Il s'agit d'un blog commun avec AWS et Philips.
Philips est une entreprise de technologie de la santé dont l'objectif est d'améliorer la vie des gens grâce à une innovation significative. Depuis 2014, la société propose à ses clients sa plateforme Philips HealthSuite, qui orchestre des dizaines de services AWS que les entreprises de soins de santé et des sciences de la vie utilisent pour améliorer les soins aux patients. Elle s'associe à des prestataires de soins de santé, des startups, des universités et d'autres entreprises pour développer une technologie qui aide les médecins à établir des diagnostics plus précis et à fournir un traitement plus personnalisé à des millions de personnes dans le monde.
L'un des principaux moteurs de la stratégie d'innovation de Philips est l'intelligence artificielle (IA), qui permet la création de produits et de services intelligents et personnalisés susceptibles d'améliorer les résultats en matière de santé, d'améliorer l'expérience client et d'optimiser l'efficacité opérationnelle.
Amazon Sage Maker fournit des outils spécialement conçus pour les opérations d'apprentissage automatique (MLOps) afin d'aider à automatiser et à standardiser les processus tout au long du cycle de vie du ML. Avec les outils SageMaker MLOps, les équipes peuvent facilement former, tester, dépanner, déployer et gouverner des modèles ML à grande échelle pour augmenter la productivité des data scientists et des ingénieurs ML tout en maintenant les performances des modèles en production.
Dans cet article, nous décrivons comment Philips s'est associé à AWS pour développer AI ToolSuite, une plate-forme ML évolutive, sécurisée et conforme sur SageMaker. Cette plate-forme offre des fonctionnalités allant de l'expérimentation à l'annotation de données, en passant par la formation, le déploiement de modèles et les modèles réutilisables. Toutes ces fonctionnalités sont conçues pour aider plusieurs secteurs d’activité à innover avec rapidité et agilité tout en gouvernant à grande échelle avec des contrôles centraux. Nous décrivons les principaux cas d'utilisation qui ont fourni les exigences pour la première itération de la plateforme, les composants principaux et les résultats obtenus. Nous concluons en identifiant les efforts en cours pour doter la plateforme de charges de travail d'IA génératives et intégrer rapidement de nouveaux utilisateurs et équipes pour adopter la plateforme.
Contexte client
Philips utilise l'IA dans divers domaines, tels que l'imagerie, le diagnostic, la thérapie, la santé personnelle et les soins connectés. Voici quelques exemples de solutions basées sur l'IA développées par Philips au cours des dernières années :
- Philips SmartSpeed – Une technologie d'imagerie basée sur l'IA pour l'IRM qui utilise un algorithme d'IA d'apprentissage en profondeur unique basé sur Compressed-SENSE pour faire passer la vitesse et la qualité d'image à un niveau supérieur pour une grande variété de patients.
- Philips eCareManager – Une solution de télésanté qui utilise l'IA pour prendre en charge les soins et la gestion à distance des patients gravement malades dans les unités de soins intensifs, en utilisant des analyses avancées et des algorithmes cliniques pour traiter les données des patients provenant de plusieurs sources et en fournissant des informations, des alertes et des recommandations exploitables pour le équipe de soins
- Philips Sonicare – Une brosse à dents intelligente qui utilise l'IA pour analyser le comportement de brossage et la santé bucco-dentaire des utilisateurs, et fournir des conseils en temps réel et des recommandations personnalisées, telles que le temps, la pression et la couverture de brossage optimaux, pour améliorer leur hygiène dentaire et prévenir les caries et les maladies des gencives. .
Depuis de nombreuses années, Philips est pionnier dans le développement d'algorithmes basés sur les données pour alimenter ses solutions innovantes tout au long du continuum des soins de santé. Dans le domaine de l'imagerie diagnostique, Philips a développé une multitude d'applications ML pour la reconstruction et l'interprétation d'images médicales, la gestion des flux de travail et l'optimisation des traitements. Également dans le domaine de la surveillance des patients, de la thérapie guidée par l'image, des ultrasons et des équipes de santé personnelle, des algorithmes et des applications de ML ont été créés. Cependant, l’innovation a été entravée par l’utilisation d’environnements de développement d’IA fragmentés entre les équipes. Ces environnements allaient des ordinateurs portables et de bureau individuels à divers clusters informatiques sur site et infrastructures basées sur le cloud. Cette hétérogénéité a initialement permis à différentes équipes d'avancer rapidement dans leurs premiers efforts de développement d'IA, mais freine désormais les opportunités d'évoluer et d'améliorer l'efficacité de nos processus de développement d'IA.
Il était évident qu'un changement fondamental vers un environnement unifié et standardisé était impératif pour véritablement libérer le potentiel des efforts basés sur les données chez Philips.
Cas d'utilisation clés de l'IA/ML et exigences de la plate-forme
Les propositions basées sur l'IA/ML peuvent transformer les soins de santé en automatisant les tâches administratives effectuées par les cliniciens. Par exemple:
- L'IA peut analyser les images médicales pour aider les radiologues à diagnostiquer les maladies plus rapidement et avec plus de précision.
- L'IA peut prédire de futurs événements médicaux en analysant les données des patients et en améliorant les soins proactifs
- L'IA peut recommander un traitement personnalisé adapté aux besoins des patients
- L'IA peut extraire et structurer les informations des notes cliniques pour rendre la prise de dossiers plus efficace
- Les interfaces d'IA peuvent fournir une assistance aux patients pour les requêtes, les rappels et les vérificateurs de symptômes
Dans l’ensemble, l’IA/ML promet une réduction des erreurs humaines, des économies de temps et d’argent, une expérience patient optimisée et des interventions personnalisées et rapides.
