Questo è un blog congiunto con AWS e Philips.
Philips è un'azienda di tecnologie sanitarie impegnata a migliorare la vita delle persone attraverso innovazioni significative. Dal 2014, l'azienda offre ai clienti la sua piattaforma Philips HealthSuite, che orchestra decine di servizi AWS che le aziende sanitarie e di scienze della vita utilizzano per migliorare la cura dei pazienti. Collabora con operatori sanitari, startup, università e altre aziende per sviluppare tecnologie che aiutino i medici a effettuare diagnosi più precise e fornire trattamenti più personalizzati a milioni di persone in tutto il mondo.
Uno dei fattori chiave della strategia di innovazione di Philips è l'intelligenza artificiale (AI), che consente la creazione di prodotti e servizi intelligenti e personalizzati in grado di migliorare i risultati sanitari, migliorare l'esperienza del cliente e ottimizzare l'efficienza operativa.
Amazon Sage Maker fornisce strumenti specifici per le operazioni di machine learning (MLOps) per aiutare ad automatizzare e standardizzare i processi nell'intero ciclo di vita del machine learning. Con gli strumenti SageMaker MLOps, i team possono facilmente formare, testare, risolvere problemi, distribuire e governare modelli ML su larga scala per aumentare la produttività di data scientist e ingegneri ML mantenendo al contempo le prestazioni del modello in produzione.
In questo post descriviamo come Philips ha collaborato con AWS per sviluppare AI ToolSuite, una piattaforma ML scalabile, sicura e conforme su SageMaker. Questa piattaforma offre funzionalità che vanno dalla sperimentazione, all'annotazione dei dati, alla formazione, alla distribuzione di modelli e ai modelli riutilizzabili. Tutte queste funzionalità sono progettate per aiutare più linee di business a innovare con velocità e agilità, governando su larga scala con controlli centralizzati. Descriviamo i casi d'uso chiave che hanno fornito i requisiti per la prima iterazione della piattaforma, i componenti principali e i risultati ottenuti. Concludiamo identificando gli sforzi in corso per abilitare la piattaforma con carichi di lavoro di intelligenza artificiale generativa e integrare rapidamente nuovi utenti e team per adottare la piattaforma.
Contesto del cliente
Philips utilizza l'intelligenza artificiale in vari settori, come l'imaging, la diagnostica, la terapia, la salute personale e l'assistenza connessa. Alcuni esempi di soluzioni basate sull'intelligenza artificiale che Philips ha sviluppato negli ultimi anni sono:
- Philips SmartSpeed – Una tecnologia di imaging basata sull'intelligenza artificiale per la risonanza magnetica che utilizza un esclusivo algoritmo AI di deep learning basato su Compressed-SENSE per portare la velocità e la qualità dell'immagine a un livello superiore per un'ampia varietà di pazienti
- Philips eCareManager – Una soluzione di telemedicina che utilizza l’intelligenza artificiale per supportare l’assistenza e la gestione remota dei pazienti critici nelle unità di terapia intensiva, utilizzando analisi avanzate e algoritmi clinici per elaborare i dati dei pazienti da più fonti e fornendo approfondimenti, avvisi e raccomandazioni fruibili per il paziente. squadra di cura
- Philips Sonicare – Uno spazzolino intelligente che utilizza l’intelligenza artificiale per analizzare il comportamento di spazzolamento e la salute orale degli utenti e fornire indicazioni in tempo reale e consigli personalizzati, come tempo, pressione e copertura ottimali, per migliorare l’igiene dentale e prevenire carie e malattie gengivali .
Da molti anni Philips è pioniera nello sviluppo di algoritmi basati sui dati per alimentare le sue soluzioni innovative nel continuum sanitario. Nel settore dell'imaging diagnostico, Philips ha sviluppato una moltitudine di applicazioni ML per la ricostruzione e l'interpretazione di immagini mediche, la gestione del flusso di lavoro e l'ottimizzazione del trattamento. Anche nel monitoraggio dei pazienti, nella terapia guidata da immagini, negli ultrasuoni e nei team di salute personale hanno creato algoritmi e applicazioni ML. Tuttavia, l’innovazione è stata ostacolata dall’utilizzo di ambienti di sviluppo IA frammentati tra i team. Questi ambienti spaziavano da singoli laptop e desktop a diversi cluster computazionali locali e infrastrutture basate su cloud. Questa eterogeneità ha inizialmente consentito a diversi team di muoversi rapidamente nei loro primi sforzi di sviluppo dell’IA, ma ora sta frenando le opportunità di scalare e migliorare l’efficienza dei nostri processi di sviluppo dell’IA.
Era evidente che un passaggio fondamentale verso un ambiente unificato e standardizzato fosse fondamentale per liberare veramente il potenziale degli sforzi guidati dai dati in Philips.
Principali casi d'uso di AI/ML e requisiti della piattaforma
Le proposte basate su AI/ML possono trasformare l'assistenza sanitaria automatizzando le attività amministrative svolte dai medici. Per esempio:
- L’intelligenza artificiale può analizzare le immagini mediche per aiutare i radiologi a diagnosticare le malattie in modo più rapido e accurato
- L’intelligenza artificiale può prevedere eventi medici futuri analizzando i dati dei pazienti e migliorando l’assistenza proattiva
- L’intelligenza artificiale può consigliare trattamenti personalizzati su misura per le esigenze dei pazienti
- L’intelligenza artificiale può estrarre e strutturare le informazioni dalle note cliniche per rendere più efficiente la raccolta dei dati
- Le interfacce AI possono fornire supporto al paziente per domande, promemoria e controllo dei sintomi
Nel complesso, l’AI/ML promette una riduzione dell’errore umano, un risparmio di tempo e costi, un’esperienza paziente ottimizzata e interventi tempestivi e personalizzati.
