Ini adalah blog bersama dengan AWS dan Philips.
Philips adalah perusahaan teknologi kesehatan yang berfokus pada peningkatan kehidupan masyarakat melalui inovasi yang bermakna. Sejak tahun 2014, perusahaan ini telah menawarkan Platform Philips HealthSuite kepada pelanggan, yang mengatur lusinan layanan AWS yang digunakan oleh perusahaan perawatan kesehatan dan ilmu hayati untuk meningkatkan perawatan pasien. Perusahaan ini bermitra dengan penyedia layanan kesehatan, perusahaan rintisan, universitas, dan perusahaan lain untuk mengembangkan teknologi yang membantu dokter membuat diagnosis yang lebih tepat dan memberikan perawatan yang lebih personal bagi jutaan orang di seluruh dunia.
Salah satu pendorong utama strategi inovasi Philips adalah kecerdasan buatan (AI), yang memungkinkan terciptanya produk dan layanan cerdas dan personal yang dapat meningkatkan hasil kesehatan, meningkatkan pengalaman pelanggan, dan mengoptimalkan efisiensi operasional.
Amazon SageMaker menyediakan alat yang dibuat khusus untuk operasi pembelajaran mesin (MLOps) guna membantu mengotomatisasi dan menstandardisasi proses di seluruh siklus hidup ML. Dengan alat MLOps SageMaker, tim dapat dengan mudah melatih, menguji, memecahkan masalah, menerapkan, dan mengatur model ML dalam skala besar untuk meningkatkan produktivitas ilmuwan data dan teknisi ML sambil mempertahankan performa model dalam produksi.
Dalam postingan ini, kami menjelaskan bagaimana Philips bermitra dengan AWS untuk mengembangkan AI ToolSuiteโplatform ML yang skalabel, aman, dan patuh di SageMaker. Platform ini menyediakan kemampuan mulai dari eksperimen, anotasi data, pelatihan, penerapan model, dan templat yang dapat digunakan kembali. Semua kemampuan ini dibangun untuk membantu berbagai lini bisnis berinovasi dengan cepat dan gesit sembari mengatur dalam skala besar dengan kontrol terpusat. Kami menguraikan kasus penggunaan utama yang memberikan persyaratan untuk iterasi pertama platform, komponen inti, dan hasil yang dicapai. Kami menyimpulkan dengan mengidentifikasi upaya yang sedang berlangsung untuk mengaktifkan platform dengan beban kerja AI generatif dan dengan cepat mendorong pengguna dan tim baru untuk mengadopsi platform tersebut.
Konteks pelanggan
Philips menggunakan AI di berbagai bidang, seperti pencitraan, diagnostik, terapi, kesehatan pribadi, dan perawatan terhubung. Beberapa contoh solusi berkemampuan AI yang telah dikembangkan Philips selama beberapa tahun terakhir adalah:
- Kecepatan Cerdas Philips โ Teknologi pencitraan berbasis AI untuk MRI yang menggunakan algoritme AI pembelajaran mendalam berbasis Compressed-SENSE yang unik untuk meningkatkan kecepatan dan kualitas gambar ke tingkat berikutnya untuk berbagai macam pasien
- Manajer eCare Philips โ Solusi telehealth yang menggunakan AI untuk mendukung perawatan jarak jauh dan manajemen pasien sakit kritis di unit perawatan intensif, dengan menggunakan analisis canggih dan algoritma klinis untuk memproses data pasien dari berbagai sumber, dan memberikan wawasan, peringatan, dan rekomendasi yang dapat ditindaklanjuti untuk pasien. tim perawatan
- Philips Sonicare โ Sikat gigi cerdas yang menggunakan AI untuk menganalisis perilaku menyikat gigi dan kesehatan mulut pengguna, serta memberikan panduan real-time dan rekomendasi yang dipersonalisasi, seperti waktu, tekanan, dan jangkauan menyikat gigi yang optimal, untuk meningkatkan kebersihan gigi dan mencegah gigi berlubang dan penyakit gusi .
Selama bertahun-tahun, Philips telah memelopori pengembangan algoritma berbasis data untuk mendorong solusi inovatif di seluruh rangkaian layanan kesehatan. Dalam domain pencitraan diagnostik, Philips mengembangkan banyak aplikasi ML untuk rekonstruksi dan interpretasi gambar medis, manajemen alur kerja, dan optimalisasi perawatan. Juga dalam pemantauan pasien, terapi panduan gambar, USG, dan tim kesehatan pribadi telah membuat algoritme dan aplikasi ML. Namun, inovasi terhambat karena penggunaan lingkungan pengembangan AI yang terfragmentasi di seluruh tim. Lingkungan ini berkisar dari laptop dan desktop individual hingga beragam cluster komputasi lokal dan infrastruktur berbasis cloud. Heterogenitas ini awalnya memungkinkan tim yang berbeda untuk bergerak cepat dalam upaya awal pengembangan AI mereka, namun kini menghambat peluang untuk meningkatkan dan meningkatkan efisiensi proses pengembangan AI kami.
Jelaslah bahwa perubahan mendasar menuju lingkungan yang terpadu dan terstandarisasi sangat penting untuk benar-benar mengeluarkan potensi upaya berbasis data di Philips.
Kasus penggunaan utama AI/ML dan persyaratan platform
Proposisi yang mendukung AI/ML dapat mengubah layanan kesehatan dengan mengotomatiskan tugas administratif yang dilakukan oleh dokter. Misalnya:
- AI dapat menganalisis gambar medis untuk membantu ahli radiologi mendiagnosis penyakit dengan lebih cepat dan akurat
- AI dapat memprediksi kejadian medis di masa depan dengan menganalisis data pasien dan meningkatkan perawatan proaktif
- AI dapat merekomendasikan perawatan yang dipersonalisasi dan disesuaikan dengan kebutuhan pasien
- AI dapat mengekstrak dan menyusun informasi dari catatan klinis untuk membuat pencatatan menjadi lebih efisien
- Antarmuka AI dapat memberikan dukungan pasien untuk pertanyaan, pengingat, dan pemeriksa gejala
Secara keseluruhan, AI/ML menjanjikan pengurangan kesalahan manusia, penghematan waktu dan biaya, pengalaman pasien yang optimal, dan intervensi yang tepat waktu dan dipersonalisasi.
