Este es un blog conjunto con AWS y Philips.
Philips es una empresa de tecnología sanitaria centrada en mejorar la vida de las personas mediante innovación significativa. Desde 2014, la compañía ofrece a los clientes su plataforma Philips HealthSuite, que organiza docenas de servicios de AWS que las empresas de atención médica y ciencias biológicas utilizan para mejorar la atención al paciente. Se asocia con proveedores de atención médica, nuevas empresas, universidades y otras empresas para desarrollar tecnología que ayude a los médicos a realizar diagnósticos más precisos y brindar un tratamiento más personalizado a millones de personas en todo el mundo.
Uno de los impulsores clave de la estrategia de innovación de Philips es la inteligencia artificial (IA), que permite la creación de productos y servicios inteligentes y personalizados que pueden mejorar los resultados de salud, mejorar la experiencia del cliente y optimizar la eficiencia operativa.
Amazon SageMaker proporciona herramientas diseñadas específicamente para operaciones de aprendizaje automático (MLOps) para ayudar a automatizar y estandarizar procesos en todo el ciclo de vida de ML. Con las herramientas SageMaker MLOps, los equipos pueden entrenar, probar, solucionar problemas, implementar y gobernar fácilmente modelos de ML a escala para aumentar la productividad de los científicos de datos y los ingenieros de ML mientras se mantiene el rendimiento del modelo en producción.
En esta publicación, describimos cómo Philips se asoció con AWS para desarrollar AI ToolSuite, una plataforma de aprendizaje automático escalable, segura y compatible en SageMaker. Esta plataforma proporciona capacidades que van desde experimentación, anotación de datos, capacitación, implementación de modelos y plantillas reutilizables. Todas estas capacidades están diseñadas para ayudar a múltiples líneas de negocios a innovar con velocidad y agilidad mientras se gobiernan a escala con controles centrales. Describimos los casos de uso clave que proporcionaron los requisitos para la primera iteración de la plataforma, los componentes principales y los resultados obtenidos. Concluimos identificando los esfuerzos en curso para habilitar la plataforma con cargas de trabajo generativas de IA e incorporar rápidamente nuevos usuarios y equipos para adoptar la plataforma.
Contexto del cliente
Philips utiliza la IA en diversos ámbitos, como imágenes, diagnóstico, terapia, salud personal y atención conectada. Algunos ejemplos de soluciones habilitadas para IA que Philips ha desarrollado en los últimos años son:
- Philips SmartSpeed – Una tecnología de imágenes basada en IA para resonancia magnética que utiliza un exclusivo algoritmo de IA de aprendizaje profundo basado en Compressed-SENSE para llevar la velocidad y la calidad de la imagen al siguiente nivel para una gran variedad de pacientes.
- Philips eCareManager – Una solución de telesalud que utiliza IA para respaldar la atención y la gestión remota de pacientes críticamente enfermos en unidades de cuidados intensivos, mediante el uso de análisis avanzados y algoritmos clínicos para procesar los datos del paciente de múltiples fuentes y proporcionar información, alertas y recomendaciones procesables para el equipo de atención
- Philips Sonicare – Un cepillo de dientes inteligente que utiliza IA para analizar el comportamiento de cepillado y la salud bucal de los usuarios, y proporciona orientación en tiempo real y recomendaciones personalizadas, como el tiempo, la presión y la cobertura óptimos de cepillado, para mejorar su higiene dental y prevenir caries y enfermedades de las encías. .
Durante muchos años, Philips ha sido pionero en el desarrollo de algoritmos basados en datos para impulsar sus soluciones innovadoras en todo el espectro de la atención sanitaria. En el ámbito del diagnóstico por imágenes, Philips desarrolló una multitud de aplicaciones de aprendizaje automático para la reconstrucción e interpretación de imágenes médicas, la gestión del flujo de trabajo y la optimización del tratamiento. También en monitorización de pacientes, terapia guiada por imágenes, ultrasonido y equipos de salud personal han estado creando algoritmos y aplicaciones de aprendizaje automático. Sin embargo, la innovación se vio obstaculizada por el uso de entornos de desarrollo de IA fragmentados entre los equipos. Estos entornos iban desde computadoras portátiles y de escritorio individuales hasta diversos clústeres computacionales locales e infraestructura basada en la nube. Inicialmente, esta heterogeneidad permitió que diferentes equipos avanzaran rápidamente en sus primeros esfuerzos de desarrollo de IA, pero ahora está frenando las oportunidades para escalar y mejorar la eficiencia de nuestros procesos de desarrollo de IA.
Era evidente que era imperativo un cambio fundamental hacia un entorno unificado y estandarizado para liberar verdaderamente el potencial de los esfuerzos basados en datos en Philips.
Casos de uso clave de IA/ML y requisitos de plataforma
Las propuestas habilitadas para IA/ML pueden transformar la atención médica al automatizar las tareas administrativas realizadas por los médicos. Por ejemplo:
- La IA puede analizar imágenes médicas para ayudar a los radiólogos a diagnosticar enfermedades de forma más rápida y precisa
- La IA puede predecir eventos médicos futuros analizando los datos de los pacientes y mejorando la atención proactiva
- La IA puede recomendar un tratamiento personalizado adaptado a las necesidades de los pacientes
- La IA puede extraer y estructurar información de notas clínicas para hacer que la toma de registros sea más eficiente
- Las interfaces de IA pueden brindar asistencia al paciente para consultas, recordatorios y verificadores de síntomas.
En general, AI/ML promete reducción de errores humanos, ahorro de tiempo y costos, experiencias optimizadas para los pacientes e intervenciones oportunas y personalizadas.
Uno de los requisitos clave para la plataforma de desarrollo e implementación de ML era la capacidad de la plataforma para admitir el proceso iterativo continuo de desarrollo e implementación, como se muestra en la siguiente figura.
