Dette er en fælles blog med AWS og Philips.
Philips er en sundhedsteknologivirksomhed, der fokuserer på at forbedre menneskers liv gennem meningsfuld innovation. Siden 2014 har virksomheden tilbudt kunderne sin Philips HealthSuite Platform, som orkestrerer snesevis af AWS-tjenester, som sundheds- og biovidenskabsvirksomheder bruger til at forbedre patientbehandlingen. Det samarbejder med sundhedsudbydere, startups, universiteter og andre virksomheder for at udvikle teknologi, der hjælper læger med at stille mere præcise diagnoser og levere mere personlig behandling til millioner af mennesker verden over.
En af hoveddriverne i Philips' innovationsstrategi er kunstig intelligens (AI), som muliggør skabelsen af smarte og personaliserede produkter og tjenester, der kan forbedre sundhedsresultater, forbedre kundeoplevelsen og optimere driftseffektiviteten.
Amazon SageMaker leverer specialbyggede værktøjer til maskinlæringsoperationer (MLOps) for at hjælpe med at automatisere og standardisere processer på tværs af ML's livscyklus. Med SageMaker MLOps-værktøjer kan teams nemt træne, teste, fejlfinde, implementere og styre ML-modeller i stor skala for at øge produktiviteten hos dataforskere og ML-ingeniører, samtidig med at modellens ydeevne i produktionen bevares.
I dette indlæg beskriver vi, hvordan Philips samarbejdede med AWS for at udvikle AI ToolSuite – en skalerbar, sikker og kompatibel ML-platform på SageMaker. Denne platform tilbyder funktioner lige fra eksperimentering, dataannotering, træning, modelimplementeringer og genanvendelige skabeloner. Alle disse funktioner er bygget til at hjælpe flere brancher med at innovere med hastighed og smidighed, mens de styrer i stor skala med centrale kontroller. Vi skitserer de vigtigste use cases, der stillede krav til den første iteration af platformen, kernekomponenterne og de opnåede resultater. Vi afslutter med at identificere de igangværende bestræbelser på at aktivere platformen med generative AI-arbejdsbelastninger og hurtigt ombord nye brugere og teams til at tage platformen i brug.
Kundekontekst
Philips bruger kunstig intelligens i forskellige domæner, såsom billeddannelse, diagnostik, terapi, personlig sundhed og forbundet pleje. Nogle eksempler på AI-aktiverede løsninger, som Philips har udviklet gennem de seneste år, er:
- Philips SmartSpeed – En AI-baseret billeddannelsesteknologi til MR, der bruger en unik Compressed-SENSE-baseret deep learning AI-algoritme til at tage hastighed og billedkvalitet til det næste niveau for en lang række patienter
- Philips eCareManager – En telehealth-løsning, der bruger AI til at understøtte fjernbehandling og håndtering af kritisk syge patienter på intensivafdelinger ved at bruge avancerede analyser og kliniske algoritmer til at behandle patientdata fra flere kilder og give handlingsvenlig indsigt, advarsler og anbefalinger til plejeteam
- Philips Sonicare – En smart tandbørste, der bruger kunstig intelligens til at analysere brugernes børsteadfærd og mundsundhed og give vejledning i realtid og personlige anbefalinger, såsom optimal børstetid, tryk og dækning, for at forbedre deres tandhygiejne og forebygge huller og tandkødssygdomme .
I mange år har Philips været banebrydende inden for udviklingen af datadrevne algoritmer til at drive sine innovative løsninger på tværs af sundhedsvæsenets kontinuum. Inden for billeddiagnostisk domæne udviklede Philips et væld af ML-applikationer til medicinsk billedrekonstruktion og -fortolkning, workflow-styring og behandlingsoptimering. Også inden for patientovervågning, billedstyret terapi, ultralyd og personlige sundhedsteams har de skabt ML-algoritmer og -applikationer. Innovation blev dog hæmmet på grund af brugen af fragmenterede AI-udviklingsmiljøer på tværs af teams. Disse miljøer spændte fra individuelle bærbare og stationære computere til forskellige on-premises computerklynger og cloud-baseret infrastruktur. Denne heterogenitet gjorde oprindeligt forskellige teams i stand til at bevæge sig hurtigt i deres tidlige AI-udviklingsindsats, men holder nu mulighederne tilbage for at skalere og forbedre effektiviteten af vores AI-udviklingsprocesser.
Det var tydeligt, at et grundlæggende skift i retning af et samlet og standardiseret miljø var bydende nødvendigt for virkelig at frigøre potentialet i datadrevne bestræbelser hos Philips.
Key AI/ML use cases og platformkrav
AI/ML-aktiverede forslag kan transformere sundhedsvæsenet ved at automatisere administrative opgaver udført af klinikere. For eksempel:
- AI kan analysere medicinske billeder for at hjælpe radiologer med at diagnosticere sygdomme hurtigere og mere præcist
- AI kan forudsige fremtidige medicinske hændelser ved at analysere patientdata og forbedre proaktiv pleje
- AI kan anbefale personlig behandling skræddersyet til patienternes behov
- AI kan udtrække og strukturere information fra kliniske noter for at gøre registreringen mere effektiv
- AI-grænseflader kan give patientsupport til forespørgsler, påmindelser og symptomtjekkere
Overordnet set lover AI/ML reducerede menneskelige fejl, tids- og omkostningsbesparelser, optimerede patientoplevelser og rettidige, personaliserede interventioner.
