Dit is een gezamenlijke blog met AWS en Philips.
Philips is een gezondheidstechnologiebedrijf dat zich richt op het verbeteren van de levens van mensen door middel van zinvolle innovatie. Sinds 2014 biedt het bedrijf klanten zijn Philips HealthSuite Platform aan, dat tientallen AWS-diensten orkestreert die bedrijven in de gezondheidszorg en de biowetenschappen gebruiken om de patiëntenzorg te verbeteren. Het werkt samen met zorgverleners, startups, universiteiten en andere bedrijven om technologie te ontwikkelen die artsen helpt nauwkeurigere diagnoses te stellen en een meer gepersonaliseerde behandeling te bieden aan miljoenen mensen over de hele wereld.
Een van de belangrijkste drijfveren van de innovatiestrategie van Philips is kunstmatige intelligentie (AI), die de creatie van slimme en gepersonaliseerde producten en diensten mogelijk maakt die de gezondheidsresultaten kunnen verbeteren, de klantervaring kunnen verbeteren en de operationele efficiëntie kunnen optimaliseren.
Amazon Sage Maker biedt speciaal gebouwde tools voor machine learning-operaties (MLOps) om processen gedurende de ML-levenscyclus te helpen automatiseren en standaardiseren. Met SageMaker MLOps-tools kunnen teams eenvoudig ML-modellen op schaal trainen, testen, problemen oplossen, implementeren en beheren om de productiviteit van datawetenschappers en ML-ingenieurs te verhogen, terwijl de modelprestaties in productie behouden blijven.
In dit bericht beschrijven we hoe Philips samenwerkte met AWS om AI ToolSuite te ontwikkelen: een schaalbaar, veilig en compatibel ML-platform op SageMaker. Dit platform biedt mogelijkheden variërend van experimenten, gegevensannotatie, training, modelimplementaties en herbruikbare sjablonen. Al deze mogelijkheden zijn gebouwd om meerdere bedrijfstakken te helpen snel en flexibel te innoveren en tegelijkertijd op schaal te beheren met centrale controles. We schetsen de belangrijkste gebruiksscenario’s die de vereisten voor de eerste iteratie van het platform opleverden, de kerncomponenten en de behaalde resultaten. We sluiten af met het identificeren van de voortdurende inspanningen om het platform te voorzien van generatieve AI-workloads en om snel nieuwe gebruikers en teams aan boord te krijgen om het platform te adopteren.
Klantcontext
Philips gebruikt AI in verschillende domeinen, zoals beeldvorming, diagnostiek, therapie, persoonlijke gezondheid en connected care. Enkele voorbeelden van AI-gebaseerde oplossingen die Philips de afgelopen jaren heeft ontwikkeld zijn:
- Philips SmartSpeed – Een op AI gebaseerde beeldvormingstechnologie voor MRI die gebruikmaakt van een uniek, op ComPRESS SENSE gebaseerd, deep learning AI-algoritme om snelheid en beeldkwaliteit naar een hoger niveau te tillen voor een grote verscheidenheid aan patiënten
- Philips eCareManager – Een telezorgoplossing die AI gebruikt om de zorg op afstand en het beheer van ernstig zieke patiënten op intensive care-afdelingen te ondersteunen, door gebruik te maken van geavanceerde analyses en klinische algoritmen om de patiëntgegevens uit meerdere bronnen te verwerken, en bruikbare inzichten, waarschuwingen en aanbevelingen te bieden voor de zorgteam
- Philips Sonicare – Een slimme tandenborstel die AI gebruikt om het poetsgedrag en de mondgezondheid van gebruikers te analyseren en realtime begeleiding en gepersonaliseerde aanbevelingen te bieden, zoals optimale poetstijd, druk en dekking, om hun mondhygiëne te verbeteren en gaatjes en tandvleesaandoeningen te voorkomen .
Philips is al jaren een pionier in de ontwikkeling van datagestuurde algoritmen om zijn innovatieve oplossingen in het hele gezondheidszorgcontinuüm te voeden. Op het gebied van diagnostische beeldvorming heeft Philips een groot aantal ML-toepassingen ontwikkeld voor de reconstructie en interpretatie van medische beelden, workflowbeheer en behandelingsoptimalisatie. Ook op het gebied van patiëntmonitoring, beeldgeleide therapie, echografie en persoonlijke gezondheidszorg hebben teams ML-algoritmen en -toepassingen ontwikkeld. De innovatie werd echter belemmerd door het gebruik van gefragmenteerde AI-ontwikkelomgevingen tussen teams. Deze omgevingen varieerden van individuele laptops en desktops tot diverse lokale computerclusters en cloudgebaseerde infrastructuur. Deze heterogeniteit stelde aanvankelijk verschillende teams in staat om snel te handelen in hun vroege AI-ontwikkelingsinspanningen, maar houdt nu de mogelijkheden tegen om onze AI-ontwikkelingsprocessen op te schalen en de efficiëntie te verbeteren.
Het was duidelijk dat een fundamentele verschuiving naar een uniforme en gestandaardiseerde omgeving absoluut noodzakelijk was om het potentieel van datagestuurde inspanningen bij Philips echt te ontsluiten.
Belangrijkste AI/ML-gebruiksscenario's en platformvereisten
Op AI/ML gebaseerde proposities kunnen de gezondheidszorg transformeren door administratieve taken van artsen te automatiseren. Bijvoorbeeld:
- AI kan medische beelden analyseren, zodat radiologen ziekten sneller en nauwkeuriger kunnen diagnosticeren
- AI kan toekomstige medische gebeurtenissen voorspellen door patiëntgegevens te analyseren en de proactieve zorg te verbeteren
- AI kan een gepersonaliseerde behandeling aanbevelen die is afgestemd op de behoeften van de patiënt
- AI kan informatie uit klinische aantekeningen extraheren en structureren om het vastleggen van gegevens efficiënter te maken
- AI-interfaces kunnen patiëntenondersteuning bieden bij vragen, herinneringen en symptoomcheckers
Over het geheel genomen belooft AI/ML minder menselijke fouten, tijd- en kostenbesparingen, geoptimaliseerde patiëntervaringen en tijdige, gepersonaliseerde interventies.