L'une des exigences clés de la plate-forme de développement et de déploiement ML était la capacité de la plate-forme à prendre en charge le processus itératif continu de développement et de déploiement, comme le montre la figure suivante.
Le développement des actifs d'IA commence dans un environnement de laboratoire, où les données sont collectées et conservées, puis les modèles sont formés et validés. Lorsque le modèle est prêt et approuvé pour son utilisation, il est déployé dans les systèmes de production réels. Une fois déployé, les performances du modèle sont surveillées en permanence. Les performances et les commentaires du monde réel sont finalement utilisés pour d'autres améliorations du modèle avec une automatisation complète de la formation et du déploiement du modèle.
Les exigences plus détaillées d'AI ToolSuite ont été motivées par trois exemples de cas d'utilisation :
- Développer une application de vision par ordinateur destinée à la détection d'objets en périphérie. L’équipe de science des données s’attendait à ce qu’un flux de travail automatisé d’annotation d’images basé sur l’IA accélère un processus d’étiquetage fastidieux.
- Permettez à une équipe de science des données de gérer une famille de modèles ML classiques pour comparer les statistiques dans plusieurs unités médicales. Le projet nécessitait l'automatisation du déploiement du modèle, le suivi des expériences, la surveillance du modèle et un contrôle accru sur l'ensemble du processus de bout en bout, à la fois pour l'audit et le recyclage à l'avenir.
- Améliorez la qualité et les délais de commercialisation des modèles d’apprentissage profond en imagerie médicale diagnostique. L'infrastructure informatique existante ne permettait pas de réaliser de nombreuses expériences en parallèle, ce qui retardait le développement du modèle. De plus, à des fins réglementaires, il est nécessaire de permettre une reproductibilité totale de la formation des modèles sur plusieurs années.
Prérogatives non fonctionnelles
Construire une plate-forme IA/ML évolutive et robuste nécessite un examen attentif des exigences non fonctionnelles. Ces exigences vont au-delà des fonctionnalités spécifiques de la plateforme et visent à garantir les éléments suivants :
- Évolutivité – La plateforme AI ToolSuite doit être capable de faire évoluer l'infrastructure de génération d'informations de Philips plus efficacement afin que la plateforme puisse gérer un volume croissant de données, d'utilisateurs et de charges de travail IA/ML sans sacrifier les performances. Il doit être conçu pour évoluer horizontalement et verticalement afin de répondre de manière transparente aux demandes croissantes tout en assurant une gestion centralisée des ressources.
- Performance – La plate-forme doit offrir des capacités de calcul hautes performances pour traiter efficacement des algorithmes complexes d’IA/ML. SageMaker propose une large gamme de types d'instances, y compris des instances dotées de GPU puissants, qui peuvent accélérer considérablement les tâches de formation de modèles et d'inférence. Il doit également minimiser la latence et les temps de réponse pour fournir des résultats en temps réel ou quasi réel.
- Fiabilité – La plateforme doit fournir une infrastructure d’IA hautement fiable et robuste qui s’étend sur plusieurs zones de disponibilité. Cette architecture multi-AZ devrait garantir des opérations d'IA ininterrompues en répartissant les ressources et les charges de travail entre des centres de données distincts.
- Disponibilité – La plateforme doit être disponible 24h/7 et XNUMXj/XNUMX, avec un minimum de temps d'arrêt pour la maintenance et les mises à niveau. La haute disponibilité d'AI ToolSuite doit inclure l'équilibrage de charge, des architectures tolérantes aux pannes et une surveillance proactive.
- Sécurité et gouvernance – La plate-forme doit utiliser des mesures de sécurité robustes, un cryptage, des contrôles d'accès, des rôles dédiés et des mécanismes d'authentification avec une surveillance continue des activités inhabituelles et la réalisation d'audits de sécurité.
- Gestion des données – Une gestion efficace des données est cruciale pour les plateformes AI/ML. Les réglementations du secteur de la santé nécessitent une gouvernance des données particulièrement rigoureuse. Il doit inclure des fonctionnalités telles que la gestion des versions des données, le lignage des données, la gouvernance des données et l'assurance qualité des données pour garantir des résultats précis et fiables.
- Interopérabilité – La plate-forme doit être conçue pour s'intégrer facilement aux référentiels de données internes de Philips, permettant un échange de données et une collaboration transparents avec des applications tierces.
- Consommabilité – L'architecture et la base de code de la plateforme doivent être bien organisées, modulaires et maintenables. Cela permet aux ingénieurs et développeurs de Philips ML de fournir des mises à jour, des corrections de bugs et des améliorations futures sans perturber l'ensemble du système.
- Optimisation des ressources – La plate-forme doit surveiller de très près les rapports d'utilisation pour s'assurer que les ressources informatiques sont utilisées efficacement et allouer les ressources de manière dynamique en fonction de la demande. De plus, Philips doit utiliser les outils AWS Billing and Cost Management pour s'assurer que les équipes reçoivent des notifications lorsque l'utilisation dépasse le seuil alloué.
- Surveillance et journalisation – La plateforme doit utiliser Amazon Cloud Watch des alertes pour des capacités complètes de surveillance et de journalisation, nécessaires pour suivre les performances du système, identifier les goulots d'étranglement et résoudre efficacement les problèmes.
- Conformité – La plateforme peut également contribuer à améliorer la conformité réglementaire des propositions basées sur l’IA. La reproductibilité et la traçabilité doivent être activées automatiquement par les pipelines de traitement des données de bout en bout, où de nombreux artefacts de documentation obligatoires, tels que les rapports de traçabilité des données et les cartes modèles, peuvent être préparés automatiquement.