El desarrollo de activos de IA comienza en un entorno de laboratorio, donde se recopilan y seleccionan los datos, y luego los modelos se entrenan y validan. Cuando el modelo está listo y aprobado para su uso, se implementa en los sistemas de producción del mundo real. Una vez implementado, el rendimiento del modelo se monitorea continuamente. El rendimiento y la retroalimentación del mundo real se utilizan eventualmente para mejorar aún más el modelo con una automatización completa del entrenamiento y la implementación del modelo.
Los requisitos más detallados de AI ToolSuite se basaron en tres casos de uso de ejemplo:
- Desarrollar una aplicación de visión por computadora orientada a la detección de objetos en el borde. El equipo de ciencia de datos esperaba que un flujo de trabajo de anotación de imágenes automatizado basado en inteligencia artificial acelerara un proceso de etiquetado que requería mucho tiempo.
- Permita que un equipo de ciencia de datos administre una familia de modelos de aprendizaje automático clásicos para comparar estadísticas en múltiples unidades médicas. El proyecto requería automatización de la implementación del modelo, seguimiento de experimentos, monitoreo de modelos y más control sobre todo el proceso de principio a fin, tanto para auditoría como para reentrenamiento en el futuro.
- Mejorar la calidad y el tiempo de comercialización de modelos de aprendizaje profundo en diagnóstico por imágenes médicas. La infraestructura informática existente no permitía realizar muchos experimentos en paralelo, lo que retrasó el desarrollo del modelo. Además, a efectos normativos, es necesario permitir la reproducibilidad total del entrenamiento del modelo durante varios años.
requerimientos no funcionales
La creación de una plataforma de IA/ML robusta y escalable requiere una cuidadosa consideración de los requisitos no funcionales. Estos requisitos van más allá de las funcionalidades específicas de la plataforma y se centran en garantizar lo siguiente:
- Escalabilidad – La plataforma AI ToolSuite debe poder escalar la infraestructura de generación de conocimientos de Philips de manera más efectiva para que la plataforma pueda manejar un volumen creciente de datos, usuarios y cargas de trabajo de AI/ML sin sacrificar el rendimiento. Debe diseñarse para escalar horizontal y verticalmente para satisfacer las crecientes demandas sin problemas y al mismo tiempo proporcionar una gestión central de recursos.
- Rendimiento – La plataforma debe ofrecer capacidades informáticas de alto rendimiento para procesar de manera eficiente algoritmos complejos de IA/ML. SageMaker ofrece una amplia gama de tipos de instancias, incluidas instancias con GPU potentes, que pueden acelerar significativamente las tareas de inferencia y entrenamiento de modelos. También debería minimizar la latencia y los tiempos de respuesta para proporcionar resultados en tiempo real o casi en tiempo real.
- Fiabilidad – La plataforma debe proporcionar una infraestructura de IA robusta y altamente confiable que abarque múltiples zonas de disponibilidad. Esta arquitectura multi-AZ debería garantizar operaciones de IA ininterrumpidas mediante la distribución de recursos y cargas de trabajo entre distintos centros de datos.
- Disponibilidad – La plataforma debe estar disponible las 24 horas del día, los 7 días de la semana, con un tiempo de inactividad mínimo para mantenimiento y actualizaciones. La alta disponibilidad de AI ToolSuite debería incluir equilibrio de carga, arquitecturas tolerantes a fallas y monitoreo proactivo.
- Seguridad y gobernanza – La plataforma debe emplear medidas de seguridad sólidas, cifrado, controles de acceso, roles dedicados y mecanismos de autenticación con monitoreo continuo de actividades inusuales y realización de auditorías de seguridad.
- Administración de datos – La gestión eficiente de datos es crucial para las plataformas de IA/ML. Las regulaciones en la industria de la salud exigen una gobernanza de datos especialmente rigurosa. Debe incluir características como control de versiones de datos, linaje de datos, gobernanza de datos y control de calidad de los datos para garantizar resultados precisos y confiables.
- Interoperabilidad – La plataforma debe diseñarse para integrarse fácilmente con los repositorios de datos internos de Philips, permitiendo un intercambio de datos fluido y la colaboración con aplicaciones de terceros.
- Mantenibilidad – La arquitectura y el código base de la plataforma deben estar bien organizados, ser modulares y fáciles de mantener. Esto permite a los ingenieros y desarrolladores de Philips ML proporcionar actualizaciones, correcciones de errores y mejoras futuras sin interrumpir todo el sistema.
- Optimización de recursos – La plataforma debe monitorear muy de cerca los informes de utilización para garantizar que los recursos informáticos se utilicen de manera eficiente y asignar recursos dinámicamente según la demanda. Además, Philips debe utilizar las herramientas de gestión de costos y facturación de AWS para asegurarse de que los equipos reciban notificaciones cuando la utilización supere el umbral asignado.
- Monitoreo y registro – La plataforma debe utilizar Reloj en la nube de Amazon alertas para capacidades integrales de monitoreo y registro, que son necesarias para rastrear el rendimiento del sistema, identificar cuellos de botella y solucionar problemas de manera efectiva.
- Cumplimiento – La plataforma también puede ayudar a mejorar el cumplimiento normativo de las propuestas basadas en IA. La reproducibilidad y la trazabilidad deben habilitarse automáticamente mediante los canales de procesamiento de datos de un extremo a otro, donde muchos artefactos de documentación obligatorios, como informes de linaje de datos y tarjetas modelo, se pueden preparar automáticamente.
- Pruebas y validación – Deben existir procedimientos rigurosos de prueba y validación para garantizar la precisión y confiabilidad de los modelos de IA/ML y evitar sesgos no deseados.
