Este é um blog conjunto com AWS e Philips.
A Philips é uma empresa de tecnologia de saúde focada em melhorar a vida das pessoas através de inovações significativas. Desde 2014, a empresa oferece aos clientes a plataforma Philips HealthSuite, que orquestra dezenas de serviços da AWS que empresas de saúde e ciências biológicas usam para melhorar o atendimento aos pacientes. Tem parceria com prestadores de cuidados de saúde, startups, universidades e outras empresas para desenvolver tecnologia que ajude os médicos a fazer diagnósticos mais precisos e a fornecer tratamentos mais personalizados a milhões de pessoas em todo o mundo.
Um dos principais impulsionadores da estratégia de inovação da Philips é a inteligência artificial (IA), que permite a criação de produtos e serviços inteligentes e personalizados que podem melhorar os resultados de saúde, melhorar a experiência do cliente e otimizar a eficiência operacional.
Amazon Sage Maker fornece ferramentas específicas para operações de aprendizado de máquina (MLOps) para ajudar a automatizar e padronizar processos em todo o ciclo de vida de ML. Com as ferramentas SageMaker MLOps, as equipes podem facilmente treinar, testar, solucionar problemas, implantar e controlar modelos de ML em escala para aumentar a produtividade de cientistas de dados e engenheiros de ML, mantendo o desempenho do modelo na produção.
Nesta postagem, descrevemos como a Philips fez parceria com a AWS para desenvolver AI ToolSuite – uma plataforma de ML escalonável, segura e compatível no SageMaker. Esta plataforma oferece recursos que vão desde experimentação, anotação de dados, treinamento, implantações de modelos e modelos reutilizáveis. Todos esses recursos foram desenvolvidos para ajudar diversas linhas de negócios a inovar com velocidade e agilidade, ao mesmo tempo em que governam em escala com controles centrais. Descrevemos os principais casos de uso que forneceram requisitos para a primeira iteração da plataforma, os componentes principais e os resultados alcançados. Concluímos identificando os esforços contínuos para capacitar a plataforma com cargas de trabalho generativas de IA e integrar rapidamente novos usuários e equipes para adotar a plataforma.
Contexto do cliente
A Philips usa IA em vários domínios, como imagem, diagnóstico, terapia, saúde pessoal e cuidados conectados. Alguns exemplos de soluções habilitadas para IA que a Philips desenvolveu nos últimos anos são:
- Philips Smart Speed – Uma tecnologia de imagem baseada em IA para ressonância magnética que usa um algoritmo de aprendizagem profunda baseado em Compressed-SENSE exclusivo para levar a velocidade e a qualidade da imagem ao próximo nível para uma grande variedade de pacientes
- Philips eCareManager – Uma solução de telessaúde que usa IA para apoiar o atendimento e gerenciamento remoto de pacientes gravemente enfermos em unidades de terapia intensiva, usando análises avançadas e algoritmos clínicos para processar os dados do paciente de múltiplas fontes e fornecendo insights, alertas e recomendações acionáveis para o equipe de atendimento
- Philips Sonicare – Uma escova de dentes inteligente que utiliza IA para analisar o comportamento de escovagem e a saúde oral dos utilizadores e fornecer orientação em tempo real e recomendações personalizadas, como tempo de escovagem ideal, pressão e cobertura, para melhorar a higiene dentária e prevenir cáries e doenças gengivais .
Durante muitos anos, a Philips tem sido pioneira no desenvolvimento de algoritmos baseados em dados para alimentar as suas soluções inovadoras em todo o setor da saúde. No domínio de imagens de diagnóstico, a Philips desenvolveu uma infinidade de aplicações de ML para reconstrução e interpretação de imagens médicas, gerenciamento de fluxo de trabalho e otimização de tratamento. Também no monitoramento de pacientes, terapia guiada por imagem, ultrassom e equipes de saúde pessoal têm criado algoritmos e aplicativos de ML. No entanto, a inovação foi prejudicada devido ao uso de ambientes de desenvolvimento de IA fragmentados entre as equipes. Esses ambientes variavam de laptops e desktops individuais a diversos clusters computacionais locais e infraestrutura baseada em nuvem. Esta heterogeneidade permitiu inicialmente que diferentes equipas avançassem rapidamente nos seus esforços iniciais de desenvolvimento de IA, mas agora está a atrasar oportunidades de escalar e melhorar a eficiência dos nossos processos de desenvolvimento de IA.