Een van de belangrijkste vereisten voor het ML-ontwikkelings- en implementatieplatform was het vermogen van het platform om het continue iteratieve ontwikkelings- en implementatieproces te ondersteunen, zoals weergegeven in de volgende afbeelding.
De ontwikkeling van AI-middelen begint in een laboratoriumomgeving, waar de gegevens worden verzameld en beheerd, en vervolgens worden de modellen getraind en gevalideerd. Wanneer het model klaar is en goedgekeurd voor gebruik, wordt het geïmplementeerd in de echte productiesystemen. Eenmaal geïmplementeerd, worden de prestaties van het model voortdurend gemonitord. De prestaties en feedback uit de echte wereld worden uiteindelijk gebruikt voor verdere modelverbeteringen met volledige automatisering van de modeltraining en -implementatie.
De meer gedetailleerde AI ToolSuite-vereisten zijn gebaseerd op drie voorbeeldgebruiksscenario's:
- Ontwikkel een computer vision-applicatie gericht op objectdetectie aan de rand. Het data science-team verwachtte dat een op AI gebaseerde geautomatiseerde workflow voor beeldannotatie een tijdrovend labelproces zou versnellen.
- Stel een data science-team in staat een reeks klassieke ML-modellen te beheren voor het benchmarken van statistieken over meerdere medische eenheden. Het project vereiste automatisering van de implementatie van modellen, het volgen van experimenten, het monitoren van modellen en meer controle over het hele proces, van begin tot eind, zowel voor audits als omscholing in de toekomst.
- Verbeter de kwaliteit en time-to-market voor deep learning-modellen in diagnostische medische beeldvorming. De bestaande computerinfrastructuur maakte het niet mogelijk om veel experimenten parallel uit te voeren, wat de modelontwikkeling vertraagde. Ook is het voor regelgevingsdoeleinden noodzakelijk om volledige reproduceerbaarheid van modeltraining gedurende meerdere jaren mogelijk te maken.
Niet-functionele eisen
Het bouwen van een schaalbaar en robuust AI/ML-platform vereist een zorgvuldige afweging van niet-functionele vereisten. Deze vereisten gaan verder dan de specifieke functionaliteiten van het platform en zijn gericht op het garanderen van het volgende:
- Schaalbaarheid – Het AI ToolSuite-platform moet de infrastructuur voor het genereren van inzichten van Philips effectiever kunnen schalen, zodat het platform een groeiend volume aan data, gebruikers en AI/ML-workloads kan verwerken zonder dat dit ten koste gaat van de prestaties. Het moet zo worden ontworpen dat het horizontaal en verticaal kan worden geschaald om naadloos aan de toenemende eisen te voldoen en tegelijkertijd centraal resourcebeheer te bieden.
- Performance – Het platform moet krachtige computermogelijkheden bieden om complexe AI/ML-algoritmen efficiënt te verwerken. SageMaker biedt een breed scala aan instancetypen, waaronder instances met krachtige GPU's, die modeltraining en inferentietaken aanzienlijk kunnen versnellen. Het moet ook de latentie en responstijden minimaliseren om realtime of bijna realtime resultaten te bieden.
- Betrouwbaarheid – Het platform moet een zeer betrouwbare en robuuste AI-infrastructuur bieden die zich over meerdere beschikbaarheidszones uitstrekt. Deze multi-AZ-architectuur moet ononderbroken AI-operaties garanderen door middelen en werklasten over verschillende datacenters te verdelen.
- Beschikbaarheid – Het platform moet 24/7 beschikbaar zijn, met minimale downtime voor onderhoud en upgrades. De hoge beschikbaarheid van AI ToolSuite moet taakverdeling, fouttolerante architecturen en proactieve monitoring omvatten.
- Beveiliging en bestuur – Het platform moet robuuste beveiligingsmaatregelen, encryptie, toegangscontroles, speciale rollen en authenticatiemechanismen gebruiken, met voortdurende monitoring op ongebruikelijke activiteiten en het uitvoeren van beveiligingsaudits.
- Data Management – Efficiënt databeheer is cruciaal voor AI/ML-platforms. Regelgeving in de gezondheidszorg vraagt om bijzonder rigoureus databeheer. Het moet functies omvatten zoals dataversiebeheer, data-afstamming, databeheer en datakwaliteitsborging om nauwkeurige en betrouwbare resultaten te garanderen.
- Interoperabiliteit – Het platform moet zo worden ontworpen dat het gemakkelijk kan worden geïntegreerd met de interne gegevensopslagplaatsen van Philips, waardoor een naadloze gegevensuitwisseling en samenwerking met toepassingen van derden mogelijk wordt.
- Onderhoudbaarheid – De architectuur en codebasis van het platform moeten goed georganiseerd, modulair en onderhoudbaar zijn. Hierdoor kunnen Philips ML-ingenieurs en -ontwikkelaars updates, bugfixes en toekomstige verbeteringen leveren zonder het hele systeem te verstoren.
- Optimalisatie van hulpbronnen – Het platform moet gebruiksrapporten zeer nauwlettend volgen om ervoor te zorgen dat computerbronnen efficiënt worden gebruikt en bronnen dynamisch toewijzen op basis van de vraag. Daarnaast zou Philips AWS Billing and Cost Management-tools moeten gebruiken om ervoor te zorgen dat teams meldingen ontvangen wanneer het gebruik het toegewezen drempelbedrag overschrijdt.
- Bewaken en loggen – Het platform moet gebruiken Amazon Cloud Watch waarschuwingen voor uitgebreide monitoring- en logmogelijkheden, die nodig zijn om de systeemprestaties te volgen, knelpunten te identificeren en problemen effectief op te lossen.
- Conformiteit – Het platform kan ook helpen de naleving van de regelgeving van op AI gebaseerde voorstellen te verbeteren. Reproduceerbaarheid en traceerbaarheid moeten automatisch mogelijk worden gemaakt door de end-to-end dataverwerkingspijplijnen, waar veel verplichte documentatieartefacten, zoals datalijnrapporten en modelkaarten, automatisch kunnen worden voorbereid.