Salah satu persyaratan utama untuk platform pengembangan dan penerapan ML adalah kemampuan platform untuk mendukung proses pengembangan dan penerapan berulang yang berkelanjutan, seperti yang ditunjukkan pada gambar berikut.
Pengembangan aset AI dimulai di lingkungan laboratorium, tempat data dikumpulkan dan dikurasi, lalu model dilatih dan divalidasi. Ketika model sudah siap dan disetujui untuk digunakan, model tersebut diterapkan ke sistem produksi dunia nyata. Setelah diterapkan, performa model terus dipantau. Performa dan masukan di dunia nyata pada akhirnya digunakan untuk penyempurnaan model lebih lanjut dengan otomatisasi penuh pada pelatihan dan penerapan model.
Persyaratan AI ToolSuite yang lebih detail didorong oleh tiga contoh kasus penggunaan:
- Mengembangkan aplikasi computer vision yang ditujukan untuk pendeteksian objek di tepi. Tim ilmu data mengharapkan alur kerja anotasi gambar otomatis berbasis AI untuk mempercepat proses pelabelan yang memakan waktu.
- Memungkinkan tim ilmu data mengelola rangkaian model ML klasik untuk membandingkan statistik di beberapa unit medis. Proyek ini memerlukan otomatisasi penerapan model, pelacakan eksperimen, pemantauan model, dan kontrol yang lebih besar atas keseluruhan proses secara menyeluruh baik untuk audit maupun pelatihan ulang di masa mendatang.
- Meningkatkan kualitas dan waktu pemasaran model pembelajaran mendalam dalam pencitraan medis diagnostik. Infrastruktur komputasi yang ada tidak memungkinkan untuk menjalankan banyak eksperimen secara paralel, sehingga memperlambat pengembangan model. Selain itu, untuk tujuan regulasi, pelatihan model harus dapat direproduksi secara penuh selama beberapa tahun.
Persyaratan non-fungsional
Membangun platform AI/ML yang skalabel dan kuat memerlukan pertimbangan yang cermat terhadap persyaratan non-fungsional. Persyaratan ini melampaui fungsi spesifik platform dan berfokus pada memastikan hal-hal berikut:
- Skalabilitas โ Platform AI ToolSuite harus mampu menskalakan infrastruktur pembangkitan wawasan Philips secara lebih efektif sehingga platform tersebut dapat menangani volume data, pengguna, dan beban kerja AI/ML yang terus bertambah tanpa mengorbankan kinerja. Sistem ini harus dirancang untuk berskala secara horizontal dan vertikal guna memenuhi peningkatan permintaan secara lancar sambil menyediakan pengelolaan sumber daya terpusat.
- Performance โ Platform harus menghadirkan kemampuan komputasi berkinerja tinggi untuk memproses algoritma AI/ML yang kompleks secara efisien. SageMaker menawarkan berbagai jenis instans, termasuk instans dengan GPU yang kuat, yang dapat mempercepat pelatihan model dan tugas inferensi secara signifikan. Hal ini juga harus meminimalkan latensi dan waktu respons untuk memberikan hasil yang real-time atau mendekati real-time.
- Keandalan โ Platform harus menyediakan infrastruktur AI yang sangat andal dan kuat yang mencakup beberapa Availability Zone. Arsitektur multi-AZ ini harus memastikan operasi AI tidak terganggu dengan mendistribusikan sumber daya dan beban kerja ke seluruh pusat data yang berbeda.
- Ketersediaan โ Platform harus tersedia 24/7, dengan waktu henti minimal untuk pemeliharaan dan peningkatan. Ketersediaan AI ToolSuite yang tinggi harus mencakup penyeimbangan beban, arsitektur yang toleran terhadap kesalahan, dan pemantauan proaktif.
- Keamanan dan Tata Kelola โ Platform harus menerapkan langkah-langkah keamanan yang kuat, enkripsi, kontrol akses, peran khusus, dan mekanisme otentikasi dengan pemantauan berkelanjutan untuk aktivitas yang tidak biasa dan melakukan audit keamanan.
- Manajemen data โ Manajemen data yang efisien sangat penting untuk platform AI/ML. Peraturan di industri layanan kesehatan memerlukan tata kelola data yang sangat ketat. Ini harus mencakup fitur-fitur seperti pembuatan versi data, silsilah data, tata kelola data, dan jaminan kualitas data untuk memastikan hasil yang akurat dan andal.
- Interoperabilitas โ Platform harus dirancang agar mudah berintegrasi dengan penyimpanan data internal Philips, sehingga memungkinkan pertukaran data dan kolaborasi yang lancar dengan aplikasi pihak ketiga.
- Maintainability โ Arsitektur platform dan basis kode harus terorganisir dengan baik, modular, dan dapat dipelihara. Hal ini memungkinkan teknisi dan pengembang Philips ML untuk memberikan pembaruan, perbaikan bug, dan penyempurnaan di masa mendatang tanpa mengganggu keseluruhan sistem.
- Optimalisasi sumber daya โ Platform harus memantau laporan pemanfaatan dengan cermat untuk memastikan sumber daya komputasi digunakan secara efisien dan mengalokasikan sumber daya secara dinamis berdasarkan permintaan. Selain itu, Philips harus menggunakan alat AWS Billing and Cost Management untuk memastikan tim menerima notifikasi ketika pemanfaatan melewati jumlah ambang batas yang dialokasikan.
- Pemantauan dan pencatatan โ Platform harus digunakan amazoncloudwatch peringatan untuk kemampuan pemantauan dan pencatatan yang komprehensif, yang diperlukan untuk melacak kinerja sistem, mengidentifikasi kemacetan, dan memecahkan masalah secara efektif.
- Pemenuhan โ Platform ini juga dapat membantu meningkatkan kepatuhan terhadap peraturan dari proposisi yang mendukung AI. Reproduksibilitas dan ketertelusuran harus diaktifkan secara otomatis melalui jalur pemrosesan data end-to-end, di mana banyak artefak dokumentasi wajib, seperti laporan silsilah data dan kartu model, dapat disiapkan secara otomatis.