Ficou evidente que uma mudança fundamental em direção a um ambiente unificado e padronizado era imperativa para realmente liberar o potencial dos esforços orientados por dados na Philips.
Principais casos de uso de IA/ML e requisitos de plataforma
As propostas habilitadas para IA/ML podem transformar a saúde ao automatizar tarefas administrativas realizadas pelos médicos. Por exemplo:
- A IA pode analisar imagens médicas para ajudar os radiologistas a diagnosticar doenças com mais rapidez e precisão
- A IA pode prever eventos médicos futuros analisando dados de pacientes e melhorando o atendimento proativo
- A IA pode recomendar tratamento personalizado adaptado às necessidades dos pacientes
- A IA pode extrair e estruturar informações de anotações clínicas para tornar a obtenção de registros mais eficiente
- As interfaces de IA podem fornecer suporte ao paciente para consultas, lembretes e verificadores de sintomas
No geral, a IA/ML promete redução de erros humanos, economia de tempo e custos, experiências otimizadas dos pacientes e intervenções oportunas e personalizadas.
Um dos principais requisitos para a plataforma de desenvolvimento e implantação de ML era a capacidade da plataforma de suportar o processo iterativo contínuo de desenvolvimento e implantação, conforme mostrado na figura a seguir.
O desenvolvimento de ativos de IA começa em um ambiente de laboratório, onde os dados são coletados e selecionados e, em seguida, os modelos são treinados e validados. Quando o modelo estiver pronto e aprovado para uso, ele será implantado nos sistemas de produção do mundo real. Depois de implantado, o desempenho do modelo é monitorado continuamente. O desempenho e o feedback do mundo real são eventualmente usados para melhorias adicionais do modelo com automação total do treinamento e implantação do modelo.
Os requisitos mais detalhados do AI ToolSuite foram orientados por três exemplos de casos de uso:
- Desenvolva uma aplicação de visão computacional voltada à detecção de objetos na borda. A equipe de ciência de dados esperava um fluxo de trabalho automatizado de anotação de imagens baseado em IA para acelerar um processo de rotulagem demorado.
- Permita que uma equipe de ciência de dados gerencie uma família de modelos clássicos de ML para comparar estatísticas em várias unidades médicas. O projeto exigia automação da implantação do modelo, rastreamento de experimentos, monitoramento do modelo e mais controle sobre todo o processo, de ponta a ponta, tanto para auditoria quanto para reciclagem no futuro.
- Melhore a qualidade e o tempo de lançamento no mercado de modelos de aprendizagem profunda em imagens médicas de diagnóstico. A infraestrutura computacional existente não permitia a execução de muitos experimentos em paralelo, o que atrasou o desenvolvimento do modelo. Além disso, para fins regulamentares, é necessário permitir a total reprodutibilidade do treinamento do modelo durante vários anos.
requisitos não Funcionais
Construir uma plataforma de IA/ML escalonável e robusta requer uma consideração cuidadosa dos requisitos não funcionais. Estes requisitos vão além das funcionalidades específicas da plataforma e centram-se em garantir o seguinte:
- AMPLIAR – A plataforma AI ToolSuite deve ser capaz de dimensionar a infraestrutura de geração de insights da Philips de forma mais eficaz para que a plataforma possa lidar com um volume crescente de dados, usuários e cargas de trabalho de IA/ML sem sacrificar o desempenho. Ele deve ser projetado para ser dimensionado horizontal e verticalmente para atender perfeitamente às demandas crescentes, ao mesmo tempo em que fornece gerenciamento central de recursos.