Uno dei requisiti chiave per la piattaforma di sviluppo e distribuzione ML era la capacità della piattaforma di supportare il processo di sviluppo e distribuzione iterativo continuo, come mostrato nella figura seguente.
Lo sviluppo delle risorse IA inizia in un ambiente di laboratorio, dove i dati vengono raccolti e curati, quindi i modelli vengono addestrati e convalidati. Quando il modello è pronto e approvato per l'uso, viene distribuito nei sistemi di produzione del mondo reale. Una volta distribuito, le prestazioni del modello vengono continuamente monitorate. Le prestazioni e il feedback del mondo reale vengono infine utilizzati per ulteriori miglioramenti del modello con la completa automazione della formazione e dell'implementazione del modello.
I requisiti più dettagliati di AI ToolSuite sono stati guidati da tre casi d'uso di esempio:
- Sviluppare un'applicazione di visione artificiale finalizzata al rilevamento di oggetti ai margini. Il team di data science si aspettava un flusso di lavoro di annotazione automatizzata delle immagini basato sull’intelligenza artificiale per accelerare un processo di etichettatura che richiede molto tempo.
- Consenti a un team di data science di gestire una famiglia di modelli ML classici per l'analisi comparativa delle statistiche tra più unità mediche. Il progetto richiedeva l'automazione dell'implementazione del modello, il monitoraggio degli esperimenti, il monitoraggio del modello e un maggiore controllo sull'intero processo end-to-end sia per l'auditing che per la riqualificazione futura.
- Migliorare la qualità e il time-to-market per i modelli di deep learning nell'imaging medico-diagnostico. L'infrastruttura informatica esistente non consentiva di eseguire molti esperimenti in parallelo, il che ha ritardato lo sviluppo del modello. Inoltre, a fini normativi, è necessario consentire la piena riproducibilità del modello di formazione per diversi anni.
Requisiti non funzionali
Costruire una piattaforma AI/ML scalabile e solida richiede un'attenta considerazione dei requisiti non funzionali. Questi requisiti vanno oltre le funzionalità specifiche della piattaforma e si concentrano sul garantire quanto segue:
- Scalabilità – La piattaforma AI ToolSuite deve essere in grado di scalare l'infrastruttura di generazione di insight di Philips in modo più efficace in modo che la piattaforma possa gestire un volume crescente di dati, utenti e carichi di lavoro AI/ML senza sacrificare le prestazioni. Dovrebbe essere progettato per scalare orizzontalmente e verticalmente per soddisfare le crescenti richieste senza soluzione di continuità, fornendo allo stesso tempo una gestione centralizzata delle risorse.
- Prestazione – La piattaforma deve fornire capacità di calcolo ad alte prestazioni per elaborare in modo efficiente algoritmi AI/ML complessi. SageMaker offre un'ampia gamma di tipi di istanze, comprese istanze con potenti GPU, che possono accelerare in modo significativo l'addestramento dei modelli e le attività di inferenza. Dovrebbe inoltre ridurre al minimo la latenza e i tempi di risposta per fornire risultati in tempo reale o quasi.
- L’affidabilità – La piattaforma deve fornire un’infrastruttura AI altamente affidabile e solida che si estende su più zone di disponibilità. Questa architettura multi-AZ dovrebbe garantire operazioni di intelligenza artificiale ininterrotte distribuendo risorse e carichi di lavoro su data center distinti.
- Disponibilità – La piattaforma deve essere disponibile 24 ore su 7, XNUMX giorni su XNUMX, con tempi di inattività minimi per manutenzione e aggiornamenti. L'elevata disponibilità di AI ToolSuite dovrebbe includere bilanciamento del carico, architetture tolleranti ai guasti e monitoraggio proattivo.
- Sicurezza e governance – La piattaforma deve impiegare solide misure di sicurezza, crittografia, controlli di accesso, ruoli dedicati e meccanismi di autenticazione con monitoraggio continuo di attività insolite e conduzione di audit di sicurezza.
- Gestione dei dati – Una gestione efficiente dei dati è fondamentale per le piattaforme AI/ML. Le normative nel settore sanitario richiedono una governance dei dati particolarmente rigorosa. Dovrebbe includere funzionalità come il controllo delle versioni dei dati, la derivazione dei dati, la governance dei dati e la garanzia della qualità dei dati per garantire risultati accurati e affidabili.
- Interoperabilità – La piattaforma dovrebbe essere progettata per integrarsi facilmente con i repository di dati interni di Philips, consentendo uno scambio di dati e una collaborazione senza soluzione di continuità con applicazioni di terze parti.
- manutenibilità – L'architettura e il codice base della piattaforma dovrebbero essere ben organizzati, modulari e manutenibili. Ciò consente agli ingegneri e agli sviluppatori di Philips ML di fornire aggiornamenti, correzioni di bug e miglioramenti futuri senza interrompere l'intero sistema.
- Ottimizzazione delle risorse – La piattaforma dovrebbe monitorare molto attentamente i rapporti sull’utilizzo per garantire che le risorse informatiche siano utilizzate in modo efficiente e allocare le risorse in modo dinamico in base alla domanda. Inoltre, Philips dovrebbe utilizzare gli strumenti di fatturazione e gestione dei costi di AWS per assicurarsi che i team ricevano notifiche quando l'utilizzo supera la soglia assegnata.
- Monitoraggio e registrazione – La piattaforma dovrebbe utilizzare Amazon Cloud Watch avvisi per funzionalità complete di monitoraggio e registrazione, necessarie per tenere traccia delle prestazioni del sistema, identificare i colli di bottiglia e risolvere i problemi in modo efficace.