Resumen de la solución
AI ToolSuite es un entorno de desarrollo de IA de inicio rápido, escalable y de extremo a extremo que ofrece SageMaker nativo y servicios de IA/ML asociados con las barreras de seguridad y privacidad de Philips HealthSuite y las integraciones del ecosistema de Philips. Hay tres personas con conjuntos de permisos de acceso dedicados:
- Científico de datos – Preparar datos y desarrollar y entrenar modelos en un espacio de trabajo colaborativo.
- Ingeniero de ML – Producir aplicaciones de aprendizaje automático con implementación, monitoreo y mantenimiento de modelos.
- Administrador de ciencia de datos – Cree un proyecto por solicitud de equipo para proporcionar entornos aislados dedicados con plantillas de casos de uso específicos
El desarrollo de la plataforma abarcó múltiples ciclos de lanzamiento en un ciclo iterativo de descubrimiento, diseño, construcción, prueba e implementación. Debido a la singularidad de algunas aplicaciones, la extensión de la plataforma requirió incorporar componentes personalizados existentes, como almacenes de datos o herramientas patentadas para anotaciones.
La siguiente figura ilustra la arquitectura de tres capas de AI ToolSuite, incluida la infraestructura base como primera capa, los componentes comunes de ML como segunda capa y las plantillas específicas del proyecto como tercera capa.
La capa 1 contiene la infraestructura base:
- Una capa de red con acceso parametrizado a Internet con alta disponibilidad.
- Aprovisionamiento de autoservicio con infraestructura como código (IaC)
- Un entorno de desarrollo integrado (IDE) que utiliza un Estudio Amazon SageMaker dominio
- Roles de plataforma (administrador de ciencia de datos, científico de datos)
- Almacenamiento de artefactos
- Registro y monitoreo para observabilidad
La capa 2 contiene componentes de ML comunes:
- Seguimiento de experimentos automatizado para cada trabajo y proceso
- Un proceso de construcción de modelos para lanzar una nueva actualización de construcción de modelos
- Un canal de capacitación modelo compuesto por capacitación, evaluación y registro de modelos.
- Un canal de implementación del modelo para implementar el modelo para la prueba y aprobación final.
- Un registro de modelos para gestionar fácilmente las versiones de los modelos.
- Un rol de proyecto creado específicamente para un caso de uso determinado, que se asignará a los usuarios de SageMaker Studio.
- Un repositorio de imágenes para almacenar imágenes de contenedores de procesamiento, capacitación e inferencia creadas para el proyecto.
- Un repositorio de código para almacenar artefactos de código
- Un proyecto Servicio de almacenamiento simple de Amazon (Amazon S3) depósito para almacenar todos los datos y artefactos del proyecto
La capa 3 contiene plantillas específicas del proyecto que se pueden crear con componentes personalizados según lo requieran los nuevos proyectos. Por ejemplo:
- Plantilla 1 – Incluye un componente para consulta de datos y seguimiento del historial.
- Plantilla 2 – Incluye un componente para anotaciones de datos con un flujo de trabajo de anotaciones personalizado para utilizar herramientas de anotación patentadas.
- Plantilla 3 – Incluye componentes para imágenes de contenedores personalizados para personalizar tanto su entorno de desarrollo como sus rutinas de capacitación, sistema de archivos HPC dedicado y acceso desde un IDE local para los usuarios.
El siguiente diagrama destaca los servicios clave de AWS que abarcan múltiples cuentas de AWS para desarrollo, puesta en escena y producción.
En las siguientes secciones, analizamos las capacidades clave de la plataforma habilitada por los servicios de AWS, incluido SageMaker, Catálogo de servicios de AWS, Vigilancia de la nube, AWS Lambda, Registro de contenedores elásticos de Amazon (Amazon ECR), Amazon S3, Gestión de identidades y accesos de AWS (IAM) y otros.
Infraestructura como código
La plataforma utiliza IaC, que permite a Philips automatizar el aprovisionamiento y la gestión de recursos de infraestructura. Este enfoque también ayudará a la reproducibilidad, la escalabilidad, el control de versiones, la coherencia, la seguridad y la portabilidad para el desarrollo, las pruebas o la producción.
Acceso a entornos AWS
Se accede a SageMaker y a los servicios de IA/ML asociados con barreras de seguridad para la preparación de datos, el desarrollo de modelos, la capacitación, la anotación y la implementación.
Aislamiento y colaboración
La plataforma garantiza el aislamiento de los datos al almacenarlos y procesarlos por separado, lo que reduce el riesgo de acceso no autorizado o violaciones de datos.
La plataforma facilita la colaboración en equipo, que es esencial en proyectos de IA que normalmente involucran equipos multifuncionales, incluidos científicos de datos, administradores de ciencia de datos e ingenieros de MLOps.
Control de acceso basado en roles
El control de acceso basado en roles (RBAC) es esencial para administrar permisos y simplificar la gestión de acceso definiendo roles y permisos de manera estructurada. Facilita la administración de permisos a medida que los equipos y proyectos crecen y el control de acceso para diferentes personas involucradas en proyectos de IA/ML de AWS, como el administrador de ciencia de datos, el científico de datos, el administrador de anotaciones, el anotador y el ingeniero de MLOps.
Acceso a almacenes de datos
La plataforma permite a SageMaker acceder a los almacenes de datos, lo que garantiza que los datos se puedan utilizar de manera eficiente para el entrenamiento y la inferencia de modelos sin la necesidad de duplicar o mover datos entre diferentes ubicaciones de almacenamiento, optimizando así la utilización de recursos y reduciendo los costos.