- Performance – A plataforma deve fornecer recursos de computação de alto desempenho para processar com eficiência algoritmos complexos de IA/ML. O SageMaker oferece uma ampla variedade de tipos de instâncias, incluindo instâncias com GPUs poderosas, que podem acelerar significativamente o treinamento de modelos e tarefas de inferência. Também deve minimizar a latência e os tempos de resposta para fornecer resultados em tempo real ou quase em tempo real.
- Confiabilidade – A plataforma deve fornecer uma infraestrutura de IA altamente confiável e robusta que se estende por diversas zonas de disponibilidade. Esta arquitetura multi-AZ deve garantir operações ininterruptas de IA, distribuindo recursos e cargas de trabalho entre data centers distintos.
- Disponibilidade – A plataforma deve estar disponível 24 horas por dia, 7 dias por semana, com tempo de inatividade mínimo para manutenção e atualizações. A alta disponibilidade do AI ToolSuite deve incluir balanceamento de carga, arquiteturas tolerantes a falhas e monitoramento proativo.
- Segurança e Governança – A plataforma deve empregar medidas de segurança robustas, criptografia, controles de acesso, funções dedicadas e mecanismos de autenticação com monitoramento contínuo de atividades incomuns e realização de auditorias de segurança.
- Gestão de dados – O gerenciamento eficiente de dados é crucial para plataformas de IA/ML. As regulamentações do setor de saúde exigem uma governança de dados especialmente rigorosa. Deve incluir recursos como controle de versão de dados, linhagem de dados, governança de dados e garantia de qualidade de dados para garantir resultados precisos e confiáveis.
- Interoperabilidade – A plataforma deve ser projetada para integrar-se facilmente aos repositórios de dados internos da Philips, permitindo a troca de dados e a colaboração contínuas com aplicativos de terceiros.
- Manutenção – A arquitetura e a base de código da plataforma devem ser bem organizadas, modulares e fáceis de manter. Isso permite que os engenheiros e desenvolvedores de ML da Philips forneçam atualizações, correções de bugs e melhorias futuras sem interromper todo o sistema.
- Otimização de recursos – A plataforma deve monitorar de perto os relatórios de utilização para garantir que os recursos computacionais sejam usados de forma eficiente e alocar recursos dinamicamente com base na demanda. Além disso, a Philips deve usar as ferramentas de faturamento e gerenciamento de custos da AWS para garantir que as equipes recebam notificações quando a utilização ultrapassar o limite alocado.
- Monitoramento e geração de registros – A plataforma deve usar Amazon CloudWatch alertas para recursos abrangentes de monitoramento e registro, que são necessários para rastrear o desempenho do sistema, identificar gargalos e solucionar problemas de maneira eficaz.
- Compliance – A plataforma também pode ajudar a melhorar a conformidade regulatória de propostas habilitadas para IA. A reprodutibilidade e a rastreabilidade devem ser habilitadas automaticamente pelos pipelines de processamento de dados de ponta a ponta, onde muitos artefatos de documentação obrigatórios, como relatórios de linhagem de dados e cartões de modelo, podem ser preparados automaticamente.
- Teste e validação – Devem existir procedimentos rigorosos de teste e validação para garantir a precisão e a confiabilidade dos modelos de IA/ML e evitar distorções não intencionais.
Visão geral da solução
AI ToolSuite é um ambiente de desenvolvimento de IA completo, escalonável e de início rápido que oferece SageMaker nativo e serviços de IA/ML associados com proteção de segurança e privacidade Philips HealthSuite e integrações de ecossistema Philips. Existem três personas com conjuntos dedicados de permissões de acesso:
- Cientista de dados – Preparar dados e desenvolver e treinar modelos em um espaço de trabalho colaborativo
- Engenheiro de ML – Produza aplicativos de ML com implantação, monitoramento e manutenção de modelo
- Administrador de ciência de dados – Crie um projeto por solicitação da equipe para fornecer ambientes isolados dedicados com modelos específicos de caso de uso
O desenvolvimento da plataforma abrangeu vários ciclos de lançamento em um ciclo iterativo de descoberta, design, construção, teste e implantação. Devido à singularidade de alguns aplicativos, a extensão da plataforma exigiu a incorporação de componentes personalizados existentes, como armazenamentos de dados ou ferramentas proprietárias para anotação.
