Accenture با استفاده از خدمات هوش مصنوعی مولد AWS راه حل تنظیم اسناد تنظیمی ایجاد می کند خدمات وب آمازون

این پست با همکاری ایلان گلر، شویو یانگ و ریچا گوپتا از Accenture نوشته شده است.

ارائه داروهای نوآورانه دارویی جدید به بازار یک فرآیند طولانی و سخت است. شرکت ها با مقررات پیچیده و الزامات تأیید گسترده از سوی نهادهای حاکم مانند سازمان غذا و داروی ایالات متحده (FDA) مواجه هستند. بخش کلیدی فرآیند ارسال، نگارش اسناد نظارتی مانند سند فنی مشترک (CTD)، یک سند فرمت استاندارد جامع برای ارسال درخواست‌ها، اصلاحات، مکمل‌ها و گزارش‌ها به FDA. این سند شامل بیش از 100 گزارش فنی بسیار دقیق است که در طول فرآیند تحقیق و آزمایش دارو ایجاد شده است. ایجاد دستی CTD ها فوق العاده کار فشرده است و برای یک شرکت بزرگ داروسازی معمولی به 100,000 ساعت در سال نیاز دارد. روند طاقت فرسا گردآوری صدها سند نیز مستعد خطا است.

Accenture یک راه حل تنظیم اسناد تنظیمی با استفاده از خودکار ساخته شده است هوش مصنوعی مولد که محققان و آزمایشگران را قادر می سازد تا CTD ها را به طور موثر تولید کنند. با استخراج داده های کلیدی از گزارش های آزمایشی، سیستم استفاده می کند Amazon SageMaker JumpStart و سایر خدمات هوش مصنوعی AWS برای تولید CTD در قالب مناسب. این رویکرد انقلابی زمان و تلاش صرف شده برای نگارش CTD را فشرده می کند. کاربران می توانند به سرعت گزارش های تولید شده توسط رایانه را قبل از ارسال بررسی و تنظیم کنند.

به دلیل ماهیت حساس داده ها و تلاش های موجود، شرکت های داروسازی به سطح بالاتری از کنترل، امنیت و قابلیت حسابرسی نیاز دارند. این راه حل بر اصول و دستورالعمل های AWS Well-Architected تکیه دارد تا الزامات کنترل، امنیت و قابلیت ممیزی را فعال کند. این سیستم کاربر پسند همچنین از رمزگذاری برای امنیت استفاده می کند.

هدف Accenture با استفاده از هوش مصنوعی مولد AWS تغییر کارایی برای صنایع تحت نظارت مانند داروسازی است. خودکارسازی فرآیند خسته‌کننده سند CTD تأیید محصول جدید را تسریع می‌کند تا درمان‌های نوآورانه سریع‌تر به بیماران برسد. هوش مصنوعی یک جهش بزرگ به جلو ایجاد می کند.

این پست یک نمای کلی از یک راه حل مولد AI ارائه می دهد که توسط Accenture برای نوشتن اسناد نظارتی با استفاده از SageMaker JumpStart و سایر خدمات AWS توسعه یافته است.

بررسی اجمالی راه حل

Accenture یک راه حل مبتنی بر هوش مصنوعی ساخته است که به طور خودکار یک سند CTD را در قالب مورد نیاز تولید می کند، همراه با انعطاف پذیری برای کاربران برای بررسی و ویرایش محتوای تولید شده. ارزش اولیه 40 تا 45 درصد کاهش در زمان تألیف تخمین زده می شود.

این راه حل مولد مبتنی بر هوش مصنوعی، اطلاعات را از گزارش های فنی تولید شده به عنوان بخشی از فرآیند آزمایش استخراج می کند و پرونده مفصل را در قالب مشترک مورد نیاز نهادهای حاکم مرکزی ارائه می دهد. سپس کاربران در صورت لزوم اسناد را بررسی و ویرایش می کنند و آن را به نهادهای حاکمیتی مرکزی ارسال می کنند. این راه حل از مدل های SageMaker JumpStart AI21 Jurassic Jumbo Instruct و AI21 Summarize برای استخراج و ایجاد اسناد استفاده می کند.

نمودار زیر معماری راه حل را نشان می دهد.

