Dette er en felles blogg med AWS og Philips.
Philips er et helseteknologiselskap som fokuserer på å forbedre menneskers liv gjennom meningsfull innovasjon. Siden 2014 har selskapet tilbudt kundene sin Philips HealthSuite Platform, som orkestrerer dusinvis av AWS-tjenester som helse- og biovitenskapsselskaper bruker for å forbedre pasientbehandlingen. Det samarbeider med helsepersonell, startups, universiteter og andre selskaper for å utvikle teknologi som hjelper leger med å stille mer presise diagnoser og levere mer personlig behandling for millioner av mennesker over hele verden.
En av hoveddriverne for Philips sin innovasjonsstrategi er kunstig intelligens (AI), som muliggjør skaping av smarte og personlige produkter og tjenester som kan forbedre helseresultater, forbedre kundeopplevelsen og optimalisere operasjonell effektivitet.
Amazon SageMaker gir spesialbygde verktøy for maskinlæringsoperasjoner (MLOps) for å hjelpe med å automatisere og standardisere prosesser på tvers av ML-livssyklusen. Med SageMaker MLOps-verktøy kan team enkelt trene, teste, feilsøke, distribuere og styre ML-modeller i stor skala for å øke produktiviteten til dataforskere og ML-ingeniører mens de opprettholder modellytelsen i produksjonen.
I dette innlegget beskriver vi hvordan Philips samarbeidet med AWS for å utvikle AI ToolSuite – en skalerbar, sikker og kompatibel ML-plattform på SageMaker. Denne plattformen tilbyr funksjoner som spenner fra eksperimentering, datakommentarer, opplæring, modellimplementeringer og gjenbrukbare maler. Alle disse egenskapene er bygget for å hjelpe flere bransjer med å innovere med hastighet og smidighet mens de styrer i stor skala med sentrale kontroller. Vi skisserer de viktigste brukstilfellene som ga krav til den første iterasjonen av plattformen, kjernekomponentene og oppnådde resultater. Vi avslutter med å identifisere den pågående innsatsen for å aktivere plattformen med generative AI-arbeidsbelastninger og raskt ombord nye brukere og team for å ta i bruk plattformen.
Kundekontekst
Philips bruker kunstig intelligens i ulike domener, for eksempel bildebehandling, diagnostikk, terapi, personlig helse og tilkoblet omsorg. Noen eksempler på AI-aktiverte løsninger som Philips har utviklet de siste årene er:
- Philips SmartSpeed – En AI-basert bildeteknologi for MR som bruker en unik Compressed-SENSE-basert dyp læring AI-algoritme for å ta hastighet og bildekvalitet til neste nivå for et stort utvalg pasienter
- Philips eCareManager – En telehelseløsning som bruker AI for å støtte fjernpleie og behandling av kritisk syke pasienter på intensivavdelinger, ved å bruke avanserte analyser og kliniske algoritmer for å behandle pasientdata fra flere kilder, og gi handlingsverdig innsikt, varsler og anbefalinger for omsorgsteam
- Philips Sonicare – En smart tannbørste som bruker AI til å analysere børsteatferden og munnhelsen til brukere, og gi sanntidsveiledning og personlige anbefalinger, for eksempel optimal børstetid, trykk og dekning, for å forbedre tannhygienen og forebygge hull og tannkjøttsykdommer .
I mange år har Philips vært banebrytende i utviklingen av datadrevne algoritmer for å drive sine innovative løsninger på tvers av helsevesenets kontinuum. Innen det diagnostiske bildebehandlingsdomenet utviklet Philips en rekke ML-applikasjoner for medisinsk bilderekonstruksjon og tolkning, arbeidsflytstyring og behandlingsoptimalisering. Også innen pasientovervåking, bildeveiledet terapi, ultralyd og personlig helse har team laget ML-algoritmer og -applikasjoner. Innovasjon ble imidlertid hindret på grunn av bruk av fragmenterte AI-utviklingsmiljøer på tvers av team. Disse miljøene varierte fra individuelle bærbare og stasjonære datamaskiner til forskjellige lokale beregningsklynger og skybasert infrastruktur. Denne heterogeniteten gjorde i utgangspunktet det mulig for forskjellige team å bevege seg raskt i deres tidlige AI-utviklingsarbeid, men holder nå tilbake mulighetene til å skalere og forbedre effektiviteten av AI-utviklingsprosessene våre.
Det var tydelig at et grunnleggende skifte mot et enhetlig og standardisert miljø var avgjørende for å virkelig frigjøre potensialet til datadrevne bestrebelser hos Philips.
Viktige AI/ML-brukstilfeller og plattformkrav
AI/ML-aktiverte forslag kan transformere helsevesenet ved å automatisere administrative oppgaver utført av klinikere. For eksempel:
- AI kan analysere medisinske bilder for å hjelpe radiologer med å diagnostisere sykdommer raskere og mer nøyaktig
- AI kan forutsi fremtidige medisinske hendelser ved å analysere pasientdata og forbedre proaktiv behandling
- AI kan anbefale personlig tilpasset behandling tilpasset pasientens behov
- AI kan trekke ut og strukturere informasjon fra kliniske notater for å gjøre registreringen mer effektiv
- AI-grensesnitt kan gi pasientstøtte for spørsmål, påminnelser og symptomkontrollere
Totalt sett lover AI/ML reduserte menneskelige feil, tids- og kostnadsbesparelser, optimaliserte pasientopplevelser og rettidige, personlig tilpassede intervensjoner.