- Pengujian dan validasi โ Prosedur pengujian dan validasi yang ketat harus diterapkan untuk memastikan keakuratan dan keandalan model AI/ML serta mencegah bias yang tidak diinginkan.
Ikhtisar solusi
AI ToolSuite adalah lingkungan pengembangan AI menyeluruh, terukur, dan dapat dimulai dengan cepat yang menawarkan SageMaker asli dan layanan AI/ML terkait dengan pagar pembatas keamanan dan privasi Philips HealthSuite serta integrasi ekosistem Philips. Ada tiga persona dengan kumpulan izin akses khusus:
- Ilmuwan data โ Mempersiapkan data, dan mengembangkan serta melatih model di ruang kerja kolaboratif
- Insinyur ML โ Produksi aplikasi ML dengan penerapan model, pemantauan, dan pemeliharaan
- Admin ilmu data โ Buat proyek per permintaan tim untuk menyediakan lingkungan terisolasi khusus dengan templat khusus kasus penggunaan
Pengembangan platform mencakup beberapa siklus rilis dalam siklus berulang penemuan, desain, pembuatan, pengujian, dan penerapan. Karena keunikan beberapa aplikasi, perluasan platform memerlukan penyematan komponen khusus yang sudah ada seperti penyimpanan data atau alat kepemilikan untuk anotasi.
Gambar berikut mengilustrasikan arsitektur tiga lapisan AI ToolSuite, termasuk infrastruktur dasar sebagai lapisan pertama, komponen ML umum sebagai lapisan kedua, dan templat khusus proyek sebagai lapisan ketiga.
Lapisan 1 berisi infrastruktur dasar:
- Lapisan jaringan dengan akses berparameter ke internet dengan ketersediaan tinggi
- Penyediaan layanan mandiri dengan infrastruktur sebagai kode (IaC)
- Lingkungan pengembangan terintegrasi (IDE) menggunakan Studio Amazon SageMaker domain
- Peran platform (admin ilmu data, ilmuwan data)
- Penyimpanan artefak
- Pencatatan dan pemantauan untuk observasi
Lapisan 2 berisi komponen ML umum:
- Pelacakan eksperimen otomatis untuk setiap pekerjaan dan saluran
- Alur pembangunan model untuk meluncurkan pembaruan pembangunan model baru
- Saluran pelatihan model terdiri dari pelatihan model, evaluasi, registrasi
- Alur penerapan model untuk menerapkan model guna pengujian dan persetujuan akhir
- Registri model untuk mengelola versi model dengan mudah
- Peran proyek yang dibuat khusus untuk kasus penggunaan tertentu, untuk ditetapkan ke pengguna SageMaker Studio
- Repositori gambar untuk menyimpan gambar kontainer pemrosesan, pelatihan, dan inferensi yang dibuat untuk proyek
- Repositori kode untuk menyimpan artefak kode
- Sebuah proyek Layanan Penyimpanan Sederhana Amazon (Amazon S3) bucket untuk menyimpan semua data dan artefak proyek
Lapisan 3 berisi templat khusus proyek yang dapat dibuat dengan komponen khusus seperti yang diperlukan oleh proyek baru. Misalnya:
- Kerangka 1 โ Termasuk komponen untuk kueri data dan pelacakan riwayat
- Kerangka 2 โ Termasuk komponen untuk anotasi data dengan alur kerja anotasi khusus untuk menggunakan alat anotasi berpemilik
- Kerangka 3 โ Termasuk komponen untuk gambar kontainer khusus untuk menyesuaikan lingkungan pengembangan dan rutinitas pelatihannya, sistem file HPC khusus, dan akses dari IDE lokal untuk pengguna
Diagram berikut menyoroti layanan AWS utama yang mencakup beberapa akun AWS untuk pengembangan, staging, dan produksi.
Di bagian berikut, kami membahas kemampuan utama platform yang diaktifkan oleh layanan AWS, termasuk SageMaker, Katalog Layanan AWS, Jam Tangan Awan, AWS Lambda, Registry Kontainer Elastis Amazon (Amazon ECR), Amazon S3, Identitas AWS dan Manajemen Akses (IAM), dan lain-lain.
Infrastruktur sebagai kode
Platform ini menggunakan IaC, yang memungkinkan Philips mengotomatiskan penyediaan dan pengelolaan sumber daya infrastruktur. Pendekatan ini juga akan membantu reproduktifitas, skalabilitas, kontrol versi, konsistensi, keamanan, dan portabilitas untuk pengembangan, pengujian, atau produksi.
Akses ke lingkungan AWS
SageMaker dan layanan AI/ML terkait diakses dengan pagar keamanan untuk persiapan data, pengembangan model, pelatihan, anotasi, dan penerapan.
Isolasi dan kolaborasi
Platform ini memastikan isolasi data dengan menyimpan dan memproses secara terpisah, sehingga mengurangi risiko akses tidak sah atau pelanggaran data.
Platform ini memfasilitasi kolaborasi tim, yang penting dalam proyek AI yang biasanya melibatkan tim lintas fungsi, termasuk ilmuwan data, admin ilmu data, dan insinyur MLOps.
Kontrol akses berbasis peran
Kontrol akses berbasis peran (RBAC) sangat penting dalam mengelola izin dan menyederhanakan manajemen akses dengan menentukan peran dan izin secara terstruktur. Hal ini mempermudah pengelolaan izin seiring pertumbuhan tim dan proyek serta kontrol akses untuk berbagai persona yang terlibat dalam proyek AWS AI/ML, seperti admin ilmu data, ilmuwan data, admin anotasi, anotator, dan insinyur MLOps.
Akses ke penyimpanan data
Platform ini memungkinkan akses SageMaker ke penyimpanan data, yang memastikan bahwa data dapat dimanfaatkan secara efisien untuk pelatihan model dan inferensi tanpa perlu menduplikasi atau memindahkan data di lokasi penyimpanan yang berbeda, sehingga mengoptimalkan pemanfaatan sumber daya dan mengurangi biaya.