گردش کار شامل مراحل زیر است:

1. کاربر از مرورگر رایانه خود به ابزار تنظیم اسناد نظارتی دسترسی پیدا می کند.
2. یک برنامه React روی میزبانی می شود AWS تقویت کنید و از رایانه کاربر قابل دسترسی است (برای DNS، استفاده کنید مسیر آمازون 53).
3. برنامه React از کتابخانه احراز هویت Amplify برای تشخیص احراز هویت کاربر استفاده می کند.
4. Cognito آمازون یک مجموعه کاربری محلی را فراهم می کند یا می تواند با دایرکتوری فعال کاربر فدرال شود.
5. این برنامه از کتابخانه های Amplify برای استفاده می کند سرویس ذخیره سازی ساده آمازون (Amazon S3) و اسناد ارائه شده توسط کاربران را در Amazon S3 آپلود می کند.
6. برنامه جزئیات کار (شناسه شغلی ایجاد شده توسط برنامه و محل فایل منبع آمازون S3) را در یک می نویسد سرویس صف ساده آمازون صف (Amazon SQS). این شناسه پیامی را که توسط Amazon SQS برگردانده شده است را ضبط می کند. آمازون SQS یک معماری جدا شده مقاوم در برابر خطا را فعال می کند. حتی اگر در حین پردازش یک کار، برخی از خطاهای باطن وجود داشته باشد، داشتن سابقه شغلی در آمازون SQS تکرار موفقیت آمیز را تضمین می کند.
7. با استفاده از شناسه شغل و شناسه پیامی که توسط درخواست قبلی بازگردانده شده است، مشتری به آن متصل می شود WebSocket API و شناسه شغل و شناسه پیام را به اتصال WebSocket ارسال می کند.
8. WebSocket یک را راه اندازی می کند AWS لامبدا تابع، که یک رکورد در ایجاد می کند آمازون DynamoDB. رکورد یک نگاشت کلید-مقدار شناسه شغل (WebSocket) با شناسه اتصال و شناسه پیام است.
9. یک تابع Lambda دیگر با یک پیام جدید در صف SQS فعال می شود. تابع Lambda شناسه کار را می خواند و یک را فراخوانی می کند توابع مرحله AWS گردش کار برای پردازش فایل های داده
10. ماشین حالت توابع Step یک تابع Lambda را برای پردازش اسناد منبع فراخوانی می کند. کد تابع فراخوانی می کند متن آمازون برای تجزیه و تحلیل اسناد داده های پاسخ در DynamoDB ذخیره می شود. بر اساس نیازهای خاص با پردازش داده ها، می توان آن را در Amazon S3 یا ذخیره کرد Amazon DocumentDB (با سازگاری MongoDB).
11. یک تابع Lambda از Amazon Textract API DetectDocument فراخوانی می کند تا داده های جدولی را از اسناد منبع تجزیه کند و داده های استخراج شده را در DynamoDB ذخیره کند.
12. یک تابع Lambda داده ها را بر اساس قوانین نگاشت ذخیره شده در جدول DynamoDB پردازش می کند.
13. یک تابع لامبدا کتابخانه‌های سریع و مجموعه‌ای از اقدامات را با استفاده از هوش مصنوعی مولد با یک مدل زبان بزرگ که از طریق آن میزبانی می‌شود فراخوانی می‌کند. آمازون SageMaker برای خلاصه سازی داده ها
14. تابع Lambda نویسنده سند یک سند تلفیقی را در یک پوشه پردازش شده S3 می نویسد.
15. تابع لامبدا برگشت به تماس، جزئیات اتصال برگشت به تماس را از جدول DynamoDB بازیابی می کند و شناسه شغلی را ارسال می کند. سپس تابع لامبدا به نقطه پایانی WebSocket پاسخ می دهد و پیوند سند پردازش شده را از Amazon S3 ارائه می دهد.
16. یک تابع Lambda پیام را از صف SQS حذف می کند تا دوباره پردازش نشود.
17. یک ماژول وب تولید کننده سند، داده های JSON را به یک سند Microsoft Word تبدیل می کند، آن را ذخیره می کند و سند پردازش شده را در مرورگر وب ارائه می کند.
18. کاربر می تواند اسناد را از ماژول وب در سطل S3 مشاهده، ویرایش و ذخیره کند. این به بررسی ها و اصلاحات مورد نیاز، در صورت وجود، کمک می کند.

این راه حل همچنین از نوت بوک های SageMaker (با برچسب T در معماری قبلی) برای انجام تطبیق دامنه، تنظیم دقیق مدل ها و استقرار نقاط انتهایی SageMaker استفاده می کند.

