Это совместный блог AWS и Philips.

Philips — компания, занимающаяся технологиями в области здравоохранения, стремящаяся улучшить жизнь людей посредством значимых инноваций. С 2014 года компания предлагает клиентам свою платформу Philips HealthSuite, которая управляет десятками сервисов AWS, которые компании в области здравоохранения и медико-биологических наук используют для улучшения ухода за пациентами. Компания сотрудничает с поставщиками медицинских услуг, стартапами, университетами и другими компаниями для разработки технологий, которые помогают врачам ставить более точные диагнозы и предоставлять более персонализированное лечение миллионам людей во всем мире.

Одним из ключевых факторов инновационной стратегии Philips является искусственный интеллект (ИИ), который позволяет создавать интеллектуальные и персонализированные продукты и услуги, которые могут улучшить результаты в области здравоохранения, повысить качество обслуживания клиентов и оптимизировать операционную эффективность.

Создатель мудреца Амазонки предоставляет специальные инструменты для операций машинного обучения (MLOps), помогающие автоматизировать и стандартизировать процессы на протяжении всего жизненного цикла машинного обучения. С помощью инструментов SageMaker MLOps команды могут легко обучать, тестировать, устранять неполадки, развертывать и управлять моделями машинного обучения в любом масштабе, чтобы повысить производительность специалистов по обработке данных и инженеров машинного обучения, сохраняя при этом производительность моделей в рабочей среде.

В этом посте мы описываем, как Philips в партнерстве с AWS разработала AI ToolSuite — масштабируемую, безопасную и совместимую платформу машинного обучения на SageMaker. Эта платформа предоставляет возможности, начиная от экспериментирования, аннотирования данных, обучения, развертывания моделей и шаблонов многократного использования. Все эти возможности созданы для того, чтобы помочь нескольким направлениям бизнеса быстро и гибко внедрять инновации, одновременно управляя масштабом с помощью централизованного управления. Мы описываем ключевые варианты использования, которые обеспечили требования для первой итерации платформы, основные компоненты и достигнутые результаты. В заключение мы обозначили текущие усилия по обеспечению платформы генеративными рабочими нагрузками искусственного интеллекта и быстрому привлечению новых пользователей и команд для внедрения платформы.

Контекст клиента

Philips использует ИИ в различных областях, таких как визуализация, диагностика, терапия, личное здоровье и сетевое обслуживание. Вот некоторые примеры решений с поддержкой искусственного интеллекта, которые Philips разработала за последние годы:

• Philips SmartSpeed – Технология визуализации на основе искусственного интеллекта для МРТ, в которой используется уникальный алгоритм искусственного интеллекта глубокого обучения на основе Compressed-SENSE, позволяющий вывести скорость и качество изображений на новый уровень для широкого круга пациентов.
• Philips eCareМенеджер – Решение телемедицины, которое использует искусственный интеллект для поддержки удаленного ухода и ведения пациентов в критическом состоянии в отделениях интенсивной терапии, используя передовую аналитику и клинические алгоритмы для обработки данных о пациентах из нескольких источников, а также предоставляя полезную информацию, оповещения и рекомендации для пациентов. команда по уходу
• Philips Sonicare – Умная зубная щетка, которая использует искусственный интеллект для анализа поведения пользователей при чистке зубов и здоровья полости рта, а также предоставляет рекомендации и персонализированные рекомендации в режиме реального времени, такие как оптимальное время чистки, давление и покрытие, для улучшения гигиены полости рта и предотвращения кариеса и заболеваний десен. .

На протяжении многих лет компания Philips является пионером в разработке алгоритмов, основанных на данных, для реализации своих инновационных решений в сфере здравоохранения. В области диагностической визуализации компания Philips разработала множество приложений машинного обучения для реконструкции и интерпретации медицинских изображений, управления рабочими процессами и оптимизации лечения. Также команды по мониторингу пациентов, терапии с визуальным контролем, ультразвуку и личному здоровью создают алгоритмы и приложения ML. Однако внедрение инноваций было затруднено из-за использования фрагментированных сред разработки ИИ в разных командах. Эти среды варьировались от отдельных ноутбуков и настольных компьютеров до разнообразных локальных вычислительных кластеров и облачной инфраструктуры. Эта неоднородность изначально позволяла различным командам быстро продвигаться в своих ранних усилиях по разработке ИИ, но теперь сдерживает возможности масштабирования и повышения эффективности наших процессов разработки ИИ.