Et av nøkkelkravene for ML-utviklings- og distribusjonsplattformen var plattformens evne til å støtte den kontinuerlige iterative utviklings- og distribusjonsprosessen, som vist i følgende figur.
Utviklingen av AI-aktiva starter i et laboratoriemiljø, hvor dataene samles inn og kurateres, og deretter trenes og valideres modellene. Når modellen er klar og godkjent for bruk, distribueres den inn i de virkelige produksjonssystemene. Når den er implementert, overvåkes modellens ytelse kontinuerlig. Den virkelige ytelsen og tilbakemeldingen blir til slutt brukt til ytterligere modellforbedringer med full automatisering av modellopplæringen og -implementeringen.
De mer detaljerte kravene til AI ToolSuite ble drevet av tre eksempler på bruk:
- Utvikle en datasynsapplikasjon rettet mot objektdeteksjon ved kanten. Datavitenskapsteamet forventet at en AI-basert automatisert arbeidsflyt for bildekommentarer skulle fremskynde en tidkrevende merkeprosess.
- Gjør det mulig for et datavitenskapsteam å administrere en familie med klassiske ML-modeller for benchmarking av statistikk på tvers av flere medisinske enheter. Prosjektet krevde automatisering av modelldistribusjon, eksperimentsporing, modellovervåking og mer kontroll over hele prosessen fra ende til annen både for revisjon og omskolering i fremtiden.
- Forbedre kvaliteten og tiden til markedet for dyplæringsmodeller innen diagnostisk medisinsk bildebehandling. Den eksisterende datainfrastrukturen tillot ikke å kjøre mange eksperimenter parallelt, noe som forsinket modellutviklingen. For regulatoriske formål er det også nødvendig å muliggjøre full reproduserbarhet av modelltrening i flere år.
Ikke-funksjonelle krav
Å bygge en skalerbar og robust AI/ML-plattform krever nøye vurdering av ikke-funksjonelle krav. Disse kravene går utover de spesifikke funksjonene til plattformen og fokuserer på å sikre følgende:
- skalerbarhet – AI ToolSuite-plattformen må være i stand til å skalere Philips sin infrastruktur for generering av innsikt mer effektivt slik at plattformen kan håndtere et økende volum av data, brukere og AI/ML-arbeidsbelastninger uten å ofre ytelsen. Den bør utformes for å skalere horisontalt og vertikalt for å møte økende krav sømløst samtidig som den gir sentral ressursstyring.
- Ytelse – Plattformen må levere høyytelses databehandlingsevner for å effektivt behandle komplekse AI/ML-algoritmer. SageMaker tilbyr et bredt spekter av instanstyper, inkludert instanser med kraftige GPUer, som kan akselerere modelltrening og slutningsoppgaver betydelig. Det bør også minimere latens og responstider for å gi resultater i sanntid eller nesten sanntid.
- Pålitelighet – Plattformen må gi en svært pålitelig og robust AI-infrastruktur som spenner over flere tilgjengelighetssoner. Denne multi-AZ-arkitekturen skal sikre uavbrutt AI-drift ved å distribuere ressurser og arbeidsbelastninger på tvers av forskjellige datasentre.
- Tilgjengelighet – Plattformen skal være tilgjengelig 24/7, med minimal nedetid for vedlikehold og oppgraderinger. AI ToolSuites høye tilgjengelighet bør inkludere lastbalansering, feiltolerante arkitekturer og proaktiv overvåking.
- Sikkerhet og styring – Plattformen må bruke robuste sikkerhetstiltak, kryptering, tilgangskontroller, dedikerte roller og autentiseringsmekanismer med kontinuerlig overvåking for uvanlige aktiviteter og gjennomføring av sikkerhetsrevisjoner.
- Dataledelse – Effektiv dataadministrasjon er avgjørende for AI/ML-plattformer. Regelverk i helsesektoren krever spesielt streng datastyring. Den bør inkludere funksjoner som dataversjon, datalinje, datastyring og datakvalitetssikring for å sikre nøyaktige og pålitelige resultater.
- Interoperabilitet – Plattformen bør utformes slik at den enkelt kan integreres med Philips interne datalagre, noe som muliggjør sømløs datautveksling og samarbeid med tredjepartsapplikasjoner.
- vedlikeholdbarhet – Plattformens arkitektur og kodebase bør være godt organisert, modulær og vedlikeholdbar. Dette gjør at Philips ML-ingeniører og -utviklere kan tilby oppdateringer, feilrettinger og fremtidige forbedringer uten å forstyrre hele systemet.
- Ressursoptimalisering – Plattformen bør overvåke bruksrapporter veldig nøye for å sikre at dataressurser brukes effektivt og allokere ressurser dynamisk basert på etterspørsel. I tillegg bør Philips bruke AWS Billing and Cost Management-verktøy for å sikre at team mottar varsler når bruken passerer det tildelte terskelbeløpet.
- Overvåking og logging – Plattformen skal bruke Amazon CloudWatch varsler for omfattende overvåkings- og loggingsfunksjoner, som er nødvendige for å spore systemytelse, identifisere flaskehalser og feilsøke problemer effektivt.
- Samsvar – Plattformen kan også bidra til å forbedre reguleringsoverholdelse av AI-aktiverte forslag. Reproduserbarhet og sporbarhet må aktiveres automatisk av ende-til-ende databehandlingsrørledninger, der mange obligatoriske dokumentasjonsartefakter, som datalinjerapporter og modellkort, kan utarbeides automatisk.
- Testing og validering – Det må være på plass strenge test- og valideringsprosedyrer for å sikre nøyaktigheten og påliteligheten til AI/ML-modeller og forhindre utilsiktede skjevheter.