Anotación utilizando herramientas de anotación específicas de Philips
AWS ofrece un conjunto de servicios de IA y ML, como SageMaker, Verdad fundamental de Amazon SageMakery Cognito Amazonas, que están totalmente integrados con herramientas de anotación internas específicas de Philips. Esta integración permite a los desarrolladores entrenar e implementar modelos de aprendizaje automático utilizando los datos anotados dentro del entorno de AWS.
Plantillas de aprendizaje automático
La plataforma AI ToolSuite ofrece plantillas en AWS para varios flujos de trabajo de ML. Estas plantillas son configuraciones de infraestructura preconfiguradas adaptadas a casos de uso de ML específicos y son accesibles a través de servicios como Plantillas de proyectos de SageMaker, Formación en la nube de AWSy Catálogo de servicios.
Integración con Philips GitHub
La integración con GitHub mejora la eficiencia al proporcionar una plataforma centralizada para el control de versiones, revisiones de código y procesos de CI/CD (integración e implementación continuas) automatizados, lo que reduce las tareas manuales y aumenta la productividad.
Integración de código de Visual Studio
La integración con Visual Studio Code proporciona un entorno unificado para codificar, depurar y administrar proyectos de aprendizaje automático. Esto agiliza todo el flujo de trabajo de ML, reduce el cambio de contexto y ahorra tiempo. La integración también mejora la colaboración entre los miembros del equipo al permitirles trabajar juntos en proyectos de SageMaker dentro de un entorno de desarrollo familiar, utilizando sistemas de control de versiones y compartiendo código y cuadernos sin problemas.
Linaje y trazabilidad de modelos y datos para reproducibilidad y cumplimiento
La plataforma proporciona control de versiones, lo que ayuda a realizar un seguimiento de los cambios en los datos de inferencia y capacitación del científico de datos a lo largo del tiempo, lo que facilita la reproducción de resultados y la comprensión de la evolución de los conjuntos de datos.
La plataforma también permite el seguimiento de experimentos de SageMaker, que permite a los usuarios finales registrar y rastrear todos los metadatos asociados con sus experimentos de aprendizaje automático, incluidos hiperparámetros, datos de entrada, código y artefactos de modelo. Estas capacidades son esenciales para demostrar el cumplimiento de los estándares regulatorios y garantizar la transparencia y la responsabilidad en los flujos de trabajo de IA/ML.
Generación de informes de especificaciones de AI/ML para el cumplimiento normativo
AWS mantiene certificaciones de cumplimiento para diversos estándares y regulaciones de la industria. Los informes de especificaciones de IA/ML sirven como documentación de cumplimiento esencial y muestran el cumplimiento de los requisitos reglamentarios. Estos informes documentan el control de versiones de conjuntos de datos, modelos y códigos. El control de versiones es esencial para mantener el linaje, la trazabilidad y la reproducibilidad de los datos, todo lo cual es fundamental para el cumplimiento normativo y la auditoría.
Gestión presupuestaria a nivel de proyecto
La gestión del presupuesto a nivel de proyecto permite a la organización establecer límites de gasto, lo que ayuda a evitar costos inesperados y garantiza que los proyectos de ML se mantengan dentro del presupuesto. Con la gestión presupuestaria, la organización puede asignar presupuestos específicos a proyectos o equipos individuales, lo que ayuda a los equipos a identificar ineficiencias de recursos o aumentos inesperados de costos desde el principio. Además de la gestión del presupuesto, con la función de apagar automáticamente los portátiles inactivos, los miembros del equipo evitan pagar por los recursos no utilizados y también liberan recursos valiosos cuando no están en uso activo, dejándolos disponibles para otras tareas o usuarios.
Resultados
AI ToolSuite se diseñó e implementó como una plataforma empresarial para el desarrollo y la implementación de ML para científicos de datos en Philips. Durante el diseño y desarrollo se recopilaron y consideraron diversos requisitos de todas las unidades de negocio. Al principio del proyecto, Philips identificó líderes de los equipos comerciales que brindaron comentarios y ayudaron a evaluar el valor de la plataforma.
Se lograron los siguientes resultados:
- La adopción por parte de los usuarios es uno de los principales indicadores clave para Philips. Se capacitó e incorporó a usuarios de varias unidades de negocios a la plataforma, y se espera que ese número crezca en 2024.
- Otra métrica importante es la eficiencia para los usuarios de ciencia de datos. Con AI ToolSuite, los nuevos entornos de desarrollo de ML se implementan en menos de una hora en lugar de varios días.
- Los equipos de ciencia de datos pueden acceder a una infraestructura informática escalable, segura y rentable basada en la nube.
- Los equipos pueden ejecutar múltiples experimentos de entrenamiento de modelos en paralelo, lo que redujo significativamente el tiempo promedio de entrenamiento de semanas a 1 a 3 días.
- Debido a que la implementación del entorno está completamente automatizada, prácticamente no requiere la participación de los ingenieros de infraestructura de la nube, lo que redujo los costos operativos.
- El uso de AI ToolSuite mejoró significativamente la madurez general de los datos y los entregables de AI al promover el uso de buenas prácticas de aprendizaje automático, flujos de trabajo estandarizados y reproducibilidad de extremo a extremo, lo cual es fundamental para el cumplimiento normativo en la industria de la salud.
Mirando hacia el futuro con IA generativa
A medida que las organizaciones se apresuran a adoptar lo último en IA, es imperativo adoptar nueva tecnología en el contexto de la política de seguridad y gobernanza de la organización. La arquitectura de AI ToolSuite proporciona un modelo excelente para permitir el acceso a capacidades de IA generativa en AWS para diferentes equipos de Philips. Los equipos pueden utilizar modelos básicos disponibles con JumpStart de Amazon SageMaker, que proporciona una gran cantidad de modelos de código abierto de Hugging Face y otros proveedores. Con las medidas de seguridad necesarias ya implementadas en términos de control de acceso, aprovisionamiento de proyectos y controles de costos, será sencillo para los equipos comenzar a utilizar las capacidades de IA generativa dentro de SageMaker.