- Conformità – La piattaforma può anche contribuire a migliorare la conformità normativa delle proposte basate sull’intelligenza artificiale. La riproducibilità e la tracciabilità devono essere abilitate automaticamente dalle pipeline di elaborazione dei dati end-to-end, dove molti elementi di documentazione obbligatori, come report sulla derivazione dei dati e schede modello, possono essere preparati automaticamente.
- Test e validazione – Devono essere adottate rigorose procedure di test e convalida per garantire l’accuratezza e l’affidabilità dei modelli AI/ML e prevenire errori involontari.
Panoramica della soluzione
AI ToolSuite è un ambiente di sviluppo AI end-to-end, scalabile e ad avvio rapido che offre SageMaker nativo e servizi AI/ML associati con barriere di sicurezza e privacy Philips HealthSuite e integrazioni dell'ecosistema Philips. Esistono tre persona con set dedicati di autorizzazioni di accesso:
- Scienziato dei dati – Preparare i dati, sviluppare e addestrare modelli in uno spazio di lavoro collaborativo
- Ingegnere ML – Produrre applicazioni ML con distribuzione, monitoraggio e manutenzione dei modelli
- Amministratore di scienza dei dati – Crea un progetto per richiesta del team per fornire ambienti isolati dedicati con modelli specifici del caso d'uso
Lo sviluppo della piattaforma ha attraversato più cicli di rilascio in un ciclo iterativo di individuazione, progettazione, creazione, test e distribuzione. A causa dell'unicità di alcune applicazioni, l'estensione della piattaforma ha richiesto l'integrazione di componenti personalizzati esistenti come archivi dati o strumenti proprietari per l'annotazione.
La figura seguente illustra l'architettura a tre livelli di AI ToolSuite, inclusa l'infrastruttura di base come primo livello, i componenti ML comuni come secondo livello e i modelli specifici del progetto come terzo livello.
Il livello 1 contiene l'infrastruttura di base:
- Un livello di rete con accesso parametrizzato a Internet con elevata disponibilità
- Provisioning self-service con infrastruttura come codice (IaC)
- Un ambiente di sviluppo integrato (IDE) che utilizza un Amazon Sage Maker Studio dominio
- Ruoli della piattaforma (amministratore della scienza dei dati, scienziato dei dati)
- Conservazione degli artefatti
- Registrazione e monitoraggio per l'osservabilità
Il livello 2 contiene componenti ML comuni:
- Monitoraggio automatizzato degli esperimenti per ogni lavoro e pipeline
- Una pipeline di creazione del modello per avviare un nuovo aggiornamento della creazione del modello
- Una pipeline di addestramento del modello composta da addestramento del modello, valutazione e registrazione
- Una pipeline di distribuzione del modello per distribuire il modello per il test e l'approvazione finali
- Un registro dei modelli per gestire facilmente le versioni dei modelli
- Un ruolo di progetto creato appositamente per un determinato caso d'uso, da assegnare agli utenti di SageMaker Studio
- Un repository di immagini per archiviare immagini di contenitori di elaborazione, training e inferenza create per il progetto
- Un repository di codice per archiviare gli artefatti del codice
- Un progetto Servizio di archiviazione semplice Amazon Bucket (Amazon S3) per archiviare tutti i dati e gli artefatti del progetto
Il livello 3 contiene modelli specifici del progetto che possono essere creati con componenti personalizzati come richiesto dai nuovi progetti. Per esempio:
- Modello 1 – Include un componente per l'interrogazione dei dati e il monitoraggio della cronologia
- Modello 2 – Include un componente per le annotazioni dei dati con un flusso di lavoro di annotazione personalizzato per utilizzare strumenti di annotazione proprietari
- Modello 3 – Include componenti per immagini container personalizzate per personalizzare sia l'ambiente di sviluppo che le routine di formazione, file system HPC dedicato e accesso da un IDE locale per gli utenti
Il diagramma seguente evidenzia i principali servizi AWS che si estendono su più account AWS per lo sviluppo, la gestione temporanea e la produzione.
Nelle sezioni seguenti, discutiamo le funzionalità chiave della piattaforma abilitata dai servizi AWS, tra cui SageMaker, Catalogo dei servizi AWS, CloudWatch, AWS Lambda, Registro dei contenitori Amazon Elastic (Amazon ECR), Amazon S3, Gestione dell'identità e dell'accesso di AWS (IAM) e altri.
Infrastruttura come codice
La piattaforma utilizza IaC, che consente a Philips di automatizzare il provisioning e la gestione delle risorse infrastrutturali. Questo approccio favorirà inoltre la riproducibilità, la scalabilità, il controllo della versione, la coerenza, la sicurezza e la portabilità per lo sviluppo, il test o la produzione.
Accesso agli ambienti AWS
Si accede a SageMaker e ai servizi AI/ML associati tramite barriere di sicurezza per la preparazione dei dati, lo sviluppo del modello, la formazione, l'annotazione e la distribuzione.
Isolamento e collaborazione
La piattaforma garantisce l'isolamento dei dati archiviandoli ed elaborandoli separatamente, riducendo il rischio di accesso non autorizzato o violazione dei dati.
La piattaforma facilita la collaborazione tra team, che è essenziale nei progetti di intelligenza artificiale che in genere coinvolgono team interfunzionali, inclusi data scientist, amministratori di data science e ingegneri MLOps.
Controllo degli accessi in base al ruolo
Il controllo degli accessi basato sui ruoli (RBAC) è essenziale per gestire le autorizzazioni e semplificare la gestione degli accessi definendo ruoli e autorizzazioni in modo strutturato. Semplifica la gestione delle autorizzazioni man mano che team e progetti crescono e il controllo dell'accesso per le diverse figure coinvolte nei progetti AWS AI/ML, come l'amministratore di data science, il data scientist, l'amministratore delle annotazioni, l'annotatore e l'ingegnere MLOps.