Anotasi menggunakan alat anotasi khusus Philips
AWS menawarkan serangkaian layanan AI dan ML, seperti SageMaker, Kebenaran Dasar Amazon SageMaker, dan Amazon Kognito, yang sepenuhnya terintegrasi dengan alat anotasi internal khusus Philips. Integrasi ini memungkinkan pengembang untuk melatih dan menerapkan model ML menggunakan data yang dianotasi dalam lingkungan AWS.
Templat ML
Platform AI ToolSuite menawarkan templat di AWS untuk berbagai alur kerja ML. Templat ini merupakan penyiapan infrastruktur yang telah dikonfigurasikan sebelumnya dan disesuaikan dengan kasus penggunaan ML tertentu dan dapat diakses melalui layanan seperti Templat proyek SageMaker, Formasi AWS Cloud, dan Katalog Layanan.
Integrasi dengan Philips GitHub
Integrasi dengan GitHub meningkatkan efisiensi dengan menyediakan platform terpusat untuk kontrol versi, tinjauan kode, dan pipeline CI/CD (integrasi berkelanjutan dan penerapan berkelanjutan) otomatis, sehingga mengurangi tugas manual dan meningkatkan produktivitas.
Integrasi Kode Visual Studio
Integrasi dengan Visual Studio Code menyediakan lingkungan terpadu untuk coding, debugging, dan mengelola proyek ML. Hal ini menyederhanakan seluruh alur kerja ML, mengurangi peralihan konteks dan menghemat waktu. Integrasi ini juga meningkatkan kolaborasi antar anggota tim dengan memungkinkan mereka mengerjakan proyek SageMaker bersama-sama dalam lingkungan pengembangan yang familiar, memanfaatkan sistem kontrol versi, dan berbagi kode dan notebook dengan lancar.
Silsilah model dan data serta ketertelusuran untuk reproduktifitas dan kepatuhan
Platform ini menyediakan pembuatan versi, yang membantu melacak perubahan pada data pelatihan dan inferensi data scientist dari waktu ke waktu, sehingga memudahkan untuk mereproduksi hasil dan memahami evolusi kumpulan data.
Platform ini juga mengaktifkan pelacakan eksperimen SageMaker, yang memungkinkan pengguna akhir mencatat dan melacak semua metadata yang terkait dengan eksperimen ML mereka, termasuk hyperparameter, data masukan, kode, dan artefak model. Kemampuan ini penting untuk menunjukkan kepatuhan terhadap standar peraturan dan memastikan transparansi dan akuntabilitas dalam alur kerja AI/ML.
Pembuatan laporan spesifikasi AI/ML untuk kepatuhan terhadap peraturan
AWS mempertahankan sertifikasi kepatuhan untuk berbagai standar dan peraturan industri. Laporan spesifikasi AI/ML berfungsi sebagai dokumentasi kepatuhan penting yang menunjukkan kepatuhan terhadap persyaratan peraturan. Laporan ini mendokumentasikan pembuatan versi kumpulan data, model, dan kode. Kontrol versi sangat penting untuk menjaga silsilah data, ketertelusuran, dan reproduktifitas, yang semuanya penting untuk kepatuhan terhadap peraturan dan audit.
Manajemen anggaran tingkat proyek
Manajemen anggaran tingkat proyek memungkinkan organisasi menetapkan batasan pengeluaran, membantu menghindari biaya tak terduga dan memastikan proyek ML tetap sesuai anggaran. Dengan manajemen anggaran, organisasi dapat mengalokasikan anggaran tertentu ke masing-masing proyek atau tim, yang membantu tim mengidentifikasi inefisiensi sumber daya atau lonjakan biaya yang tidak terduga sejak dini. Selain manajemen anggaran, dengan fitur untuk mematikan buku catatan yang menganggur secara otomatis, anggota tim menghindari membayar sumber daya yang tidak terpakai, juga melepaskan sumber daya berharga saat tidak digunakan secara aktif, sehingga tersedia untuk tugas atau pengguna lain.
Hasil
AI ToolSuite dirancang dan diimplementasikan sebagai platform skala perusahaan untuk pengembangan dan penerapan ML bagi ilmuwan data di seluruh Philips. Persyaratan yang beragam dari seluruh unit bisnis dikumpulkan dan dipertimbangkan selama desain dan pengembangan. Pada awal proyek, Philips mengidentifikasi pemimpin tim bisnis yang memberikan masukan dan membantu mengevaluasi nilai platform.
Hasil-hasil berikut telah dicapai:
- Adopsi pengguna adalah salah satu indikator utama bagi Philips. Pengguna dari beberapa unit bisnis telah dilatih dan diperkenalkan ke platform ini, dan jumlah tersebut diperkirakan akan bertambah pada tahun 2024.
- Metrik penting lainnya adalah efisiensi bagi pengguna ilmu data. Dengan AI ToolSuite, lingkungan pengembangan ML baru diterapkan dalam waktu kurang dari satu jam, bukan beberapa hari.
- Tim ilmu data dapat mengakses infrastruktur komputasi berbasis cloud yang skalabel, aman, dan hemat biaya.
- Tim dapat menjalankan beberapa eksperimen pelatihan model secara paralel, yang secara signifikan mengurangi waktu pelatihan rata-rata dari beberapa minggu menjadi 1โ3 hari.
- Karena penerapan lingkungan sepenuhnya otomatis, maka hampir tidak diperlukan keterlibatan insinyur infrastruktur cloud, sehingga mengurangi biaya operasional.
- Penggunaan AI ToolSuite secara signifikan meningkatkan kematangan data dan hasil AI secara keseluruhan dengan mendorong penggunaan praktik ML yang baik, alur kerja yang terstandarisasi, dan reproduktifitas menyeluruh, yang sangat penting untuk kepatuhan terhadap peraturan di industri layanan kesehatan.