- Testen en valideren – Er moeten strenge test- en validatieprocedures aanwezig zijn om de nauwkeurigheid en betrouwbaarheid van AI/ML-modellen te garanderen en onbedoelde vooroordelen te voorkomen.
Overzicht oplossingen
AI ToolSuite is een end-to-end, schaalbare, snelstartende AI-ontwikkelomgeving die native SageMaker en bijbehorende AI/ML-services biedt met Philips HealthSuite-beveiligings- en privacybeschermingen en Philips-ecosysteemintegraties. Er zijn drie persona's met speciale sets toegangsrechten:
- Data scientist – Bereid gegevens voor en ontwikkel en train modellen in een collaboratieve werkruimte
- ML-ingenieur – Productie van ML-applicaties met modelimplementatie, monitoring en onderhoud
- Datawetenschapsbeheerder – Creëer een project per teamverzoek om speciale geïsoleerde omgevingen te voorzien van gebruikscasusspecifieke sjablonen
De platformontwikkeling omvatte meerdere releasecycli in een iteratieve cyclus van ontdekken, ontwerpen, bouwen, testen en implementeren. Vanwege het unieke karakter van sommige applicaties vereiste de uitbreiding van het platform het inbedden van bestaande aangepaste componenten zoals datastores of eigen tools voor annotatie.
De volgende afbeelding illustreert de drielaagse architectuur van AI ToolSuite, inclusief de basisinfrastructuur als de eerste laag, algemene ML-componenten als de tweede laag en projectspecifieke sjablonen als de derde laag.
Laag 1 bevat de basisinfrastructuur:
- Een netwerklaag met geparametriseerde toegang tot internet met hoge beschikbaarheid
- Selfservice-inrichting met infrastructuur als code (IaC)
- Een geïntegreerde ontwikkelomgeving (IDE) die gebruikmaakt van een Amazon SageMaker Studio domein
- Platformrollen (data science-beheerder, datawetenschapper)
- Opslag van artefacten
- Registratie en monitoring voor waarneembaarheid
Laag 2 bevat algemene ML-componenten:
- Geautomatiseerde experimenttracking voor elke taak en pijplijn
- Een modelbouwpijplijn om een nieuwe modelbouwupdate te lanceren
- Een modeltrainingspijplijn bestaande uit modeltraining, evaluatie en registratie
- Een modelimplementatiepijplijn om het model te implementeren voor definitieve tests en goedkeuring
- Een modelregister om modelversies eenvoudig te beheren
- Een projectrol die specifiek voor een bepaalde gebruikssituatie is gemaakt en die moet worden toegewezen aan gebruikers van SageMaker Studio
- Een afbeeldingsopslagplaats voor het opslaan van containerafbeeldingen voor verwerking, training en gevolgtrekking die voor het project zijn gebouwd
- Een coderepository om codeartefacten op te slaan
- Een project Amazon eenvoudige opslagservice (Amazon S3) bucket om alle projectgegevens en artefacten op te slaan
Laag 3 bevat projectspecifieke sjablonen die kunnen worden gemaakt met aangepaste componenten, zoals vereist door nieuwe projecten. Bijvoorbeeld:
- Sjabloon 1 – Bevat een component voor het opvragen van gegevens en het bijhouden van de geschiedenis
- Sjabloon 2 – Bevat een component voor gegevensannotaties met een aangepaste annotatieworkflow om eigen annotatietools te gebruiken
- Sjabloon 3 – Bevat componenten voor aangepaste containerimages om zowel de ontwikkelomgeving als de trainingsroutines aan te passen, een speciaal HPC-bestandssysteem en toegang vanaf een lokale IDE voor gebruikers
Het volgende diagram belicht de belangrijkste AWS-services die meerdere AWS-accounts bestrijken voor ontwikkeling, staging en productie.
In de volgende paragrafen bespreken we de belangrijkste mogelijkheden van het platform, mogelijk gemaakt door AWS-services, waaronder SageMaker, AWS-servicecatalogus, CloudWatch, AWS Lambda, Amazon Elastic Container-register (Amazon ECR), Amazon S3, AWS Identiteits- en toegangsbeheer (IAM) en anderen.
Infrastructuur als code
Het platform maakt gebruik van IaC, waarmee Philips de levering en het beheer van infrastructuurbronnen kan automatiseren. Deze aanpak zal ook de reproduceerbaarheid, schaalbaarheid, versiebeheer, consistentie, beveiliging en portabiliteit voor ontwikkeling, testen of productie ten goede komen.
Toegang tot AWS-omgevingen
SageMaker en bijbehorende AI/ML-services zijn toegankelijk via beveiligingsrails voor gegevensvoorbereiding, modelontwikkeling, training, annotatie en implementatie.
Isolatie en samenwerking
Het platform zorgt voor gegevensisolatie door afzonderlijk op te slaan en te verwerken, waardoor het risico op ongeautoriseerde toegang of datalekken wordt verminderd.
Het platform vergemakkelijkt teamsamenwerking, wat essentieel is bij AI-projecten waarbij doorgaans multifunctionele teams betrokken zijn, waaronder datawetenschappers, datawetenschapsbeheerders en MLOps-ingenieurs.
Op rollen gebaseerde toegangscontrole
Op rollen gebaseerde toegangscontrole (RBAC) is essentieel bij het beheren van machtigingen en het vereenvoudigen van het toegangsbeheer door rollen en machtigingen op een gestructureerde manier te definiëren. Het maakt het eenvoudig om machtigingen te beheren naarmate teams en projecten groeien en om toegang te krijgen tot verschillende personen die betrokken zijn bij AWS AI/ML-projecten, zoals de data science-beheerder, datawetenschapper, annotatiebeheerder, annotator en MLOps-ingenieur.
Toegang tot gegevensopslag
Het platform geeft SageMaker toegang tot datastores, wat ervoor zorgt dat data efficiënt kunnen worden gebruikt voor modeltraining en inferentie zonder de noodzaak om data te dupliceren of over verschillende opslaglocaties te verplaatsen, waardoor het gebruik van bronnen wordt geoptimaliseerd en de kosten worden verlaagd.