Et af nøglekravene til ML-udviklings- og implementeringsplatformen var platformens evne til at understøtte den kontinuerlige iterative udviklings- og implementeringsproces, som vist i den følgende figur.
Udviklingen af AI-aktiver starter i et laboratoriemiljø, hvor dataene indsamles og kureres, og derefter trænes og valideres modellerne. Når modellen er klar og godkendt til brug, implementeres den i de virkelige produktionssystemer. Når modellen er installeret, overvåges den løbende. Den virkelige verden ydeevne og feedback bruges i sidste ende til yderligere modelforbedringer med fuld automatisering af modeltræning og implementering.
De mere detaljerede AI ToolSuite-krav blev drevet af tre eksempler på brug:
- Udvikl en computervisionsapplikation, der sigter mod objektdetektering ved kanten. Datavidenskabsteamet forventede, at en AI-baseret automatiseret billedannoterings-workflow ville fremskynde en tidskrævende mærkningsproces.
- Giv et datavidenskabsteam mulighed for at administrere en familie af klassiske ML-modeller til benchmarking af statistik på tværs af flere medicinske enheder. Projektet krævede automatisering af modelimplementering, eksperimentsporing, modelovervågning og mere kontrol over hele processen fra ende til anden både til revision og genoptræning i fremtiden.
- Forbedre kvaliteten og tiden til markedet for deep learning-modeller inden for diagnostisk medicinsk billeddannelse. Den eksisterende computerinfrastruktur tillod ikke at køre mange eksperimenter parallelt, hvilket forsinkede modeludviklingen. Af reguleringsformål er det også nødvendigt at muliggøre fuld reproducerbarhed af modeltræning i flere år.
Ikke-funktionelle krav
Opbygning af en skalerbar og robust AI/ML-platform kræver nøje overvejelse af ikke-funktionelle krav. Disse krav går ud over platformens specifikke funktionaliteter og fokuserer på at sikre følgende:
- Skalerbarhed – AI ToolSuite-platformen skal være i stand til at skalere Philips' indsigtsgenereringsinfrastruktur mere effektivt, så platformen kan håndtere en voksende mængde data, brugere og AI/ML-arbejdsbelastninger uden at ofre ydeevnen. Det bør være designet til at skalere horisontalt og vertikalt for at imødekomme stigende krav problemfrit og samtidig give central ressourcestyring.
- Performance (Præstation) – Platformen skal levere højtydende computeregenskaber til effektivt at behandle komplekse AI/ML-algoritmer. SageMaker tilbyder en bred vifte af instanstyper, herunder instanser med kraftfulde GPU'er, som markant kan accelerere modeltræning og inferensopgaver. Det bør også minimere latens og responstider for at give resultater i realtid eller næsten i realtid.
- Pålidelighed – Platformen skal levere en yderst pålidelig og robust AI-infrastruktur, der spænder over flere tilgængelighedszoner. Denne multi-AZ-arkitektur skulle sikre uafbrudt AI-drift ved at distribuere ressourcer og arbejdsbelastninger på tværs af forskellige datacentre.
- Tilgængelighed – Platformen skal være tilgængelig 24/7 med minimal nedetid til vedligeholdelse og opgraderinger. AI ToolSuites høje tilgængelighed bør omfatte belastningsbalancering, fejltolerante arkitekturer og proaktiv overvågning.
- Sikkerhed og styring – Platformen skal anvende robuste sikkerhedsforanstaltninger, kryptering, adgangskontrol, dedikerede roller og autentificeringsmekanismer med kontinuerlig overvågning for usædvanlige aktiviteter og udførelse af sikkerhedsrevisioner.
- Data Management – Effektiv datastyring er afgørende for AI/ML-platforme. Reguleringer i sundhedssektoren kræver særlig streng datastyring. Det bør omfatte funktioner som dataversionering, dataafstamning, datastyring og datakvalitetssikring for at sikre nøjagtige og pålidelige resultater.
- Interoperabilitet – Platformen bør være designet til let at integrere med Philips' interne datalagre, hvilket muliggør problemfri dataudveksling og samarbejde med tredjepartsapplikationer.
- Maintainability – Platformens arkitektur og kodebase bør være velorganiseret, modulopbygget og vedligeholdelig. Dette gør det muligt for Philips ML-ingeniører og -udviklere at levere opdateringer, fejlrettelser og fremtidige forbedringer uden at forstyrre hele systemet.
- Ressourceoptimering – Platformen bør overvåge udnyttelsesrapporter meget nøje for at sikre, at computerressourcer bruges effektivt og allokere ressourcer dynamisk baseret på efterspørgsel. Derudover bør Philips bruge AWS-fakturerings- og omkostningsstyringsværktøjer til at sikre, at teams modtager meddelelser, når brugen passerer det tildelte tærskelbeløb.
- Overvågning og logning – Platformen skal bruge amazoncloudwatch alarmer for omfattende overvågnings- og logningsfunktioner, som er nødvendige for at spore systemets ydeevne, identificere flaskehalse og fejlfinde problemer effektivt.
- Overholdelse – Platformen kan også hjælpe med at forbedre lovoverholdelse af AI-aktiverede forslag. Reproducerbarhed og sporbarhed skal aktiveres automatisk af end-to-end databehandlingspipelines, hvor mange obligatoriske dokumentationsartefakter, såsom dataafstamningsrapporter og modelkort, kan udarbejdes automatisk.