- Test et validation – Des procédures de test et de validation rigoureuses doivent être mises en place pour garantir l’exactitude et la fiabilité des modèles d’IA/ML et éviter les biais involontaires.
Vue d'ensemble de la solution
AI ToolSuite est un environnement de développement d'IA de bout en bout, évolutif et à démarrage rapide, offrant SageMaker natif et les services d'IA/ML associés avec les garde-fous de sécurité et de confidentialité Philips HealthSuite et les intégrations de l'écosystème Philips. Il existe trois personnages avec des ensembles dédiés d'autorisations d'accès :
- Data Scientist – Préparer les données, développer et entraîner des modèles dans un espace de travail collaboratif
- Ingénieur ML – Production d’applications ML avec déploiement, surveillance et maintenance de modèles
- Administrateur de la science des données – Créez un projet à la demande de l'équipe pour fournir des environnements isolés dédiés avec des modèles spécifiques aux cas d'utilisation
Le développement de la plateforme s'est étendu sur plusieurs cycles de publication dans un cycle itératif de découverte, de conception, de construction, de test et de déploiement. En raison du caractère unique de certaines applications, l'extension de la plateforme a nécessité l'intégration de composants personnalisés existants tels que des magasins de données ou des outils propriétaires d'annotation.
La figure suivante illustre l'architecture à trois couches d'AI ToolSuite, comprenant l'infrastructure de base comme première couche, les composants ML communs comme deuxième couche et les modèles spécifiques au projet comme troisième couche.
La couche 1 contient l'infrastructure de base :
- Une couche réseau avec accès paramétré à Internet avec haute disponibilité
- Provisionnement en libre-service avec infrastructure as code (IaC)
- Un environnement de développement intégré (IDE) utilisant un Amazon SageMakerStudio domaine
- Rôles de plateforme (administrateur de science des données, scientifique des données)
- Stockage d'artefacts
- Journalisation et surveillance pour l'observabilité
La couche 2 contient des composants ML courants :
- Suivi automatisé des expériences pour chaque tâche et pipeline
- Un pipeline de génération de modèles pour lancer une nouvelle mise à jour de génération de modèles
- Un pipeline de formation modèle comprenant la formation modèle, l'évaluation et l'enregistrement
- Un pipeline de déploiement de modèle pour déployer le modèle pour les tests finaux et l'approbation
- Un registre de modèles pour gérer facilement les versions de modèles
- Un rôle de projet créé spécifiquement pour un cas d'utilisation donné, à attribuer aux utilisateurs de SageMaker Studio
- Un référentiel d'images pour stocker les images de conteneurs de traitement, de formation et d'inférence créées pour le projet
- Un référentiel de code pour stocker les artefacts de code
- Un projet Service de stockage simple Amazon (Amazon S3) pour stocker toutes les données et artefacts du projet
La couche 3 contient des modèles spécifiques au projet qui peuvent être créés avec des composants personnalisés selon les besoins des nouveaux projets. Par exemple:
- Modèle 1 – Comprend un composant pour l’interrogation de données et le suivi de l’historique
- Modèle 2 – Inclut un composant pour les annotations de données avec un flux de travail d'annotation personnalisé pour utiliser des outils d'annotation propriétaires
- Modèle 3 – Comprend des composants pour les images de conteneurs personnalisées afin de personnaliser à la fois leur environnement de développement et leurs routines de formation, un système de fichiers HPC dédié et un accès depuis un IDE local pour les utilisateurs
Le diagramme suivant met en évidence les services AWS clés couvrant plusieurs comptes AWS pour le développement, la préparation et la production.
Dans les sections suivantes, nous discutons des fonctionnalités clés de la plateforme activées par les services AWS, notamment SageMaker, Catalogue de services AWS, CloudWatch, AWS Lambda, Registre des conteneurs élastiques Amazon (Amazon ECR), Amazon S3, Gestion des identités et des accès AWS (IAM) et autres.
L'infrastructure comme code
La plateforme utilise IaC, qui permet à Philips d'automatiser le provisionnement et la gestion des ressources d'infrastructure. Cette approche contribuera également à la reproductibilité, à l'évolutivité, au contrôle des versions, à la cohérence, à la sécurité et à la portabilité pour le développement, les tests ou la production.
Accès aux environnements AWS
SageMaker et les services AI/ML associés sont accessibles avec des garde-fous de sécurité pour la préparation des données, le développement de modèles, la formation, l'annotation et le déploiement.
Isolement et collaboration
La plateforme garantit l'isolation des données en les stockant et en les traitant séparément, réduisant ainsi le risque d'accès non autorisé ou de violations de données.
La plateforme facilite la collaboration en équipe, ce qui est essentiel dans les projets d'IA qui impliquent généralement des équipes interfonctionnelles, notamment des data scientists, des administrateurs de science des données et des ingénieurs MLOps.
Contrôle d'accès basé sur les rôles
Le contrôle d'accès basé sur les rôles (RBAC) est essentiel pour gérer les autorisations et simplifier la gestion des accès en définissant les rôles et les autorisations de manière structurée. Il facilite la gestion des autorisations à mesure que les équipes et les projets se développent et le contrôle d'accès pour différentes personnes impliquées dans les projets AWS AI/ML, tels que l'administrateur de la science des données, le scientifique des données, l'administrateur des annotations, l'annotateur et l'ingénieur MLOps.
Accès aux magasins de données
La plate-forme permet à SageMaker d'accéder aux magasins de données, ce qui garantit que les données peuvent être utilisées efficacement pour la formation et l'inférence de modèles sans qu'il soit nécessaire de dupliquer ou de déplacer les données entre différents emplacements de stockage, optimisant ainsi l'utilisation des ressources et réduisant les coûts.