Annotatie met behulp van Philips-specifieke annotatietools
AWS biedt een reeks AI- en ML-services, zoals SageMaker, Amazon SageMaker Grondwaarheid en Amazon Cognito, die volledig zijn geïntegreerd met Philips-specifieke interne annotatietools. Dankzij deze integratie kunnen ontwikkelaars ML-modellen trainen en implementeren met behulp van de geannoteerde gegevens binnen de AWS-omgeving.
ML-sjablonen
Het AI ToolSuite-platform biedt sjablonen in AWS voor verschillende ML-workflows. Deze sjablonen zijn vooraf geconfigureerde infrastructuurconfiguraties die zijn afgestemd op specifieke ML-gebruiksscenario's en zijn toegankelijk via services zoals SageMaker-projectsjablonen, AWS CloudFormatieen Servicecatalogus.
Integratie met Philips GitHub
Integratie met GitHub verbetert de efficiëntie door een gecentraliseerd platform te bieden voor versiebeheer, codebeoordelingen en geautomatiseerde CI/CD-pijplijnen (continue integratie en continue implementatie), waardoor handmatige taken worden verminderd en de productiviteit wordt verhoogd.
Visual Studio Code-integratie
Integratie met Visual Studio Code biedt een uniforme omgeving voor het coderen, debuggen en beheren van ML-projecten. Dit stroomlijnt de gehele ML-workflow, waardoor het wisselen van context wordt verminderd en tijd wordt bespaard. De integratie verbetert ook de samenwerking tussen teamleden door hen in staat te stellen samen aan SageMaker-projecten te werken binnen een vertrouwde ontwikkelomgeving, gebruik te maken van versiebeheersystemen en naadloos code en notebooks te delen.
Model- en dataafstamming en traceerbaarheid voor reproduceerbaarheid en compliance
Het platform biedt versiebeheer, waarmee wijzigingen in de trainings- en gevolgtrekkingsgegevens van de datawetenschapper in de loop van de tijd kunnen worden gevolgd, waardoor het gemakkelijker wordt om resultaten te reproduceren en de evolutie van de datasets te begrijpen.
Het platform maakt ook het volgen van SageMaker-experimenten mogelijk, waarmee eindgebruikers alle metadata die aan hun ML-experimenten is gekoppeld, kunnen loggen en volgen, inclusief hyperparameters, invoergegevens, code en modelartefacten. Deze mogelijkheden zijn essentieel voor het aantonen van naleving van wettelijke normen en het garanderen van transparantie en verantwoording in AI/ML-workflows.
Het genereren van AI/ML-specificatierapporten voor naleving van de regelgeving
AWS onderhoudt nalevingscertificeringen voor verschillende industriële normen en voorschriften. AI/ML-specificatierapporten dienen als essentiële nalevingsdocumentatie en tonen de naleving van wettelijke vereisten aan. Deze rapporten documenteren het versiebeheer van datasets, modellen en code. Versiebeheer is essentieel voor het behoud van de gegevensafkomst, traceerbaarheid en reproduceerbaarheid, die allemaal van cruciaal belang zijn voor naleving van de regelgeving en audits.
Budgetbeheer op projectniveau
Met budgetbeheer op projectniveau kan de organisatie limieten stellen aan de uitgaven, waardoor onverwachte kosten worden vermeden en ervoor wordt gezorgd dat de ML-projecten binnen het budget blijven. Met budgetbeheer kan de organisatie specifieke budgetten toewijzen aan individuele projecten of teams, waardoor teams inefficiënte middelen of onverwachte kostenpieken vroegtijdig kunnen identificeren. Naast budgetbeheer, met de functie om inactieve notebooks automatisch af te sluiten, vermijden teamleden te betalen voor ongebruikte bronnen, en geven ze ook waardevolle bronnen vrij wanneer ze niet actief worden gebruikt, waardoor ze beschikbaar worden voor andere taken of gebruikers.
Resultaten
AI ToolSuite is ontworpen en geïmplementeerd als een bedrijfsbreed platform voor de ontwikkeling en implementatie van ML voor datawetenschappers bij Philips. Bij het ontwerp en de ontwikkeling zijn diverse eisen van alle bedrijfsonderdelen verzameld en in overweging genomen. Al vroeg in het project identificeerde Philips kampioenen uit de zakelijke teams die feedback gaven en hielpen de waarde van het platform te evalueren.
De volgende resultaten zijn behaald:
- Gebruikersacceptatie is een van de belangrijkste leidende indicatoren voor Philips. Gebruikers uit verschillende bedrijfseenheden zijn getraind en ingewerkt op het platform, en de verwachting is dat dit aantal in 2024 zal groeien.
- Een andere belangrijke maatstaf is de efficiëntie voor data science-gebruikers. Met AI ToolSuite worden nieuwe ML-ontwikkelomgevingen in minder dan een uur in plaats van enkele dagen geïmplementeerd.
- Datawetenschapsteams hebben toegang tot een schaalbare, veilige, kostenefficiënte, cloudgebaseerde computerinfrastructuur.
- Teams kunnen meerdere modeltrainingsexperimenten parallel uitvoeren, waardoor de gemiddelde trainingstijd aanzienlijk wordt teruggebracht van weken naar 1 à 3 dagen.
- Omdat de omgevingsimplementatie volledig geautomatiseerd is, is er vrijwel geen betrokkenheid van de cloudinfrastructuuringenieurs nodig, wat de operationele kosten verlaagt.
- Het gebruik van AI ToolSuite heeft de algehele volwassenheid van data en AI-producten aanzienlijk verbeterd door het gebruik van goede ML-praktijken, gestandaardiseerde workflows en end-to-end reproduceerbaarheid te bevorderen, wat van cruciaal belang is voor de naleving van de regelgeving in de gezondheidszorg.