Accesso agli archivi dati
La piattaforma consente a SageMaker di accedere agli archivi dati, garantendo che i dati possano essere utilizzati in modo efficiente per l'addestramento e l'inferenza dei modelli senza la necessità di duplicare o spostare i dati in diverse posizioni di archiviazione, ottimizzando così l'utilizzo delle risorse e riducendo i costi.
Annotazione utilizzando strumenti di annotazione specifici di Philips
AWS offre una suite di servizi AI e ML, come SageMaker, Amazon SageMaker verità fondamentalee Amazzonia Cognito, che sono completamente integrati con gli strumenti di annotazione interni specifici di Philips. Questa integrazione consente agli sviluppatori di addestrare e distribuire modelli ML utilizzando i dati annotati all'interno dell'ambiente AWS.
Modelli di machine learning
La piattaforma AI ToolSuite offre modelli in AWS per vari flussi di lavoro ML. Questi modelli sono configurazioni di infrastruttura preconfigurate su misura per specifici casi d'uso di ML e sono accessibili tramite servizi come Modelli di progetto SageMaker, AWS CloudFormazionee Catalogo dei servizi.
Integrazione con Philips GitHub
L'integrazione con GitHub migliora l'efficienza fornendo una piattaforma centralizzata per il controllo della versione, le revisioni del codice e le pipeline CI/CD (integrazione continua e distribuzione continua) automatizzate, riducendo le attività manuali e aumentando la produttività.
Integrazione del codice di Visual Studio
L'integrazione con Visual Studio Code fornisce un ambiente unificato per la codifica, il debug e la gestione di progetti ML. Ciò semplifica l'intero flusso di lavoro ML, riducendo il cambio di contesto e risparmiando tempo. L'integrazione migliora inoltre la collaborazione tra i membri del team consentendo loro di lavorare insieme su progetti SageMaker all'interno di un ambiente di sviluppo familiare, utilizzando sistemi di controllo della versione e condividendo codice e notebook senza soluzione di continuità.
Derivazione e tracciabilità del modello e dei dati per la riproducibilità e la conformità
La piattaforma fornisce il controllo delle versioni, che aiuta a tenere traccia delle modifiche apportate alla formazione del data scientist e ai dati di inferenza nel tempo, semplificando la riproduzione dei risultati e la comprensione dell'evoluzione dei set di dati.
La piattaforma consente inoltre il monitoraggio degli esperimenti SageMaker, che consente agli utenti finali di registrare e tenere traccia di tutti i metadati associati ai loro esperimenti ML, inclusi iperparametri, dati di input, codice e artefatti del modello. Queste funzionalità sono essenziali per dimostrare la conformità agli standard normativi e garantire trasparenza e responsabilità nei flussi di lavoro AI/ML.
Generazione di report sulle specifiche AI/ML per la conformità normativa
AWS mantiene certificazioni di conformità per vari standard e normative di settore. I report sulle specifiche AI/ML fungono da documentazione di conformità essenziale, dimostrando l'aderenza ai requisiti normativi. Questi report documentano il controllo delle versioni di set di dati, modelli e codice. Il controllo della versione è essenziale per mantenere la derivazione, la tracciabilità e la riproducibilità dei dati, tutti aspetti fondamentali per la conformità normativa e il controllo.
Gestione del budget a livello di progetto
La gestione del budget a livello di progetto consente all'organizzazione di impostare limiti di spesa, contribuendo a evitare costi imprevisti e garantendo che i progetti ML rispettino il budget. Con la gestione del budget, l'organizzazione può allocare budget specifici a singoli progetti o team, il che aiuta i team a identificare tempestivamente inefficienze delle risorse o picchi di costi imprevisti. Oltre alla gestione del budget, con la funzionalità di spegnimento automatico dei notebook inattivi, i membri del team evitano di pagare per risorse inutilizzate, liberando anche risorse preziose quando non sono attivamente utilizzate, rendendole disponibili per altre attività o utenti.
Risultati
AI ToolSuite è stata progettata e implementata come piattaforma a livello aziendale per lo sviluppo e l'implementazione del machine learning per i data scientist di Philips. Durante la progettazione e lo sviluppo sono stati raccolti e considerati diversi requisiti di tutte le unità aziendali. All'inizio del progetto, Philips ha identificato i campioni dei team aziendali che hanno fornito feedback e contribuito a valutare il valore della piattaforma.
Sono stati raggiunti i seguenti risultati:
- L'adozione da parte degli utenti è uno dei principali indicatori chiave per Philips. Gli utenti di diverse unità aziendali sono stati formati e inseriti nella piattaforma e si prevede che tale numero aumenterà nel 2024.
- Un altro parametro importante è l’efficienza per gli utenti della scienza dei dati. Con AI ToolSuite, i nuovi ambienti di sviluppo ML vengono distribuiti in meno di un'ora anziché in diversi giorni.
- I team di data science possono accedere a un'infrastruttura informatica scalabile, sicura, economica e basata sul cloud.
- I team possono eseguire più esperimenti di addestramento del modello in parallelo, riducendo significativamente il tempo medio di addestramento da settimane a 1-3 giorni.
- Poiché la distribuzione dell'ambiente è completamente automatizzata, non richiede praticamente alcun coinvolgimento degli ingegneri dell'infrastruttura cloud, con conseguente riduzione dei costi operativi.
- L'uso di AI ToolSuite ha migliorato in modo significativo la maturità complessiva dei dati e dei risultati finali dell'AI promuovendo l'uso di buone pratiche di ML, flussi di lavoro standardizzati e riproducibilità end-to-end, che sono fondamentali per la conformità normativa nel settore sanitario.