- Test og validering – Der skal være strenge test- og valideringsprocedurer på plads for at sikre nøjagtigheden og pålideligheden af AI/ML-modeller og forhindre utilsigtede skævheder.
Løsningsoversigt
AI ToolSuite er et ende-til-ende, skalerbart, hurtigstartende AI-udviklingsmiljø, der tilbyder native SageMaker og tilhørende AI/ML-tjenester med Philips HealthSuite-sikkerheds- og privatlivsværn og Philips-økosystemintegrationer. Der er tre personas med dedikerede sæt adgangstilladelser:
- Datavidenskabsmand – Forbered data, og udvikle og træne modeller i et samarbejdende arbejdsrum
- ML ingeniør – Produktioniser ML-applikationer med modelimplementering, overvågning og vedligeholdelse
- Data science admin – Opret et projekt pr. teamanmodning for at levere dedikerede isolerede miljøer med brugs-case-specifikke skabeloner
Platformudviklingen strakte sig over flere udgivelsescyklusser i en iterativ cyklus af opdagelse, design, konstruktion, test og implementering. På grund af det unikke ved nogle applikationer krævede udvidelsen af platformen indlejring af eksisterende brugerdefinerede komponenter som datalagre eller proprietære værktøjer til annotering.
Følgende figur illustrerer trelagsarkitekturen i AI ToolSuite, inklusive basisinfrastrukturen som det første lag, almindelige ML-komponenter som det andet lag og projektspecifikke skabeloner som det tredje lag.
Lag 1 indeholder basisinfrastrukturen:
- Et netværkslag med parametriseret adgang til internettet med høj tilgængelighed
- Selvbetjeningsforsyning med infrastruktur som kode (IaC)
- Et integreret udviklingsmiljø (IDE) ved hjælp af en Amazon SageMaker Studio domæne
- Platformroller (data science admin, data scientist)
- Opbevaring af artefakter
- Logning og overvågning af observerbarhed
Lag 2 indeholder almindelige ML-komponenter:
- Automatiseret eksperimentsporing for hver opgave og pipeline
- En modelbygningspipeline for at lancere en ny modelbygningsopdatering
- En modeluddannelsespipeline bestående af modeltræning, evaluering, registrering
- En modelimplementeringspipeline til implementering af modellen til endelig test og godkendelse
- En modelregistrering til nemt at administrere modelversioner
- En projektrolle oprettet specifikt til en given use case, der skal tildeles SageMaker Studio-brugere
- Et billedlager til lagring af bearbejdnings-, trænings- og inferensbeholderbilleder bygget til projektet
- Et kodelager til at gemme kodeartefakter
- Et projekt Amazon Simple Storage Service (Amazon S3) bøtte til at gemme alle projektdata og artefakter
Lag 3 indeholder projektspecifikke skabeloner, der kan oprettes med brugerdefinerede komponenter efter behov for nye projekter. For eksempel:
- Skabelon 1 – Indeholder en komponent til dataforespørgsel og historiesporing
- Skabelon 2 – Indeholder en komponent til dataannoteringer med en brugerdefineret annoteringsworkflow for at bruge proprietært annoteringsværktøj
- Skabelon 3 – Indeholder komponenter til brugerdefinerede containerbilleder for at tilpasse både deres udviklingsmiljø og træningsrutiner, dedikeret HPC-filsystem og adgang fra en lokal IDE for brugere
Følgende diagram fremhæver de vigtigste AWS-tjenester, der spænder over flere AWS-konti til udvikling, iscenesættelse og produktion.
I de følgende sektioner diskuterer vi de vigtigste funktioner i platformen aktiveret af AWS-tjenester, herunder SageMaker, AWS servicekatalog, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS identitets- og adgangsstyring (IAM) og andre.
Infrastruktur som kode
Platformen bruger IaC, som gør det muligt for Philips at automatisere levering og styring af infrastrukturressourcer. Denne tilgang vil også hjælpe med reproducerbarhed, skalerbarhed, versionskontrol, konsistens, sikkerhed og portabilitet til udvikling, test eller produktion.
Adgang til AWS-miljøer
SageMaker og tilhørende AI/ML-tjenester tilgås med sikkerhedsværn til dataforberedelse, modeludvikling, træning, annotering og implementering.
Isolation og samarbejde
Platformen sikrer dataisolering ved at opbevare og behandle separat, hvilket reducerer risikoen for uautoriseret adgang eller databrud.
Platformen letter teamsamarbejde, hvilket er essentielt i AI-projekter, der typisk involverer tværfunktionelle teams, herunder dataforskere, datavidenskabsadministratorer og MLOps-ingeniører.
Rollebaseret adgangskontrol
Rollebaseret adgangskontrol (RBAC) er afgørende for at administrere tilladelser og forenkle adgangsstyring ved at definere roller og tilladelser på en struktureret måde. Det gør det nemt at administrere tilladelser, efterhånden som teams og projekter vokser og adgangskontrol for forskellige personer involveret i AWS AI/ML-projekter, såsom datavidenskabsadministratoren, dataforskeren, annotationsadministratoren, annotatoren og MLOps-ingeniøren.
Adgang til datalagre
Platformen giver SageMaker adgang til datalagre, hvilket sikrer, at data effektivt kan udnyttes til modeltræning og inferens uden behov for at duplikere eller flytte data på tværs af forskellige lagerlokationer, og derved optimere ressourceudnyttelsen og reducere omkostningerne.