Además, el acceso a lecho rocoso del amazonas, un servicio totalmente administrado impulsado por API para IA generativa, se puede aprovisionar para cuentas individuales según los requisitos del proyecto, y los usuarios pueden acceder a las API de Amazon Bedrock a través de la interfaz del portátil SageMaker o a través de su IDE preferido.
Existen consideraciones adicionales sobre la adopción de la IA generativa en un entorno regulado, como la atención sanitaria. Es necesario considerar cuidadosamente el valor creado por las aplicaciones de IA generativa frente a los riesgos y costos asociados. También es necesario crear un marco legal y de riesgos que rija el uso de tecnologías de IA generativa por parte de la organización. Elementos como la seguridad de los datos, el sesgo y la equidad, y el cumplimiento normativo deben considerarse como parte de dichos mecanismos.
Conclusión
Philips se embarcó en un viaje para aprovechar el poder de los algoritmos basados en datos para revolucionar las soluciones de atención médica. A lo largo de los años, la innovación en el diagnóstico por imágenes ha dado lugar a varias aplicaciones de aprendizaje automático, desde la reconstrucción de imágenes hasta la gestión del flujo de trabajo y la optimización del tratamiento. Sin embargo, la diversa gama de configuraciones, desde computadoras portátiles individuales hasta clústeres locales e infraestructura en la nube, planteó desafíos formidables. La administración separada del sistema, las medidas de seguridad, los mecanismos de soporte y el protocolo de datos inhibieron una visión integral del TCO y complicaron las transiciones entre equipos. La transición de la investigación y el desarrollo a la producción se vio afectada por la falta de linaje y reproducibilidad, lo que dificultó el reentrenamiento continuo del modelo.
Como parte de la colaboración estratégica entre Philips y AWS, se creó la plataforma AI ToolSuite para desarrollar una plataforma de aprendizaje automático escalable, segura y compatible con SageMaker. Esta plataforma proporciona capacidades que van desde experimentación, anotación de datos, capacitación, implementación de modelos y plantillas reutilizables. Todas estas capacidades se crearon de forma iterativa a lo largo de varios ciclos de descubrimiento, diseño, construcción, prueba e implementación. Esto ayudó a múltiples unidades de negocios a innovar con velocidad y agilidad mientras se gobernaban a escala con controles centrales.
Este viaje sirve de inspiración para las organizaciones que buscan aprovechar el poder de la IA y el aprendizaje automático para impulsar la innovación y la eficiencia en la atención médica, beneficiando en última instancia a los pacientes y proveedores de atención de todo el mundo. A medida que continúan aprovechando este éxito, Philips está preparada para lograr avances aún mayores en la mejora de los resultados de salud a través de soluciones innovadoras habilitadas con IA.
Para obtener más información sobre la innovación de Philips en AWS, visite Philips en AWS.
Sobre los autores
Frank Wartena es gerente de programas en Philips Innovation & Strategy. Coordina los activos de plataforma relacionados con datos e inteligencia artificial en apoyo de nuestras propuestas habilitadas para datos e inteligencia artificial de Philips. Tiene amplia experiencia en inteligencia artificial, ciencia de datos e interoperabilidad. En su tiempo libre, a Frank le gusta correr, leer, remar y pasar tiempo con su familia.
Irina Fedulova es líder principal de datos e inteligencia artificial en Philips Innovation & Strategy. Ella dirige actividades estratégicas centradas en las herramientas, plataformas y mejores prácticas que aceleran y escalan el desarrollo y la producción de soluciones habilitadas para IA (generativa) en Philips. Irina tiene una sólida formación técnica en aprendizaje automático, computación en la nube e ingeniería de software. Fuera del trabajo, le gusta pasar tiempo con su familia, viajar y leer.
Selvakumar Palaniyappan es propietario de producto en Philips Innovation & Strategy, a cargo de la gestión de productos para la plataforma Philips HealthSuite AI & ML. Tiene gran experiencia en gestión técnica de productos e ingeniería de software. Actualmente está trabajando en la construcción de una plataforma de implementación y desarrollo de IA y ML escalable y compatible. Además, está liderando su adopción por parte de los equipos de ciencia de datos de Philips para desarrollar sistemas y soluciones de salud basados en IA.
Adnan Elci es arquitecto senior de infraestructura de nube en AWS Professional Services. Opera en calidad de líder tecnológico, supervisando diversas operaciones para clientes en los sectores de atención médica y ciencias biológicas, finanzas, aviación y manufactura. Su entusiasmo por la automatización es evidente en su amplia participación en el diseño, construcción e implementación de soluciones para clientes de nivel empresarial dentro del entorno de AWS. Más allá de sus compromisos profesionales, Adnan se dedica activamente al trabajo voluntario, esforzándose por crear un impacto significativo y positivo dentro de la comunidad.
Hasan Poonawala es un arquitecto sénior de soluciones especialista en IA/ML en AWS, Hasan ayuda a los clientes a diseñar e implementar aplicaciones de aprendizaje automático en producción en AWS. Tiene más de 12 años de experiencia laboral como científico de datos, practicante de aprendizaje automático y desarrollador de software. En su tiempo libre, a Hasan le encanta explorar la naturaleza y pasar tiempo con amigos y familiares.
Roy Sreoshi es gerente sénior de participación global en AWS. Como socia comercial de los clientes de atención médica y ciencias biológicas, cuenta con una experiencia incomparable en la definición y entrega de soluciones para problemas comerciales complejos. Ayuda a sus clientes a establecer objetivos estratégicos, definir y diseñar estrategias de datos/nube e implementar la solución robusta y escalada para cumplir con sus objetivos técnicos y comerciales. Más allá de sus esfuerzos profesionales, su dedicación radica en crear un impacto significativo en la vida de las personas fomentando la empatía y promoviendo la inclusión.