Løsningsoversikt
AI ToolSuite er et ende-til-ende, skalerbart, hurtigstartende AI-utviklingsmiljø som tilbyr native SageMaker og tilhørende AI/ML-tjenester med Philips HealthSuite sikkerhets- og personvernrekkverk og Philips økosystemintegrasjoner. Det er tre personas med dedikerte sett med tilgangstillatelser:
- Datavitenskapsmann – Forberede data, og utvikle og trene modeller i et samarbeidsarbeidsområde
- ML ingeniør – Produser ML-applikasjoner med modelldistribusjon, overvåking og vedlikehold
- Datavitenskap administrator – Opprett et prosjekt per teamforespørsel for å gi dedikerte isolerte miljøer med bruksspesifikke maler
Plattformutviklingen spenner over flere utgivelsessykluser i en iterativ syklus med oppdagelse, design, bygg, test og distribusjon. På grunn av det unike med enkelte applikasjoner, krevde utvidelsen av plattformen innbygging av eksisterende tilpassede komponenter som datalagre eller proprietære verktøy for merknader.
Følgende figur illustrerer trelagsarkitekturen til AI ToolSuite, inkludert basisinfrastrukturen som det første laget, vanlige ML-komponenter som det andre laget og prosjektspesifikke maler som det tredje laget.
Lag 1 inneholder basisinfrastrukturen:
- Et nettverkslag med parametrisert tilgang til internett med høy tilgjengelighet
- Selvbetjent levering med infrastruktur som kode (IaC)
- Et integrert utviklingsmiljø (IDE) som bruker en Amazon SageMaker Studio domene
- Plattformroller (datavitenskapsadministrator, dataforsker)
- Oppbevaring av gjenstander
- Logging og overvåking for observerbarhet
Lag 2 inneholder vanlige ML-komponenter:
- Automatisert eksperimentsporing for hver jobb og pipeline
- En modellbyggingspipeline for å lansere en ny modellbyggingsoppdatering
- En modelltreningspipeline som består av modelltrening, evaluering, registrering
- En modelldistribusjonsrørledning for å distribuere modellen for endelig testing og godkjenning
- Et modellregister for enkelt å administrere modellversjoner
- En prosjektrolle opprettet spesifikt for en gitt brukstilfelle, som skal tildeles SageMaker Studio-brukere
- Et bildelager for lagring av prosesserings-, opplærings- og slutningsbeholderbilder bygget for prosjektet
- Et kodelager for å lagre kodeartefakter
- Et prosjekt Amazon enkel lagringstjeneste (Amazon S3) bøtte for å lagre alle prosjektdata og artefakter
Lag 3 inneholder prosjektspesifikke maler som kan opprettes med tilpassede komponenter etter behov for nye prosjekter. For eksempel:
- Mal 1 – Inkluderer en komponent for dataspørring og historiesporing
- Mal 2 – Inkluderer en komponent for datamerknader med en tilpasset merknadsarbeidsflyt for å bruke proprietært merknadsverktøy
- Mal 3 – Inkluderer komponenter for tilpassede containerbilder for å tilpasse både utviklingsmiljøet og opplæringsrutinene deres, dedikert HPC-filsystem og tilgang fra en lokal IDE for brukere
Følgende diagram fremhever de viktigste AWS-tjenestene som spenner over flere AWS-kontoer for utvikling, iscenesettelse og produksjon.
I de følgende delene diskuterer vi nøkkelfunksjonene til plattformen aktivert av AWS-tjenester, inkludert SageMaker, AWS servicekatalog, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS identitets- og tilgangsadministrasjon (IAM) og andre.
Infrastruktur som kode
Plattformen bruker IaC, som lar Philips automatisere levering og administrasjon av infrastrukturressurser. Denne tilnærmingen vil også hjelpe reproduserbarhet, skalerbarhet, versjonskontroll, konsistens, sikkerhet og portabilitet for utvikling, testing eller produksjon.
Tilgang til AWS-miljøer
SageMaker og tilhørende AI/ML-tjenester er tilgjengelig med sikkerhetsrekkverk for dataforberedelse, modellutvikling, opplæring, merknader og distribusjon.
Isolasjon og samarbeid
Plattformen sikrer dataisolering ved å lagre og behandle separat, noe som reduserer risikoen for uautorisert tilgang eller datainnbrudd.
Plattformen forenkler teamsamarbeid, noe som er avgjørende i AI-prosjekter som vanligvis involverer tverrfunksjonelle team, inkludert dataforskere, datavitenskapsadministratorer og MLOps-ingeniører.
Rollebasert tilgangskontroll
Rollebasert tilgangskontroll (RBAC) er avgjørende for å administrere tillatelser og forenkle tilgangsadministrasjon ved å definere roller og tillatelser på en strukturert måte. Det gjør det enkelt å administrere tillatelser etter hvert som team og prosjekter vokser og tilgangskontroll for forskjellige personer involvert i AWS AI/ML-prosjekter, for eksempel datavitenskapsadministratoren, dataforskeren, annoteringsadministratoren, annotatoren og MLOps-ingeniøren.
Tilgang til datalagre
Plattformen gir SageMaker tilgang til datalagre, noe som sikrer at data effektivt kan utnyttes til modelltrening og slutninger uten behov for å duplisere eller flytte data på tvers av forskjellige lagringsplasseringer, og dermed optimalisere ressursutnyttelsen og redusere kostnadene.