A figura a seguir ilustra a arquitetura de três camadas do AI ToolSuite, incluindo a infraestrutura básica como a primeira camada, componentes comuns de ML como a segunda camada e modelos específicos do projeto como a terceira camada.
A camada 1 contém a infraestrutura básica:
- Uma camada de rede com acesso parametrizado à internet com alta disponibilidade
- Provisionamento de autoatendimento com infraestrutura como código (IaC)
- Um ambiente de desenvolvimento integrado (IDE) usando um Estúdio Amazon SageMaker domínio
- Funções da plataforma (administrador de ciência de dados, cientista de dados)
- Armazenamento de artefatos
- Registro e monitoramento para observabilidade
A camada 2 contém componentes comuns de ML:
- Acompanhamento automatizado de experimentos para cada trabalho e pipeline
- Um pipeline de construção de modelo para lançar uma nova atualização de construção de modelo
- Um pipeline de treinamento de modelo composto por treinamento de modelo, avaliação, registro
- Um pipeline de implantação de modelo para implantar o modelo para teste e aprovação finais
- Um registro de modelo para gerenciar facilmente versões de modelos
- Uma função de projeto criada especificamente para um determinado caso de uso, a ser atribuída aos usuários do SageMaker Studio
- Um repositório de imagens para armazenar imagens de contêiner de processamento, treinamento e inferência criadas para o projeto
- Um repositório de código para armazenar artefatos de código
- Um projeto Serviço de armazenamento simples da Amazon (Amazon S3) bucket para armazenar todos os dados e artefatos do projeto
A Camada 3 contém modelos específicos do projeto que podem ser criados com componentes personalizados conforme exigido por novos projetos. Por exemplo:
- Template 1 – Inclui um componente para consulta de dados e rastreamento de histórico
- Template 2 – Inclui um componente para anotações de dados com um fluxo de trabalho de anotação personalizado para usar ferramentas de anotação proprietárias
- Template 3 – Inclui componentes para imagens de contêiner personalizadas para personalizar seu ambiente de desenvolvimento e rotinas de treinamento, sistema de arquivos HPC dedicado e acesso de um IDE local para usuários
O diagrama a seguir destaca os principais serviços da AWS que abrangem várias contas da AWS para desenvolvimento, preparação e produção.
Nas seções a seguir discutimos os principais recursos da plataforma habilitados pelos serviços da AWS incluindo SageMaker Catálogo de serviços da AWS, CloudWatch, AWS Lambda, Registro do Amazon Elastic Container (Amazon ECR), Amazon S3, Gerenciamento de acesso e identidade da AWS (IAM) e outros.
Infraestrutura como código
A plataforma utiliza IaC, que permite à Philips automatizar o provisionamento e o gerenciamento de recursos de infraestrutura. Essa abordagem também ajudará na reprodutibilidade, escalabilidade, controle de versão, consistência, segurança e portabilidade para desenvolvimento, teste ou produção.
Acesso a ambientes AWS
O SageMaker e os serviços de IA/ML associados são acessados com proteções de segurança para preparação de dados, desenvolvimento de modelo, treinamento, anotação e implantação.
Isolamento e colaboração
A plataforma garante o isolamento dos dados armazenando e processando separadamente, reduzindo o risco de acesso não autorizado ou violação de dados.
A plataforma facilita a colaboração em equipe, o que é essencial em projetos de IA que normalmente envolvem equipes multifuncionais, incluindo cientistas de dados, administradores de ciência de dados e engenheiros de MLOps.
Controle de acesso baseado em função
O controle de acesso baseado em funções (RBAC) é essencial para gerenciar permissões e simplificar o gerenciamento de acesso, definindo funções e permissões de maneira estruturada. Ele facilita o gerenciamento de permissões à medida que as equipes e os projetos crescem e o controle de acesso para diferentes pessoas envolvidas em projetos de IA/ML da AWS, como administrador de ciência de dados, cientista de dados, administrador de anotações, anotador e engenheiro de MLOps.