Annotation à l'aide des outils d'annotation spécifiques à Philips
AWS propose une suite de services d'IA et de ML, tels que SageMaker, Vérité au sol Amazon SageMakeret une Amazon Cognito, qui sont entièrement intégrés aux outils d'annotation internes spécifiques à Philips. Cette intégration permet aux développeurs de former et de déployer des modèles ML à l'aide des données annotées dans l'environnement AWS.
Modèles ML
La plateforme AI ToolSuite propose des modèles dans AWS pour divers flux de travail de ML. Ces modèles sont des configurations d'infrastructure préconfigurées adaptées à des cas d'utilisation spécifiques du ML et sont accessibles via des services tels que Modèles de projet SageMaker, AWS CloudFormationet catalogue de services.
Intégration avec Philips GitHub
L'intégration avec GitHub améliore l'efficacité en fournissant une plate-forme centralisée pour le contrôle de version, les révisions de code et les pipelines CI/CD (intégration et déploiement continus) automatisés, réduisant ainsi les tâches manuelles et augmentant la productivité.
Intégration de Visual Studio Code
L'intégration avec Visual Studio Code fournit un environnement unifié pour le codage, le débogage et la gestion des projets ML. Cela rationalise l'ensemble du flux de travail ML, réduisant ainsi le changement de contexte et permettant de gagner du temps. L'intégration améliore également la collaboration entre les membres de l'équipe en leur permettant de travailler ensemble sur des projets SageMaker dans un environnement de développement familier, en utilisant des systèmes de contrôle de version et en partageant du code et des blocs-notes de manière transparente.
Lignage et traçabilité des modèles et des données pour la reproductibilité et la conformité
La plateforme fournit un versioning, qui permet de suivre les modifications apportées aux données de formation et d'inférence du data scientist au fil du temps, ce qui facilite la reproduction des résultats et la compréhension de l'évolution des ensembles de données.
La plate-forme permet également le suivi des expériences SageMaker, qui permet aux utilisateurs finaux de consigner et de suivre toutes les métadonnées associées à leurs expériences de ML, y compris les hyperparamètres, les données d'entrée, le code et les artefacts de modèle. Ces capacités sont essentielles pour démontrer la conformité aux normes réglementaires et garantir la transparence et la responsabilité dans les flux de travail IA/ML.
Génération de rapports de spécifications AI/ML pour la conformité réglementaire
AWS maintient des certifications de conformité pour diverses normes et réglementations du secteur. Les rapports de spécifications AI/ML servent de documentation de conformité essentielle, démontrant le respect des exigences réglementaires. Ces rapports documentent la gestion des versions des ensembles de données, des modèles et du code. Le contrôle des versions est essentiel pour maintenir la traçabilité, la traçabilité et la reproductibilité des données, éléments essentiels à la conformité réglementaire et à l'audit.
Gestion budgétaire au niveau du projet
La gestion budgétaire au niveau du projet permet à l'organisation de fixer des limites de dépenses, aidant ainsi à éviter les coûts imprévus et à garantir que les projets ML respectent le budget. Grâce à la gestion budgétaire, l'organisation peut allouer des budgets spécifiques à des projets ou des équipes individuels, ce qui aide les équipes à identifier dès le début les inefficacités des ressources ou les hausses de coûts inattendues. En plus de la gestion du budget, grâce à la fonctionnalité permettant d'arrêter automatiquement les blocs-notes inactifs, les membres de l'équipe évitent de payer pour des ressources inutilisées, libérant également des ressources précieuses lorsqu'elles ne sont pas activement utilisées, les rendant ainsi disponibles pour d'autres tâches ou utilisateurs.
Résultats
AI ToolSuite a été conçu et mis en œuvre en tant que plate-forme à l'échelle de l'entreprise pour le développement et le déploiement de ML pour les data scientists de Philips. Diverses exigences de toutes les unités commerciales ont été collectées et prises en compte lors de la conception et du développement. Au début du projet, Philips a identifié des champions parmi les équipes commerciales qui ont fourni des commentaires et aidé à évaluer la valeur de la plateforme.
Les résultats suivants ont été obtenus :
- L'adoption par les utilisateurs est l'un des principaux indicateurs avancés pour Philips. Des utilisateurs de plusieurs unités commerciales ont été formés et intégrés à la plateforme, et ce nombre devrait augmenter en 2024.
- Une autre mesure importante est l’efficacité pour les utilisateurs de la science des données. Avec AI ToolSuite, les nouveaux environnements de développement ML sont déployés en moins d'une heure au lieu de plusieurs jours.
- Les équipes de science des données peuvent accéder à une infrastructure informatique basée sur le cloud, évolutive, sécurisée et rentable.
- Les équipes peuvent exécuter plusieurs expériences de formation sur modèles en parallèle, ce qui a considérablement réduit la durée moyenne de formation de plusieurs semaines à 1 à 3 jours.
- Le déploiement de l'environnement étant entièrement automatisé, il ne nécessite pratiquement aucune implication des ingénieurs de l'infrastructure cloud, ce qui réduit les coûts opérationnels.
- L'utilisation d'AI ToolSuite a considérablement amélioré la maturité globale des données et des livrables de l'IA en favorisant l'utilisation de bonnes pratiques de ML, de flux de travail standardisés et de reproductibilité de bout en bout, ce qui est essentiel pour la conformité réglementaire dans le secteur de la santé.