Merknad ved hjelp av Philips-spesifikke merknadsverktøy
AWS tilbyr en pakke med AI- og ML-tjenester, som SageMaker, Amazon SageMaker Ground Truthog Amazon Cognito, som er fullt integrert med Philips-spesifikke interne merknadsverktøy. Denne integrasjonen gjør det mulig for utviklere å trene og distribuere ML-modeller ved å bruke de kommenterte dataene i AWS-miljøet.
ML maler
AI ToolSuite-plattformen tilbyr maler i AWS for ulike ML-arbeidsflyter. Disse malene er forhåndskonfigurerte infrastrukturoppsett skreddersydd for spesifikke ML-brukstilfeller og er tilgjengelige gjennom tjenester som SageMaker prosjektmaler, AWS skyformasjon, og tjenestekatalog.
Integrasjon med Philips GitHub
Integrasjon med GitHub øker effektiviteten ved å tilby en sentralisert plattform for versjonskontroll, kodegjennomganger og automatiserte CI/CD-pipelines (kontinuerlig integrasjon og kontinuerlig distribusjon), noe som reduserer manuelle oppgaver og øker produktiviteten.
Visual Studio Code integrasjon
Integrasjon med Visual Studio Code gir et enhetlig miljø for koding, feilsøking og administrasjon av ML-prosjekter. Dette effektiviserer hele ML-arbeidsflyten, reduserer kontekstbytte og sparer tid. Integrasjonen forbedrer også samarbeidet mellom teammedlemmer ved å gjøre det mulig for dem å jobbe på SageMaker-prosjekter sammen i et kjent utviklingsmiljø, ved å bruke versjonskontrollsystemer og dele kode og bærbare datamaskiner sømløst.
Modell- og datalinje og sporbarhet for reproduserbarhet og samsvar
Plattformen gir versjonering, som hjelper til med å holde styr på endringer i dataforskerens opplæring og slutningsdata over tid, noe som gjør det lettere å reprodusere resultater og forstå utviklingen av datasettene.
Plattformen muliggjør også SageMaker-eksperimentsporing, som lar sluttbrukere logge og spore alle metadata knyttet til deres ML-eksperimenter, inkludert hyperparametre, inngangsdata, kode og modellartefakter. Disse egenskapene er avgjørende for å demonstrere samsvar med regulatoriske standarder og sikre åpenhet og ansvarlighet i AI/ML-arbeidsflyter.
Generering av AI/ML-spesifikasjonsrapporter for overholdelse av regelverk
AWS opprettholder samsvarssertifiseringer for ulike industristandarder og forskrifter. AI/ML-spesifikasjonsrapporter fungerer som essensiell samsvarsdokumentasjon, som viser overholdelse av regulatoriske krav. Disse rapportene dokumenterer versjonering av datasett, modeller og kode. Versjonskontroll er avgjørende for å opprettholde dataavstamning, sporbarhet og reproduserbarhet, som alle er avgjørende for overholdelse av regelverk og revisjon.
Budsjettstyring på prosjektnivå
Budsjettstyring på prosjektnivå lar organisasjonen sette begrensninger på utgifter, noe som bidrar til å unngå uventede kostnader og sikrer at ML-prosjektene holder seg innenfor budsjettet. Med budsjettstyring kan organisasjonen allokere spesifikke budsjetter til individuelle prosjekter eller team, noe som hjelper teamene med å identifisere ressursineffektivitet eller uventede kostnadspiker tidlig. I tillegg til budsjettstyring, med funksjonen for automatisk å slå av ledige bærbare datamaskiner, unngår teammedlemmer å betale for ubrukte ressurser, og frigjør også verdifulle ressurser når de ikke er aktivt i bruk, og gjør dem tilgjengelige for andre oppgaver eller brukere.
Resultater
AI ToolSuite ble designet og implementert som en bedriftsomfattende plattform for ML-utvikling og distribusjon for dataforskere på tvers av Philips. Ulike krav fra alle forretningsenheter ble samlet inn og vurdert under design og utvikling. Tidlig i prosjektet identifiserte Philips forkjempere fra forretningsteamene som ga tilbakemeldinger og hjalp til med å evaluere verdien av plattformen.
Følgende resultater ble oppnådd:
- Brukeradopsjon er en av de viktigste ledende indikatorene for Philips. Brukere fra flere forretningsenheter ble opplært og ombord på plattformen, og det antallet forventes å vokse i 2024.
- En annen viktig beregning er effektiviteten for brukere av datavitenskap. Med AI ToolSuite blir nye ML-utviklingsmiljøer distribuert på mindre enn en time i stedet for flere dager.
- Datavitenskapsteam kan få tilgang til en skalerbar, sikker, kostnadseffektiv, skybasert datainfrastruktur.
- Lag kan kjøre flere modelltreningseksperimenter parallelt, noe som reduserte den gjennomsnittlige treningstiden betydelig fra uker til 1–3 dager.
- Fordi miljødistribusjonen er helautomatisert, krever den praktisk talt ingen involvering av skyinfrastrukturingeniørene, noe som reduserte driftskostnadene.
- Bruken av AI ToolSuite forbedret den generelle modenheten til data og AI-leveranser betydelig ved å fremme bruken av god ML-praksis, standardiserte arbeidsflyter og ende-til-ende-reproduserbarhet, noe som er avgjørende for overholdelse av regelverk i helsesektoren.