Vooruitkijken met generatieve AI
Terwijl organisaties racen om de volgende state-of-the-art op het gebied van AI te adopteren, is het absoluut noodzakelijk om nieuwe technologie te adopteren in de context van het beveiligings- en governancebeleid van de organisatie. De architectuur van AI ToolSuite biedt een uitstekende blauwdruk voor het mogelijk maken van toegang tot generatieve AI-mogelijkheden in AWS voor verschillende teams bij Philips. Teams kunnen gebruik maken van funderingsmodellen die beschikbaar zijn gesteld met Amazon SageMaker JumpStart, dat een groot aantal open source-modellen van Hugging Face en andere providers biedt. Nu de nodige vangrails al aanwezig zijn op het gebied van toegangscontrole, projectinrichting en kostencontroles, zal het voor teams naadloos zijn om de generatieve AI-mogelijkheden binnen SageMaker te gaan gebruiken.
Bovendien, toegang tot: Amazonebodem, een volledig beheerde API-gestuurde service voor generatieve AI, kan worden ingericht voor individuele accounts op basis van projectvereisten, en de gebruikers hebben toegang tot Amazon Bedrock API's via de SageMaker-notebookinterface of via hun favoriete IDE.
Er zijn aanvullende overwegingen met betrekking tot de adoptie van generatieve AI in een gereguleerde omgeving, zoals de gezondheidszorg. Er moet zorgvuldig worden nagedacht over de waarde die wordt gecreëerd door generatieve AI-toepassingen en de daaraan verbonden risico's en kosten. Er is ook behoefte aan het creëren van een risico- en juridisch raamwerk dat het gebruik van generatieve AI-technologieën door de organisatie regelt. Elementen als gegevensbeveiliging, vooringenomenheid en eerlijkheid, en naleving van de regelgeving moeten als onderdeel van dergelijke mechanismen in aanmerking worden genomen.
Conclusie
Philips begon aan een reis om de kracht van datagestuurde algoritmen te benutten om een revolutie teweeg te brengen in oplossingen voor de gezondheidszorg. Door de jaren heen heeft innovatie op het gebied van diagnostische beeldvorming verschillende ML-toepassingen opgeleverd, van beeldreconstructie tot workflowbeheer en behandelingsoptimalisatie. Het uiteenlopende scala aan opstellingen, van individuele laptops tot lokale clusters en cloudinfrastructuur, zorgde echter voor enorme uitdagingen. Afzonderlijk systeembeheer, beveiligingsmaatregelen, ondersteuningsmechanismen en dataprotocollen belemmerden een alomvattend inzicht in de TCO en ingewikkelde overgangen tussen teams. De overgang van onderzoek en ontwikkeling naar productie werd belast door het gebrek aan afstamming en reproduceerbaarheid, waardoor het voortdurend herscholen van modellen moeilijk werd.
Als onderdeel van de strategische samenwerking tussen Philips en AWS is het AI ToolSuite-platform gecreëerd om met SageMaker een schaalbaar, veilig en compatibel ML-platform te ontwikkelen. Dit platform biedt mogelijkheden variërend van experimenten, gegevensannotatie, training, modelimplementaties en herbruikbare sjablonen. Al deze mogelijkheden zijn iteratief opgebouwd gedurende verschillende cycli van ontdekken, ontwerpen, bouwen, testen en implementeren. Dit hielp meerdere bedrijfseenheden om snel en flexibel te innoveren en tegelijkertijd op schaal te besturen met centrale controles.
Deze reis dient als inspiratie voor organisaties die de kracht van AI en ML willen benutten om innovatie en efficiëntie in de gezondheidszorg te stimuleren, wat uiteindelijk ten goede komt aan patiënten en zorgverleners over de hele wereld. Terwijl ze voortbouwen op dit succes, staat Philips klaar om nog grotere stappen te zetten in het verbeteren van de gezondheidsresultaten door middel van innovatieve, op AI gebaseerde oplossingen.
Ga voor meer informatie over Philips-innovatie op het gebied van AWS naar Philips op AWS.
Over de auteurs
Frank Wartena is programmamanager bij Philips Innovation & Strategy. Hij coördineert data- en AI-gerelateerde platformmiddelen ter ondersteuning van onze Philips data- en AI-ondersteunde proposities. Hij heeft ruime ervaring op het gebied van kunstmatige intelligentie, data science en interoperabiliteit. In zijn vrije tijd houdt Frank van hardlopen, lezen en roeien, en tijd doorbrengen met zijn gezin.
Irina Fedulova is Principal Data & AI Lead bij Philips Innovation & Strategy. Ze leidt strategische activiteiten gericht op de tools, platforms en best practices die de ontwikkeling en productie van (generatieve) AI-oplossingen bij Philips versnellen en opschalen. Irina heeft een sterke technische achtergrond in machine learning, cloud computing en software engineering. Buiten haar werk brengt ze graag tijd door met haar gezin, reizen en lezen.
Selvakumar Palaniyappan is Product Owner bij Philips Innovation & Strategy, verantwoordelijk voor het productbeheer voor het Philips HealthSuite AI & ML-platform. Hij heeft veel ervaring met technisch productmanagement en software engineering. Hij werkt momenteel aan het bouwen van een schaalbaar en compatibel AI- en ML-ontwikkelings- en implementatieplatform. Bovendien leidt hij de adoptie ervan door de datawetenschapsteams van Philips om AI-gestuurde gezondheidszorgsystemen en -oplossingen te ontwikkelen.
Adnan Elci is een Senior Cloud Infrastructure Architect bij AWS Professional Services. Hij opereert in de hoedanigheid van een Tech Lead en houdt toezicht op verschillende activiteiten voor klanten in de gezondheidszorg en biowetenschappen, financiën, luchtvaart en productie. Zijn enthousiasme voor automatisering komt tot uiting in zijn uitgebreide betrokkenheid bij het ontwerpen, bouwen en implementeren van klantoplossingen op bedrijfsniveau binnen de AWS-omgeving. Naast zijn professionele verplichtingen zet Adnan zich actief in voor vrijwilligerswerk, waarbij hij ernaar streeft een betekenisvolle en positieve impact binnen de gemeenschap te creëren.