Guardando al futuro con l’intelligenza artificiale generativa
Mentre le organizzazioni corrono per adottare il prossimo stato dell'arte nel campo dell'intelligenza artificiale, è fondamentale adottare la nuova tecnologia nel contesto della politica di sicurezza e governance dell'organizzazione. L'architettura di AI ToolSuite fornisce un modello eccellente per consentire l'accesso alle funzionalità di intelligenza artificiale generativa in AWS per diversi team di Philips. I team possono utilizzare i modelli di base resi disponibili con JumpStart di Amazon SageMaker, che fornisce un vasto numero di modelli open source di Hugging Face e altri fornitori. Con i necessari guardrail già in atto in termini di controllo degli accessi, provisioning dei progetti e controllo dei costi, sarà semplice per i team iniziare a utilizzare le funzionalità di intelligenza artificiale generativa all'interno di SageMaker.
Inoltre, l'accesso a Roccia Amazzonica, un servizio completamente gestito basato su API per l'intelligenza artificiale generativa, può essere fornito per account individuali in base ai requisiti del progetto e gli utenti possono accedere alle API di Amazon Bedrock tramite l'interfaccia del notebook SageMaker o tramite il loro IDE preferito.
Esistono ulteriori considerazioni riguardanti l’adozione dell’IA generativa in un contesto regolamentato, come quello sanitario. È necessario prestare particolare attenzione al valore creato dalle applicazioni di intelligenza artificiale generativa rispetto ai rischi e ai costi associati. È inoltre necessario creare un quadro giuridico e di rischio che regoli l’uso da parte dell’organizzazione delle tecnologie di intelligenza artificiale generativa. Elementi come la sicurezza dei dati, la parzialità, l’equità e la conformità normativa devono essere considerati parte di tali meccanismi.
Conclusione
Philips ha intrapreso un viaggio volto a sfruttare la potenza degli algoritmi basati sui dati per rivoluzionare le soluzioni sanitarie. Nel corso degli anni, l’innovazione nell’imaging diagnostico ha prodotto diverse applicazioni ML, dalla ricostruzione delle immagini alla gestione del flusso di lavoro e all’ottimizzazione del trattamento. Tuttavia, la vasta gamma di configurazioni, dai singoli laptop ai cluster locali e all’infrastruttura cloud, ha posto sfide formidabili. L'amministrazione separata del sistema, le misure di sicurezza, i meccanismi di supporto e il protocollo dati hanno impedito una visione completa del TCO e complicate transizioni tra i team. La transizione dalla ricerca e sviluppo alla produzione è stata gravata dalla mancanza di discendenza e riproducibilità, rendendo difficile la riqualificazione continua del modello.
Nell'ambito della collaborazione strategica tra Philips e AWS, è stata creata la piattaforma AI ToolSuite per sviluppare una piattaforma ML scalabile, sicura e conforme con SageMaker. Questa piattaforma offre funzionalità che vanno dalla sperimentazione, all'annotazione dei dati, alla formazione, alla distribuzione di modelli e ai modelli riutilizzabili. Tutte queste funzionalità sono state sviluppate in modo iterativo nel corso di diversi cicli di individuazione, progettazione, creazione, test e distribuzione. Ciò ha aiutato più business unit a innovare con velocità e agilità, governando al tempo stesso su larga scala con controlli centrali.
Questo viaggio funge da ispirazione per le organizzazioni che desiderano sfruttare la potenza dell’intelligenza artificiale e del machine learning per promuovere l’innovazione e l’efficienza nel settore sanitario, a vantaggio dei pazienti e degli operatori sanitari in tutto il mondo. Mentre continua a basarsi su questo successo, Philips è pronta a fare passi da gigante nel miglioramento dei risultati sanitari attraverso soluzioni innovative basate sull’intelligenza artificiale.
Per saperne di più sull'innovazione Philips su AWS, visita Philips su AWS.
Circa gli autori
Frank Wartena è un program manager presso Philips Innovation & Strategy. Coordina le risorse della piattaforma relative ai dati e all'intelligenza artificiale a supporto delle nostre proposte Philips basate su dati e intelligenza artificiale. Ha una vasta esperienza in intelligenza artificiale, scienza dei dati e interoperabilità. Nel tempo libero, Frank ama correre, leggere, remare e passare il tempo con la sua famiglia.
Irina Fedulova è Principal Data & AI Lead presso Philips Innovation & Strategy. Sta conducendo attività strategiche incentrate su strumenti, piattaforme e best practice che accelerano e ampliano lo sviluppo e la produzione di soluzioni abilitate all'intelligenza artificiale (generativa) presso Philips. Irina ha un forte background tecnico nell'apprendimento automatico, nel cloud computing e nell'ingegneria del software. Fuori dal lavoro, le piace trascorrere il tempo con la famiglia, viaggiare e leggere.
Selvakumar Palaniyappan è Product Owner presso Philips Innovation & Strategy, responsabile della gestione del prodotto per la piattaforma AI e ML di Philips HealthSuite. Ha una grande esperienza nella gestione tecnica dei prodotti e nell'ingegneria del software. Attualmente sta lavorando alla creazione di una piattaforma di sviluppo e distribuzione AI e ML scalabile e conforme. Inoltre, sta guidando la sua adozione da parte dei team di scienza dei dati di Philips al fine di sviluppare sistemi e soluzioni sanitari basati sull’intelligenza artificiale.
Adnan Elci è un Senior Cloud Infrastructure Architect presso AWS Professional Services. Opera in qualità di responsabile tecnologico, supervisionando varie operazioni per clienti nei settori della sanità e delle scienze della vita, della finanza, dell'aviazione e della produzione. Il suo entusiasmo per l'automazione è evidente nel suo ampio coinvolgimento nella progettazione, realizzazione e implementazione di soluzioni per clienti di livello aziendale all'interno dell'ambiente AWS. Al di là dei suoi impegni professionali, Adnan si dedica attivamente al lavoro di volontariato, sforzandosi di creare un impatto significativo e positivo all'interno della comunità.