Ser frem med generativ AI
Når organisasjoner kjemper for å ta i bruk den neste state-of-the-art innen AI, er det viktig å ta i bruk ny teknologi i sammenheng med organisasjonens sikkerhets- og styringspolitikk. Arkitekturen til AI ToolSuite gir en utmerket blåkopi for å gi tilgang til generative AI-funksjoner i AWS for forskjellige team hos Philips. Lag kan bruke fundamentmodeller som er gjort tilgjengelig med Amazon SageMaker JumpStart, som tilbyr et stort antall åpen kildekode-modeller fra Hugging Face og andre leverandører. Med de nødvendige rekkverkene allerede på plass når det gjelder tilgangskontroll, prosjektlevering og kostnadskontroll, vil det være sømløst for team å begynne å bruke de generative AI-funksjonene i SageMaker.
I tillegg tilgang til Amazonas grunnfjell, en fullt administrert API-drevet tjeneste for generativ AI, kan leveres for individuelle kontoer basert på prosjektkrav, og brukerne kan få tilgang til Amazon Bedrock APIer enten via SageMaker bærbare grensesnitt eller gjennom deres foretrukne IDE.
Det er flere hensyn angående bruk av generativ AI i en regulert setting, for eksempel helsetjenester. Nøye vurdering må tas til verdien som skapes av generative AI-applikasjoner mot de tilknyttede risikoene og kostnadene. Det er også behov for å skape et risiko- og juridisk rammeverk som styrer organisasjonens bruk av generative AI-teknologier. Elementer som datasikkerhet, skjevhet og rettferdighet og regeloverholdelse må vurderes som en del av slike mekanismer.
konklusjonen
Philips la ut på en reise for å utnytte kraften til datadrevne algoritmer for å revolusjonere helsetjenester. Gjennom årene har innovasjon innen diagnostisk bildebehandling gitt flere ML-applikasjoner, fra bilderekonstruksjon til arbeidsflytstyring og behandlingsoptimalisering. Imidlertid ga det mangfoldige utvalget av oppsett, fra individuelle bærbare datamaskiner til lokale klynger og skyinfrastruktur, formidable utfordringer. Separat systemadministrasjon, sikkerhetstiltak, støttemekanismer og dataprotokoll hindret et omfattende syn på TCO og kompliserte overganger mellom team. Overgangen fra forskning og utvikling til produksjon ble tynget av mangelen på avstamning og reproduserbarhet, noe som gjorde kontinuerlig omskolering vanskelig.
Som en del av det strategiske samarbeidet mellom Philips og AWS, ble AI ToolSuite-plattformen opprettet for å utvikle en skalerbar, sikker og kompatibel ML-plattform med SageMaker. Denne plattformen tilbyr funksjoner som spenner fra eksperimentering, datakommentarer, opplæring, modellimplementeringer og gjenbrukbare maler. Alle disse egenskapene ble bygget iterativt over flere sykluser med oppdagelse, design, bygg, test og distribusjon. Dette hjalp flere forretningsenheter med å innovere med hastighet og smidighet mens de styrte i skala med sentrale kontroller.
Denne reisen fungerer som en inspirasjon for organisasjoner som ønsker å utnytte kraften til AI og ML for å drive innovasjon og effektivitet i helsevesenet, til slutt til fordel for pasienter og omsorgsleverandører over hele verden. Mens de fortsetter å bygge videre på denne suksessen, er Philips klar til å gjøre enda større fremskritt for å forbedre helseresultater gjennom innovative AI-aktiverte løsninger.
For å lære mer om Philips innovasjon på AWS, besøk Philips på AWS.
Om forfatterne
Frank Wartena er programleder i Philips Innovation & Strategy. Han koordinerer data- og AI-relaterte plattformressurser til støtte for våre Philips-data og AI-aktiverte forslag. Han har bred erfaring innen kunstig intelligens, datavitenskap og interoperabilitet. På fritiden liker Frank å løpe, lese og ro, og tilbringe tid med familien.
Irina Fedulova er hovedansvarlig for data- og kunstig intelligens hos Philips Innovation & Strategy. Hun driver strategiske aktiviteter med fokus på verktøyene, plattformene og beste praksis som fremskynder og skalerer utviklingen og produktiseringen av (generative) AI-aktiverte løsninger hos Philips. Irina har en sterk teknisk bakgrunn innen maskinlæring, cloud computing og programvareutvikling. Utenfor jobben liker hun å tilbringe tid med familien, reise og lese.
Selvakumar Palaniyappan er produkteier hos Philips Innovation & Strategy, med ansvar for produktadministrasjon for Philips HealthSuite AI & ML-plattformen. Han har stor erfaring innen teknisk produktledelse og programvareutvikling. Han jobber for tiden med å bygge en skalerbar og kompatibel AI- og ML-utviklings- og distribusjonsplattform. Videre står han i spissen for bruken av Philips' datavitenskapsteam for å utvikle AI-drevne helsesystemer og løsninger.
Adnan Elci er Senior Cloud Infrastructure Architect hos AWS Professional Services. Han opererer i egenskap av teknisk leder, og fører tilsyn med ulike operasjoner for kunder innen helsevesen og biovitenskap, finans, luftfart og produksjon. Hans entusiasme for automatisering er tydelig i hans omfattende engasjement i å designe, bygge og implementere kundeløsninger på bedriftsnivå i AWS-miljøet. Utover sine profesjonelle forpliktelser, dedikerer Adnan seg aktivt til frivillig arbeid, og streber etter å skape en meningsfull og positiv innvirkning i samfunnet.
Hasan Poonawala er senior AI/ML spesialistløsningsarkitekt hos AWS, Hasan hjelper kunder med å designe og distribuere maskinlæringsapplikasjoner i produksjon på AWS. Han har over 12 års arbeidserfaring som dataforsker, maskinlæringsutøver og programvareutvikler. På fritiden elsker Hasan å utforske naturen og tilbringe tid med venner og familie.
