחי כדי לשחרר באמת את הפוטנציאל של מאמצים מונעי נתונים בפיליפס.

מקרי שימוש מרכזיים ב-AI/ML ודרישות פלטפורמה

הצעות התומכות בבינה מלאכותית/ML יכולות לשנות את שירותי הבריאות על ידי אוטומציה של משימות ניהוליות שבוצעו על ידי רופאים. לדוגמה:

• AI יכול לנתח תמונות רפואיות כדי לעזור לרדיולוגים לאבחן מחלות מהר יותר ומדויק יותר
• בינה מלאכותית יכולה לחזות אירועים רפואיים עתידיים על ידי ניתוח נתוני מטופלים ושיפור טיפול פרואקטיבי
• בינה מלאכותית יכולה להמליץ ​​על טיפול אישי המותאם לצרכי המטופלים
• בינה מלאכותית יכולה לחלץ ולבנות מידע מהערות קליניות כדי להפוך את רישום הרשומות ליעילה יותר
• ממשקי AI יכולים לספק תמיכה למטופל עבור שאילתות, תזכורות ובודקי סימפטומים

בסך הכל, AI/ML מבטיח מופחתת טעויות אנוש, חיסכון בזמן ובעלויות, אופטימיזציה של חוויות מטופלים והתערבויות מותאמות בזמן.

אחת הדרישות המרכזיות לפלטפורמת הפיתוח והפריסה של ML הייתה היכולת של הפלטפורמה לתמוך בתהליך הפיתוח והפריסה האיטרטיביים המתמשכים, כפי שמוצג באיור הבא.

פיתוח נכסי הבינה המלאכותית מתחיל בסביבת מעבדה, שבה הנתונים נאספים ואוצרים, ולאחר מכן המודלים מאומנים ומאומתים. כאשר הדגם מוכן ומאושר לשימוש, הוא נפרס לתוך מערכות הייצור בעולם האמיתי. לאחר הפריסה, ביצועי המודל מנוטרים באופן רציף. הביצועים והמשוב בעולם האמיתי משמשים בסופו של דבר לשיפורי מודל נוספים עם אוטומציה מלאה של ההדרכה והפריסה של המודל.

הדרישות המפורטות יותר של AI ToolSuite נבעו על ידי שלושה מקרי שימוש לדוגמה:

• פתח יישום ראייה ממוחשבת שמטרתו זיהוי אובייקטים בקצה. צוות מדעי הנתונים ציפה שזרימת עבודה אוטומטית מבוססת בינה מלאכותית של הערות תמונה יזרז תהליך תיוג שגוזל זמן רב.
• אפשר לצוות מדעי נתונים לנהל משפחה של מודלים קלאסיים של ML לצורך ביצוע השוואת נתונים סטטיסטיים על פני מספר יחידות רפואיות. הפרויקט דרש אוטומציה של פריסת מודל, מעקב אחר ניסויים, ניטור מודל, ועוד שליטה על כל התהליך מקצה לקצה הן עבור ביקורת והן להכשרה מחדש בעתיד.
• שפר את האיכות והזמן לשוק עבור מודלים של למידה עמוקה בהדמיה רפואית אבחנתית. תשתית המחשוב הקיימת לא אפשרה להפעיל ניסויים רבים במקביל, מה שעיכב את פיתוח המודל. כמו כן, למטרות רגולטוריות, יש צורך לאפשר שחזור מלא של הכשרת מודלים למשך מספר שנים.

דרישות לא פונקציונליות

בניית פלטפורמת AI/ML ניתנת להרחבה וחזקה דורשת התייחסות מדוקדקת של דרישות לא פונקציונליות. דרישות אלו חורגות מהפונקציונליות הספציפיות של הפלטפורמה ומתמקדות בהבטחת הדברים הבאים:

• בקרת מערכות ותקשורת – פלטפורמת AI ToolSuite חייבת להיות מסוגלת להרחיב את תשתית יצירת התובנות של פיליפס בצורה יעילה יותר, כך שהפלטפורמה תוכל להתמודד עם נפח גדל והולך של נתונים, משתמשים ועומסי עבודה AI/ML מבלי להקריב את הביצועים. זה צריך להיות מתוכנן לקנה מידה אופקית ואנכית כדי לעמוד בדרישות הגדלות בצורה חלקה תוך מתן ניהול משאבים מרכזי.
• ביצוע - הפלטפורמה חייבת לספק יכולות מחשוב בעלות ביצועים גבוהים לעיבוד יעיל של אלגוריתמי AI/ML מורכבים. SageMaker מציעה מגוון רחב של סוגי מופעים, כולל מופעים עם GPUs חזקים, שיכולים להאיץ משמעותית את משימות הדרכה ומשימות הסקת מודלים. זה גם צריך למזער את זמן האחזור וזמני תגובה כדי לספק תוצאות בזמן אמת או כמעט בזמן אמת.
• אמינות - הפלטפורמה חייבת לספק תשתית AI אמינה וחזקה במיוחד המשתרעת על פני מספר אזורי זמינות. ארכיטקטורת ריבוי AZ זו אמורה להבטיח פעולות בינה מלאכותית ללא הפרעה על ידי הפצת משאבים ועומסי עבודה בין מרכזי נתונים שונים.
• זמינות – הפלטפורמה חייבת להיות זמינה 24/7, עם זמן השבתה מינימלי לתחזוקה ושדרוגים. הזמינות הגבוהה של AI ToolSuite צריכה לכלול איזון עומסים, ארכיטקטורות סבילות לתקלות וניטור יזום.
• ביטחון וממשל – על הפלטפורמה להפעיל אמצעי אבטחה חזקים, הצפנה, בקרות גישה, תפקידים ייעודיים ומנגנוני אימות עם ניטור רציף אחר פעילויות חריגות וביצוע ביקורות אבטחה.
• ניהול נתונים - ניהול נתונים יעיל הוא חיוני עבור פלטפורמות AI/ML. התקנות בתעשיית הבריאות דורשות ממשל נתונים קפדני במיוחד. זה צריך לכלול תכונות כמו גירסאות נתונים, שושלת נתונים, ניהול נתונים והבטחת איכות נתונים כדי להבטיח תוצאות מדויקות ואמינות.
• יכולת פעולה הדדית – הפלטפורמה צריכה להיות מתוכננת כך שתשתלב בקלות עם מאגרי הנתונים הפנימיים של פיליפס, מה שמאפשר חילופי נתונים חלקים ושיתוף פעולה עם יישומי צד שלישי.
• תחזוקת – הארכיטקטורה ובסיס הקוד של הפלטפורמה צריכים להיות מאורגנים היטב, מודולריים וניתנים לתחזוקה. זה מאפשר למהנדסים ולמפתחים של Philips ML לספק עדכונים, תיקוני באגים ושיפורים עתידיים מבלי לשבש את המערכת כולה.
• אופטימיזציה של משאבים - הפלטפורמה צריכה לפקח מקרוב על דוחות ניצול כדי לוודא שמשאבי מחשוב מנוצלים ביעילות ולהקצות משאבים באופן דינמי על בסיס ביקוש. בנוסף, על פיליפס להשתמש בכלים של AWS Billing and Cost Management כדי לוודא שהצוותים מקבלים הודעות כאשר השימוש עובר את סכום הסף שהוקצה.
• ניטור ורישום - הפלטפורמה צריכה להשתמש אמזון CloudWatch התראות על יכולות ניטור ורישום מקיפות, הנחוצות למעקב אחר ביצועי המערכת, זיהוי צווארי בקבוק ופתרון בעיות ביעילות.
• מענה לארועים - הפלטפורמה יכולה גם לעזור לשפר את התאימות לרגולציה של הצעות התומכות בינה מלאכותית. ניתנות לשחזור ועקיבות חייבות להיות מופעלות באופן אוטומטי על ידי צינורות עיבוד הנתונים מקצה לקצה, שבהם ניתן להכין באופן אוטומטי חפצי תיעוד חובה, כגון דוחות שושלת נתונים וכרטיסי מודל.
• בדיקה ותיקוף - יש להקפיד על נהלי בדיקה ואימות קפדניים כדי להבטיח את הדיוק והאמינות של מודלים של AI/ML ולמנוע הטיות לא מכוונות.