Hasan Poonawala è un Senior AI/ML Specialist Solutions Architect presso AWS, Hasan aiuta i clienti a progettare e distribuire applicazioni di machine learning in produzione su AWS. Ha oltre 12 anni di esperienza lavorativa come data scientist, professionista dell'apprendimento automatico e sviluppatore di software. Nel tempo libero, Hasan ama esplorare la natura e trascorrere del tempo con amici e familiari.
Sreoshi Roy è un Senior Global Engagement Manager presso AWS. In qualità di partner commerciale dei clienti del settore sanitario e delle scienze della vita, vanta un'esperienza senza precedenti nella definizione e fornitura di soluzioni per problemi aziendali complessi. Aiuta i suoi clienti a stabilire obiettivi strategici, definire e progettare strategie cloud/dati e implementare soluzioni robuste e scalabili per raggiungere i loro obiettivi tecnici e aziendali. Al di là dei suoi sforzi professionali, la sua dedizione sta nel creare un impatto significativo sulla vita delle persone favorendo l'empatia e promuovendo l'inclusività.
Wajahat Aziz è leader per AI/ML e HPC nel team AWS Healthcare e Life Sciences. Avendo ricoperto diversi ruoli come leader tecnologico presso organizzazioni di scienze della vita, Wajahat sfrutta la sua esperienza per aiutare i clienti del settore sanitario e delle scienze della vita a sfruttare le tecnologie AWS per sviluppare soluzioni ML e HPC all'avanguardia. Le sue attuali aree di interesse sono la ricerca iniziale, gli studi clinici e l'apprendimento automatico che preserva la privacy.
Wioletta Stobieniecka è un Data Scientist presso AWS Professional Services. Nel corso della sua carriera professionale, ha realizzato numerosi progetti basati sull'analisi per diversi settori come banche, assicurazioni, telecomunicazioni e settore pubblico. La sua conoscenza dei metodi statistici avanzati e dell'apprendimento automatico è ben combinata con un senso degli affari. Porta i recenti progressi dell'IA per creare valore per i clienti.
- Distribuzione di contenuti basati su SEO e PR. Ricevi amplificazione oggi.
- PlatoData.Network Generativo verticale Ai. Potenzia te stesso. Accedi qui.
- PlatoAiStream. Intelligenza Web3. Conoscenza amplificata. Accedi qui.
- PlatoneESG. Carbonio, Tecnologia pulita, Energia, Ambiente, Solare, Gestione dei rifiuti. Accedi qui.
- Platone Salute. Intelligence sulle biotecnologie e sulle sperimentazioni cliniche. Accedi qui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :ha
- :È
- :non
- :Dove
- $ SU
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- capacità
- capace
- Chi siamo
- accelerare
- accelera
- accesso
- Accesso ai dati
- accessibile
- accessibile
- responsabilità
- conti
- precisione
- preciso
- raggiunto
- operanti in
- processabile
- attivamente
- attività
- acume
- aggiunta
- aggiuntivo
- aderenza
- Admin
- amministrazione
- amministrativo
- adottare
- Adozione
- Avanzate
- avanzamenti
- contro
- AI
- AI / ML
- Mirato
- Avvisi
- algoritmo
- Algoritmi
- Tutti
- assegnare
- allocato
- consentire
- Consentire
- consente
- già
- anche
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- tra
- quantità
- an
- analitica
- analizzare
- l'analisi
- ed
- API
- Applicazioni
- applicazioni
- approccio
- approvato
- architettura
- SONO
- aree
- artificiale
- intelligenza artificiale
- Intelligenza artificiale (AI)
- AS
- attività
- Attività
- addetto
- associato
- garanzia
- At
- revisione
- audit
- Autenticazione
- automatizzare
- Automatizzata
- automaticamente
- Automatizzare
- Automazione
- disponibilità
- disponibile
- media
- aviazione
- evitare
- AWS
- Servizi professionali AWS
- precedente
- sfondo
- bilanciamento
- Settore bancario
- base
- basato
- BE
- stato
- comportamento
- analisi comparativa
- beneficiando
- MIGLIORE
- best practice
- fra
- Al di là di
- pregiudizio
- pregiudizi
- fatturazione
- Blog
- cianografia
- Incremento
- potenziamento
- entrambi
- strozzature
- violazioni
- Porta
- ampio
- budget limitato.