Perspectives d’avenir avec l’IA générative
Alors que les organisations s'efforcent d'adopter la prochaine pointe de l'IA, il est impératif d'adopter les nouvelles technologies dans le contexte de la politique de sécurité et de gouvernance de l'organisation. L'architecture d'AI ToolSuite fournit un excellent modèle pour permettre l'accès aux capacités d'IA générative dans AWS pour différentes équipes de Philips. Les équipes peuvent utiliser les modèles de fondation mis à disposition avec Amazon SageMaker JumpStart, qui fournit un grand nombre de modèles open source de Hugging Face et d'autres fournisseurs. Avec les garde-fous nécessaires déjà en place en termes de contrôle d'accès, de provisionnement de projet et de contrôle des coûts, les équipes pourront facilement commencer à utiliser les capacités d'IA générative de SageMaker.
De plus, l'accès à Socle amazonien, un service entièrement géré piloté par API pour l'IA générative, peut être fourni pour des comptes individuels en fonction des exigences du projet, et les utilisateurs peuvent accéder aux API Amazon Bedrock soit via l'interface du bloc-notes SageMaker, soit via leur IDE préféré.
Il existe d’autres considérations concernant l’adoption de l’IA générative dans un cadre réglementé, tel que les soins de santé. Il convient d’examiner attentivement la valeur créée par les applications d’IA générative par rapport aux risques et aux coûts associés. Il est également nécessaire de créer un cadre juridique et de risque qui régit l'utilisation par l'organisation des technologies d'IA générative. Des éléments tels que la sécurité des données, la partialité et l’équité, ainsi que la conformité réglementaire doivent être pris en compte dans le cadre de ces mécanismes.
Conclusion
Philips s'est lancé dans l'exploitation de la puissance des algorithmes basés sur les données pour révolutionner les solutions de soins de santé. Au fil des années, l'innovation dans le domaine de l'imagerie diagnostique a donné naissance à plusieurs applications de ML, de la reconstruction d'images à la gestion des flux de travail et à l'optimisation du traitement. Cependant, la diversité des configurations, depuis les ordinateurs portables individuels jusqu'aux clusters sur site et à l'infrastructure cloud, posait de formidables défis. L'administration système séparée, les mesures de sécurité, les mécanismes de support et le protocole de données empêchaient une vue complète du coût total de possession et compliquaient les transitions entre les équipes. La transition de la recherche et du développement à la production a été entravée par le manque de lignée et de reproductibilité, ce qui a rendu difficile le recyclage continu des modèles.
Dans le cadre de la collaboration stratégique entre Philips et AWS, la plateforme AI ToolSuite a été créée pour développer une plateforme ML évolutive, sécurisée et conforme avec SageMaker. Cette plate-forme offre des fonctionnalités allant de l'expérimentation à l'annotation de données, en passant par la formation, le déploiement de modèles et les modèles réutilisables. Toutes ces fonctionnalités ont été construites de manière itérative sur plusieurs cycles de découverte, de conception, de création, de test et de déploiement. Cela a aidé plusieurs unités commerciales à innover avec rapidité et agilité tout en gouvernant à grande échelle avec des contrôles centraux.
Ce parcours sert d'inspiration aux organisations qui cherchent à exploiter la puissance de l'IA et du ML pour stimuler l'innovation et l'efficacité des soins de santé, au bénéfice des patients et des prestataires de soins du monde entier. Alors qu'ils continuent de s'appuyer sur ce succès, Philips est prêt à faire des progrès encore plus importants dans l'amélioration des résultats en matière de santé grâce à des solutions innovantes basées sur l'IA.
Pour en savoir plus sur l'innovation Philips sur AWS, visitez Philips sur AWS.
À propos des auteurs
Frank Wartena est responsable de programme chez Philips Innovation & Strategy. Il coordonne les actifs de la plateforme liés aux données et à l'IA à l'appui de nos propositions Philips basées sur les données et l'IA. Il possède une vaste expérience en intelligence artificielle, en science des données et en interopérabilité. Dans ses temps libres, Frank aime courir, lire, ramer et passer du temps avec sa famille.
Irina Fedoulova est responsable principal des données et de l'IA chez Philips Innovation & Strategy. Elle dirige des activités stratégiques axées sur les outils, les plates-formes et les meilleures pratiques qui accélèrent et font évoluer le développement et la production de solutions basées sur l'IA (générative) chez Philips. Irina possède une solide expérience technique en apprentissage automatique, en cloud computing et en génie logiciel. En dehors du travail, elle aime passer du temps avec sa famille, voyager et lire.
Selvakumar Palaniyappan est Product Owner chez Philips Innovation & Strategy, en charge de la gestion des produits pour la plateforme Philips HealthSuite AI & ML. Il possède une grande expérience en gestion de produits techniques et en ingénierie logicielle. Il travaille actuellement à la création d’une plateforme de développement et de déploiement d’IA et de ML évolutive et conforme. En outre, il dirige son adoption par les équipes de science des données de Philips afin de développer des systèmes et des solutions de santé basés sur l'IA.
Adnan Elci est architecte senior d'infrastructure cloud chez AWS Professional Services. Il opère en tant que responsable technique, supervisant diverses opérations pour des clients des secteurs de la santé et des sciences de la vie, de la finance, de l'aviation et de la fabrication. Son enthousiasme pour l'automatisation est évident dans sa vaste implication dans la conception, la création et la mise en œuvre de solutions client au niveau de l'entreprise dans l'environnement AWS. Au-delà de ses engagements professionnels, Adnan se consacre activement au travail bénévole, s'efforçant de créer un impact significatif et positif au sein de la communauté.