Acesso a armazenamentos de dados
A plataforma permite ao SageMaker acesso a armazenamentos de dados, o que garante que os dados possam ser utilizados de forma eficiente para treinamento e inferência de modelos, sem a necessidade de duplicar ou mover dados entre diferentes locais de armazenamento, otimizando assim a utilização de recursos e reduzindo custos.
Anotação usando ferramentas de anotação específicas da Philips
A AWS oferece um conjunto de serviços de IA e ML, como SageMaker, Verdade no solo do Amazon SageMaker e Amazon Cognito, que são totalmente integrados às ferramentas de anotação internas específicas da Philips. Essa integração permite que os desenvolvedores treinem e implantem modelos de ML usando os dados anotados no ambiente AWS.
Modelos de ML
A plataforma AI ToolSuite oferece modelos na AWS para vários fluxos de trabalho de ML. Esses modelos são configurações de infraestrutura pré-configuradas, adaptadas para casos de uso específicos de ML e podem ser acessados por meio de serviços como Modelos de projeto SageMaker, Formação da Nuvem AWSe Catálogo de serviços.
Integração com Philips GitHub
A integração com GitHub aumenta a eficiência, fornecendo uma plataforma centralizada para controle de versão, revisões de código e pipelines automatizados de CI/CD (integração contínua e implantação contínua), reduzindo tarefas manuais e aumentando a produtividade.
Integração do Visual Studio Code
A integração com o Visual Studio Code fornece um ambiente unificado para codificação, depuração e gerenciamento de projetos de ML. Isso agiliza todo o fluxo de trabalho de ML, reduzindo a alternância de contexto e economizando tempo. A integração também melhora a colaboração entre os membros da equipe, permitindo-lhes trabalhar juntos em projetos do SageMaker em um ambiente de desenvolvimento familiar, utilizando sistemas de controle de versão e compartilhando códigos e notebooks de maneira integrada.
Linhagem de modelos e dados e rastreabilidade para reprodutibilidade e conformidade
A plataforma fornece controle de versão, o que ajuda a acompanhar as alterações nos dados de treinamento e inferência do cientista de dados ao longo do tempo, facilitando a reprodução dos resultados e a compreensão da evolução dos conjuntos de dados.
A plataforma também permite o rastreamento de experimentos SageMaker, que permite aos usuários finais registrar e rastrear todos os metadados associados aos seus experimentos de ML, incluindo hiperparâmetros, dados de entrada, código e artefatos de modelo. Esses recursos são essenciais para demonstrar a conformidade com os padrões regulatórios e garantir transparência e responsabilidade nos fluxos de trabalho de IA/ML.
Geração de relatórios de especificações de IA/ML para conformidade regulatória
A AWS mantém certificações de conformidade para vários padrões e regulamentações do setor. Os relatórios de especificações de IA/ML servem como documentação de conformidade essencial, demonstrando a adesão aos requisitos regulamentares. Esses relatórios documentam o controle de versão de conjuntos de dados, modelos e código. O controle de versão é essencial para manter a linhagem, a rastreabilidade e a reprodutibilidade dos dados, aspectos essenciais para a conformidade regulatória e a auditoria.
Gerenciamento de orçamento em nível de projeto
A gestão orçamentária em nível de projeto permite que a organização estabeleça limites de gastos, ajudando a evitar custos inesperados e garantindo que os projetos de ML permaneçam dentro do orçamento. Com a gestão orçamentária, a organização pode alocar orçamentos específicos para projetos ou equipes individuais, o que ajuda as equipes a identificar antecipadamente ineficiências de recursos ou picos de custos inesperados. Além da gestão orçamentária, com o recurso de desligamento automático de notebooks ociosos, os membros da equipe evitam pagar por recursos não utilizados, liberando também recursos valiosos quando não estão em uso ativo, disponibilizando-os para outras tarefas ou usuários.