סקירת פתרונות

AI ToolSuite היא סביבת פיתוח AI מקצה לקצה, ניתנת להרחבה ומהירה, המציעה את SageMaker מקורית ושירותי AI/ML משויכים עם מעקות האבטחה והפרטיות של Philips HealthSuite ושילובי מערכות אקולוגיות של Philips. ישנן שלוש פרסונות עם קבוצות ייעודיות של הרשאות גישה:

• מדען נתונים – הכנת נתונים, ופיתוח והכשרת מודלים במרחב עבודה שיתופי
• מהנדס ML - ייצור יישומי ML עם פריסת מודלים, ניטור ותחזוקה
• מנהל מדעי הנתונים - צור פרויקט לכל בקשת צוות כדי לספק סביבות מבודדות ייעודיות עם תבניות ספציפיות לשימוש במקרה

פיתוח הפלטפורמה השתרע על מחזורי שחרור מרובים במחזור איטרטיבי של גילוי, תכנון, בנייה, בדיקה ופריסה. בשל הייחודיות של יישומים מסוימים, הרחבת הפלטפורמה דרשה הטמעת רכיבים מותאמים אישית קיימים כמו מאגרי נתונים או כלים קנייניים להערות.
האיור הבא ממחיש את ארכיטקטורת שלוש השכבות של AI ToolSuite, כולל תשתית הבסיס כשכבה הראשונה, רכיבי ML נפוצים כשכבה השנייה ותבניות ספציפיות לפרויקט כשכבה השלישית.

שכבה 1 מכילה את תשתית הבסיס:

• שכבת רשת עם גישה פרמטרית לאינטרנט בזמינות גבוהה
• אספקת שירות עצמי עם תשתית כקוד (IaC)
• סביבת פיתוח משולבת (IDE) באמצעות an סטודיו SageMaker של אמזון תחום
• תפקידי פלטפורמה (מנהל מדעי נתונים, מדען נתונים)
• אחסון חפצים
• רישום וניטור לצפייה

שכבה 2 מכילה רכיבי ML נפוצים:

• מעקב ניסויים אוטומטי לכל עבודה וצינור
• צינור בניית מודל להשקת עדכון בניית מודל חדש
• צינור הדרכה למודל המורכב מאימון מודל, הערכה, רישום
• צינור פריסת מודל לפריסת המודל לבדיקה ואישור סופיים
• רישום מודלים לניהול קל של גרסאות מודל
• תפקיד פרויקט שנוצר במיוחד עבור מקרה שימוש נתון, להקצאה למשתמשי SageMaker Studio
• מאגר תמונות לאחסון תמונות מיכל עיבוד, הדרכה ומסקנות שנבנו עבור הפרויקט
• מאגר קוד לאחסון חפצי קוד
• פרויקט שירות אחסון פשוט של אמזון (Amazon S3) דלי לאחסון כל נתוני הפרויקט והחפצים

שכבה 3 מכילה תבניות ספציפיות לפרויקט שניתן ליצור עם רכיבים מותאמים אישית כנדרש על ידי פרויקטים חדשים. לדוגמה:

• תבנית 1 – כולל רכיב לשאילתת נתונים ומעקב אחר היסטוריה
• תבנית 2 - כולל רכיב להערות נתונים עם זרימת עבודה מותאמת אישית של הערות לשימוש בכלי הערות קנייני
• תבנית 3 - כולל רכיבים לתמונות מיכל מותאמות אישית כדי להתאים אישית הן את סביבת הפיתוח והן את שגרות ההדרכה, מערכת קבצים ייעודית HPC וגישה מ-IDE מקומי עבור משתמשים

התרשים הבא מדגיש את שירותי המפתח של AWS המשתרעים על פני מספר חשבונות AWS לפיתוח, שלב וייצור.

בסעיפים הבאים, אנו דנים ביכולות המפתח של הפלטפורמה המופעלות על ידי שירותי AWS, כולל SageMaker, קטלוג השירות של AWS, CloudWatch, AWS למבדה, מרשם מיכל אלסטי של אמזון (Amazon ECR), Amazon S3, AWS זהות וניהול גישה (IAM), ואחרים.

תשתית כקוד

הפלטפורמה משתמשת ב-IaC, המאפשר לפיליפס להפוך את האספקה ​​והניהול של משאבי תשתית לאוטומטיים. גישה זו תסייע גם לשחזור, מדרגיות, בקרת גרסאות, עקביות, אבטחה וניידות לפיתוח, בדיקה או ייצור.