Hassan Poonawala is Senior AI/ML Specialist Solutions Architect bij AWS, Hasan helpt klanten bij het ontwerpen en implementeren van machine learning-applicaties in productie op AWS. Hij heeft meer dan 12 jaar werkervaring als datawetenschapper, beoefenaar van machine learning en softwareontwikkelaar. In zijn vrije tijd houdt Hasan ervan om de natuur te verkennen en tijd door te brengen met vrienden en familie.
Sreoshi Roy is een Senior Global Engagement Manager bij AWS. Als zakenpartner van de Healthcare & Life Sciences-klanten heeft ze een ongeëvenaarde ervaring in het definiëren en leveren van oplossingen voor complexe zakelijke problemen. Ze helpt haar klanten bij het maken van strategische doelstellingen, het definiëren en ontwerpen van cloud-/datastrategieën en het implementeren van de geschaalde en robuuste oplossing om aan hun technische en zakelijke doelstellingen te voldoen. Naast haar professionele inspanningen ligt haar toewijding in het creëren van een betekenisvolle impact op de levens van mensen door empathie te bevorderen en inclusiviteit te bevorderen.
Wajahat Aziz is een leider voor AI/ML & HPC in het AWS Healthcare en Life Sciences-team. Wajahat heeft als technologieleider in verschillende functies bij life science-organisaties gediend en gebruikt zijn ervaring om klanten in de gezondheidszorg en life sciences te helpen AWS-technologieën te gebruiken voor de ontwikkeling van state-of-the-art ML- en HPC-oplossingen. Zijn huidige aandachtsgebieden zijn vroeg onderzoek, klinische proeven en machine learning met behoud van privacy.
Wioletta Stobieniecka is Data Scientist bij AWS Professional Services. Gedurende haar professionele carrière heeft ze meerdere analytische projecten uitgevoerd voor verschillende sectoren, zoals het bankwezen, het verzekeringswezen, de telecomsector en de publieke sector. Haar kennis van geavanceerde statistische methoden en machine learning wordt goed gecombineerd met zakelijk inzicht. Ze brengt recente AI-ontwikkelingen om waarde te creëren voor klanten.
- Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
- PlatoData.Network Verticale generatieve AI. Versterk jezelf. Toegang hier.
- PlatoAiStream. Web3-intelligentie. Kennis versterkt. Toegang hier.
- PlatoESG. carbon, CleanTech, Energie, Milieu, Zonne, Afvalbeheer. Toegang hier.
- Plato Gezondheid. Intelligentie op het gebied van biotech en klinische proeven. Toegang hier.
- Bron: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- : heeft
- :is
- :niet
- :waar
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- vermogen
- in staat
- Over
- versnellen
- versnelt
- toegang
- Toegang tot gegevens
- geraadpleegde
- beschikbaar
- verantwoording
- accounts
- nauwkeurigheid
- accuraat
- bereikt
- over
- actiegericht
- actief
- activiteiten
- scherpzinnigheid
- toevoeging
- Extra
- aanhankelijkheid
- beheerder
- administratie
- administratief
- adopteren
- Adoptie
- vergevorderd
- vooruitgang
- tegen
- AI
- AI / ML
- Gericht
- Alerts
- algoritme
- algoritmen
- Alles
- toewijzen
- toegewezen
- toelaten
- Het toestaan
- toestaat
- al
- ook
- Amazone
- Amazon Sage Maker
- Amazon Web Services
- onder
- bedragen
- an
- analytics
- analyseren
- het analyseren van
- en
- APIs
- Aanvraag
- toepassingen
- nadering
- goedgekeurd
- architectuur
- ZIJN
- gebieden
- kunstmatig
- kunstmatige intelligentie
- Kunstmatige intelligentie (AI)
- AS
- aanwinst
- Activa
- toegewezen
- geassocieerd
- zekerheid
- At
- auditing
- audits
- authenticatie
- automatiseren
- geautomatiseerde
- webmaster.
- automatiseren
- Automatisering
- beschikbaarheid
- Beschikbaar
- gemiddelde
- luchtvaart
- vermijd
- AWS
- AWS professionele services
- terug
- achtergrond
- balancing
- Bankieren
- baseren
- gebaseerde
- BE
- geweest
- gedrag
- benchmarking
- profiteren
- BEST
- 'best practices'
- tussen
- Verder
- vooringenomenheid
- vooroordelen
- factuuradres
- Blog
- plan
- boost
- het stimuleren
- zowel
- knelpunten
- inbreuken
- Brengt
- breed
- begroting
- Begrotingen
- Bug
- bouw
- Gebouw
- bebouwd
- bedrijfsdeskundigen
- maar
- by
- Bellen
- CAN
- mogelijkheden
- Inhoud
- Kaarten
- verzorging
- Carrière
- voorzichtig
- geval
- gevallen
- catalogus
- Centra
- centraal
- gecentraliseerde
- certificeringen
- uitdagingen
- Kampioenen
- Wijzigingen
- lading
- klassiek
- klanten
- Klinisch
- klinische proeven
- clinici
- van nabij
- Cloud
- cloud computing
- cloud infrastructuur
- code
- codebasis
- codering
- samenwerking
- samenwerkend
- gecombineerde
- komt
- verplichtingen
- Gemeen
- gemeenschap
- Bedrijven
- afstand
- complex
- nakoming
- compliant
- ingewikkeld
- bestanddeel
- componenten
- uitgebreid
- bestaat uit
- computationeel
- Berekenen
- computer
- Computer visie
- computergebruik
- betreffende
- concludeert
- uitvoeren
- gekoppeld blijven
- overweging