Focados no Negócio
O AI ToolSuite foi projetado e implementado como uma plataforma empresarial para desenvolvimento e implantação de ML para cientistas de dados em toda a Philips. Diversos requisitos de todas as unidades de negócios foram coletados e considerados durante o projeto e desenvolvimento. No início do projeto, a Philips identificou campeões das equipes de negócios que forneceram feedback e ajudaram a avaliar o valor da plataforma.
Os seguintes resultados foram alcançados:
- A adoção pelos usuários é um dos principais indicadores antecedentes da Philips. Usuários de diversas unidades de negócios foram treinados e integrados à plataforma, e esse número deverá crescer em 2024.
- Outra métrica importante é a eficiência para usuários de ciência de dados. Com o AI ToolSuite, novos ambientes de desenvolvimento de ML são implantados em menos de uma hora, em vez de vários dias.
- As equipes de ciência de dados podem acessar uma infraestrutura de computação escalonável, segura e econômica baseada em nuvem.
- As equipes podem executar vários experimentos de treinamento de modelo em paralelo, o que reduziu significativamente o tempo médio de treinamento de semanas para 1–3 dias.
- Como a implantação do ambiente é totalmente automatizada, praticamente não requer envolvimento dos engenheiros de infraestrutura em nuvem, o que reduziu os custos operacionais.
- O uso do AI ToolSuite melhorou significativamente a maturidade geral dos dados e resultados de IA, promovendo o uso de boas práticas de ML, fluxos de trabalho padronizados e reprodutibilidade de ponta a ponta, o que é fundamental para a conformidade regulatória no setor de saúde.
Olhando para o futuro com IA generativa
À medida que as organizações correm para adotar o próximo estado da arte em IA, é imperativo adotar novas tecnologias no contexto da política de segurança e governança da organização. A arquitetura do AI ToolSuite fornece um excelente modelo para permitir o acesso a recursos generativos de IA na AWS para diferentes equipes da Philips. As equipes podem usar modelos básicos disponibilizados com JumpStart do Amazon SageMaker, que fornece um grande número de modelos de código aberto da Hugging Face e de outros fornecedores. Com as proteções necessárias já implementadas em termos de controle de acesso, provisionamento de projetos e controles de custos, será fácil para as equipes começarem a usar os recursos generativos de IA do SageMaker.
Além disso, o acesso a Rocha Amazônica, um serviço totalmente gerenciado orientado por API para IA generativa, pode ser provisionado para contas individuais com base nos requisitos do projeto, e os usuários podem acessar APIs do Amazon Bedrock por meio da interface do notebook SageMaker ou por meio de seu IDE preferido.
Existem considerações adicionais relativas à adoção de IA generativa num ambiente regulamentado, como os cuidados de saúde. É necessário considerar cuidadosamente o valor criado pelas aplicações generativas de IA em relação aos riscos e custos associados. Há também a necessidade de criar um quadro legal e de risco que reja o uso de tecnologias de IA generativas pela organização. Elementos como a segurança dos dados, a parcialidade e a justiça e a conformidade regulamentar devem ser considerados como parte de tais mecanismos.
Conclusão
A Philips embarcou em uma jornada para aproveitar o poder dos algoritmos baseados em dados para revolucionar as soluções de saúde. Ao longo dos anos, a inovação em diagnóstico por imagem rendeu diversas aplicações de ML, desde reconstrução de imagens até gerenciamento de fluxo de trabalho e otimização de tratamento. No entanto, a diversidade de configurações, desde laptops individuais até clusters locais e infraestrutura em nuvem, representava desafios formidáveis. A administração de sistemas, medidas de segurança, mecanismos de suporte e protocolo de dados separados inibiam uma visão abrangente do TCO e transições complicadas entre equipes. A transição da pesquisa e desenvolvimento para a produção foi prejudicada pela falta de linhagem e reprodutibilidade, dificultando a reciclagem contínua do modelo.