גישה לסביבות AWS

ל-SageMaker ולשירותי AI/ML הנלווים יש גישה עם מעקות בטיחות להכנת נתונים, פיתוח מודלים, הדרכה, הערות ופריסה.

בידוד ושיתוף פעולה

הפלטפורמה מבטיחה בידוד נתונים על ידי אחסון ועיבוד בנפרד, ומפחיתה את הסיכון לגישה לא מורשית או לפרצות נתונים.

הפלטפורמה מאפשרת שיתוף פעולה בין צוותים, שהוא חיוני בפרויקטים של בינה מלאכותית הכוללים בדרך כלל צוותים מגוונים, כולל מדעני נתונים, מנהלי מדעי נתונים ומהנדסי MLOps.

בקרת גישה מבוססת תפקיד

בקרת גישה מבוססת תפקידים (RBAC) חיונית בניהול הרשאות ופישוט ניהול הגישה על ידי הגדרת תפקידים והרשאות בצורה מובנית. זה מקל על ניהול ההרשאות ככל שצוותים ופרויקטים גדלים ובקרת גישה עבור אנשים שונים המעורבים בפרוייקטים של AWS AI/ML, כגון מנהל מדעי הנתונים, מדען נתונים, מנהל הערות, מציין ומהנדס MLOps.

גישה למאגרי מידע

הפלטפורמה מאפשרת ל-SageMaker גישה למאגרי נתונים, מה שמבטיח שניתן לנצל את הנתונים ביעילות לצורך אימון והסקת מודל ללא צורך בשכפול או העברה של נתונים על פני מיקומי אחסון שונים, ובכך מייעל את ניצול המשאבים ומפחית עלויות.

הערה באמצעות כלי ביאור ספציפיים ל-Philips

AWS מציעה חבילה של שירותי AI ו-ML, כגון SageMaker, האמת של אמזון SageMaker, ו אמזון קוגניטו, המשולבים במלואם עם כלי ביאור פנימיים ספציפיים ל-Philips. אינטגרציה זו מאפשרת למפתחים לאמן ולפרוס מודלים של ML באמצעות הנתונים המוערים בתוך סביבת AWS.

תבניות ML

פלטפורמת AI ToolSuite מציעה תבניות ב-AWS עבור זרימות עבודה שונות של ML. תבניות אלו הן הגדרות תשתית מוגדרות מראש המותאמות למקרי שימוש ספציפיים ב-ML והן נגישות באמצעות שירותים כמו תבניות פרויקט SageMaker, AWS CloudFormation, וקטלוג שירותים.

אינטגרציה עם Philips GitHub

אינטגרציה עם GitHub משפרת את היעילות על ידי אספקת פלטפורמה מרכזית לבקרת גרסאות, סקירות קוד וצינורות CI/CD אוטומטיים (שילוב מתמשך ופריסה רציפה), הפחתת משימות ידניות והגברת הפרודוקטיביות.

אינטגרציה של Visual Studio Code

אינטגרציה עם Visual Studio Code מספקת סביבה מאוחדת לקידוד, איתור באגים וניהול פרויקטי ML. זה מייעל את כל זרימת העבודה של ML, מפחית את החלפת ההקשר וחוסך זמן. האינטגרציה גם משפרת את שיתוף הפעולה בין חברי הצוות בכך שהיא מאפשרת להם לעבוד על פרויקטים של SageMaker יחד בתוך סביבת פיתוח מוכרת, תוך שימוש במערכות בקרת גרסאות ושיתוף קוד ומחברות בצורה חלקה.

שושלת מודלים ונתונים ועקיבות לשחזור ותאימות

הפלטפורמה מספקת גרסאות, שעוזרת לעקוב אחר שינויים בהכשרה ונתוני ההסקות של מדען הנתונים לאורך זמן, מה שמקל על שחזור תוצאות והבנת האבולוציה של מערכי הנתונים.

הפלטפורמה גם מאפשרת מעקב אחר ניסויים של SageMaker, המאפשר למשתמשי קצה לרשום ולעקוב אחר כל המטא נתונים הקשורים לניסויי ה-ML שלהם, כולל היפרפרמטרים, נתוני קלט, קוד וחפצי מודל. יכולות אלו חיוניות להדגמת עמידה בתקנים רגולטוריים והבטחת שקיפות ואחריות בתהליכי עבודה של AI/ML.