Menantikan AI generatif
Saat organisasi berlomba untuk mengadopsi AI tercanggih berikutnya, mengadopsi teknologi baru dalam konteks kebijakan keamanan dan tata kelola organisasi sangatlah penting. Arsitektur AI ToolSuite memberikan cetak biru luar biasa untuk memungkinkan akses ke kemampuan AI generatif di AWS untuk berbagai tim di Philips. Tim dapat menggunakan model fondasi yang tersedia Mulai Lompatan Amazon SageMaker, yang menyediakan sejumlah besar model sumber terbuka dari Hugging Face dan penyedia lainnya. Dengan adanya batasan yang diperlukan dalam hal kontrol akses, penyediaan proyek, dan pengendalian biaya, tim akan lebih mudah untuk mulai menggunakan kemampuan AI generatif dalam SageMaker.
Selain itu, akses ke Batuan Dasar Amazon, layanan berbasis API yang dikelola sepenuhnya untuk AI generatif, dapat disediakan untuk akun individual berdasarkan persyaratan proyek, dan pengguna dapat mengakses API Amazon Bedrock baik melalui antarmuka notebook SageMaker atau melalui IDE pilihan mereka.
Ada pertimbangan tambahan mengenai penerapan AI generatif dalam lingkungan yang diatur, seperti layanan kesehatan. Pertimbangan yang cermat perlu diberikan terhadap nilai yang diciptakan oleh aplikasi AI generatif terhadap risiko dan biaya yang terkait. Terdapat juga kebutuhan untuk menciptakan risiko dan kerangka hukum yang mengatur penggunaan teknologi AI generatif oleh organisasi. Elemen-elemen seperti keamanan data, bias dan keadilan, serta kepatuhan terhadap peraturan perlu dipertimbangkan sebagai bagian dari mekanisme tersebut.
Kesimpulan
Philips memulai perjalanan memanfaatkan kekuatan algoritma berbasis data untuk merevolusi solusi layanan kesehatan. Selama bertahun-tahun, inovasi dalam pencitraan diagnostik telah menghasilkan beberapa aplikasi ML, mulai dari rekonstruksi gambar hingga manajemen alur kerja dan optimalisasi perawatan. Namun, beragamnya pengaturan, mulai dari laptop individual hingga klaster lokal dan infrastruktur cloud, menimbulkan tantangan yang berat. Administrasi sistem yang terpisah, langkah-langkah keamanan, mekanisme dukungan, dan protokol data menghambat pandangan komprehensif tentang TCO dan transisi yang rumit antar tim. Transisi dari penelitian dan pengembangan ke produksi dibebani oleh kurangnya garis keturunan dan reproduktifitas, sehingga membuat pelatihan ulang model secara berkelanjutan menjadi sulit.
Sebagai bagian dari kolaborasi strategis antara Philips dan AWS, platform AI ToolSuite diciptakan untuk mengembangkan platform ML yang skalabel, aman, dan patuh dengan SageMaker. Platform ini menyediakan kemampuan mulai dari eksperimen, anotasi data, pelatihan, penerapan model, dan templat yang dapat digunakan kembali. Semua kemampuan ini dibangun secara berulang melalui beberapa siklus penemuan, desain, pembuatan, pengujian, dan penerapan. Hal ini membantu banyak unit bisnis berinovasi dengan cepat dan gesit sekaligus mengatur dalam skala besar dengan kontrol terpusat.
Perjalanan ini menjadi inspirasi bagi organisasi yang ingin memanfaatkan kekuatan AI dan ML untuk mendorong inovasi dan efisiensi dalam layanan kesehatan, yang pada akhirnya memberikan manfaat bagi pasien dan penyedia layanan di seluruh dunia. Seiring dengan keberhasilan mereka, Philips siap untuk mengambil langkah lebih besar dalam meningkatkan hasil kesehatan melalui solusi inovatif yang didukung AI.
Untuk mempelajari lebih lanjut tentang inovasi Philips di AWS, kunjungi Philips di AWS.
Tentang penulis
Frank Wartena adalah manajer program di Philips Innovation & Strategy. Dia mengoordinasikan aset platform terkait data & AI untuk mendukung proposisi kami yang mendukung data & AI Philips. Ia memiliki pengalaman luas dalam kecerdasan buatan, ilmu data, dan interoperabilitas. Di waktu luangnya, Frank senang berlari, membaca dan mendayung, serta menghabiskan waktu bersama keluarganya.
Irina Fedulova adalah Pimpinan Data & AI Utama di Philips Innovation & Strategy. Dia mendorong aktivitas strategis yang berfokus pada alat, platform, dan praktik terbaik yang mempercepat dan meningkatkan skala pengembangan dan produksi solusi (Generatif) yang mendukung AI di Philips. Irina memiliki latar belakang teknis yang kuat dalam pembelajaran mesin, komputasi awan, dan rekayasa perangkat lunak. Di luar pekerjaan, dia menikmati menghabiskan waktu bersama keluarganya, jalan-jalan, dan membaca.
Selvakumar Palaniyappan adalah Pemilik Produk di Philips Innovation & Strategy, yang bertanggung jawab atas manajemen produk untuk platform AI & ML Philips HealthSuite. Dia sangat berpengalaman dalam manajemen produk teknis dan rekayasa perangkat lunak. Saat ini dia sedang berupaya membangun platform pengembangan dan penerapan AI dan ML yang skalabel dan patuh. Selain itu, ia mempelopori penerapan teknologi ini oleh tim ilmu data Philips untuk mengembangkan sistem dan solusi kesehatan berbasis AI.
Adnan Elci adalah Arsitek Infrastruktur Cloud Senior di AWS Professional Services. Dia beroperasi dalam kapasitas sebagai Pimpinan Teknologi, mengawasi berbagai operasi untuk klien di bidang Kesehatan dan Ilmu Hayati, Keuangan, Penerbangan, dan Manufaktur. Antusiasmenya terhadap otomatisasi terlihat jelas dalam keterlibatannya yang luas dalam merancang, membangun, dan mengimplementasikan solusi pelanggan tingkat perusahaan dalam lingkungan AWS. Di luar komitmen profesionalnya, Adnan secara aktif mendedikasikan dirinya pada pekerjaan sukarela, berupaya menciptakan dampak yang bermakna dan positif dalam masyarakat.