- overwegingen
- beschouwd
- Containers
- bevat
- verband
- voortzetten
- doorlopend
- doorlopend
- Continuum
- onder controle te houden
- controles
- Kern
- Kosten
- Kostenbeheer
- kostenbesparingen
- Kosten
- dekking
- en je merk te creëren
- Waarde creëren
- aangemaakt
- Wij creëren
- het aanmaken
- kritisch
- multifunctionele teams
- cruciaal
- curated
- Actueel
- Op dit moment
- gewoonte
- klant
- klantervaring
- Klantoplossingen
- Klanten
- aan te passen
- cyclus
- cycli
- gegevens
- Gegevensdoorbraken
- datacenters
- Gegevensuitwisseling
- gegevensbeheer
- Data voorbereiding
- gegevensverwerking
- data science
- data scientist
- gegevensbeveiliging
- Gegevensgestuurde
- datasets
- dagen
- toegewijd aan
- toewijding
- deep
- diepgaand leren
- bepalen
- het definiëren van
- Vertraagd
- leveren
- geleverd
- het leveren van
- Vraag
- eisen
- demonstrating
- implementeren
- ingezet
- inzet
- implementaties
- beschrijven
- Design
- ontworpen
- ontwerpen
- gedetailleerd
- Opsporing
- ontwikkelen
- ontwikkelde
- Ontwikkelaar
- ontwikkelaars
- het ontwikkelen van
- Ontwikkeling
- diagnostisch
- Diagnostische beeldvorming
- diagnostiek
- anders
- moeilijk
- Onthul Nu
- bespreken
- ziekten
- onderscheiden
- verspreiden van
- diversen
- Artsen
- document
- documentatie
- domein
- domeinen
- gedaan
- beneden
- uitvaltijd
- tientallen
- rit
- gedreven
- chauffeurs
- aandrijving
- twee
- gedurende
- dynamisch
- Vroeg
- gemakkelijker
- gemakkelijk
- ecosysteem
- rand
- effectief
- doeltreffendheid
- doeltreffend
- efficiënt
- inspanningen
- beide
- geeft je de mogelijkheid
- begonnen
- inbedding
- empathie
- in staat stellen
- ingeschakeld
- maakt
- waardoor
- encryptie
- einde
- eind tot eind
- inspanningen
- engagement
- ingenieur
- Engineering
- Ingenieurs
- verhogen
- verbeterde
- uitbreidingen
- Verbetert
- verzekeren
- waarborgt
- zorgen
- Enterprise
- enthousiasme
- Geheel
- Milieu
- omgevingen
- fout
- vooral
- essentieel
- schatten
- evaluatie
- Zelfs
- EVENTS
- uiteindelijk
- Alle
- duidelijk
- Evolutie
- voorbeeld
- voorbeelden
- uitstekend
- uitwisseling
- bestaand
- verwacht
- ervaring
- ervaren
- Ervaringen
- experiment
- experimenten
- Verken
- uitbreiding
- uitgebreid
- extract
- Gezicht
- vergemakkelijkt
- eerlijkheid
- vertrouwd
- familie
- SNELLE
- sneller
- Kenmerk
- Voordelen
- feedback
- Figuur
- Dien in
- finale
- financiën
- Voornaam*
- Focus
- gericht
- volgend
- Voor
- geducht
- Naar voren
- het bevorderen van
- Foundation
- gefragmenteerd
- Achtergrond
- openhartig
- vrienden
- oppompen van
- Brandstof
- vol
- geheel
- functionaliteiten
- fundamenteel
- verder
- Bovendien
- toekomst
- generatie
- generatief
- generatieve AI
- GitHub
- gegeven
- Globaal
- Go
- goed
- bestuur
- regerend
- regeert
- GPU's
- meer
- Ground
- Groeien
- Groeiend
- leiding
- geleide
- handvat
- harnas
- Benutten
- Hebben
- met
- he
- Gezondheid
- gezondheidssystemen
- gezondheidszorg
- gezondheidszorg
- hulp
- geholpen
- het helpen van
- helpt
- haar
- Hoge
- hoge performantie
- highlights
- zeer
- zichzelf
- zijn
- geschiedenis
- bezit
- horizontaal
- uur
- Hoe
- Echter
- hpc
- HTML
- http
- HTTPS
- menselijk
- geïdentificeerd
- identificeren
- het identificeren van
- Identiteit
- Idle
- illustreert
- beeld
- afbeeldingen
- Imaging
- Impact
- gebiedende wijs
- uitvoeren
- geïmplementeerd
- uitvoering
- belangrijk
- verbeteren
- verbeteringen
- het verbeteren van
- in
- omvatten
- omvat
- Inclusief
- inclusiviteit
- meer
- indicatoren
- individueel
- industrieën
- -industrie
- industriestandaarden
- inefficiënties
- informatie
- Infrastructuur
- eerste
- innoveren
- Innovatie
- Innovatiestrategie
- innovatieve
- invoer
- inzichten
- Inspiratie
- instantie
- verkrijgen in plaats daarvan
- verzekering
- integreren
- geïntegreerde
- integratie
- integraties
- Intelligentie
- Interface
- interfaces
- intern
- Internet
- Interoperabiliteit
- interpretatie
- interventies
- in
- betrekken
- betrokken zijn
- betrokkenheid
- Irina
- geïsoleerd
- isolatie
- problemen
- IT
- herhaling
- HAAR
- Jobomschrijving:
- gewricht
- jpg
- Houden
- sleutel
- kennis
- laboratorium
- etikettering
- Gebrek
- laptops
- Groot
- Wachttijd
- lancering
- lagen
- leiden
- leider
- leidend
- LEARN
- leren
- Juridisch
- wettelijk kader
- minder
- Niveau
- Hefboomwerking
- hefbomen
- ligt
- Life
- Life Science
- Bio
- levenscyclus van uw product
- als
- grenzen
- afstamming
- lijnen
- leven
- Lives
- laden
- lokaal
- locaties
- inloggen
- logging
- op zoek
- houdt
- machine
- machine learning
- gemaakt
- Onderhoudbaar
- Het handhaven
- onderhoudt
- onderhoud
- maken
- MERKEN
- maken
- beheer
- beheerd
- management
- management tools
- manager
- beheren
- verplicht
- manier
- handboek
- productie
- veel
- Markt
- зрелость
- zinvolle
- maatregelen
- mechanismen