Было очевидно, что фундаментальный сдвиг в сторону унифицированной и стандартизированной среды необходим для того, чтобы по-настоящему раскрыть потенциал усилий Philips, основанных на данных.

Ключевые сценарии использования AI/ML и требования к платформе

Предложения с поддержкой искусственного интеллекта и машинного обучения могут трансформировать здравоохранение за счет автоматизации административных задач, выполняемых врачами. Например:

• ИИ может анализировать медицинские изображения, чтобы помочь рентгенологам быстрее и точнее диагностировать заболевания
• ИИ может предсказывать будущие медицинские события, анализируя данные пациентов и улучшая профилактический уход.
• ИИ может рекомендовать индивидуальное лечение с учетом потребностей пациентов
• ИИ может извлекать и структурировать информацию из клинических записей, чтобы сделать ведение записей более эффективным.
• Интерфейсы искусственного интеллекта могут обеспечивать поддержку пациентов при запросах, напоминаниях и проверке симптомов.

В целом, ИИ/МО обещает снижение количества человеческих ошибок, экономию времени и средств, оптимизацию обслуживания пациентов и своевременное персонализированное вмешательство.

Одним из ключевых требований к платформе разработки и развертывания машинного обучения была способность платформы поддерживать непрерывный итеративный процесс разработки и развертывания, как показано на следующем рисунке.

Разработка активов ИИ начинается в лабораторной среде, где данные собираются и обрабатываются, а затем модели обучаются и проверяются. Когда модель готова и одобрена для использования, она развертывается в реальных производственных системах. После развертывания производительность модели постоянно контролируется. Реальная производительность и обратная связь в конечном итоге используются для дальнейшего улучшения модели с полной автоматизацией обучения и развертывания модели.

Более подробные требования к AI ToolSuite были основаны на трех примерах использования:

• Разработать приложение компьютерного зрения, предназначенное для обнаружения объектов на границе. Команда по обработке данных ожидала, что автоматизированный рабочий процесс аннотирования изображений на основе искусственного интеллекта ускорит трудоемкий процесс маркировки.
• Предоставьте команде специалистов по обработке данных возможность управлять семейством классических моделей машинного обучения для сравнительного анализа статистики в нескольких медицинских подразделениях. Проект требовал автоматизации развертывания моделей, отслеживания экспериментов, мониторинга моделей и большего контроля над всем процессом от начала до конца как для аудита, так и для переобучения в будущем.
• Улучшите качество и сократите время вывода на рынок моделей глубокого обучения для диагностической медицинской визуализации. Существующая вычислительная инфраструктура не позволяла проводить множество экспериментов параллельно, что задерживало разработку модели. Также в целях регулирования необходимо обеспечить полную воспроизводимость обучения модели в течение нескольких лет.

Нефункциональные требования

Создание масштабируемой и надежной платформы AI/ML требует тщательного рассмотрения нефункциональных требований. Эти требования выходят за рамки конкретных функций платформы и направлены на обеспечение следующего:

• Масштабируемость – Платформа AI ToolSuite должна иметь возможность более эффективно масштабировать инфраструктуру генерации аналитических данных Philips, чтобы платформа могла обрабатывать растущий объем данных, пользователей и рабочих нагрузок AI/ML без ущерба для производительности. Он должен быть спроектирован так, чтобы масштабироваться по горизонтали и по вертикали, чтобы беспрепятственно удовлетворять растущие потребности, обеспечивая при этом централизованное управление ресурсами.
• Перфоманс – Платформа должна предоставлять высокопроизводительные вычислительные возможности для эффективной обработки сложных алгоритмов искусственного интеллекта и машинного обучения. SageMaker предлагает широкий спектр типов экземпляров, включая экземпляры с мощными графическими процессорами, которые могут значительно ускорить задачи обучения модели и вывода. Он также должен минимизировать задержку и время отклика, чтобы обеспечить результаты в реальном времени или почти в реальном времени.
• Надежность – Платформа должна обеспечивать высоконадежную и надежную инфраструктуру искусственного интеллекта, охватывающую несколько зон доступности. Эта архитектура с несколькими зонами доступности должна обеспечивать бесперебойную работу ИИ за счет распределения ресурсов и рабочих нагрузок между отдельными центрами обработки данных.
• Доступность – Платформа должна быть доступна круглосуточно и без выходных, с минимальными простоями на обслуживание и модернизацию. Высокая доступность AI ToolSuite должна включать балансировку нагрузки, отказоустойчивую архитектуру и упреждающий мониторинг.
• Безопасность и управление – Платформа должна использовать надежные меры безопасности, шифрование, контроль доступа, выделенные роли и механизмы аутентификации с постоянным мониторингом необычных действий и проведением проверок безопасности.
• Управление данными – Эффективное управление данными имеет решающее значение для платформ AI/ML. Нормативные акты в сфере здравоохранения требуют особенно строгого управления данными. Он должен включать такие функции, как управление версиями данных, происхождение данных, управление данными и обеспечение качества данных, чтобы обеспечить точные и надежные результаты.
• Взаимодействие – Платформа должна быть спроектирована таким образом, чтобы ее можно было легко интегрировать с внутренними репозиториями данных Philips, обеспечивая беспрепятственный обмен данными и совместную работу со сторонними приложениями.
• Ремонтопригодность – Архитектура и кодовая база платформы должны быть хорошо организованными, модульными и легко поддерживаемыми. Это позволяет инженерам и разработчикам Philips ML предоставлять обновления, исправления ошибок и будущие улучшения, не нарушая работу всей системы.
• Оптимизация ресурсов – Платформа должна очень внимательно отслеживать отчеты об использовании, чтобы гарантировать эффективное использование вычислительных ресурсов и динамически распределять ресурсы в зависимости от спроса. Кроме того, Philips следует использовать инструменты AWS для выставления счетов и управления затратами, чтобы гарантировать получение командами уведомлений, когда использование ресурсов превышает выделенную пороговую сумму.
• Мониторинг и ведение журнала – Платформа должна использовать Amazon CloudWatch оповещения для комплексного мониторинга и возможности ведения журнала, которые необходимы для отслеживания производительности системы, выявления узких мест и эффективного устранения неполадок.
• Комплаенс – Платформа также может помочь улучшить соответствие нормативным требованиям предложений с использованием искусственного интеллекта. Воспроизводимость и отслеживаемость должны обеспечиваться автоматически с помощью сквозных конвейеров обработки данных, где многие обязательные артефакты документации, такие как отчеты о происхождении данных и карты моделей, могут быть подготовлены автоматически.
• Тестирование и проверка – Должны быть внедрены строгие процедуры тестирования и проверки, чтобы обеспечить точность и надежность моделей искусственного интеллекта/МО и предотвратить непреднамеренные искажения.

Обзор решения

AI ToolSuite — это комплексная масштабируемая среда разработки искусственного интеллекта для быстрого запуска, предлагающая встроенный SageMaker и связанные с ним сервисы AI/ML, а также защитные меры безопасности и конфиденциальности Philips HealthSuite и интеграцию экосистемы Philips. Существует три персонажа с выделенными наборами разрешений доступа:

• Ученый данных – Подготавливайте данные, а также разрабатывайте и обучайте модели в совместном рабочем пространстве.
• Инженер машинного обучения – Создание приложений машинного обучения с помощью развертывания, мониторинга и обслуживания моделей.
• Администратор по науке о данных – Создайте проект по запросу команды, чтобы предоставить выделенные изолированные среды с шаблонами для конкретных случаев использования.

Разработка платформы охватывала несколько циклов выпуска в рамках итеративного цикла обнаружения, проектирования, сборки, тестирования и развертывания. Из-за уникальности некоторых приложений расширение платформы потребовало внедрения существующих пользовательских компонентов, таких как хранилища данных или собственные инструменты для аннотирования.
На следующем рисунке показана трехуровневая архитектура AI ToolSuite, включающая базовую инфраструктуру в качестве первого уровня, общие компоненты машинного обучения в качестве второго уровня и шаблоны для конкретных проектов в качестве третьего уровня.