Hasan Poonawala adalah Arsitek Solusi Spesialis AI/ML Senior di AWS, Hasan membantu pelanggan merancang dan menerapkan aplikasi pembelajaran mesin dalam produksi di AWS. Dia memiliki lebih dari 12 tahun pengalaman kerja sebagai ilmuwan data, praktisi pembelajaran mesin, dan pengembang perangkat lunak. Di waktu senggangnya, Hasan suka menjelajah alam dan menghabiskan waktu bersama teman dan keluarga.
Sreoshi Roy adalah Manajer Keterlibatan Global Senior di AWS. Sebagai mitra bisnis Pelanggan Layanan Kesehatan & Ilmu Hayati, dia hadir dengan pengalaman tak tertandingi dalam mendefinisikan dan memberikan solusi untuk masalah bisnis yang kompleks. Dia membantu pelanggannya membuat tujuan strategis, menentukan dan merancang strategi cloud/data, serta menerapkan solusi berskala dan kuat untuk memenuhi tujuan teknis dan bisnis mereka. Di luar upaya profesionalnya, dedikasinya terletak pada menciptakan dampak yang berarti pada kehidupan masyarakat dengan memupuk empati dan mendorong inklusivitas.
Wajah Aziz adalah pemimpin AI/ML & HPC di tim AWS Healthcare dan Life Sciences. Setelah menjabat sebagai pemimpin teknologi dalam berbagai peran di organisasi ilmu hayati, Wajahat memanfaatkan pengalamannya untuk membantu pelanggan layanan kesehatan dan ilmu hayati memanfaatkan teknologi AWS untuk mengembangkan solusi ML dan HPC yang canggih. Area fokusnya saat ini adalah penelitian awal, uji klinis, dan pembelajaran mesin yang menjaga privasi.
Wioletta Stobieniecka adalah Ilmuwan Data di Layanan Profesional AWS. Sepanjang karir profesionalnya, dia telah memberikan beberapa proyek berbasis analitik untuk berbagai industri seperti perbankan, asuransi, telekomunikasi, dan sektor publik. Pengetahuannya tentang metode statistik canggih dan pembelajaran mesin dipadukan dengan baik dengan kecerdasan bisnis. Dia menghadirkan kemajuan AI terkini untuk menciptakan nilai bagi pelanggan.
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :memiliki
- :adalah
- :bukan
- :Di mana
- $NAIK
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- kemampuan
- Sanggup
- Tentang Kami
- mempercepat
- mempercepat
- mengakses
- Akses ke data
- diakses
- dapat diakses
- akuntabilitas
- Akun
- ketepatan
- tepat
- dicapai
- di seluruh
- ditindaklanjuti
- aktif
- kegiatan
- ketajaman
- tambahan
- Tambahan
- ketaatan
- admin
- administrasi
- administratif
- mengambil
- Adopsi
- maju
- kemajuan
- terhadap
- AI
- AI / ML
- ditujukan
- Alerts
- algoritma
- algoritma
- Semua
- mengalokasikan
- dialokasikan
- mengizinkan
- Membiarkan
- memungkinkan
- sudah
- juga
- Amazon
- Amazon SageMaker
- Amazon Web Services
- antara
- jumlah
- an
- analisis
- menganalisa
- menganalisis
- dan
- Lebah
- Aplikasi
- aplikasi
- pendekatan
- disetujui
- arsitektur
- ADALAH
- daerah
- buatan
- kecerdasan buatan
- Kecerdasan buatan (AI)
- AS
- aset
- Aktiva
- ditugaskan
- terkait
- jaminan
- At
- audit
- audit
- Otentikasi
- mengotomatisasikan
- Otomatis
- secara otomatis
- mengotomatisasi
- Otomatisasi
- tersedianya
- tersedia
- rata-rata
- penerbangan
- menghindari
- AWS
- Layanan Profesional AWS
- kembali
- latar belakang
- balancing
- Perbankan
- mendasarkan
- berdasarkan
- BE
- menjadi
- laku
- benchmarking
- menguntungkan
- TERBAIK
- Praktik Terbaik
- antara
- Luar
- prasangka
- bias
- penagihan
- Blog
- cetak biru
- mendorong
- meningkatkan
- kedua
- kemacetan
- pelanggaran
- Membawa
- luas
- anggaran belanja
- Anggaran
- Bug
- membangun
- Bangunan
- dibangun di
- bisnis
- tapi
- by
- panggilan
- CAN
- kemampuan
- Kapasitas
- Kartu-kartu
- yang
- Lowongan Kerja
- hati-hati
- kasus
- kasus
- katalog
- Pusat
- pusat
- terpusat
- sertifikasi
- tantangan
- Champions
- Perubahan
- biaya
- klasik
- klien
- Klinis
- uji klinis
- dokter
- rapat
- awan
- komputasi awan
- infrastruktur cloud
- kode
- basis kode
- Pengkodean
- kolaborasi
- kolaboratif
- bergabung
- datang
- komitmen
- Umum
- masyarakat
- Perusahaan
- perusahaan
- kompleks
- pemenuhan
- compliant
- rumit
- komponen
- komponen
- luas
- Terdiri dari
- komputasi
- menghitung
- komputer
- Visi Komputer
- komputasi
- tentang
- menyimpulkan
- melakukan
- terhubung
- pertimbangan
- pertimbangan
- dianggap
- Wadah
- mengandung
- konteks
- terus
- kontinu
- terus menerus
- Rangkaian kesatuan
- kontrol
- kontrol
- Core
- Biaya
- Manajemen biaya
- penghematan biaya
- Biaya
- liputan
- membuat
- Ciptakan Nilai
- dibuat
- membuat
- penciptaan
- kritis
- tim lintas fungsi
- sangat penting
- dikuratori
- terbaru
- Sekarang