- medisch
- Maak kennis met
- Leden
- Metadata
- methoden
- metriek
- miljoenen
- minimaal
- ML
- MLops
- model
- modellen
- modulaire
- monitor
- bewaakt
- Grensverkeer
- meer
- beweging
- MRI
- meervoudig
- menigte
- Dan moet je
- inheemse
- NATUUR
- noodzakelijk
- Noodzaak
- behoeften
- netwerken
- New
- nieuwe gebruikers
- volgende
- geen
- notitieboekje
- Opmerkingen
- meldingen
- nu
- aantal
- object
- Objectdetectie
- doelstellingen
- of
- het aanbieden van
- Aanbod
- on
- Aan boord
- eens
- EEN
- lopend
- open
- open source
- exploiteert
- operationele
- Operations
- Kansen
- optimale
- optimalisatie
- Optimaliseer
- geoptimaliseerde
- optimaliseren
- or
- Orale gezondheid
- bestellen
- organisatie
- organisaties
- Georganiseerd
- Overige
- Overig
- onze
- resultaten
- schets
- buiten
- over
- totaal
- toezicht
- eigenaar
- Parallel
- deel
- partner
- partnered
- partners
- passes
- verleden
- patiënt
- patiënten
- het betalen van
- Mensen
- mensen
- voor
- prestatie
- permissies
- persoonlijk
- Gepersonaliseerde
- baanbrekende
- pijpleiding
- plaats
- platform
- platforms
- Plato
- Plato gegevensintelligentie
- PlatoData
- klaar
- beleidsmaatregelen
- draagbaarheid
- gesteld
- positief
- Post
- potentieel
- energie
- krachtige
- praktijken
- nauwkeurig
- voorspellen
- bij voorkeur
- voorbereiding
- Voorbereiden
- bereid
- het behoud van
- druk
- voorkomen
- Principal
- privacy
- Proactieve
- problemen
- procedures
- processen
- verwerking
- Product
- product management
- productie
- produktiviteit
- Producten
- professioneel
- Programma
- project
- projectgegevens
- projecten
- Beloften
- Het bevorderen van
- gepatenteerd
- protocol
- zorgen voor
- mits
- providers
- biedt
- het verstrekken van
- publiek
- doeleinden
- kwaliteit
- queries
- Quick
- Race
- reeks
- variërend
- snel
- lezing
- klaar
- echte wereld
- real-time
- ontvangen
- recent
- adviseren
- aanbevelingen
- Gereduceerd
- vermindering
- register
- gereguleerd
- reglement
- regelgevers
- Regulatory Compliance
- verwant
- los
- het vrijgeven van
- betrouwbaarheid
- betrouwbaar
- vanop
- verslag
- Rapporten
- bewaarplaats
- te vragen
- nodig
- Voorwaarden
- vereist
- onderzoek
- onderzoek en ontwikkeling
- hulpbron
- Resources
- antwoord
- Resultaten
- herbruikbare
- Recensies
- revolutioneren
- streng
- Risico
- risico's
- robuust
- Rol
- rollen
- lopen
- lopend
- concessies te doen
- sagemaker
- besparing
- Bespaar geld
- Schaalbaarheid
- schaalbare
- Scale
- Wetenschap
- WETENSCHAPPEN
- Wetenschapper
- wetenschappers
- naadloos
- naadloos
- Tweede
- secties
- sector
- beveiligen
- veiligheid
- Beveiligingsaudits
- Veiligheidsmaatregelen
- senior
- apart
- dienen
- geserveerd
- bedient
- service
- Diensten
- reeks
- Sets
- het instellen van
- verscheidene
- delen
- ze
- verschuiving
- moet
- presentatie
- getoond
- sluiten
- stilgelegd
- aanzienlijk
- Eenvoudig
- vereenvoudigen
- sinds
- slim
- So
- Software
- software engineering
- oplossing
- Oplossingen
- sommige
- bron
- bronnen
- overspannen
- overspanningen
- een toonaangevende rol
- specialist
- specifiek
- specifiek
- specificatie
- snelheid
- besteden
- Uitgaven
- spikes
- regie
- normen
- staat
- begin
- starts
- Startups
- state-of-the-art
- statistisch
- statistiek
- blijven
- mediaopslag
- shop
- winkels
- bewaartemperatuur
- eenvoudig
- strategisch
- strategieën
- Strategie
- stappen
- streven
- sterke
- structuur
- gestructureerde
- studio
- succes
- dergelijk
- suite
- ondersteuning
- zeker
- symptoom
- system
- Systems
- op maat gemaakt
- Nemen
- taken
- team
- Leden van het team
- teams
- tech
- Technisch
- Technologies
- Technologie
- Telecom
- telehealth
- templates
- termen
- proef
- Testen
- neem contact
- dat
- De
- De toekomst
- hun
- Ze
- harte
- Er.
- daarbij
- Deze
- ze
- Derde
- van derden
- dit
- drie
- drempel
- Door
- overal
- niet de tijd of
- tijdrovend
- actuele
- keer
- naar
- samen
- tools
- in de richting van
- Traceerbaarheid
- spoor
- Tracking
- Trainen
- getraind
- Trainingen
- Transformeren
- overgang
- overgangen
- Transparantie
- Reizend
- behandeling
- proeven
- echt
- types
- typisch
- Tenslotte
- onbevoegd
- begrijpen
- Onverwacht
- unified
- unieke
- uniciteit
- eenheden
- Universiteiten
- ontketenen
- ongeëvenaard
- ongebruikt
- updates
- upgrades
- op
- .
- use case
- gebruikt
- gebruikers
- toepassingen
- gebruik
- gebruikt
- Gebruik makend
- gevalideerd
- bevestiging
- waardevol
- waarde
- variëteit
- divers
- groot
- versie
- verticaal
- zeer
- via
- Bekijk
- virtueel
- visie
- Bezoek
- visuele
- volume
- vrijwilliger
- was
- we
- web
- webservices
- weken
- GOED
- waren
- wanneer
- welke
- en
- WIE
- breed
- Grote range
- wil
- Met
- binnen
- zonder
- Mijn werk
- workflow
- workflows
- werkzaam
- wereldwijd
- jaar
- opgeleverd
- zephyrnet
- zones