הפקת דוחות מפרט AI/ML לעמידה ברגולציה

AWS שומרת על אישורי תאימות לתקנים ותקנות תעשייתיות שונות. דוחות מפרטי AI/ML משמשים תיעוד תאימות חיוני, המציגים עמידה בדרישות הרגולטוריות. דוחות אלה מתעדים את ניהול הגרסה של מערכי נתונים, מודלים וקוד. בקרת גרסאות חיונית לשמירה על שושלת נתונים, עקיבות ושחזור, כולם קריטיים לעמידה ברגולציה ולביקורת.

ניהול תקציב ברמת הפרויקט

ניהול תקציב ברמת הפרויקט מאפשר לארגון להגדיר מגבלות על הוצאות, עוזר למנוע עלויות בלתי צפויות ולהבטיח שפרויקטי ה-ML יישארו בתקציב. עם ניהול תקציב, הארגון יכול להקצות תקציבים ספציפיים לפרויקטים או צוותים בודדים, מה שעוזר לצוותים לזהות חוסר יעילות במשאבים או עליות בלתי צפויות בשלב מוקדם. בנוסף לניהול התקציב, עם התכונה לכיבוי אוטומטי של מחברות סרק, חברי הצוות נמנעים מתשלום עבור משאבים שאינם בשימוש, וגם משחררים משאבים יקרי ערך כאשר הם אינם בשימוש פעיל, מה שהופך אותם לזמינים למשימות או למשתמשים אחרים.

תוצאות

AI ToolSuite תוכננה והוטמעה כפלטפורמה כלל ארגונית לפיתוח ופריסה של ML עבור מדעני נתונים ברחבי פיליפס. דרישות מגוונות מכל היחידות העסקיות נאספו ונחשבו במהלך התכנון והפיתוח. בתחילת הפרויקט, פיליפס זיהתה אלופים מהצוותים העסקיים שסיפקו משוב ועזרו להעריך את הערך של הפלטפורמה.

הושגו התוצאות הבאות:

• אימוץ משתמשים הוא אחד האינדיקטורים המובילים עבור פיליפס. משתמשים ממספר יחידות עסקיות הוכשרו והוכנסו לפלטפורמה, ומספר זה צפוי לגדול ב-2024.
• מדד חשוב נוסף הוא היעילות עבור משתמשי מדעי הנתונים. עם AI ToolSuite, סביבות פיתוח ML חדשות נפרסות תוך פחות משעה במקום מספר ימים.
• צוותי מדעי הנתונים יכולים לגשת לתשתית מחשוב ניתנת להרחבה, מאובטחת, חסכונית, מבוססת ענן.
• צוותים יכולים להריץ ניסויי אימון מרובים במקביל, מה שהפחית משמעותית את זמן האימון הממוצע משבועות ל-1-3 ימים.
• מכיוון שפריסת הסביבה היא אוטומטית לחלוטין, היא אינה דורשת כמעט מעורבות של מהנדסי תשתית הענן, מה שהפחית את עלויות התפעול.
• השימוש ב-AI ToolSuite שיפר משמעותית את הבשלות הכוללת של נתונים ותוצרי בינה מלאכותית על-ידי קידום השימוש בפרקטיקות ML טובות, זרימות עבודה סטנדרטיות ושחזור מקצה לקצה, שהוא קריטי לעמידה ברגולציה בתעשיית הבריאות.

מצפה קדימה עם AI גנרטיבי

בעוד ארגונים דוהרים לאמץ את המצב החדש ביותר בתחום הבינה המלאכותית, הכרחי לאמץ טכנולוגיה חדשה בהקשר של מדיניות האבטחה והממשל של הארגון. הארכיטקטורה של AI ToolSuite מספקת תוכנית מצוינת לאפשר גישה ליכולות AI גנרטיביות ב-AWS עבור צוותים שונים בפיליפס. צוותים יכולים להשתמש במודלים של בסיס שזמינים עם אמזון SageMaker JumpStart, המספקת מספר עצום של דגמי קוד פתוח מבית Hugging Face וספקים אחרים. עם מעקות הבטיחות הדרושים כבר במקום במונחים של בקרת גישה, אספקת פרויקטים ובקרת עלויות, זה יהיה חלק עבור צוותים להתחיל להשתמש ביכולות הבינה המלאכותית הגנרטיביות בתוך SageMaker.