Annotering ved hjælp af Philips-specifikke annoteringsværktøjer
AWS tilbyder en række AI- og ML-tjenester, såsom SageMaker, Amazon SageMaker Ground Truthog Amazon Cognito, som er fuldt integreret med Philips-specifikke in-house annotationsværktøjer. Denne integration gør det muligt for udviklere at træne og implementere ML-modeller ved hjælp af de annoterede data i AWS-miljøet.
ML skabeloner
AI ToolSuite-platformen tilbyder skabeloner i AWS til forskellige ML-arbejdsgange. Disse skabeloner er prækonfigurerede infrastrukturopsætninger skræddersyet til specifikke ML-brugssager og er tilgængelige via tjenester som f.eks. SageMaker projekt skabeloner, AWS CloudFormation, og servicekatalog.
Integration med Philips GitHub
Integration med GitHub øger effektiviteten ved at levere en centraliseret platform til versionskontrol, kodegennemgange og automatiserede CI/CD-pipelines (kontinuerlig integration og kontinuerlig implementering), hvilket reducerer manuelle opgaver og øger produktiviteten.
Visual Studio Code integration
Integration med Visual Studio Code giver et samlet miljø til kodning, fejlretning og styring af ML-projekter. Dette strømliner hele ML-arbejdsgangen, hvilket reducerer kontekstskift og sparer tid. Integrationen forbedrer også samarbejdet mellem teammedlemmer ved at gøre det muligt for dem at arbejde på SageMaker-projekter sammen i et velkendt udviklingsmiljø, ved at bruge versionskontrolsystemer og problemfrit at dele kode og notebooks.
Model- og dataafstamning og sporbarhed for reproducerbarhed og compliance
Platformen leverer versionering, som hjælper med at holde styr på ændringer i dataforskerens træning og slutningsdata over tid, hvilket gør det nemmere at reproducere resultater og forstå udviklingen af datasættene.
Platformen muliggør også SageMaker-eksperimentsporing, som giver slutbrugere mulighed for at logge og spore alle de metadata, der er forbundet med deres ML-eksperimenter, inklusive hyperparametre, inputdata, kode og modelartefakter. Disse egenskaber er afgørende for at demonstrere overholdelse af regulatoriske standarder og sikre gennemsigtighed og ansvarlighed i AI/ML-arbejdsgange.
Generering af AI/ML-specifikationsrapporter for overholdelse af lovgivningen
AWS vedligeholder overholdelsescertificeringer for forskellige industristandarder og regulativer. AI/ML-specifikationsrapporter fungerer som væsentlig overholdelsesdokumentation, der viser overholdelse af lovmæssige krav. Disse rapporter dokumenterer versionering af datasæt, modeller og kode. Versionskontrol er afgørende for at opretholde dataafstamning, sporbarhed og reproducerbarhed, som alle er afgørende for overholdelse af lovgivning og revision.
Budgetstyring på projektniveau
Budgetstyring på projektniveau giver organisationen mulighed for at sætte grænser for udgifter, hvilket hjælper med at undgå uventede omkostninger og sikrer, at ML-projekterne holder sig inden for budgettet. Med budgetstyring kan organisationen allokere specifikke budgetter til individuelle projekter eller teams, hvilket hjælper teams med at identificere ressourceineffektivitet eller uventede omkostningsstigninger tidligt. Ud over budgetstyring, med funktionen til automatisk at lukke inaktive notebooks ned, undgår teammedlemmer at betale for ubrugte ressourcer, og frigiver også værdifulde ressourcer, når de ikke er aktivt i brug, hvilket gør dem tilgængelige for andre opgaver eller brugere.
Resultater
AI ToolSuite blev designet og implementeret som en virksomhedsdækkende platform til ML-udvikling og -implementering for dataforskere på tværs af Philips. Forskellige krav fra alle forretningsenheder blev indsamlet og overvejet under design og udvikling. Tidligt i projektet identificerede Philips forkæmpere fra forretningsteamene, som gav feedback og hjalp med at evaluere værdien af platformen.
Følgende resultater blev opnået:
- Brugervedtagelse er en af de vigtigste førende indikatorer for Philips. Brugere fra flere forretningsenheder blev trænet og indsat på platformen, og det antal forventes at vokse i 2024.
- En anden vigtig metrik er effektiviteten for brugere af datavidenskab. Med AI ToolSuite implementeres nye ML-udviklingsmiljøer på mindre end en time i stedet for flere dage.
- Datavidenskabsteams kan få adgang til en skalerbar, sikker, omkostningseffektiv, cloud-baseret computerinfrastruktur.
- Hold kan køre flere modeltræningseksperimenter parallelt, hvilket reducerede den gennemsnitlige træningstid markant fra uger til 1-3 dage.
- Fordi installationen af miljøet er fuldautomatisk, kræver det stort set ingen involvering af cloud-infrastrukturingeniørerne, hvilket reducerede driftsomkostningerne.
- Brugen af AI ToolSuite forbedrede markant den overordnede modenhed af data og AI-leverancer ved at fremme brugen af god ML-praksis, standardiserede arbejdsgange og end-to-end reproducerbarhed, hvilket er afgørende for overholdelse af lovgivning i sundhedssektoren.