Уровень 1 содержит базовую инфраструктуру:

• Сетевой уровень с параметризованным доступом к Интернету с высокой доступностью.
• Предоставление самообслуживания с инфраструктурой как кодом (IaC)
• Интегрированная среда разработки (IDE) с использованием Студия Amazon SageMaker домен
• Роли платформы (администратор по обработке данных, специалист по данным)
• Хранение артефактов
• Ведение журнала и мониторинг наблюдаемости

Уровень 2 содержит общие компоненты машинного обучения:

• Автоматическое отслеживание экспериментов для каждого задания и конвейера
• Конвейер сборки модели для запуска нового обновления сборки модели.
• Конвейер обучения модели, состоящий из обучения модели, оценки и регистрации.
• Конвейер развертывания модели для развертывания модели для окончательного тестирования и утверждения.
• Реестр моделей для удобного управления версиями моделей.
• Роль проекта, созданная специально для конкретного варианта использования и назначаемая пользователям SageMaker Studio.
• Репозиторий изображений для хранения изображений контейнеров обработки, обучения и вывода, созданных для проекта.
• Репозиторий кода для хранения артефактов кода.
• Проект Простой сервис хранения Amazon Корзина (Amazon S3) для хранения всех данных и артефактов проекта.

Уровень 3 содержит шаблоны для конкретных проектов, которые можно создавать с использованием пользовательских компонентов в соответствии с требованиями новых проектов. Например:

• Шаблон 1 – Включает компонент для запроса данных и отслеживания истории.
• Шаблон 2 – Включает компонент для аннотаций данных с настраиваемым рабочим процессом аннотаций для использования собственных инструментов аннотаций.
• Шаблон 3 – Включает компоненты для пользовательских образов контейнеров для настройки среды разработки и процедур обучения, выделенную файловую систему HPC и доступ из локальной IDE для пользователей.

На следующей диаграмме показаны ключевые сервисы AWS, охватывающие несколько учетных записей AWS для разработки, подготовки и производства.

В следующих разделах мы обсудим ключевые возможности платформы, предоставляемые сервисами AWS, включая SageMaker, Каталог сервисов AWS, AWS Lambda, Реестр Amazon Elastic Container (Amazon ECR), Amazon S3, Управление идентификацией и доступом AWS (ИАМ) и другие.

Инфраструктура как код

Платформа использует IaC, что позволяет Philips автоматизировать предоставление ресурсов инфраструктуры и управление ими. Этот подход также поможет обеспечить воспроизводимость, масштабируемость, контроль версий, согласованность, безопасность и переносимость для разработки, тестирования или производства.

Доступ к средам AWS

Доступ к SageMaker и связанным с ним сервисам искусственного интеллекта и машинного обучения обеспечивается средствами безопасности для подготовки данных, разработки моделей, обучения, аннотирования и развертывания.

Изоляция и сотрудничество

Платформа обеспечивает изоляцию данных за счет раздельного хранения и обработки, что снижает риск несанкционированного доступа или утечки данных.

Платформа облегчает командное сотрудничество, что очень важно в проектах искусственного интеллекта, в которых обычно участвуют межфункциональные команды, в том числе специалисты по обработке и анализу данных, администраторы по обработке данных и инженеры MLOps.

Ролевое управление доступом

Управление доступом на основе ролей (RBAC) имеет важное значение для управления разрешениями и упрощения управления доступом за счет структурированного определения ролей и разрешений. Это упрощает управление разрешениями по мере роста команд и проектов, а также контроль доступа для различных лиц, участвующих в проектах AWS AI/ML, таких как администратор по обработке данных, специалист по данным, администратор аннотаций, аннотатор и инженер MLOps.

Доступ к хранилищам данных

Платформа обеспечивает SageMaker доступ к хранилищам данных, что гарантирует эффективное использование данных для обучения моделей и получения выводов без необходимости дублировать или перемещать данные в разные места хранения, тем самым оптимизируя использование ресурсов и снижая затраты.

Создание аннотаций с использованием специальных инструментов Philips для аннотаций.

AWS предлагает набор сервисов искусственного интеллекта и машинного обучения, таких как SageMaker, Amazon SageMaker - основа правдыи Амазон Когнито, которые полностью интегрированы с собственными инструментами аннотирования Philips. Эта интеграция позволяет разработчикам обучать и развертывать модели машинного обучения, используя аннотированные данные в среде AWS.