בנוסף, גישה ל סלע אמזון, שירות מונחה API מנוהל במלואו עבור AI גנרטיבי, ניתן לספק עבור חשבונות בודדים בהתבסס על דרישות הפרויקט, והמשתמשים יכולים לגשת לממשקי ה-API של Amazon Bedrock או דרך ממשק הנייד של SageMaker או דרך ה-IDE המועדף עליהם.

ישנם שיקולים נוספים הנוגעים לאימוץ של AI גנרטיבי בסביבה מוסדרת, כגון שירותי בריאות. יש לשקול היטב את הערך שנוצר על ידי יישומי בינה מלאכותית מול הסיכונים והעלויות הנלוות. יש גם צורך ביצירת מסגרת סיכון וחוקית המסדירה את השימוש של הארגון בטכנולוגיות בינה מלאכותית. אלמנטים כמו אבטחת מידע, הטיה והגינות ועמידה ברגולציה צריכים להיחשב כחלק ממנגנונים כאלה.

סיכום

פיליפס יצאה למסע של רתימת הכוח של אלגוריתמים מונעי נתונים כדי לחולל מהפכה בפתרונות הבריאות. במהלך השנים, חדשנות בהדמיה אבחנתית הניבה מספר יישומי ML, משחזור תמונה לניהול זרימת עבודה ואופטימיזציה של הטיפול. עם זאת, מגוון ההגדרות המגוון, ממחשבים ניידים בודדים ועד אשכולות מקומיים ותשתיות ענן, הציב אתגרים אדירים. ניהול מערכת נפרד, אמצעי אבטחה, מנגנוני תמיכה ופרוטוקול נתונים מנעו תצוגה מקיפה של TCO ומעברים מסובכים בין צוותים. המעבר ממחקר ופיתוח לייצור היה כבד על ידי היעדר שושלת ושיחזור, מה שהקשה על הסבה מתמשכת של מודלים.

כחלק משיתוף הפעולה האסטרטגי בין פיליפס ל-AWS, פלטפורמת AI ToolSuite נוצרה כדי לפתח פלטפורמת ML ניתנת להרחבה, מאובטחת ותואמת עם SageMaker. פלטפורמה זו מספקת יכולות החל מניסויים, הערות נתונים, הדרכה, פריסות מודלים ותבניות לשימוש חוזר. כל היכולות הללו נבנו באופן איטרטיבי על פני מספר מחזורים של גילוי, תכנון, בנייה, בדיקה ופריסה. זה עזר למספר יחידות עסקיות לחדש במהירות ובזריזות תוך שליטה בקנה מידה עם בקרות מרכזיות.

מסע זה משמש השראה לארגונים המעוניינים לרתום את הכוח של AI ו-ML כדי להניע חדשנות ויעילות בתחום הבריאות, ובסופו של דבר להועיל לחולים ולספקי טיפול ברחבי העולם. ככל שהם ממשיכים להתבסס על הצלחה זו, פיליפס עומדת לעשות צעדים גדולים עוד יותר בשיפור התוצאות הבריאותיות באמצעות פתרונות חדשניים התומכים בבינה מלאכותית.

למידע נוסף על חדשנות פיליפס ב-AWS, בקר פיליפס ב-AWS.

---

על המחברים

פרנק ורטנה הוא מנהל תוכניות בחברת Philips Innovation & Strategy. הוא מתאם נתונים ונכסי פלטפורמה הקשורים לבינה מלאכותית לתמיכה בהצעות שלנו לנתונים ובינה מלאכותית של פיליפס. יש לו ניסיון רחב בבינה מלאכותית, מדעי נתונים ויכולת פעולה הדדית. בזמנו הפנוי, פרנק נהנה לרוץ, לקרוא ולחתור ולבלות עם משפחתו.

אירינה פדולובה הוא מוביל נתונים ובינה מלאכותית ב- Philips Innovation & Strategy. היא מניעה פעילויות אסטרטגיות המתמקדות בכלים, בפלטפורמות ובפרקטיקות המומלצות שמאיצות ומרחיבות את הפיתוח והייצור של פתרונות (גנרטיביים) התומכים בבינה מלאכותית בפיליפס. לאירינה יש רקע טכני חזק בלמידת מכונה, מחשוב ענן והנדסת תוכנה. מחוץ לעבודה, היא נהנית לבלות עם משפחתה, לטייל ולקרוא.