Wajahat Aziz es líder en IA/ML y HPC en el equipo de ciencias biológicas y atención médica de AWS. Después de haber trabajado como líder tecnológico en diferentes funciones en organizaciones de ciencias biológicas, Wajahat aprovecha su experiencia para ayudar a los clientes de atención médica y ciencias biológicas a aprovechar las tecnologías de AWS para desarrollar soluciones de ML y HPC de última generación. Sus áreas de enfoque actuales son la investigación temprana, los ensayos clínicos y el aprendizaje automático que preserva la privacidad.
Wioletta Stobieniecka es científico de datos en AWS Professional Services. A lo largo de su carrera profesional, ha entregado múltiples proyectos basados en análisis para diferentes industrias, como la banca, los seguros, las telecomunicaciones y el sector público. Su conocimiento de métodos estadísticos avanzados y aprendizaje automático se combina bien con una perspicacia empresarial. Ella trae avances recientes de IA para crear valor para los clientes.
- Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
- PlatoData.Network Vertical Generativo Ai. Empodérate. Accede Aquí.
- PlatoAiStream. Inteligencia Web3. Conocimiento amplificado. Accede Aquí.
- PlatoESG. Carbón, tecnología limpia, Energía, Ambiente, Solar, Gestión de residuos. Accede Aquí.
- PlatoSalud. Inteligencia en Biotecnología y Ensayos Clínicos. Accede Aquí.
- Fuente: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :posee
- :es
- :no
- :dónde
- $ UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- capacidad
- Poder
- Nuestra Empresa
- acelerar
- acelera
- de la máquina
- Acceso a los datos
- visitada
- accesible
- seguimiento semanal
- Cuentas
- la exactitud
- preciso
- alcanzado
- a través de
- procesable
- activamente
- actividades
- perspicacia
- adición
- Adicionales
- adherencia
- Admin
- administración
- administrativo
- adoptar
- Adopción
- avanzado
- avances
- en contra
- AI
- AI / ML
- Dirigido
- Alertas
- algoritmo
- algoritmos
- Todos
- asignar
- asignado
- permitir
- Permitir
- permite
- ya haya utilizado
- también
- Amazon
- Amazon SageMaker
- Amazon Web Services
- entre
- cantidad
- an
- Analytics
- analizar
- el análisis de
- y
- API
- Aplicación
- aplicaciones
- enfoque
- aprobado
- arquitectura
- somos
- áreas
- artificial
- inteligencia artificial
- Inteligencia Artificial (AI)
- AS
- activo
- Activos
- asigna
- asociado
- Seguro
- At
- auditoría
- auditorías
- Autenticación
- automatizado
- Confirmación de Viaje
- automáticamente
- automatizar
- Automatización
- disponibilidad
- Hoy Disponibles
- promedio
- aviación
- evitar
- AWS
- Servicios profesionales de AWS
- Atrás
- fondo
- equilibrio
- Bancario
- bases
- basado
- BE
- esto
- comportamiento
- evaluación comparativa
- beneficiando
- MEJOR
- y las mejores prácticas
- entre
- Más allá de
- parcialidad
- los prejuicios
- facturación
- Blog
- proyecto
- empujón
- impulsar
- ambas
- cuellos de botella
- infracciones
- Trae
- general
- presupuesto
- Presupuestos
- Error
- build
- Construir la
- construido
- pero
- by
- llamar al
- PUEDEN
- capacidades
- Capacidad
- Tarjetas
- servicios sociales
- Propósito
- cuidadoso
- case
- cases
- catalogar
- Centros
- central
- centralizado
- certificaciones
- retos
- de la Educación
- Cambios
- CHARGE
- clásico
- clientes
- Clínico
- ensayos clínicos
- los médicos
- de cerca
- Soluciones
- la computación en nube
- infraestructura de nube
- código
- base de código
- Codificación
- colaboración
- colaboración
- combinado
- proviene
- compromisos
- Algunos
- vibrante e inclusiva
- Empresas
- compañía
- integraciones
- compliance
- obediente
- Complicado
- componente
- componentes
- exhaustivo
- Compuesto
- computational
- Calcular
- computadora
- Visión por computador
- informática
- porque nunca
- concluye
- conductible
- conectado
- consideración
- consideraciones
- considerado
- Envase
- contiene
- contexto
- continue
- continuo
- continuamente
- Continuum
- control
- controles
- Core
- Cost
- Manejo de costos
- ahorro de costes
- Precio
- cobertura
- Para crear
- Crear valor
- creado
- Creamos
- creación
- crítico
- equipos multifuncionales
- crucial
- comisariada
- Current
- En la actualidad
- personalizado
- cliente
- experiencia del cliente
- Soluciones para clientes
- Clientes
- personalizan
- Cycle
- de ciclos
- datos
- Incumplimiento de datos
- los centros de datos
- El intercambio de datos
- datos de gestión
- Preparación de datos
- proceso de datos
- Ciencia de los datos
- científico de datos
- seguridad de datos
- basada en datos
- conjuntos de datos
- Días
- a dedicados
- "consagración"
- profundo
- deep learning
- definir
- definir
- Retrasado
- entregamos
- liberado
- entregar
- Demanda
- demandas
- vas demostrando
- desplegar
- desplegado
- despliegue
- Despliegues
- describir
- Diseño
- diseñado
- diseño
- detallado
- Detección
- desarrollar
- desarrollado
- Developer
- desarrolladores
- el desarrollo
- Desarrollo
- diagnóstico
- Diagnóstico por imagen
- diagnóstico
- una experiencia diferente
- difícil
- descrubrir
- discutir
- enfermedad
- distinto
- distribuido
- diverso
- Doctores
- documento
- documentación
- dominio
- dominios
- hecho
- DE INSCRIPCIÓN
- el tiempo de inactividad
- decenas
- el lado de la transmisión
- impulsados
- conductores
- conducción
- dos
- durante
- dinamicamente
- Temprano en la
- más fácil
- pasan fácilmente
- ecosistema
- Southern Implants
- de manera eficaz
- eficiencia
- eficiente
- eficiente.