Шаблоны машинного обучения

Платформа AI ToolSuite предлагает шаблоны в AWS для различных рабочих процессов машинного обучения. Эти шаблоны представляют собой предварительно настроенные настройки инфраструктуры, адаптированные к конкретным случаям использования машинного обучения, и доступны через такие сервисы, как Шаблоны проектов SageMaker, AWS CloudFormationи Каталог услуг.

Интеграция с Philips GitHub

Интеграция с GitHub повышает эффективность, предоставляя централизованную платформу для контроля версий, проверки кода и автоматизированных конвейеров CI/CD (непрерывная интеграция и непрерывное развертывание), сокращая количество ручных задач и повышая производительность.

Интеграция кода Visual Studio

Интеграция с Visual Studio Code обеспечивает единую среду для кодирования, отладки и управления проектами машинного обучения. Это оптимизирует весь рабочий процесс машинного обучения, сокращая переключение контекста и экономя время. Интеграция также улучшает сотрудничество между членами команды, позволяя им вместе работать над проектами SageMaker в знакомой среде разработки, используя системы контроля версий и беспрепятственно обмениваясь кодом и блокнотами.

Происхождение модели и данных, а также прослеживаемость для воспроизводимости и соответствия

Платформа обеспечивает управление версиями, что помогает отслеживать изменения в данных обучения и выводов специалистов по данным с течением времени, что упрощает воспроизведение результатов и понимание эволюции наборов данных.

Платформа также обеспечивает отслеживание экспериментов SageMaker, что позволяет конечным пользователям регистрировать и отслеживать все метаданные, связанные с их экспериментами по машинному обучению, включая гиперпараметры, входные данные, код и артефакты модели. Эти возможности необходимы для демонстрации соответствия нормативным стандартам и обеспечения прозрачности и подотчетности в рабочих процессах искусственного интеллекта и машинного обучения.

Создание отчетов по спецификациям AI/ML для соответствия нормативным требованиям

AWS имеет сертификаты соответствия различным отраслевым стандартам и правилам. Отчеты о спецификациях AI/ML служат важной документацией соответствия, демонстрирующей соблюдение нормативных требований. В этих отчетах документируется управление версиями наборов данных, моделей и кода. Контроль версий необходим для поддержания происхождения данных, отслеживаемости и воспроизводимости, которые имеют решающее значение для соблюдения нормативных требований и аудита.

Управление бюджетом на уровне проекта

Управление бюджетом на уровне проекта позволяет организации устанавливать ограничения на расходы, помогая избежать непредвиденных расходов и гарантируя, что проекты ML останутся в рамках бюджета. Благодаря управлению бюджетом организация может выделять конкретные бюджеты отдельным проектам или командам, что помогает командам на ранних этапах выявлять неэффективность ресурсов или неожиданные скачки затрат. Помимо управления бюджетом, благодаря функции автоматического отключения простаивающих ноутбуков члены команды избегают платить за неиспользуемые ресурсы, а также освобождают ценные ресурсы, когда они не используются активно, делая их доступными для других задач или пользователей.

Результаты

AI ToolSuite был разработан и реализован как общекорпоративная платформа для разработки и развертывания машинного обучения для специалистов по обработке данных во всей компании Philips. Разнообразные требования всех бизнес-подразделений были собраны и учтены в ходе проектирования и разработки. В начале проекта Philips определила лидеров из бизнес-команд, которые предоставили отзывы и помогли оценить ценность платформы.

Были достигнуты следующие результаты:

• Принятие продукта пользователями — один из ключевых показателей Philips. Пользователи из нескольких бизнес-подразделений прошли обучение и были подключены к платформе, и ожидается, что в 2024 году их число вырастет.
• Еще одним важным показателем является эффективность для пользователей, занимающихся наукой о данных. Благодаря AI ToolSuite новые среды разработки машинного обучения развертываются менее чем за час вместо нескольких дней.
• Группы специалистов по обработке и анализу данных могут получить доступ к масштабируемой, безопасной и экономичной облачной вычислительной инфраструктуре.
• Команды могут параллельно проводить несколько экспериментов по обучению моделей, что значительно сокращает среднее время обучения с недель до 1–3 дней.
• Поскольку развертывание среды полностью автоматизировано, оно практически не требует участия инженеров облачной инфраструктуры, что снижает эксплуатационные расходы.
• Использование AI ToolSuite значительно повысило общую зрелость данных и результатов ИИ, способствуя использованию передовых практик машинного обучения, стандартизированных рабочих процессов и сквозной воспроизводимости, что имеет решающее значение для соблюдения нормативных требований в отрасли здравоохранения.