Ser frem med generativ AI
Efterhånden som organisationer kæmper for at indføre det næste avancerede inden for kunstig intelligens, er det bydende nødvendigt at indføre ny teknologi i sammenhæng med organisationens sikkerheds- og styringspolitik. Arkitekturen i AI ToolSuite giver en fremragende plan for at give adgang til generative AI-funktioner i AWS for forskellige teams hos Philips. Hold kan bruge fundamentmodeller, der stilles til rådighed med Amazon SageMaker JumpStart, som tilbyder et stort antal open source-modeller fra Hugging Face og andre udbydere. Med de nødvendige autoværn allerede på plads med hensyn til adgangskontrol, projektforsyning og omkostningskontrol, vil det være problemfrit for teams at begynde at bruge de generative AI-funktioner i SageMaker.
Derudover adgang til Amazonas grundfjeld, en fuldt administreret API-drevet tjeneste til generativ AI, kan leveres til individuelle konti baseret på projektkrav, og brugerne kan få adgang til Amazon Bedrock API'er enten via SageMaker notebook-grænsefladen eller gennem deres foretrukne IDE.
Der er yderligere overvejelser vedrørende indførelse af generativ AI i et reguleret miljø, såsom sundhedspleje. Der skal tages nøje hensyn til den værdi, der skabes af generative AI-applikationer i forhold til de tilknyttede risici og omkostninger. Der er også behov for at skabe en risiko og juridiske rammer, der styrer organisationens brug af generative AI-teknologier. Elementer som datasikkerhed, bias og retfærdighed og overholdelse af lovgivning skal betragtes som en del af sådanne mekanismer.
Konklusion
Philips påbegyndte en rejse for at udnytte kraften i datadrevne algoritmer til at revolutionere sundhedsløsninger. I årenes løb har innovation inden for billeddiagnostik givet flere ML-applikationer, lige fra billedrekonstruktion til workflow-styring og behandlingsoptimering. Men det mangfoldige udvalg af opsætninger, fra individuelle bærbare computere til lokale klynger og cloud-infrastruktur, udgjorde formidable udfordringer. Separat systemadministration, sikkerhedsforanstaltninger, støttemekanismer og dataprotokol forhindrede et omfattende overblik over TCO og komplicerede overgange mellem teams. Overgangen fra forskning og udvikling til produktion blev belastet af manglen på afstamning og reproducerbarhed, hvilket gjorde kontinuerlig modelomskoling vanskelig.
Som en del af det strategiske samarbejde mellem Philips og AWS blev AI ToolSuite-platformen skabt for at udvikle en skalerbar, sikker og kompatibel ML-platform med SageMaker. Denne platform tilbyder funktioner lige fra eksperimentering, dataannotering, træning, modelimplementeringer og genanvendelige skabeloner. Alle disse funktioner blev bygget iterativt over flere cyklusser med opdagelse, design, konstruktion, test og implementering. Dette hjalp flere forretningsenheder med at innovere med hurtighed og smidighed, mens de styrede i skala med centrale kontroller.
Denne rejse tjener som inspiration for organisationer, der ønsker at udnytte kraften i AI og ML til at fremme innovation og effektivitet i sundhedsvæsenet, hvilket i sidste ende kommer patienter og plejeudbydere til gode over hele verden. Mens de fortsætter med at bygge videre på denne succes, er Philips klar til at gøre endnu større fremskridt med at forbedre sundhedsresultaterne gennem innovative AI-aktiverede løsninger.
For at lære mere om Philips innovation på AWS, besøg Philips på AWS.
Om forfatterne
Frank Wartena er programleder hos Philips Innovation & Strategy. Han koordinerer data- og AI-relaterede platformaktiver til støtte for vores Philips-data- og AI-aktiverede forslag. Han har bred erfaring inden for kunstig intelligens, datavidenskab og interoperabilitet. I sin fritid nyder Frank at løbe, læse og ro og tilbringe tid med sin familie.
Irina Fedulova er Principal Data & AI Lead hos Philips Innovation & Strategy. Hun driver strategiske aktiviteter med fokus på værktøjer, platforme og bedste praksis, der fremskynder og skalerer udviklingen og produktiseringen af (generative) AI-aktiverede løsninger hos Philips. Irina har en stærk teknisk baggrund inden for machine learning, cloud computing og software engineering. Uden for arbejdet nyder hun at bruge tid med sin familie, rejse og læse.
Selvakumar Palaniyappan er Product Owner hos Philips Innovation & Strategy, ansvarlig for produktstyring for Philips HealthSuite AI & ML platform. Han har stor erfaring med teknisk produktledelse og software engineering. Han arbejder i øjeblikket på at bygge en skalerbar og kompatibel AI- og ML-udviklings- og implementeringsplatform. Desuden står han i spidsen for implementeringen af Philips' datavidenskabsteams for at udvikle AI-drevne sundhedssystemer og -løsninger.
Adnan Elci er Senior Cloud Infrastructure Architect hos AWS Professional Services. Han opererer i egenskab af en teknisk leder, der fører tilsyn med forskellige operationer for kunder inden for sundhedspleje og biovidenskab, finans, luftfart og fremstilling. Hans entusiasme for automatisering er tydelig i hans omfattende engagement i at designe, bygge og implementere kundeløsninger på virksomhedsniveau i AWS-miljøet. Ud over sine professionelle forpligtelser dedikerer Adnan sig aktivt til frivilligt arbejde og stræber efter at skabe en meningsfuld og positiv indvirkning i samfundet.
Hasan Poonawala er Senior AI/ML Specialist Solutions Architect hos AWS, Hasan hjælper kunder med at designe og implementere maskinlæringsapplikationer i produktion på AWS. Han har over 12 års erhvervserfaring som dataforsker, maskinlæringspraktiker og softwareudvikler. I sin fritid elsker Hasan at udforske naturen og tilbringe tid med venner og familie.