סלבאקומאר פלאניאפאן הוא בעל מוצר ב- Philips Innovation & Strategy, אחראי על ניהול המוצר עבור פלטפורמת Philips HealthSuite AI & ML. הוא בעל ניסיון רב בניהול מוצר טכני והנדסת תוכנה. כעת הוא עובד על בניית פלטפורמת פיתוח ופריסה של AI ו-ML ניתנת להרחבה ותואמת. יתר על כן, הוא עומד בראש האימוץ שלו על ידי צוותי מדעי הנתונים של פיליפס במטרה לפתח מערכות בריאות מונעות בינה מלאכותית ופתרונות.

עדנאן אלצ'י הוא ארכיטקט תשתיות ענן בכיר בשירותים מקצועיים של AWS. הוא פועל בתפקיד של מוביל טכנולוגי, מפקח על פעולות שונות עבור לקוחות בתחום הבריאות ומדעי החיים, פיננסים, תעופה וייצור. ההתלהבות שלו מאוטומציה ניכרת במעורבותו הרבה בתכנון, בנייה והטמעה של פתרונות לקוחות ברמה הארגונית בתוך סביבת AWS. מעבר למחויבויותיו המקצועיות, עדנאן מתמסר באופן פעיל לעבודה התנדבותית, שואף ליצור השפעה משמעותית וחיובית בתוך הקהילה.

חסן פונוואלה הוא ארכיטקט פתרונות מומחה AI/ML בכיר ב-AWS, Hasan עוזר ללקוחות לתכנן ולפרוס יישומי למידת מכונה בייצור ב-AWS. יש לו למעלה מ-12 שנות ניסיון בעבודה כמדען נתונים, מתרגל למידת מכונה ומפתח תוכנה. בזמנו הפנוי, חסן אוהב לחקור את הטבע ולבלות עם חברים ובני משפחה.

סראושי רוי הוא מנהל מעורבות גלובלית בכיר עם AWS. כשותפה עסקית ללקוחות הבריאות ומדעי החיים, היא מגיעה עם ניסיון שאין שני לו בהגדרה ומתן פתרונות לבעיות עסקיות מורכבות. היא עוזרת ללקוחותיה להציב יעדים אסטרטגיים, להגדיר ולעצב אסטרטגיות ענן/נתונים וליישם את הפתרון המותאם והחזק כדי לעמוד ביעדים הטכניים והעסקיים שלהם. מעבר למאמציה המקצועיים, מסירותה טמונה ביצירת השפעה משמעותית על חייהם של אנשים על ידי טיפוח אמפתיה וקידום הכללות.

וג'האת עזיז הוא מוביל עבור AI/ML ו-HPC בצוות הבריאות ומדעי החיים של AWS. לאחר ששימש כמוביל טכנולוגי בתפקידים שונים עם ארגוני מדעי החיים, Wajahat ממנף את ניסיונו כדי לעזור ללקוחות שירותי בריאות ומדעי החיים למנף את טכנולוגיות AWS לפיתוח פתרונות ML ו-HPC חדישים. תחומי המיקוד הנוכחיים שלו הם מחקר מוקדם, ניסויים קליניים ולמידת מכונה לשמירה על הפרטיות.

ויולטה סטוביניצקה הוא מדען נתונים בשירותים מקצועיים של AWS. במהלך הקריירה המקצועית שלה, היא העבירה מספר רב של פרויקטים מונעי ניתוח עבור תעשיות שונות כגון בנקאות, ביטוח, טלקו והמגזר הציבורי. הידע שלה בשיטות סטטיסטיות מתקדמות ולמידת מכונה משולב היטב עם חוש עסקי. היא מביאה התקדמות בינה מלאכותית עדכנית כדי ליצור ערך ללקוחות.

• הפצת תוכן ויחסי ציבור מופעל על ידי SEO. קבל הגברה היום.
• PlatoData.Network Vertical Generative Ai. העצים את עצמך. גישה כאן.
• PlatoAiStream. Web3 Intelligence. הידע מוגבר. גישה כאן.
• PlatoESG. פחמן, קלינטק, אנרגיה, סביבה, שמש, ניהול פסולת. גישה כאן.
• PlatoHealth. מודיעין ביוטכנולוגיה וניסויים קליניים. גישה כאן.
• מקור: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/