- adat
- pelanggan
- pengalaman pelanggan
- Solusi Pelanggan
- pelanggan
- menyesuaikan
- siklus
- siklus
- data
- Pelanggaran Data
- Pusat Data
- Pertukaran data
- manajemen data
- Persiapan data
- pengolahan data
- ilmu data
- ilmuwan data
- keamanan data
- Data-driven
- kumpulan data
- Hari
- dedicated
- dedikasi
- mendalam
- belajar mendalam
- menetapkan
- mendefinisikan
- terlambat
- menyampaikan
- disampaikan
- mengantarkan
- Permintaan
- tuntutan
- menunjukkan
- menyebarkan
- dikerahkan
- penyebaran
- penyebaran
- menggambarkan
- Mendesain
- dirancang
- merancang
- terperinci
- Deteksi
- mengembangkan
- dikembangkan
- Pengembang
- pengembang
- berkembang
- Pengembangan
- diagnostik
- Pencitraan diagnostik
- diagnostik
- berbeda
- sulit
- menemukan
- membahas
- penyakit
- berbeda
- mendistribusikan
- beberapa
- dokter
- dokumen
- dokumentasi
- domain
- domain
- dilakukan
- turun
- penghentian
- puluhan
- mendorong
- didorong
- driver
- penggerak
- dua
- selama
- dinamis
- Awal
- mudah
- mudah
- ekosistem
- Tepi
- efektif
- efisiensi
- efisien
- efisien
- upaya
- antara
- elemen
- memulai
- embedding
- empati
- aktif
- diaktifkan
- memungkinkan
- memungkinkan
- enkripsi
- akhir
- ujung ke ujung
- usaha keras
- interaksi
- insinyur
- Teknik
- Insinyur
- mempertinggi
- ditingkatkan
- Perangkat tambahan
- Meningkatkan
- memastikan
- Memastikan
- memastikan
- Enterprise
- antusiasme
- Seluruh
- Lingkungan Hidup
- lingkungan
- kesalahan
- terutama
- penting
- mengevaluasi
- evaluasi
- Bahkan
- peristiwa
- akhirnya
- Setiap
- jelas
- evolusi
- contoh
- contoh
- unggul
- Pasar Valas
- ada
- diharapkan
- pengalaman
- berpengalaman
- Pengalaman
- eksperimen
- eksperimen
- menyelidiki
- perpanjangan
- luas
- ekstrak
- Menghadapi
- memfasilitasi
- keadilan
- akrab
- keluarga
- FAST
- lebih cepat
- Fitur
- Fitur
- umpan balik
- Angka
- File
- terakhir
- keuangan
- Pertama
- Fokus
- terfokus
- berikut
- Untuk
- hebat
- Depan
- membina
- Prinsip Dasar
- terfragmentasi
- Kerangka
- jujur
- teman
- dari
- Bahan bakar
- penuh
- sepenuhnya
- fungsionalitas
- mendasar
- lebih lanjut
- Selanjutnya
- masa depan
- generasi
- generatif
- AI generatif
- GitHub
- diberikan
- Aksi
- Go
- baik
- pemerintahan
- memerintah
- mengatur
- GPU
- lebih besar
- Tanah
- Tumbuh
- Pertumbuhan
- bimbingan
- kendali
- menangani
- memanfaatkan
- Memanfaatkan
- Memiliki
- memiliki
- he
- Kesehatan
- Sistem kesehatan
- kesehatan
- industri kesehatan
- membantu
- membantu
- membantu
- membantu
- dia
- High
- kinerja tinggi
- highlight
- sangat
- diri
- -nya
- sejarah
- memegang
- secara horizontal
- jam
- Seterpercayaapakah Olymp Trade? Kesimpulan
- Namun
- HPC
- HTML
- http
- HTTPS
- manusia
- diidentifikasi
- mengenali
- mengidentifikasi
- identitas
- Siaga
- menggambarkan
- gambar
- gambar
- Pencitraan
- Dampak
- imperatif
- melaksanakan
- diimplementasikan
- mengimplementasikan
- penting
- memperbaiki
- perbaikan
- meningkatkan
- in
- memasukkan
- termasuk
- Termasuk
- Inklusivitas
- meningkatkan
- indikator
- sendiri-sendiri
- industri
- industri
- standar industri
- ketidakefisienan
- informasi
- Infrastruktur
- mulanya
- berinovasi
- Innovation
- Strategi Inovasi
- inovatif
- memasukkan
- wawasan
- Inspirasi
- contoh
- sebagai gantinya
- asuransi
- mengintegrasikan
- terpadu
- integrasi
- integrasi
- Intelijen
- Antarmuka
- interface
- intern
- Internet
- Interoperabilitas
- interpretasi
- Intervensi
- ke
- melibatkan
- terlibat
- keterlibatan
- Irina
- terpencil
- isolasi
- masalah
- IT
- perulangan
- NYA
- Pekerjaan
- bersama
- perjalanan
- jpg
- Menjaga
- kunci
- pengetahuan
- laboratorium
- pelabelan
- Kekurangan
- laptop
- besar
- Latensi
- jalankan
- lapisan
- memimpin
- pemimpin
- terkemuka
- BELAJAR
- pengetahuan
- Informasi
- kerangka hukum
- kurang
- Tingkat
- Leverage
- memanfaatkan
- terletak
- Hidup
- Ilmu Kehidupan
- Biologi
- siklus hidup
- 'like'
- batas
- garis keturunan
- baris
- hidup
- hidup
- memuat
- lokal
- lokasi
- mencatat
- penebangan
- mencari
- mencintai
- mesin
- Mesin belajar
- terbuat
- Dapat dipelihara
- mempertahankan
- mempertahankan
- pemeliharaan
- membuat
- MEMBUAT
- Membuat
- mengelola
- berhasil
- pengelolaan
- manajemen Alat
- manajer
- pelaksana
- wajib
- cara
- panduan
- pabrik
- banyak
- Pasar
- kematangan
- berarti
- ukuran
- mekanisme
- medis
- Pelajari
- Anggota
- Metadata
- metode
- metrik
- jutaan
- minimal
- ML
- MLOps
- model
- model
- modular
- Memantau
- dipantau
- pemantauan
- lebih