Ожидаем развития генеративного искусственного интеллекта

Поскольку организации стремятся внедрить новейшие достижения в области искусственного интеллекта, крайне важно внедрять новые технологии в контексте политики безопасности и управления организации. Архитектура AI ToolSuite представляет собой превосходную основу для обеспечения доступа к генеративным возможностям искусственного интеллекта в AWS для различных команд Philips. Команды могут использовать модели фундамента, доступные в Amazon SageMaker JumpStart, который предоставляет огромное количество моделей с открытым исходным кодом от Hugging Face и других поставщиков. Поскольку уже установлены необходимые барьеры с точки зрения контроля доступа, подготовки проектов и контроля затрат, команды смогут легко начать использовать возможности генеративного искусственного интеллекта в SageMaker.

Кроме того, доступ к Коренная порода Амазонки, полностью управляемый API-сервис для генеративного искусственного интеллекта, может быть предоставлен для отдельных учетных записей в зависимости от требований проекта, а пользователи могут получить доступ к API-интерфейсам Amazon Bedrock либо через интерфейс блокнота SageMaker, либо через предпочитаемую ими интегрированную среду разработки.

Существуют дополнительные соображения относительно внедрения генеративного ИИ в регулируемых условиях, например, в здравоохранении. Необходимо тщательно учитывать ценность, создаваемую генеративными приложениями ИИ, с учетом связанных с этим рисков и затрат. Существует также необходимость создать систему рисков и правовую основу, регулирующую использование организацией генеративных технологий искусственного интеллекта. Такие элементы, как безопасность данных, предвзятость и справедливость, а также соблюдение нормативных требований, необходимо рассматривать как часть таких механизмов.

Заключение

Компания Philips приступила к использованию возможностей алгоритмов, основанных на данных, для революции в решениях для здравоохранения. За прошедшие годы инновации в области диагностической визуализации привели к появлению нескольких приложений МО: от реконструкции изображений до управления рабочими процессами и оптимизации лечения. Однако разнообразие конфигураций — от отдельных ноутбуков до локальных кластеров и облачной инфраструктуры — создавало огромные проблемы. Отдельное системное администрирование, меры безопасности, механизмы поддержки и протокол данных препятствовали комплексному рассмотрению совокупной стоимости владения и усложняли переходы между командами. Переход от исследований и разработок к производству был затруднен из-за отсутствия преемственности и воспроизводимости, что затрудняло постоянное переобучение моделей.

В рамках стратегического сотрудничества между Philips и AWS была создана платформа AI ToolSuite для разработки масштабируемой, безопасной и совместимой платформы машинного обучения с SageMaker. Эта платформа предоставляет возможности, начиная от экспериментирования, аннотирования данных, обучения, развертывания моделей и шаблонов многократного использования. Все эти возможности создавались итеративно в течение нескольких циклов обнаружения, проектирования, сборки, тестирования и развертывания. Это помогло нескольким бизнес-подразделениям быстро и гибко внедрять инновации, одновременно осуществляя масштабное управление с помощью централизованного управления.

Этот путь служит источником вдохновения для организаций, стремящихся использовать возможности искусственного интеллекта и машинного обучения для внедрения инноваций и повышения эффективности в здравоохранении, что в конечном итоге принесет пользу пациентам и поставщикам медицинских услуг по всему миру. Продолжая развивать этот успех, Philips намерена добиться еще больших успехов в улучшении показателей здоровья с помощью инновационных решений на базе искусственного интеллекта.

Чтобы узнать больше об инновациях Philips на AWS, посетите Philips на AWS.

---

Об авторах

Фрэнк Вартена — программный менеджер Philips Innovation & Strategy. Он координирует активы платформы, связанные с данными и искусственным интеллектом, для поддержки наших предложений Philips по использованию данных и искусственного интеллекта. Он имеет большой опыт в области искусственного интеллекта, науки о данных и совместимости. В свободное время Фрэнк любит бегать, читать и грести, а также проводить время со своей семьей.