- esfuerzos
- ya sea
- elementos
- embarcado
- incrustación
- empatía
- habilitar
- facilita
- permite
- permitiendo
- cifrado
- final
- de extremo a extremo
- esfuerzos
- de su negocio.
- ingeniero
- Ingeniería
- certificados
- mejorar
- mejorado
- mejoras
- Mejora
- garantizar
- asegura
- asegurando que
- Empresa
- entusiasmo
- Todo
- Entorno
- ambientes
- error
- especialmente
- esencial
- evaluar
- evaluación
- Incluso
- Eventos
- finalmente
- Cada
- evidente
- evolución
- ejemplo
- ejemplos
- excelente,
- Intercambio
- existente
- esperado
- experience
- experimentado
- Experiencias
- experimento
- experimentos
- explorar
- extensión
- en los detalles
- extraerlos
- Cara
- facilita
- justicia
- familiar
- familia
- RÁPIDO
- más rápida
- Feature
- Caracteristicas
- realimentación
- Figura
- Archive
- final
- financiar
- Nombre
- Focus
- centrado
- siguiendo
- formidable
- adelante
- el fomento de
- Fundación
- fragmentado
- Marco conceptual
- franco
- amigos
- Desde
- Combustible
- ser completados
- completamente
- funcionalidades
- fundamental
- promover
- Además
- futuras
- generación de AHSS
- generativo
- IA generativa
- GitHub
- dado
- Buscar
- Go
- candidato
- gobierno
- gobernante
- gobierna
- GPU
- mayor
- Polo a Tierra
- Crecer
- Creciendo
- guía
- guiado
- encargarse de
- aprovechar
- Aprovechamiento
- Tienen
- es
- he
- Salud
- sistemas de salud
- la salud
- industria de la salud
- ayuda
- ayudado
- ayudando
- ayuda
- aquí
- Alta
- Alto rendimiento
- destacados
- altamente
- él mismo
- su
- historia
- tenencia
- horizontalmente
- horas.
- Cómo
- Sin embargo
- HPC
- HTML
- http
- HTTPS
- humana
- no haber aun identificado una solucion para el problema
- Identifique
- identificar
- Identidad
- Idle
- ilustra
- imagen
- imágenes
- Proyección de imagen
- Impacto
- INDISPENSABLE
- implementar
- implementado
- implementación
- importante
- mejorar
- mejoras
- la mejora de
- in
- incluir
- incluye
- Incluye
- Inclusividad
- creciente
- indicadores
- INSTRUMENTO individual
- industrias
- energético
- estándares de la industria
- ineficiencias
- información
- EN LA MINA
- posiblemente
- innovar
- Innovation
- Estrategia de innovación
- originales
- Las opciones de entrada
- Insights
- Inspiración
- ejemplo
- aseguradora
- integrar
- COMPLETAMENTE
- integración
- integraciones
- Intelligence
- Interfaz
- las interfaces
- interno
- Internet
- Interoperabilidad
- Automática
- intervenciones
- dentro
- involucrar
- involucra
- la participación de
- Irina
- aislado
- solo
- cuestiones
- IT
- iteración
- SUS
- Trabajos
- articulación
- jpg
- Guardar
- Clave
- especialistas
- el lab
- etiquetado
- Falta
- ordenadores portátiles
- large
- Estado latente
- lanzamiento
- .
- Lead
- líder
- líder
- APRENDE:
- aprendizaje
- Legal
- marco legal
- menos
- Nivel
- Apalancamiento
- apalancamientos
- se encuentra
- Vida
- Ciencias de la vida
- Ciencias de la vida
- ciclo de vida
- como
- límites
- linaje
- líneas
- para vivir
- Vidas
- carga
- local
- Ubicaciones
- log
- registro
- mirando
- ama
- máquina
- máquina de aprendizaje
- hecho
- Mantenible
- Mantener los
- mantiene
- un mejor mantenimiento.
- para lograr
- HACE
- Realizar
- gestionan
- gestionado
- Management
- Herramientas de Manejo
- gerente
- administrar
- obligatorio
- manera
- manual
- Fabricación
- muchos
- Mercado
- madurez
- significativo
- medidas
- los mecanismos de
- servicios
- Conoce a
- Miembros
- metadatos
- métodos
- métrico
- millones
- mínimo
- ML
- MLOps
- modelo
- modelos
- modulares
- Monitorear
- monitoreado
- monitoreo
- más,
- movimiento
- MRI
- múltiples
- multitud
- debe
- nativo
- Naturaleza
- necesario
- ¿ Necesita ayuda
- red
- Nuevo
- usuarios nuevos
- Next
- no
- cuaderno
- Notas
- notificaciones
- ahora
- número
- objeto
- Detección de objetos
- ,
- of
- que ofrece
- Ofertas
- on
- A bordo
- una vez
- ONE
- en marcha
- habiertos
- de código abierto
- opera
- operativos.
- Operaciones
- Del Mañana
- óptimo
- optimización
- Optimización
- optimizado
- optimizando
- or
- Salud bucal
- solicite
- organización
- para las fiestas.