- Per i bilanci
- Insetto
- costruire
- Costruzione
- costruito
- affari
- ma
- by
- chiamata
- Materiale
- funzionalità
- Ultra-Grande
- Carte
- che
- Career
- attento
- Custodie
- casi
- catalogo
- centri
- centrale
- centralizzata
- certificazioni
- sfide
- Champions
- Modifiche
- carica
- classico
- clienti
- Info su
- test clinici
- i medici
- strettamente
- Cloud
- il cloud computing
- infrastruttura cloud
- codice
- base del codice
- codifica
- collaborazione
- collaborativo
- combinato
- viene
- impegni
- Uncommon
- comunità
- Aziende
- azienda
- complesso
- conformità
- compiacente
- complicato
- componente
- componenti
- globale
- Compreso
- computazionale
- Calcolare
- computer
- Visione computerizzata
- informatica
- circa
- concludere
- conduzione
- collegato
- considerazione
- Considerazioni
- considerato
- Contenitore
- contiene
- contesto
- continua
- continuo
- continuamente
- Continuum
- di controllo
- controlli
- Nucleo
- Costo
- Gestione dei costi
- risparmi
- Costi
- copertura
- creare
- Creare valore
- creato
- Creazione
- creazione
- critico
- team interfunzionali
- cruciale
- a cura
- Corrente
- Attualmente
- costume
- cliente
- esperienza del cliente
- Soluzioni per i clienti
- Clienti
- personalizzare
- ciclo
- cicli
- dati
- Violazioni dei dati
- data center
- Scambio di dati
- gestione dei dati
- Preparazione dei dati
- elaborazione dati
- scienza dei dati
- scienziato di dati
- la sicurezza dei dati
- data-driven
- dataset
- Giorni
- dedicato
- dedizione
- deep
- apprendimento profondo
- definire
- definizione
- Ritardato
- consegnare
- consegnato
- consegna
- Richiesta
- richieste
- dimostrando
- schierare
- schierato
- deployment
- implementazioni
- descrivere
- Design
- progettato
- progettazione
- dettagliati
- rivelazione
- sviluppare
- sviluppato
- Costruttori
- sviluppatori
- in via di sviluppo
- Mercato
- diagnostica
- Diagnostica per immagini
- diagnostica
- diverso
- difficile
- scopri
- discutere
- malattie
- distinto
- distribuzione
- paesaggio differenziato
- Dottori
- documento
- documentazione
- dominio
- domini
- fatto
- giù
- i tempi di inattività
- decine
- guidare
- spinto
- driver
- guida
- dovuto
- durante
- dinamicamente
- Presto
- più facile
- facilmente
- ecosistema
- bordo
- in maniera efficace
- efficienza
- efficiente
- in modo efficiente
- sforzi
- o
- elementi
- imbarcato
- incorporamento
- empatia
- enable
- abilitato
- Abilita
- consentendo
- crittografia
- fine
- da un capo all'altro
- sforzi
- Fidanzamento
- ingegnere
- Ingegneria
- Ingegneri
- accrescere
- migliorata
- miglioramenti
- Migliora
- garantire
- assicura
- assicurando
- Impresa
- entusiasmo
- Intero
- Ambiente
- ambienti
- errore
- particolarmente
- essential
- valutare
- valutazione
- Anche
- eventi
- alla fine
- Ogni
- evidente
- evoluzione
- esempio
- Esempi
- eccellente
- exchange
- esistente
- previsto
- esperienza
- esperto
- Esperienze
- esperimento
- esperimenti
- esplora
- estensione
- estensivo
- estratto
- Faccia
- facilita
- equità
- familiare
- famiglia
- FAST
- più veloce
- caratteristica
- Caratteristiche
- feedback
- figura
- Compila il
- finale
- finanziare
- Nome
- Focus
- concentrato
- i seguenti
- Nel
- formidabile
- Avanti
- promozione
- Fondazione
- frammentato
- Contesto
- franco
- amici
- da
- Carburante
- pieno
- completamente
- funzionalità
- fondamentale
- ulteriormente
- Inoltre
- futuro
- ELETTRICA
- generativo
- AI generativa
- GitHub
- dato
- globali
- Go
- buono
- la governance
- governo
- governa
- GPU
- maggiore
- Terra
- Crescere
- Crescita
- guida
- guidata
- maniglia
- cintura da arrampicata
- Sfruttamento
- Avere
- avendo
- he
- Salute e benessere
- i sistemi sanitari
- assistenza sanitaria
- settore sanitario
- Aiuto
- aiutato
- aiutare
- aiuta
- suo
- Alta
- Alte prestazioni
- evidenzia
- vivamente
- lui stesso
- il suo
- storia
- possesso
- orizzontalmente
- ora
- Come
- Tuttavia
- hpc
- HTML
- http
- HTTPS
- umano
- identificato
- identificare
- identificazione
- Identità
- Idle
- illustra
- Immagine
- immagini
- Imaging
- Impact
- imperativo
- realizzare
- implementato
- Implementazione
- importante
- competenze
- miglioramenti
- miglioramento
- in
- includere
- inclusi
- Compreso
- inclusività
- crescente
- individuale
- industrie
- industria
- standard di settore
- inefficienze
- informazioni
- Infrastruttura
- inizialmente
- innovare
- Innovazione
- Strategia di innovazione
- creativi e originali
- ingresso
- intuizioni
- Ispirazione
- esempio
- invece
- assicurazione
- integrare
- integrato
- integrazione
- integrazioni
- Intelligence
- Interfaccia
- interfacce
- interno
- Internet
- Interoperabilità
- interpretazione
- interventi
- ai miglioramenti
- coinvolgere
- coinvolto
- coinvolgimento
- Irina
- isolato
- da solo
- sicurezza
- IT
- iterazione
- SUO
- Lavoro
- giunto
- viaggio
- jpg
- mantenere
- Le
- conoscenze
- laboratorio
- etichettatura
- Dipingere
- computer portatili
- grandi
- Latenza
- lanciare
- strato
- portare
- leader
- principale
- IMPARARE
- apprendimento
- Legale
- quadro giuridico
- meno
- Livello
- Leva
- leveraggi
- si trova
- Vita
- Scienze della Vita
- Life Sciences
- ciclo di vita
- piace
- limiti
- lignaggio
- Linee
- vivere
- Lives
- caricare
- locale
- posizioni
- ceppo
- registrazione