Sreoshi Roy er Senior Global Engagement Manager hos AWS. Som forretningspartner for Healthcare & Life Sciences-kunderne kommer hun med en enestående erfaring med at definere og levere løsninger til komplekse forretningsproblemer. Hun hjælper sine kunder med at opstille strategiske mål, definere og designe cloud-/datastrategier og implementere den skalerede og robuste løsning for at opfylde deres tekniske og forretningsmæssige mål. Ud over hendes professionelle bestræbelser ligger hendes dedikation i at skabe en meningsfuld indflydelse på folks liv ved at fremme empati og fremme inklusivitet.
Wajahat Aziz er leder for AI/ML & HPC i AWS Healthcare and Life Sciences team. Efter at have tjent som teknologileder i forskellige roller hos life science-organisationer, udnytter Wajahat sin erfaring til at hjælpe sundheds- og life science-kunder med at udnytte AWS-teknologier til at udvikle avancerede ML- og HPC-løsninger. Hans nuværende fokusområder er tidlig forskning, kliniske forsøg og maskinlæring, der bevarer privatlivets fred.
Wioletta Stobieniecka er Data Scientist hos AWS Professional Services. Gennem sin professionelle karriere har hun leveret adskillige analysedrevne projekter til forskellige brancher såsom bank, forsikring, teleselskab og den offentlige sektor. Hendes viden om avancerede statistiske metoder og maskinlæring er godt kombineret med et forretningssans. Hun bringer seneste AI-fremskridt for at skabe værdi for kunderne.
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :har
- :er
- :ikke
- :hvor
- $OP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- evne
- I stand
- Om
- fremskynde
- accelererer
- adgang
- Adgang til data
- af udleverede
- tilgængelig
- ansvarlighed
- Konti
- nøjagtighed
- præcis
- opnået
- tværs
- handlingsrettede
- aktivt
- aktiviteter
- købmandskab
- Desuden
- Yderligere
- adhærens
- admin
- administration
- administrative
- vedtage
- Vedtagelse
- fremskreden
- fremskridt
- mod
- AI
- AI / ML
- Rettet
- Advarsler
- algoritme
- algoritmer
- Alle
- tildele
- allokeret
- tillade
- tillade
- tillader
- allerede
- også
- Amazon
- Amazon SageMaker
- Amazon Web Services
- blandt
- beløb
- an
- analytics
- analysere
- analysere
- ,
- API'er
- Anvendelse
- applikationer
- tilgang
- godkendt
- arkitektur
- ER
- områder
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- aktiv
- Aktiver
- tildelt
- forbundet
- sikkerhed
- At
- revision
- revisioner
- Godkendelse
- automatisere
- Automatiseret
- automatisk
- Automatisering
- Automation
- tilgængelighed
- til rådighed
- gennemsnit
- luftfart
- undgå
- AWS
- AWS Professional Services
- tilbage
- baggrund
- afbalancering
- Bank
- bund
- baseret
- BE
- været
- adfærd
- benchmarking
- gavn
- BEDSTE
- bedste praksis
- mellem
- Beyond
- skævhed
- fordomme
- fakturerings- og
- Blog
- blueprint
- boost
- fremme
- både
- flaskehalse
- brud
- Bringer
- bred
- budget
- Budgetter
- Bug
- bygge
- Bygning
- bygget
- virksomhed
- men
- by
- ringe
- CAN
- kapaciteter
- Kapacitet
- Kort
- hvilken
- Karriere
- forsigtig
- tilfælde
- tilfælde
- katalog
- Centers
- central
- centraliseret
- certificeringer
- udfordringer
- Champions
- Ændringer
- afgift
- Classic
- kunder
- Klinisk
- kliniske forsøg
- klinikere
- nøje
- Cloud
- cloud computing
- sky infrastruktur
- kode
- kodebase
- Kodning
- samarbejde
- kollaborativ
- kombineret
- kommer
- forpligtelser
- Fælles
- samfund
- Virksomheder
- selskab
- komplekse
- Compliance
- kompatibel
- kompliceret
- komponent
- komponenter
- omfattende
- Indeholder
- beregningsmæssige
- Compute
- computer
- Computer Vision
- computing
- vedrørende
- konkluderer
- udførelse
- tilsluttet
- overvejelse
- overvejelser
- betragtes
- Container
- indeholder
- sammenhæng
- fortsæt
- kontinuerlig
- kontinuerligt
- Continuum
- kontrol
- kontrol
- Core
- Koste
- Omkostningsstyring
- omkostningsbesparelser
- Omkostninger
- dækning
- skabe
- Opret værdi
- oprettet
- Oprettelse af
- skabelse
- kritisk
- tværgående teams
- afgørende
- kurateret
- Nuværende
- For øjeblikket
- skik
- kunde
- Kundeoplevelse
- Kundeløsninger
- Kunder
- tilpasse
- cyklus
- cykler
- data
- Databrænkelser
- datacentre
- Dataudveksling
- datastyring
- Dataforberedelse
- databehandling
- datalogi
- dataforsker