نتیجه

در این پست، ما نشان دادیم که Accenture چگونه از خدمات هوش مصنوعی مولد AWS برای پیاده‌سازی یک رویکرد انتها به انتها نسبت به راه‌حل تألیف اسناد نظارتی استفاده می‌کند. این راه حل در آزمایش اولیه کاهش 60-65٪ در زمان مورد نیاز برای نوشتن CTD ها را نشان داده است. ما شکاف‌ها را در پلت‌فرم‌های نظارتی سنتی و هوش مولد تقویت‌شده در چارچوب آن برای زمان‌های پاسخ سریع‌تر شناسایی کردیم و به طور مداوم در حال بهبود سیستم در حین تعامل با کاربران در سراسر جهان هستیم. با تیم Accenture Center of Excellence تماس بگیرید تا راه حل را عمیق تر کنید و آن را برای مشتریان خود به کار بگیرید.

این برنامه مشترک با تمرکز بر هوش مصنوعی مولد به افزایش زمان به ارزش برای مشتریان مشترک Accenture و AWS کمک می کند. این تلاش مبتنی بر روابط استراتژیک 15 ساله بین شرکت ها است و از همان مکانیسم ها و شتاب دهنده های اثبات شده ساخته شده توسط شرکت ها استفاده می کند. گروه تجاری Accenture AWS (AABG).

با تیم AABG در تماس باشید accleureaws@amazon.com برای هدایت نتایج کسب و کار با تبدیل به یک شرکت داده هوشمند در AWS.

برای اطلاعات بیشتر در مورد هوش مصنوعی مولد در استفاده از AWS بستر آمازون یا SageMaker رجوع شود هوش مصنوعی مولد در AWS: فناوری و با استفاده از Amazon SageMaker JumpStart با هوش مصنوعی مولد در AWS شروع کنید.

شما نیز می توانید برای خبرنامه هوش مصنوعی مولد AWS ثبت نام کنید، که شامل منابع آموزشی، وبلاگ ها و به روز رسانی های خدمات است.

---

درباره نویسنده

ایلان گلر مدیر عامل داده و هوش مصنوعی در Accenture است. او رهبر جهانی AWS شریک برای داده و هوش مصنوعی و مرکز هوش مصنوعی پیشرفته است. نقش های او در Accenture در درجه اول بر روی طراحی، توسعه و تحویل داده های پیچیده، AI/ML و اخیراً راه حل های Generative AI متمرکز بوده است.

شویو یانگ هوش مصنوعی مولد و مدیر تحویل مدل زبان بزرگ است و همچنین تیم‌های CoE (مرکز تعالی) Accenture AI (AWS DevOps حرفه‌ای) را رهبری می‌کند.

ریچا گپتا یک معمار فناوری در Accenture است که پروژه های مختلف هوش مصنوعی را رهبری می کند. او با بیش از 18 سال تجربه در معماری راه حل های مقیاس پذیر AI و GenAI ارائه می شود. حوزه تخصص او در معماری هوش مصنوعی، راه حل های ابری و هوش مصنوعی مولد است. او در فعالیت های مختلف پیش فروش ایفای نقش می کند.

شیخار کواترا یک معمار راه حل های تخصصی AI/ML در خدمات وب آمازون است که با یک ادغام کننده سیستم جهانی پیشرو کار می کند. او با بیش از 500 حق ثبت اختراع در حوزه های AI/ML و IoT عنوان یکی از جوان ترین مخترعان استاد هند را به دست آورده است. Shikhar به معماری، ساخت و نگهداری محیط های ابری مقرون به صرفه و مقیاس پذیر برای سازمان کمک می کند و از شریک GSI در ساخت راه حل های استراتژیک صنعت در AWS پشتیبانی می کند. شيخار از نواختن گيتار، آهنگسازي و تمرين ذهن آگاهي در اوقات فراغت خود لذت مي برد.

ساچین تاکار یک معمار ارشد راه حل در خدمات وب آمازون است که با یکپارچه ساز سیستم جهانی (GSI) پیشرو کار می کند. او بیش از 23 سال تجربه به عنوان یک معمار فناوری اطلاعات و به عنوان مشاور فناوری برای مؤسسات بزرگ دارد. حوزه تمرکز او بر روی داده ها، تجزیه و تحلیل و هوش مصنوعی تولیدی است. ساچین راهنمایی های معماری ارائه می دهد و از شریک GSI در ساخت راه حل های استراتژیک صنعت در AWS پشتیبانی می کند.

• محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
• PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
• PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
• PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
• PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
• منبع: https://aws.amazon.com/blogs/machine-learning/accenture-creates-a-regulatory-document-authoring-solution-using-aws-generative-ai-services/