- cerca
- ama
- macchina
- machine learning
- fatto
- Mantenibile
- Mantenere
- mantiene
- manutenzione
- make
- FA
- Fare
- gestire
- gestito
- gestione
- Strumenti di gestione
- direttore
- gestione
- obbligatorio
- modo
- Manuale
- consigliato per la
- molti
- Rappresentanza
- maturità
- significativo
- analisi
- meccanismi di
- medicale
- Soddisfare
- Utenti
- Metadati
- metodi
- metrico
- milioni
- minimo
- ML
- MLOp
- modello
- modelli
- componibile
- Monitorare
- monitorati
- monitoraggio
- Scopri di più
- cambiano
- MRI
- multiplo
- moltitudine
- devono obbligatoriamente:
- nativo
- Natura
- necessaria
- Bisogno
- esigenze
- internazionale
- New
- nuovi utenti
- GENERAZIONE
- no
- taccuino
- Note
- notifiche
- adesso
- numero
- oggetto
- Rilevazione dell'oggetto
- Obiettivi d'Esame
- of
- offerta
- Offerte
- on
- Onboard
- una volta
- ONE
- in corso
- aprire
- open source
- opera
- operativa
- Operazioni
- Opportunità
- ottimale
- ottimizzazione
- OTTIMIZZA
- ottimizzati
- ottimizzazione
- or
- Igiene orale
- minimo
- organizzazione
- organizzazioni
- Organizzato
- Altro
- Altri
- nostro
- risultati
- contorno
- al di fuori
- ancora
- complessivo
- supervisionando
- proprietario
- Parallel
- parte
- partner
- collaborato
- partner
- Passi
- passato
- paziente
- pazienti
- pagamento
- Persone
- persone
- per
- performance
- permessi
- cronologia
- Personalizzata
- pionieristico
- conduttura
- posto
- piattaforma
- Piattaforme
- Platone
- Platone Data Intelligence
- PlatoneDati
- in bilico
- politica
- portabilità
- posto
- positivo
- Post
- potenziale
- energia
- potente
- pratiche
- bisogno
- predire
- preferito
- preparazione
- Preparare
- preparato
- preservare
- pressione
- prevenire
- Direttore
- Privacy
- Proactive
- problemi
- procedure
- processi
- i processi
- lavorazione
- Prodotto
- gestione del prodotto
- Produzione
- della produttività
- Prodotti
- professionale
- Programma
- progetto
- dati di progetto
- progetti
- promette
- promuovere
- proprio
- protocollo
- fornire
- purché
- fornitori
- fornisce
- fornitura
- la percezione
- fini
- qualità
- query
- Presto
- Gara
- gamma
- che vanno
- rapidamente
- Lettura
- pronto
- mondo reale
- tempo reale
- ricevere
- recente
- raccomandare
- raccomandazioni
- Ridotto
- riducendo
- registro
- regolamentati
- normativa
- normativo
- Conformità normativa
- relazionato
- rilasciare
- rilascio
- problemi di
- affidabile
- a distanza
- rapporto
- Report
- deposito
- richiesta
- necessario
- Requisiti
- richiede
- riparazioni
- ricerca e sviluppo
- risorsa
- Risorse
- risposta
- Risultati
- riutilizzabile
- Recensioni
- rivoluzionare
- rigoroso
- Rischio
- rischi
- robusto
- Ruolo
- ruoli
- Correre
- running
- sacrificando
- sagemaker
- risparmio
- Risparmio
- Scalabilità
- scalabile
- Scala
- Scienze
- SCIENZE
- Scienziato
- scienziati
- senza soluzione di continuità
- senza soluzione di continuità
- Secondo
- sezioni
- settore
- sicuro
- problemi di
- Audit di sicurezza
- Misure di sicurezza
- anziano
- separato
- servire
- servito
- serve
- servizio
- Servizi
- set
- Set
- regolazione
- alcuni
- compartecipazione
- lei
- spostamento
- dovrebbero
- vetrina
- mostrato
- chiuso
- fermare
- significativamente
- Un'espansione
- semplificando
- da
- smart
- So
- Software
- Ingegneria del software
- soluzione
- Soluzioni
- alcuni
- Fonte
- fonti
- tensione
- campate
- guidando
- specialista
- specifico
- in particolare
- specificazione
- velocità
- spendere
- Spendere
- picchi
- messa in scena
- standard
- si
- inizia a
- inizio
- Startup
- state-of-the-art
- statistiche
- statistica
- soggiorno
- conservazione
- Tornare al suo account
- negozi
- memorizzare
- lineare
- Strategico
- strategie
- Strategia
- passi avanti
- sforzandosi
- forte
- La struttura
- strutturato
- studio
- il successo
- tale
- suite
- supporto
- sicuro
- sintomo
- sistema
- SISTEMI DI TRATTAMENTO
- su misura
- Fai
- task
- team
- Membri del team
- le squadre
- Tech
- Consulenza
- Tecnologie
- Tecnologia
- Telco
- telemedicina
- modelli
- condizioni
- test
- Testing
- di
- che
- Il
- Il futuro
- loro
- Li
- poi
- Là.
- in tal modo
- Strumenti Bowman per analizzare le seguenti finiture:
- di
- Terza
- di parti terze standard
- questo
- tre
- soglia
- Attraverso
- per tutto
- tempo
- richiede tempo
- tempestivo
- volte
- a
- insieme
- strumenti
- verso
- Tracciabilità
- pista
- Tracking
- Treni
- allenato
- Training
- Trasformare
- transizione
- transizioni
- Trasparenza
- Di viaggio
- trattamento
- studi clinici
- veramente
- Tipi di
- tipicamente
- in definitiva
- non autorizzato
- capire
- Inaspettato
- unificato
- unico
- unicità
- unità
- Università
- sguinzagliare
- ineguagliabile
- non usato
- Aggiornamenti
- Upgrades
- su
- uso
- caso d'uso
- utilizzato
- utenti
- usa
- utilizzando
- utilizzati
- Utilizzando
- convalidato
- convalida
- Prezioso
- APPREZZIAMO
- varietà
- vario
- Fisso
- versione
- verticalmente
- molto
- via
- Visualizza
- potenzialmente
- visione
- Visita
- visivo
- volume
- volontario
- Prima
- we
- sito web
- servizi web
- Settimane
- WELL
- sono stati
- quando
- quale
- while
- OMS
- largo
- Vasta gamma
- volere
- con
- entro
- senza
- Lavora
- flusso di lavoro
- flussi di lavoro
- lavoro
- In tutto il mondo
- anni
- dato
- zefiro
- zone