- datasikkerhed
- datastyret
- datasæt
- Dage
- dedikeret
- dedikation
- dyb
- dyb læring
- definere
- definere
- Forsinket
- levere
- leveret
- leverer
- Efterspørgsel
- krav
- demonstrerer
- indsætte
- indsat
- implementering
- implementeringer
- beskrive
- Design
- konstrueret
- designe
- detaljeret
- Detektion
- udvikle
- udviklet
- Udvikler
- udviklere
- udvikling
- Udvikling
- diagnostisk
- Diagnostisk billeddannelse
- diagnostik
- forskellige
- svært
- opdage
- diskutere
- sygdomme
- distinkt
- distribution
- forskelligartede
- Læger
- dokumentet
- dokumentation
- domæne
- Domæner
- færdig
- ned
- nedetid
- snesevis
- køre
- drevet
- drivere
- kørsel
- grund
- i løbet af
- dynamisk
- Tidligt
- lettere
- nemt
- økosystem
- Edge
- effektivt
- effektivitet
- effektiv
- effektivt
- indsats
- enten
- elementer
- indledt
- indlejring
- empati
- muliggøre
- aktiveret
- muliggør
- muliggør
- kryptering
- ende
- ende til ende
- bestræbelser
- engagement
- ingeniør
- Engineering
- Ingeniører
- forbedre
- forbedret
- forbedringer
- Forbedrer
- sikre
- sikrer
- sikring
- Enterprise
- entusiasme
- Hele
- Miljø
- miljøer
- fejl
- især
- væsentlig
- evaluere
- evaluering
- Endog
- begivenheder
- til sidst
- Hver
- indlysende
- evolution
- eksempel
- eksempler
- fremragende
- udveksling
- eksisterende
- forventet
- erfaring
- erfarne
- Oplevelser
- eksperiment
- eksperimenter
- udforske
- udvidelse
- omfattende
- ekstrakt
- Ansigtet
- letter
- fairness
- bekendt
- familie
- FAST
- hurtigere
- Feature
- Funktionalitet
- tilbagemeldinger
- Figur
- File (Felt)
- endelige
- finansiere
- Fornavn
- Fokus
- fokuserede
- efter
- Til
- formidabel
- Videresend
- fremme
- Foundation
- fragmenteret
- Framework
- frank
- venner
- fra
- Brændstof
- fuld
- fuldt ud
- funktionaliteter
- fundamental
- yderligere
- Endvidere
- fremtiden
- generation
- generative
- Generativ AI
- GitHub
- given
- Global
- Go
- godt
- regeringsførelse
- styrende
- regulerer
- GPU'er
- større
- Ground
- Grow
- Dyrkning
- vejledning
- guidet
- håndtere
- seletøj
- udnyttelse
- Have
- have
- he
- Helse
- sundhedssystemer
- sundhedspleje
- sundhedssektoren
- hjælpe
- hjulpet
- hjælpe
- hjælper
- hende
- Høj
- Høj ydeevne
- højdepunkter
- stærkt
- selv
- hans
- historie
- bedrift
- vandret
- time
- Hvordan
- Men
- HPC
- HTML
- http
- HTTPS
- menneskelig
- identificeret
- identificere
- identificere
- Identity
- tomgang
- illustrerer
- billede
- billeder
- Imaging
- KIMOs Succeshistorier
- bydende nødvendigt
- gennemføre
- implementeret
- gennemføre
- vigtigt
- Forbedre
- forbedringer
- forbedring
- in
- omfatter
- omfatter
- Herunder
- involvering
- stigende
- Indikatorer
- individuel
- industrier
- industrien
- industristandarder
- ineffektivitet
- oplysninger
- Infrastruktur
- i første omgang
- innovere
- Innovation
- Innovationsstrategi
- innovativ
- indgang
- indsigt
- Inspiration
- instans
- i stedet
- forsikring
- integrere
- integreret
- integration
- integrationer
- Intelligens
- grænseflade
- grænseflader
- interne
- Internet
- Interoperabilitet
- fortolkning
- interventioner
- ind
- involvere
- involverede
- involvering
- Irina
- isolerede
- isolation
- spørgsmål
- IT
- iteration
- ITS
- Job
- fælles
- rejse
- jpg
- Holde
- Nøgle
- viden
- lab
- mærkning
- Mangel
- laptops
- stor
- Latency
- lancere
- lag
- føre
- leder
- førende
- LÆR
- læring
- Politikker
- juridiske rammer
- mindre
- Niveau
- Leverage
- Udnytter
- ligger
- Livet
- Life Science
- Life Sciences
- livscyklus
- ligesom
- grænser
- afstamning
- linjer
- leve
- Lives
- belastning
- lokale
- placeringer
- log
- logning
- leder
- elsker
- maskine
- machine learning
- lavet
- Vedligeholdelig
- Vedligeholdelse
- fastholder
- vedligeholdelse
- lave
- maerker
- Making
- administrere
- lykkedes
- ledelse
- styringsværktøjer
- leder
- styring
- obligatorisk
- måde
- manuel
- Produktion
- mange
- Marked
- modenhed
- meningsfuld
- foranstaltninger
- mekanismer
- medicinsk
- Mød
- Medlemmer
- Metadata
- metoder
- metrisk
- millioner
- mindste
- ML
- MLOps
- model
- modeller
- modulær
- Overvåg
- overvåges
- overvågning
- mere
- bevæge sig
- MRI
- flere
- mangfoldighed
- skal
- indfødte
- Natur
- nødvendig
- Behov
- behov
- netværk
- Ny