Hassan Poonawala est architecte principal de solutions spécialisées en IA/ML chez AWS, Hasan aide les clients à concevoir et à déployer des applications d'apprentissage automatique en production sur AWS. Il a plus de 12 ans d'expérience professionnelle en tant que scientifique des données, praticien en apprentissage automatique et développeur de logiciels. Dans ses temps libres, Hasan aime explorer la nature et passer du temps avec ses amis et sa famille.
Sreoshi Roy est un responsable senior de l'engagement mondial chez AWS. En tant que partenaire commerciale des clients de la santé et des sciences de la vie, elle possède une expérience inégalée dans la définition et la fourniture de solutions à des problèmes commerciaux complexes. Elle aide ses clients à établir des objectifs stratégiques, à définir et à concevoir des stratégies cloud/données et à mettre en œuvre la solution évolutive et robuste pour atteindre leurs objectifs techniques et commerciaux. Au-delà de ses efforts professionnels, son dévouement consiste à créer un impact significatif sur la vie des gens en favorisant l'empathie et en promouvant l'inclusion.
Wajahat Aziz est un leader en matière d'IA/ML et HPC au sein de l'équipe AWS Healthcare et Life Sciences. Ayant occupé le poste de leader technologique dans différents rôles au sein d'organisations des sciences de la vie, Wajahat met à profit son expérience pour aider les clients du secteur de la santé et des sciences de la vie à tirer parti des technologies AWS pour développer des solutions ML et HPC de pointe. Ses domaines d'intérêt actuels sont les premières recherches, les essais cliniques et l'apprentissage automatique préservant la confidentialité.
Wioletta Stobieniecka est Data Scientist chez AWS Professional Services. Tout au long de sa carrière professionnelle, elle a réalisé plusieurs projets axés sur l'analyse pour différents secteurs tels que la banque, l'assurance, les télécommunications et le secteur public. Sa connaissance des méthodes statistiques avancées et de l'apprentissage automatique est bien combinée avec un sens aigu des affaires. Elle apporte les avancées récentes de l'IA pour créer de la valeur pour les clients.
- Contenu propulsé par le référencement et distribution de relations publiques. Soyez amplifié aujourd'hui.
- PlatoData.Network Ai générative verticale. Autonomisez-vous. Accéder ici.
- PlatoAiStream. Intelligence Web3. Connaissance Amplifiée. Accéder ici.
- PlatonESG. Carbone, Technologie propre, Énergie, Environnement, Solaire, La gestion des déchets. Accéder ici.
- PlatoHealth. Veille biotechnologique et essais cliniques. Accéder ici.
- La source: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :possède
- :est
- :ne pas
- :où
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- capacité
- Capable
- A Propos
- accélérer
- accélère
- accès
- Accès aux données
- accédé
- accessible
- la reddition de comptes
- hybrides
- précision
- Avec cette connaissance vient le pouvoir de prendre
- atteint
- à travers
- passible d'action
- activement
- d'activités
- perspicacité
- ajout
- Supplémentaire
- adhérence
- admin
- administration
- administratif
- adopter
- Adoption
- Avancée
- progrès
- à opposer à
- AI
- AI / ML
- Destinée
- Alertes
- algorithme
- algorithmes
- Tous
- allouer
- consacrée
- permettre
- Permettre
- permet
- déjà
- aussi
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- parmi
- montant
- an
- analytique
- il analyse
- l'analyse
- ainsi que
- Apis
- Application
- applications
- une approche
- ,
- architecture
- SONT
- domaines
- artificiel
- intelligence artificielle
- Intelligence artificielle (AI)
- AS
- atout
- Outils
- attribué
- associé
- assurance
- At
- audit
- audits
- Authentification
- automatiser
- Automatisation
- automatiquement
- automatiser
- Automation
- disponibilité
- disponibles
- moyen
- aviation
- éviter
- AWS
- Services professionnels AWS
- RETOUR
- fond
- équilibrage
- Services bancaires
- base
- basé
- BE
- était
- humain
- analyse comparative
- bénéficier
- LES MEILLEURS
- les meilleures pratiques
- jusqu'à XNUMX fois
- Au-delà
- biais
- biais
- facturation
- Blog
- plan
- renforcer
- stimuler
- tous les deux
- goulets d'étranglement
- infractions
- Apportez le
- vaste
- budget
- budgets
- Punaise
- construire
- Développement
- construit
- la performance des entreprises
- mais
- by
- Appelez-nous
- CAN
- capacités
- Compétences
- Cartes
- les soins
- Carrière
- prudent
- maisons
- cas
- catalogue
- Centres
- central
- centralisée
- certifications
- globaux
- Champions
- Modifications
- charge
- classiques
- CLIENTS
- Infos sur les
- essais cliniques
- cliniciens
- étroitement
- le cloud
- le cloud computing
- infrastructure de cloud
- code
- base de code
- Codage
- collaboration
- collaborative
- combiné
- vient
- engagements
- Commun
- Communautés
- Sociétés
- Société
- complexe
- conformité
- compliqué
- composant
- composants électriques
- complet
- Composé
- calcul
- calcul
- ordinateur
- Vision par ordinateur
- informatique
- concernant
- conclut
- conduite
- connecté
- considération
- considérations
- considéré
- Contenant
- contient
- contexte
- continuer
- continu
- continuellement
- Continuum
- des bactéries
- contrôles
- Core
- Prix
- La gestion des coûts
- les économies de coûts
- Costs
- couverture
- engendrent
- Créer de la valeur
- créée
- La création
- création
- critique
- équipes inter-fonctionnelles
- crucial
- organisée
- Courant
- Lecture
- Customiser
- des clients
- expérience client
- Solutions clients
- Clients
- personnaliser
- cycle
- cycles
- données
- Infractions aux données
- les centres de données
- D'échange de données
- gestion des données
- Préparation des données
- informatique
- science des données
- Data Scientist
- la sécurité des données
- data-driven
- ensembles de données
- jours
- dévoué
- dédicace
- profond
- l'apprentissage en profondeur
- Vous permet de définir
- définir
- différé
- livrer
- livré
- livrer
- Demande
- demandes
- démontrer
- déployer
- déployé
- déploiement
- déploiements
- décrire
- Conception
- un
- conception
- détaillé
- Détection
- développer
- développé
- Développeur
- mobiles
- développement
- Développement
- diagnostique
- Imagerie diagnostique
- diagnostic
- différent
- difficile
- découvrez
- discuter
- maladies
- distinct
- distribuer
- plusieurs
- Docteur
- document
- Documentation
- domaine
- domaines
- fait
- down
- les temps d'arrêt
- des dizaines
- motivation
- entraîné
- conducteurs
- conduite
- deux
- pendant
- dynamiquement
- "Early Bird"
- plus facilement
- même
- risque numérique
- Edge
- de manière efficace
- efficace
- efficace
- efficacement
- efforts
- non plus
- éléments
- embarqué
- enrobage
- empathie
- permettre
- activé
- permet
- permettant
- chiffrement
- fin
- end-to-end
- efforts
- participation
- ingénieur
- ENGINEERING
- Les ingénieurs
- de renforcer
- améliorée
- améliorations
- Améliore
- assurer
- Assure
- assurer
- Entreprise
- à leurs besoins.