- Organizado
- Otro
- Otros
- nuestros
- resultados
- contorno
- afuera
- Más de
- total
- supervisando
- propietario
- Paralelo
- parte
- Socio
- asociado
- socios
- pasa
- pasado
- paciente
- los pacientes
- pago
- Personas
- de las personas
- para
- actuación
- permisos
- con
- Personalizado
- Pioneros
- industrial
- Colocar
- plataforma
- Plataformas
- Platón
- Inteligencia de datos de Platón
- PlatónDatos
- listo
- política
- portabilidad
- que plantea
- positivo
- Publicación
- posible
- industria
- poderoso
- prácticas
- necesidad
- predecir
- preferido
- preparación
- Preparar
- preparado
- conservación
- presión
- evitar
- Director de la escuela
- política de privacidad
- Proactiva
- problemas
- procedimientos
- en costes
- tratamiento
- Producto
- gestión de producto
- Producción
- productividad
- Productos
- Profesional
- Programa
- proyecto
- datos del proyecto
- proyecta
- Promete
- Promoción
- propietario
- protocolo
- proporcionar
- previsto
- los proveedores
- proporciona un
- proporcionando
- público
- fines
- calidad
- consultas
- Búsqueda
- Carrera
- distancia
- que van
- rápidamente
- Reading
- ready
- mundo real
- en tiempo real
- recepción
- reciente
- recomiendan
- recomendaciones
- Reducción
- la reducción de
- registro
- regulados
- reglamentos
- regulador
- Cumplimiento Regulatorio
- relacionado
- ,
- la liberación de
- fiabilidad
- confianza
- sanaciones
- reporte
- Informes
- repositorio
- solicita
- Requisitos
- Requisitos
- requiere
- la investigación
- la investigación y el desarrollo
- Recurso
- Recursos
- respuesta
- Resultados
- reutilizables
- Reseñas
- revolucionar
- riguroso
- Riesgo
- riesgos
- robusto
- Función
- También soy miembro del cuerpo docente de World Extreme Medicine (WEM) y embajadora europea de igualdad para The Transformational Travel Council (TTC). En mi tiempo libre, soy una incansable aventurera, escaladora, patrona de día, buceadora y defensora de la igualdad de género en el deporte y la aventura. En XNUMX, fundé Almas Libres, una ONG nacida para involucrar, educar y empoderar a mujeres y niñas a través del deporte urbano, la cultura y la tecnología.
- Ejecutar
- correr
- sacrificando
- sabio
- ahorro
- Ahorros
- Escalabilidad
- escalable
- Escala
- Ciencia:
- CIENCIAS
- Científico
- los científicos
- sin costura
- sin problemas
- Segundo
- (secciones)
- sector
- seguro
- EN LINEA
- Security audits
- Medidas de Seguridad
- mayor
- separado
- ayudar
- servido
- sirve
- de coches
- Servicios
- set
- Sets
- pólipo
- Varios
- compartir
- ella
- Turno
- tienes
- Demostramos a usted
- mostrado
- cerrar
- cerrar
- significativamente
- sencillos
- simplificando
- desde
- inteligente
- So
- Software
- Ingeniería de software
- a medida
- Soluciones
- algo
- Fuente
- Fuentes
- abarcando
- se extiende
- encabezando
- especialista
- soluciones y
- específicamente
- especificación
- velocidad
- pasar
- Gastos
- picos
- puesta en escena
- estándares de salud
- es la
- comienzo
- comienza
- Startups
- el estado de la técnica
- estadístico
- statistics
- quedarse
- STORAGE
- tienda
- tiendas
- almacenamiento
- sencillo
- Estratégico
- estrategias
- Estrategia
- zancadas
- esforzarse
- fuerte
- estructura
- estructurado
- estudio
- comercial
- tal
- suite
- SOPORTE
- seguro
- síntoma
- te
- Todas las funciones a su disposición
- adaptado
- ¡Prepárate!
- tareas
- equipo
- Miembros del equipo
- equipos
- tecnología
- Técnico
- Tecnologías
- Tecnología
- Las redes de
- telesalud
- plantillas
- términos
- test
- Pruebas
- que
- esa
- El proyecto
- El futuro de las
- su
- Les
- luego
- Ahí.
- de este modo
- Estas
- ellos
- Código
- terceros.
- así
- Tres
- umbral
- A través de esta formación, el personal docente y administrativo de escuelas y universidades estará preparado para manejar los recursos disponibles que derivan de la diversidad cultural de sus estudiantes. Además, un mejor y mayor entendimiento sobre estas diferencias y similitudes culturales permitirá alcanzar los objetivos de inclusión previstos.
- a lo largo de
- equipo
- prolongado
- oportuno
- veces
- a
- juntos
- hacia
- Trazabilidad
- seguir
- Seguimiento
- Entrenar
- entrenado
- Formación
- Transformar
- transición
- transiciones
- Transparencia
- Viajar
- del mismo día
- ensayos
- verdaderamente
- tipos
- típicamente
- Finalmente, a veces
- no autorizado
- entender
- Inesperado
- unificado
- único
- unicidad
- unidades que
- Universidades
- desatraillar
- incomparable
- no usado
- Actualizaciones
- actualizaciones
- a
- utilizan el
- caso de uso
- usado
- usuarios
- usos
- usando
- utilizado
- Utilizando
- validado
- validación
- Valioso
- propuesta de
- variedad
- diversos
- Vasto
- versión
- verticalmente
- muy
- vía
- Ver
- virtualmente
- visión
- Visite
- visual
- volumen
- voluntario
- fue
- we
- web
- servicios web
- Semanas
- WELL
- tuvieron
- cuando
- que
- mientras
- QUIENES
- amplio
- Amplia gama
- seguirá
- dentro de
- sin
- Actividades:
- flujo de trabajo
- flujos de trabajo
- trabajando
- en todo el mundo
- años
- cedió
- zephyrnet
- zonas