- nye brugere
- næste
- ingen
- notesbog
- Noter
- meddelelser
- nu
- nummer
- objekt
- Objektdetektion
- målsætninger
- of
- tilbyde
- Tilbud
- on
- Ombord
- engang
- ONE
- igangværende
- åbent
- open source
- opererer
- operationelle
- Produktion
- Muligheder
- optimal
- optimering
- Optimer
- optimeret
- optimering
- or
- Mental sundhed
- ordrer
- organisation
- organisationer
- Organiseret
- Andet
- Andre
- vores
- udfald
- skitse
- uden for
- i løbet af
- samlet
- tilsyn
- ejer
- Parallel
- del
- partner
- partnerskab
- partnere
- gennemløb
- forbi
- patient
- patienter
- betale
- Mennesker
- folks
- per
- ydeevne
- Tilladelser
- personale
- Personlig
- Banebrydende
- pipeline
- Place
- perron
- Platforme
- plato
- Platon Data Intelligence
- PlatoData
- klar
- politik
- bærbarhed
- stillet
- positiv
- Indlæg
- potentiale
- magt
- vigtigste
- praksis
- brug
- forudsige
- foretrækkes
- forberedelse
- Forbered
- forberedt
- bevare
- tryk
- forhindre
- Main
- Beskyttelse af personlige oplysninger
- Proaktiv
- problemer
- procedurer
- behandle
- Processer
- forarbejdning
- Produkt
- produktstyring
- produktion
- produktivitet
- Produkter
- professionel
- Program
- projekt
- projektdata
- projekter
- Promises
- Fremme
- proprietære
- protokol
- give
- forudsat
- udbydere
- giver
- leverer
- offentlige
- formål
- kvalitet
- forespørgsler
- Hurtig
- Løb
- rækkevidde
- spænder
- hurtigt
- Læsning
- klar
- virkelige verden
- realtid
- modtage
- nylige
- anbefaler
- anbefalinger
- Reduceret
- reducere
- register
- reguleret
- regler
- lovgivningsmæssige
- Regulatory Compliance
- relaterede
- frigive
- frigive
- pålidelighed
- pålidelig
- fjern
- indberette
- Rapporter
- Repository
- anmode
- påkrævet
- Krav
- Kræver
- forskning
- forskning og udvikling
- ressource
- Ressourcer
- svar
- Resultater
- genanvendelige
- Anmeldelser
- revolutionere
- stringent
- Risiko
- risici
- robust
- roller
- roller
- Kør
- kører
- at ofre
- sagemaker
- besparelse
- Besparelser
- Skalerbarhed
- skalerbar
- Scale
- Videnskab
- VIDENSKABER
- Videnskabsmand
- forskere
- sømløs
- problemfrit
- Anden
- sektioner
- sektor
- sikker
- sikkerhed
- Sikkerhedsrevisioner
- Sikkerhedsforanstaltninger
- senior
- adskille
- tjener
- serveret
- tjener
- tjeneste
- Tjenester
- sæt
- sæt
- indstilling
- flere
- deling
- hun
- skifte
- bør
- fremvisning
- vist
- lukke
- Luk ned
- betydeligt
- Simpelt
- forenkle
- siden
- Smart
- So
- Software
- software Engineering
- løsninger
- Løsninger
- nogle
- Kilde
- Kilder
- spænding
- spændvidder
- spydspids
- specialist
- specifikke
- specifikt
- specifikation
- hastighed
- tilbringe
- udgifterne
- spikes
- iscenesættelse
- standarder
- står
- starte
- starter
- Nystartede
- state-of-the-art
- statistiske
- statistik
- forblive
- opbevaring
- butik
- forhandler
- lagring
- ligetil
- Strategisk
- strategier
- Strategi
- fremskridt
- stræben
- stærk
- struktur
- struktureret
- Studio
- succes
- sådan
- suite
- support
- sikker
- symptom
- systemet
- Systemer
- skræddersyet
- Tag
- opgaver
- hold
- Holdkammerater
- hold
- tech
- Teknisk
- Teknologier
- Teknologier
- Telco
- Telehealth
- skabeloner
- vilkår
- prøve
- Test
- end
- at
- Fremtiden
- deres
- Them
- derefter
- Der.
- derved
- Disse
- de
- Tredje
- tredjepart
- denne
- tre
- tærskel
- Gennem
- hele
- tid
- tidskrævende
- rettidig
- gange
- til
- sammen
- værktøjer
- mod
- Sporbarhed
- spor
- Sporing
- Tog
- uddannet
- Kurser
- Transform
- overgang
- overgange
- Gennemsigtighed
- Traveling
- behandling
- forsøg
- virkelig
- typer
- typisk
- Ultimativt
- uberettiget
- forstå
- Uventet
- forenet
- enestående
- entydighed
- enheder
- Universiteter
- frigøre
- uden sidestykke
- ubrugt
- opdateringer
- opgraderinger
- på
- brug
- brug tilfælde
- anvendte
- brugere
- bruger
- ved brug af
- udnyttet
- Ved hjælp af
- valideret
- validering
- Værdifuld
- værdi
- række
- forskellige
- Vast
- udgave
- lodret
- meget
- via
- Specifikation
- næsten
- vision
- Besøg
- visuel
- bind
- frivilligt
- var
- we
- web
- webservices
- uger
- GODT
- var
- hvornår
- som
- mens
- WHO
- bred
- Bred rækkevidde
- vilje
- med
- inden for
- uden
- Arbejde
- workflow
- arbejdsgange
- arbejder
- verdensplan
- år
- gav efter
- zephyrnet
- zoner