Sreoshi Roy er Senior Global Engagement Manager med AWS. Som forretningspartner for Healthcare & Life Sciences-kundene kommer hun med en enestående erfaring i å definere og levere løsninger for komplekse forretningsproblemer. Hun hjelper kundene sine med å sette opp strategiske mål, definere og designe sky-/datastrategier og implementere den skalerte og robuste løsningen for å møte deres tekniske og forretningsmessige mål. Utover hennes profesjonelle bestrebelser, ligger hennes engasjement i å skape en meningsfull innvirkning på folks liv ved å fremme empati og fremme inkludering.
Wajahat Aziz er leder for AI/ML & HPC i AWS Healthcare and Life Sciences team. Etter å ha fungert som teknologileder i forskjellige roller med biovitenskapelige organisasjoner, utnytter Wajahat sin erfaring til å hjelpe helsetjenester og biovitenskapskunder med å utnytte AWS-teknologier for å utvikle toppmoderne ML- og HPC-løsninger. Hans nåværende fokusområder er tidlig forskning, kliniske studier og personvernbevarende maskinlæring.
Wioletta Stobieniecka er dataforsker ved AWS Professional Services. Gjennom sin yrkeskarriere har hun levert flere analysedrevne prosjekter for ulike bransjer som bank, forsikring, telekommunikasjon og offentlig sektor. Hennes kunnskap om avanserte statistiske metoder og maskinlæring er godt kombinert med forretningssans. Hun kommer med nyere AI-fremskritt for å skape verdi for kundene.
- SEO-drevet innhold og PR-distribusjon. Bli forsterket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk deg selv. Tilgang her.
- PlatoAiStream. Web3 Intelligence. Kunnskap forsterket. Tilgang her.
- PlatoESG. Karbon, CleanTech, Energi, Miljø, Solenergi, Avfallshåndtering. Tilgang her.
- PlatoHelse. Bioteknologisk og klinisk etterretning. Tilgang her.
- kilde: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- : har
- :er
- :ikke
- :hvor
- $OPP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- evne
- I stand
- Om oss
- akselerere
- akselererer
- adgang
- Tilgang til data
- aksesseres
- tilgjengelig
- ansvarlighet
- kontoer
- nøyaktighet
- nøyaktig
- oppnådd
- tvers
- handlings
- aktivt
- Aktiviteter
- sans
- tillegg
- Ytterligere
- binding
- admin
- administrasjon
- administrativ
- adoptere
- Adopsjon
- avansert
- fremskritt
- mot
- AI
- AI / ML
- sikte
- Varsler
- algoritme
- algoritmer
- Alle
- tildele
- allokert
- tillate
- tillate
- tillater
- allerede
- også
- Amazon
- Amazon SageMaker
- Amazon Web Services
- blant
- beløp
- an
- analytics
- analysere
- analyserer
- og
- APIer
- Søknad
- søknader
- tilnærming
- godkjent
- arkitektur
- ER
- områder
- kunstig
- kunstig intelligens
- Kunstig intelligens (AI)
- AS
- eiendel
- Eiendeler
- tildelt
- assosiert
- forsikring
- At
- revisjon
- revisjoner
- Autentisering
- automatisere
- Automatisert
- automatisk
- Automatisere
- Automatisering
- tilgjengelighet
- tilgjengelig
- gjennomsnittlig
- luftfart
- unngå
- AWS
- AWS profesjonelle tjenester
- tilbake
- bakgrunn
- balansering
- Banking
- basen
- basert
- BE
- vært
- atferd
- referansemåling
- nytte
- BEST
- beste praksis
- mellom
- Beyond
- Bias
- skjevheter
- fakturering
- Blogg
- blåkopi
- øke
- øke
- både
- flaskehalser
- brudd
- Bringer
- bred
- budsjett
- Budsjetter
- Bug
- bygge
- Bygning
- bygget
- virksomhet
- men
- by
- ring
- CAN
- evner
- Kapasitet
- Kort
- hvilken
- Karriere
- forsiktig
- saken
- saker
- katalog
- Sentre
- sentral
- sentralisert
- sertifiseringer
- utfordringer
- Champions
- Endringer
- kostnad
- Classic
- klienter
- Klinisk
- kliniske studier
- klinikere
- tett
- Cloud
- cloud computing
- sky infrastruktur
- kode
- kodebase
- Koding
- samarbeid
- samarbeids
- kombinert
- kommer
- forpliktelser
- Felles
- samfunnet
- Selskaper
- Selskapet
- komplekse
- samsvar
- kompatibel
- komplisert
- komponent
- komponenter
- omfattende
- Omfattet
- beregnings
- Beregn
- datamaskin
- Datamaskin syn
- databehandling
- angå
- konkluderer
- gjennomføre
- tilkoblet
- hensyn
- betraktninger
- ansett
- Container
- inneholder
- kontekst
- fortsette
- kontinuerlig
- kontinuerlig
- Kontinuum
- kontroll
- kontroller
- Kjerne
- Kostnad
- Kostnadsstyring
- kostnadsbesparelser
- Kostnader
- dekning
- skape
- Skap verdi
- opprettet
- Opprette
- skaperverket
- kritisk
- Tverrfunksjonelle lag
- avgjørende
- kuratert
- Gjeldende
- I dag
- skikk
- kunde