- pindah
- MRI
- beberapa
- banyaknya
- harus
- asli
- Alam
- perlu
- Perlu
- kebutuhan
- jaringan
- New
- pengguna baru
- berikutnya
- tidak
- buku catatan
- Catatan
- pemberitahuan
- sekarang
- jumlah
- obyek
- Deteksi Objek
- target
- of
- menawarkan
- Penawaran
- on
- Di atas kapal
- sekali
- ONE
- terus-menerus
- Buka
- open source
- beroperasi
- operasional
- Operasi
- Peluang
- optimal
- optimasi
- Optimize
- dioptimalkan
- mengoptimalkan
- or
- Kesehatan mulut
- urutan
- organisasi
- organisasi
- terorganisir
- Lainnya
- Lainnya
- kami
- hasil
- garis besar
- di luar
- lebih
- secara keseluruhan
- mengawasi
- pemilik
- Paralel
- bagian
- pasangan
- bermitra
- rekan
- melewati
- lalu
- pasien
- pasien
- pembayaran
- Konsultan Ahli
- orang
- untuk
- prestasi
- Izin
- pribadi
- Personalized
- Kepeloporan
- pipa saluran
- Tempat
- Platform
- Platform
- plato
- Kecerdasan Data Plato
- Data Plato
- siap
- kebijaksanaan
- Mudah dibawa
- berpose
- positif
- Pos
- potensi
- kekuasaan
- kuat
- praktek
- perlu
- meramalkan
- disukai
- persiapan
- Mempersiapkan
- siap
- melestarikan
- tekanan
- mencegah
- Utama
- pribadi
- Proaktif
- masalah
- Prosedur
- proses
- proses
- pengolahan
- Produk
- manajemen Produk
- Produksi
- produktifitas
- Produk
- profesional
- program
- proyek
- data proyek
- memprojeksikan
- menjanjikan
- mempromosikan
- hak milik
- protokol
- memberikan
- disediakan
- penyedia
- menyediakan
- menyediakan
- publik
- tujuan
- kualitas
- query
- Cepat
- Ras
- jarak
- mulai
- cepat
- Bacaan
- siap
- dunia nyata
- real-time
- menerima
- baru
- sarankan
- rekomendasi
- mengurangi
- mengurangi
- pendaftaran
- beregulasi
- peraturan
- regulator
- Kepatuhan terhadap Regulasi
- terkait
- melepaskan
- melepaskan
- keandalan
- dapat diandalkan
- terpencil
- melaporkan
- laporan
- gudang
- permintaan
- wajib
- Persyaratan
- membutuhkan
- penelitian
- penelitian dan pengembangan
- sumber
- Sumber
- tanggapan
- Hasil
- dapat digunakan kembali
- Review
- merevolusionerkan
- keras
- Risiko
- risiko
- kuat
- Peran
- peran
- Run
- berjalan
- berkorban
- pembuat bijak
- penghematan
- Tabungan
- Skalabilitas
- terukur
- Skala
- Ilmu
- ILMU PENGETAHUAN
- ilmuwan
- ilmuwan
- mulus
- mulus
- Kedua
- bagian
- sektor
- aman
- keamanan
- Audit keamanan
- Pengamanan
- senior
- terpisah
- melayani
- yang telah dilayani
- melayani
- layanan
- Layanan
- set
- set
- pengaturan
- beberapa
- berbagi
- dia
- bergeser
- harus
- menampilkan
- ditunjukkan
- menutup
- menutup
- signifikan
- Sederhana
- menyederhanakan
- sejak
- pintar
- So
- Perangkat lunak
- rekayasa Perangkat Lunak
- larutan
- Solusi
- beberapa
- sumber
- sumber
- ketegangan
- rentang
- ujung tombak
- spesialis
- tertentu
- Secara khusus
- spesifikasi
- kecepatan
- menghabiskan
- Pengeluaran
- sepatu berduri
- pementasan
- standar
- berdiri
- awal
- dimulai
- Startups
- state-of-the-art
- statistik
- statistika
- tinggal
- penyimpanan
- menyimpan
- toko
- menyimpan
- mudah
- Strategis
- strategi
- Penyelarasan
- langkah
- berusaha
- kuat
- struktur
- tersusun
- studio
- sukses
- seperti itu
- rangkaian
- mendukung
- yakin
- gejala
- sistem
- sistem
- disesuaikan
- Mengambil
- tugas
- tim
- Anggota tim
- tim
- tech
- Teknis
- Teknologi
- Teknologi
- Telco
- telehealth
- template
- istilah
- uji
- pengujian
- dari
- bahwa
- Grafik
- Masa depan
- mereka
- Mereka
- kemudian
- Sana.
- dengan demikian
- Ini
- mereka
- Ketiga
- pihak ketiga
- ini
- tiga
- ambang
- Melalui
- di seluruh
- waktu
- membuang-buang waktu
- tepat waktu
- kali
- untuk
- bersama
- alat
- terhadap
- Lacak
- jalur
- Pelacakan
- Pelatihan VE
- terlatih
- Pelatihan
- Mengubah
- transisi
- transisi
- Transparansi
- Perjalanan
- pengobatan
- uji
- benar-benar
- jenis
- khas
- Akhirnya
- tidak sah
- memahami
- Tiba-tiba
- terpadu
- unik
- keunikan
- unit
- Universitas
- melancarkan
- tak terpadai
- terpakai
- Pembaruan
- upgrade
- atas
- menggunakan
- gunakan case
- bekas
- Pengguna
- kegunaan
- menggunakan
- dimanfaatkan
- Memanfaatkan
- divalidasi
- pengesahan
- Berharga
- nilai
- variasi
- berbagai
- Luas
- versi
- secara vertikal
- sangat
- melalui
- View
- sebenarnya
- penglihatan
- Mengunjungi
- visual
- volume
- sukarelawan
- adalah
- we
- jaringan
- layanan web
- minggu
- BAIK
- adalah
- ketika
- yang
- sementara
- SIAPA
- lebar
- Rentang luas
- akan
- dengan
- dalam
- tanpa
- Kerja
- alur kerja
- Alur kerja
- kerja
- industri udang di seluruh dunia.
- tahun
- menghasilkan
- zephyrnet.dll
- zona