Ирина Федулова — главный руководитель отдела данных и искусственного интеллекта в Philips Innovation & Strategy. Она руководит стратегической деятельностью, ориентированной на инструменты, платформы и лучшие практики, которые ускоряют и масштабируют разработку и производство (генеративных) решений на основе искусственного интеллекта в Philips. Ирина имеет большой технический опыт в области машинного обучения, облачных вычислений и разработки программного обеспечения. Помимо работы, она любит проводить время с семьей, путешествовать и читать.

Сельвакумар Паланияппан является владельцем продукта в компании Philips Innovation & Strategy и отвечает за управление продуктами для платформы Philips HealthSuite AI и ML. Он имеет большой опыт в области технического управления продуктами и разработки программного обеспечения. В настоящее время он работает над созданием масштабируемой и совместимой платформы разработки и развертывания искусственного интеллекта и машинного обучения. Кроме того, он возглавляет его внедрение командами Philips по обработке данных с целью разработки систем и решений здравоохранения на основе искусственного интеллекта.

Аднан Эльчи — старший архитектор облачной инфраструктуры в AWS Professional Services. Он работает в качестве технического руководителя, курируя различные операции для клиентов в сфере здравоохранения и биологических наук, финансов, авиации и производства. Его энтузиазм в отношении автоматизации проявляется в его активном участии в проектировании, создании и внедрении клиентских решений корпоративного уровня в среде AWS. Помимо своих профессиональных обязательств, Аднан активно посвящает себя волонтерской работе, стремясь оказать значимое и положительное влияние на общество.

Хасан Пунавала Хасан является старшим специалистом по архитектуре решений AI/ML в AWS. Он помогает клиентам разрабатывать и развертывать приложения машинного обучения в рабочей среде на AWS. Он имеет более чем 12-летний опыт работы в качестве специалиста по данным, специалиста по машинному обучению и разработчика программного обеспечения. В свободное время Хасан любит исследовать природу и проводить время с друзьями и семьей.

Среоши Рой — старший менеджер по глобальному взаимодействию в AWS. Будучи деловым партнером клиентов в сфере здравоохранения и биологических наук, она обладает беспрецедентным опытом определения и предоставления решений сложных бизнес-проблем. Она помогает своим клиентам ставить стратегические цели, определять и разрабатывать стратегии облачных технологий и данных, а также внедрять масштабируемые и надежные решения для достижения их технических и бизнес-целей. Помимо профессиональных усилий, ее преданность делу заключается в оказании значимого влияния на жизнь людей путем развития сочувствия и поощрения инклюзивности.

Ваджахат Азиз является руководителем отдела искусственного интеллекта, машинного обучения и высокопроизводительных вычислений в команде AWS Healthcare и Life Sciences. Работая технологическим лидером на различных должностях в организациях, занимающихся медико-биологическими науками, Ваджахат использует свой опыт, чтобы помочь клиентам в сфере здравоохранения и медико-биологических наук использовать технологии AWS для разработки современных решений машинного обучения и высокопроизводительных вычислений. В настоящее время его сферой деятельности являются ранние исследования, клинические испытания и машинное обучение, сохраняющее конфиденциальность.

Виолетта Стобенецка является специалистом по данным в AWS Professional Services. На протяжении своей профессиональной карьеры она реализовывала несколько аналитических проектов для различных отраслей, таких как банковское дело, страхование, телекоммуникации и государственный сектор. Ее знание передовых статистических методов и машинного обучения хорошо сочетается с деловой хваткой. Она привносит последние достижения в области искусственного интеллекта, чтобы создавать ценность для клиентов.

• SEO-контент и PR-распределение. Получите усиление сегодня.
• PlatoData.Network Вертикальный генеративный ИИ. Расширьте возможности себя. Доступ здесь.
• ПлатонАйСтрим. Интеллект Web3. Расширение знаний. Доступ здесь.
• ПлатонЭСГ. Углерод, чистые технологии, Энергия, Окружающая среда, Солнечная, Управление отходами. Доступ здесь.
• ПлатонЗдоровье. Биотехнологии и клинические исследования. Доступ здесь.
• Источник: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/