- Tout
- Environment
- environnements
- erreur
- notamment
- essential
- évaluer
- évaluation
- Pourtant, la
- événements
- faire une éventuelle
- Chaque
- évident
- évolution
- exemple
- exemples
- excellent
- échange
- existant
- attendu
- d'experience
- expérimenté
- Expériences
- expérience
- expériences
- explorez
- extension
- les
- extrait
- Visage
- facilite
- justice
- familier
- famille
- RAPIDE
- plus rapide
- Fonctionnalité
- Fonctionnalités:
- Réactions
- Figure
- Déposez votre dernière attestation
- finale
- finance
- Prénom
- Focus
- concentré
- Abonnement
- Pour
- redoutable
- Avant
- favoriser
- Fondation
- fragmenté
- Framework
- franc
- amis
- De
- Carburant
- plein
- d’étiquettes électroniques entièrement
- fonctionnalités
- fondamental
- plus
- En outre
- avenir
- génération
- génératif
- IA générative
- GitHub
- donné
- Global
- Go
- Bien
- gouvernance
- gouvernant
- gouverne
- GPU
- plus grand
- Sol
- Croître
- Croissance
- l'orientation
- guidé
- manipuler
- harnais
- Exploiter
- Vous avez
- ayant
- he
- Santé
- les systèmes de santé
- la médecine
- secteur de la santé
- vous aider
- a aidé
- aider
- aide
- ici
- Haute
- haute performance
- Faits saillants
- très
- lui-même
- sa
- Histoire
- tenue
- horizontalement
- heure
- Comment
- Cependant
- hpc
- HTML
- http
- HTTPS
- humain
- identifié
- identifier
- identifier
- Identite
- Idle
- illustre
- image
- satellite
- Imagerie
- Impact
- impératif
- Mettre en oeuvre
- mis en œuvre
- la mise en œuvre
- important
- améliorer
- améliorations
- l'amélioration de
- in
- comprendre
- inclut
- Y compris
- L'inclusivité
- croissant
- Indicateurs
- individuel
- secteurs
- industrie
- normes de l'industrie
- inefficacités
- d'information
- Infrastructure
- possible
- innovons
- Innovation
- Stratégie d'innovation
- technologie innovante
- contribution
- idées.
- Inspiration
- instance
- plutôt ;
- Assurance
- intégrer
- des services
- l'intégration
- intégrations
- Intelligence
- Interfaces
- interfaces
- interne
- Internet
- Interopérabilité
- l'interprétation
- interventions
- développement
- impliquer
- impliqué
- participation
- Irina
- isolé
- seul
- vous aider à faire face aux problèmes qui vous perturbent
- IT
- itération
- SES
- Emploi
- joint
- chemin
- jpg
- XNUMX éléments à
- ACTIVITES
- spécialisées
- laboratoire
- l'étiquetage
- Peindre
- ordinateurs portables
- gros
- Latence
- lancer
- couche
- conduire
- leader
- conduisant
- APPRENTISSAGE
- apprentissage
- Légal
- cadre juridique
- moins
- Niveau
- Levier
- les leviers
- se trouve
- VIE
- Sciences de la vie
- Life Sciences
- vos produits
- comme
- limites
- lignage
- lignes
- le travail
- Vit
- charge
- locales
- emplacements
- enregistrer
- enregistrement
- recherchez-
- aime
- click
- machine learning
- LES PLANTES
- Maintenable
- Maintenir
- maintient
- facile
- a prendre une
- FAIT DU
- Fabrication
- gérer
- gérés
- gestion
- d'outils de gestion
- manager
- les gérer
- obligatoire
- manière
- Manuel
- fabrication
- de nombreuses
- Marché
- maturité
- significative
- les mesures
- mécanismes
- médical
- Découvrez
- Membres
- Métadonnées
- méthodes
- métrique
- des millions
- minimal
- ML
- MLOps
- modèle
- numériques jumeaux (digital twin models)
- application
- Surveiller
- surveillé
- Stack monitoring
- PLUS
- Bougez
- MRI
- plusieurs
- multitude
- must
- indigène
- Nature
- nécessaire
- Besoin
- Besoins
- de mise en réseau
- Nouveauté
- nouveaux utilisateurs
- next
- aucune
- cahier
- Notes
- Notifications
- maintenant
- nombre
- objet
- Détection d'objet
- objectifs
- of
- offrant
- Offres Speciales
- on
- Débuter
- une fois
- ONE
- en cours
- ouvert
- open source
- exploite
- opérationnel
- Opérations
- Opportunités
- optimaux
- à mettre en œuvre pour gérer une entreprise rentable. Ce guide est basé sur trois décennies d'expérience
- Optimiser
- optimisé
- l'optimisation
- or
- Santé bucco-dentaire
- de commander
- organisation
- organisations
- Organisé
- Autre
- Autres
- nos
- les résultats
- contour
- au contrôle
- plus de
- global
- surveillance
- propriétaire
- Parallèle
- partie
- les partenaires