- kundeopplevelse
- Kundeløsninger
- Kunder
- tilpasse
- syklus
- sykluser
- dato
- Databrudd
- datasentre
- Datautveksling
- Dataledelse
- Dataklargjøring
- databehandling
- datavitenskap
- dataforsker
- datasikkerhet
- data-drevet
- datasett
- Dager
- dedikert
- dedikasjon
- dyp
- dyp læring
- definere
- definere
- Forsinket
- leverer
- levert
- levere
- Etterspørsel
- krav
- demonstrere
- utplassere
- utplassert
- distribusjon
- distribusjoner
- beskrive
- utforming
- designet
- utforme
- detaljert
- Gjenkjenning
- utvikle
- utviklet
- Utvikler
- utviklere
- utvikle
- Utvikling
- diagnostisk
- Diagnostisk bildediagnostikk
- diagnostikk
- forskjellig
- vanskelig
- oppdage
- diskutere
- sykdommer
- distinkt
- distribusjon
- diverse
- leger
- dokument
- dokumentasjon
- domene
- domener
- gjort
- ned
- nedetid
- dusinvis
- stasjonen
- drevet
- drivere
- kjøring
- to
- under
- dynamisk
- Tidlig
- enklere
- lett
- økosystem
- Edge
- effektivt
- effektivitet
- effektiv
- effektivt
- innsats
- enten
- elementer
- begitt seg ut
- embedding
- empati
- muliggjøre
- aktivert
- muliggjør
- muliggjør
- kryptering
- slutt
- ende til ende
- bestrebelser
- engasjement
- ingeniør
- Ingeniørarbeid
- Ingeniører
- forbedre
- forbedret
- forbedringer
- Forbedrer
- sikre
- sikrer
- sikrer
- Enterprise
- entusiasme
- Hele
- Miljø
- miljøer
- feil
- spesielt
- avgjørende
- evaluere
- evaluering
- Selv
- hendelser
- etter hvert
- Hver
- tydelig
- evolusjon
- eksempel
- eksempler
- utmerket
- utveksling
- eksisterende
- forventet
- erfaring
- erfaren
- Erfaringer
- eksperiment
- eksperimenter
- utforske
- forlengelse
- omfattende
- trekke ut
- Face
- forenkler
- rettferdighet
- kjent
- familie
- FAST
- raskere
- Trekk
- Egenskaper
- tilbakemelding
- Figur
- filet
- slutt~~POS=TRUNC
- finansiere
- Først
- Fokus
- fokuserte
- etter
- Til
- formidable
- Forward
- fostre
- Fundament
- fragmentert
- Rammeverk
- frank
- venner
- fra
- Brensel
- fullt
- fullt
- funksjonalitet
- fundamental
- videre
- Dess
- framtid
- generasjonen
- generative
- Generativ AI
- GitHub
- gitt
- Global
- Go
- god
- styresett
- styrende
- reglene
- GPU
- større
- Ground
- Grow
- Økende
- veiledning
- guidet
- håndtere
- seletøy
- Utnyttelse
- Ha
- å ha
- he
- Helse
- helsesystemer
- helsetjenester
- helsevesenet
- hjelpe
- hjulpet
- hjelpe
- hjelper
- her
- Høy
- høy ytelse
- striper
- svært
- selv
- hans
- historie
- holder
- horisontalt
- time
- Hvordan
- Men
- hpc
- HTML
- http
- HTTPS
- menneskelig
- identifisert
- identifisere
- identifisering
- Identitet
- Idle
- illustrerer
- bilde
- bilder
- Imaging
- Påvirkning
- avgjørende
- iverksette
- implementert
- implementere
- viktig
- forbedre
- forbedringer
- bedre
- in
- inkludere
- inkluderer
- Inkludert
- inclusivity
- økende
- indikatorer
- individuelt
- bransjer
- industri
- industristandarder
- ineffektivitet
- informasjon
- Infrastruktur
- i utgangspunktet
- innovere
- Innovasjon
- Innovasjonsstrategi
- innovative
- inngang
- innsikt
- inspirasjon
- f.eks
- i stedet
- forsikring
- integrere
- integrert
- integrering
- integrasjoner
- Intelligens
- Interface
- grensesnitt
- intern
- Internet
- Interoperabilitet
- tolkning
- intervensjoner
- inn
- involvere
- involvert
- engasjement
- Irina
- isolert
- isolasjon
- saker
- IT
- køyring
- DET ER
- Jobb
- ledd
- reise
- jpg
- Hold
- nøkkel
- kunnskap
- lab
- merking
- maling
- bærbare datamaskiner
- stor
- Ventetid
- lansere
- lag
- føre
- leder
- ledende
- LÆRE
- læring
- Lovlig
- juridisk rammeverk
- mindre
- Nivå
- Leverage
- utnytter
- ligger
- Life
- Livskunnskap
- Life Sciences
- Livssyklus
- i likhet med
- grenser
- avstamning
- linjer
- leve
- Bor
- laste
- lokal
- steder
- logg
- logging
- ser
- elsker
- maskin
- maskinlæring
- laget
- Vedlikeholdbar
- Vedlike
- opprettholder
- vedlikehold
- gjøre
- GJØR AT
- Making
- administrer
- fikk til
- ledelse
- styringsverktøy
- leder
- administrerende
- obligatorisk
- måte
- håndbok
- produksjon
- mange
- marked
- modenhet
- meningsfylt
- målinger
- mekanismer
- medisinsk
- Møt
- medlemmer
- metadata
- metoder
- metrisk
- millioner
- minimal
- ML
- MLOps
- modell
- modeller
- modulære
- Overvåke
- overvåket
- overvåking
- mer
- flytte
- MR
- flere
- mangfold
- må
- innfødt
- Natur
- nødvendig
- Trenger
- behov
- nettverk
- Ny
- nye brukere
- neste
- Nei.