- en partenariat
- partenaires,
- passes
- passé
- patientforward
- patients
- payant
- Personnes
- peopleâ € ™ s
- /
- performant
- autorisations
- personnel
- Personnalisé
- Nous travaillons à vous offrir une solution de transport
- pipeline
- Place
- plateforme
- Plateformes
- Platon
- Intelligence des données Platon
- PlatonDonnées
- en équilibre
- politique
- portabilité
- posé
- positif
- Post
- défaillances
- power
- solide
- pratiques
- précis
- prévoir
- préféré
- préparation
- Préparer
- préparé
- conservation
- la parfaite pression
- empêcher
- Directeur
- la confidentialité
- Cybersécurité
- d'ouvrabilité
- procédures
- processus
- les process
- traitement
- Produit
- gestion des produits
- Vidéo
- productivité
- Produits
- professionels
- Programme
- Projet
- données du projet
- projets
- promet
- la promotion de
- propriétaire
- protocole
- fournir
- à condition de
- fournisseurs
- fournit
- aportando
- public
- des fins
- qualité
- requêtes
- Rapide
- Race
- gamme
- allant
- rapidement
- en cours
- solutions
- monde réel
- en temps réel
- recevoir
- récent
- recommander
- recommandations
- Prix Réduit
- réduire
- enregistrement
- réglementé
- règlements
- régulateurs
- Conformité réglementaire
- en relation
- libérer
- libération
- fiabilité
- fiable
- éloigné
- rapport
- Rapports
- dépôt
- nécessaire
- conditions
- Exigences
- a besoin
- un article
- Recherche et développement
- ressource
- Resources
- réponse
- Résultats
- réutilisable
- Avis
- révolutionner
- rigoureux
- Analyse
- risques
- robuste
- Rôle
- rôle
- Courir
- pour le running
- sacrifier
- sagemaker
- économie
- Épargnes
- Évolutivité
- évolutive
- Escaliers intérieurs
- Sciences
- STARFLEET SCIENCES
- Scientifique
- scientifiques
- fluide
- de façon transparente
- Deuxièmement
- les sections
- secteur
- sécurisé
- sécurité
- Audits de sécurité
- Mesures de sécurité
- supérieur
- séparé
- besoin
- servi
- sert
- service
- Services
- set
- Sets
- mise
- plusieurs
- partage
- elle
- décalage
- devrait
- mettre en valeur
- montré
- fermer
- arrêter
- de façon significative
- étapes
- simplifiant
- depuis
- smart
- So
- Logiciels
- génie logiciel
- sur mesure
- Solutions
- quelques
- Identifier
- Sources
- enjambant
- travées
- le fer de lance
- spécialiste
- groupe de neurones
- spécifiquement
- spécification
- vitesse
- passer
- Dépenses
- pointes
- mise en scène
- Normes
- peuplements
- Commencer
- départs
- Startups
- state-of-the-art
- statistique
- statistiques
- rester
- storage
- Boutique
- STORES
- stockage
- simple
- Stratégique
- les stratégies
- de Marketing
- progrès
- s'efforcer
- STRONG
- structure
- structuré
- studio
- succès
- tel
- suite
- Support
- sûr
- symptôme
- combustion propre
- Système
- Prenez
- tâches
- équipe
- Membres de l'équipe
- équipes
- technologie
- Technique
- Les technologies
- Technologie
- Telco
- télésanté
- modèles
- conditions
- tester
- Essais
- que
- qui
- La
- El futuro
- leur
- Les
- puis
- Là.
- ainsi
- Ces
- l'ont
- Troisièmement
- des tiers.
- this
- trois
- порог
- Avec
- tout au long de
- fiable
- long
- opportun
- fois
- à
- ensemble
- les outils
- vers
- Traçabilité
- suivre
- Tracking
- Train
- qualifié
- Formation
- Transformer
- transition
- transitions
- Transparence
- Voyages
- traitement
- essais cliniques
- vraiment
- types
- typiquement
- En fin de compte
- non autorisé
- comprendre
- Inattendu
- unifiée
- expérience unique et authentique
- unicité
- unités
- Universités
- déchaîner
- sans précédent
- inutilisé
- Actualités
- mises à jour
- sur
- utilisé
- cas d'utilisation
- d'utiliser
- utilisateurs
- Usages
- en utilisant
- utilisé
- Utilisant
- validé
- validation
- Précieux
- Plus-value
- variété
- divers
- Vaste
- version
- verticalement
- très
- via
- Voir
- pratiquement
- vision
- Visiter
- visuel
- le volume
- bénévole
- était
- we
- web
- services Web
- Semaines
- WELL
- ont été
- quand
- qui
- tout en
- WHO
- large
- Large gamme
- sera
- comprenant
- dans les
- sans
- activités principales
- workflow
- workflows
- de travail
- partout dans le monde
- années
- a abouti
- zéphyrnet
- zones