- bærbare
- Merknader
- varslinger
- nå
- Antall
- objekt
- Objektdeteksjon
- mål
- of
- tilby
- Tilbud
- on
- Ombord
- gang
- ONE
- pågående
- åpen
- åpen kildekode
- opererer
- operasjonell
- Drift
- Muligheter
- optimal
- optimalisering
- Optimalisere
- optimalisert
- optimalisere
- or
- Munnhelse
- rekkefølge
- organisasjon
- organisasjoner
- Organisert
- Annen
- andre
- vår
- utfall
- omriss
- utenfor
- enn
- samlet
- overser
- eieren
- Parallel
- del
- partner
- samarbeid
- partnere
- passerer
- Past
- pasient
- pasienter
- betalende
- Ansatte
- folks
- for
- ytelse
- tillatelser
- personlig
- Personlig
- Banebryt
- rørledning
- Sted
- plattform
- Plattformer
- plato
- Platon Data Intelligence
- PlatonData
- klar
- politikk
- portabilitet
- poserte
- positiv
- Post
- potensiell
- makt
- kraftig
- praksis
- presis
- forutsi
- trekkes
- forberedelse
- Forbered
- forberedt
- bevarer
- press
- forebygge
- Principal
- privatliv
- Proaktiv
- problemer
- prosedyrer
- prosess
- Prosesser
- prosessering
- Produkt
- produktledelse
- Produksjon
- produktivitet
- Produkter
- profesjonell
- program
- prosjekt
- prosjektdata
- prosjekter
- lover
- fremme
- proprietær
- protokollen
- gi
- forutsatt
- tilbydere
- gir
- gi
- offentlig
- formål
- kvalitet
- spørsmål
- Rask
- Race
- område
- spenner
- raskt
- Lesning
- klar
- virkelige verden
- sanntids
- motta
- nylig
- anbefaler
- anbefalinger
- Redusert
- redusere
- registret
- regulert
- forskrifter
- regulatorer
- Overholdelse av regelverk
- i slekt
- slipp
- frigjør
- pålitelighet
- pålitelig
- fjernkontroll
- rapporterer
- Rapporter
- Repository
- anmode
- påkrevd
- Krav
- Krever
- forskning
- forskning og utvikling
- ressurs
- Ressurser
- svar
- Resultater
- gjenbruk
- Anmeldelser
- Revolusjonere
- streng
- Risiko
- risikoer
- robust
- Rolle
- roller
- Kjør
- rennende
- ofre
- sagemaker
- besparende
- Besparelser
- skalerbarhet
- skalerbar
- Skala
- Vitenskap
- VITENSKAPER
- Forsker
- forskere
- sømløs
- sømløst
- Sekund
- seksjoner
- sektor
- sikre
- sikkerhet
- Sikkerhetsrevisjoner
- Sikkerhetstiltak
- senior
- separat
- betjene
- servert
- serverer
- tjeneste
- Tjenester
- sett
- sett
- innstilling
- flere
- deling
- hun
- skift
- bør
- utstillingsvindu
- vist
- stengt
- Slå
- betydelig
- Enkelt
- forenkle
- siden
- Smart
- So
- Software
- software engineering
- løsning
- Solutions
- noen
- kilde
- Kilder
- Spenning
- spenn
- spydspiss
- spesialist
- spesifikk
- spesielt
- spesifikasjon
- fart
- bruke
- utgifter
- pigger
- iscenesettelse
- standarder
- står
- Begynn
- starter
- startups
- state-of-the-art
- statistisk
- statistikk
- opphold
- lagring
- oppbevare
- butikker
- lagring
- rett fram
- Strategisk
- strategier
- Strategi
- fremskritt
- strebe etter
- sterk
- struktur
- strukturert
- studio
- suksess
- slik
- suite
- støtte
- sikker
- symptom
- system
- Systemer
- skreddersydd
- Ta
- oppgaver
- lag
- Lag medlemmer
- lag
- tech
- Teknisk
- Technologies
- Teknologi
- Telco
- Telehealth
- maler
- vilkår
- test
- Testing
- enn
- Det
- De
- Fremtiden
- deres
- Dem
- deretter
- Der.
- derved
- Disse
- de
- Tredje
- tredjeparts
- denne
- tre
- terskel
- Gjennom
- hele
- tid
- tidkrevende
- rettidig
- ganger
- til
- sammen
- verktøy
- mot
- Sporbarhet
- spor
- Sporing
- Tog
- trent
- Kurs
- Transform
- overgang
- overganger
- Åpenhet
- Traveling
- behandling
- forsøk
- virkelig
- typer
- typisk
- Til syvende og sist
- uautorisert
- forstå
- Uventet
- enhetlig
- unik
- unikhet
- lomper
- universiteter
- frigjøre
- enestående
- ubrukt
- oppdateringer
- oppgraderinger
- upon
- bruke
- bruk sak
- brukt
- Brukere
- bruker
- ved hjelp av
- benyttes
- utnytte
- validert
- validering
- Verdifull
- verdi
- variasjon
- ulike
- enorme
- versjon
- vertikalt
- veldig
- av
- Se
- nesten
- syn
- Besøk
- visuell
- volum
- frivillig
- var
- we
- web
- webtjenester
- uker
- VI VIL
- var
- når
- hvilken
- mens
- HVEM
- bred
- Bred rekkevidde
- vil
- med
- innenfor
- uten
- Arbeid
- arbeidsflyt
- arbeidsflyt
- arbeid
- verdensomspennende
- år
- ga
- zephyrnet
- soner