Como parte da colaboração estratégica entre a Philips e a AWS, a plataforma AI ToolSuite foi criada para desenvolver uma plataforma de ML escalonável, segura e compatível com SageMaker. Esta plataforma oferece recursos que vão desde experimentação, anotação de dados, treinamento, implantações de modelos e modelos reutilizáveis. Todos esses recursos foram desenvolvidos iterativamente ao longo de vários ciclos de descoberta, design, construção, teste e implantação. Isso ajudou diversas unidades de negócios a inovar com velocidade e agilidade, ao mesmo tempo em que governavam em escala com controles centrais.
Esta jornada serve de inspiração para organizações que buscam aproveitar o poder da IA e do ML para impulsionar a inovação e a eficiência na área da saúde, beneficiando, em última análise, pacientes e prestadores de cuidados de saúde em todo o mundo. À medida que continua a desenvolver este sucesso, a Philips está preparada para fazer avanços ainda maiores na melhoria dos resultados de saúde através de soluções inovadoras baseadas em IA.
Para saber mais sobre a inovação da Philips na AWS, visite Philips na AWS.
Sobre os autores
Frank Wartena é gerente de programa da Philips Innovation & Strategy. Ele coordena ativos de plataforma relacionados a dados e IA em apoio às nossas propostas habilitadas para dados e IA da Philips. Possui ampla experiência em inteligência artificial, ciência de dados e interoperabilidade. Nas horas vagas, Frank gosta de correr, ler e remar, além de passar tempo com a família.
Irina Fedulova é líder principal de dados e IA na Philips Innovation & Strategy. Ela está conduzindo atividades estratégicas focadas em ferramentas, plataformas e práticas recomendadas que aceleram e dimensionam o desenvolvimento e a produção de soluções habilitadas para IA (gerativa) na Philips. Irina tem sólida formação técnica em aprendizado de máquina, computação em nuvem e engenharia de software. Fora do trabalho, ela gosta de passar tempo com a família, viajar e ler.
Selvakumar Palaniyappan é Product Owner da Philips Innovation & Strategy, responsável pelo gerenciamento de produtos da plataforma Philips HealthSuite AI & ML. Ele tem grande experiência em gerenciamento técnico de produtos e engenharia de software. Atualmente, ele está trabalhando na construção de uma plataforma de desenvolvimento e implantação de IA e ML escalonável e compatível. Além disso, ele está liderando a sua adoção pelas equipes de ciência de dados da Philips, a fim de desenvolver sistemas e soluções de saúde baseados em IA.
Adnan Elci é arquiteto sênior de infraestrutura em nuvem na AWS Professional Services. Ele atua na qualidade de líder técnico, supervisionando diversas operações para clientes nas áreas de saúde e ciências biológicas, finanças, aviação e manufatura. Seu entusiasmo pela automação é evidente em seu amplo envolvimento no projeto, construção e implementação de soluções de nível empresarial para clientes no ambiente AWS. Além dos seus compromissos profissionais, Adnan dedica-se ativamente ao trabalho voluntário, esforçando-se para criar um impacto significativo e positivo na comunidade.
Hasan Poonawala é arquiteto de soluções especialista em IA/ML sênior na AWS, Hasan ajuda os clientes a projetar e implantar aplicativos de aprendizado de máquina em produção na AWS. Ele tem mais de 12 anos de experiência de trabalho como cientista de dados, praticante de aprendizado de máquina e desenvolvedor de software. Em seu tempo livre, Hasan adora explorar a natureza e passar tempo com amigos e familiares.
Sreoshi Roy é gerente sênior de engajamento global da AWS. Como parceira de negócios dos clientes de saúde e ciências biológicas, ela possui uma experiência incomparável na definição e fornecimento de soluções para problemas de negócios complexos. Ela ajuda seus clientes a estabelecer objetivos estratégicos, definir e projetar estratégias de nuvem/dados e implementar a solução escalonada e robusta para atender aos seus objetivos técnicos e de negócios. Além de seus esforços profissionais, sua dedicação reside em criar um impacto significativo na vida das pessoas, fomentando a empatia e promovendo a inclusão.
Wajahat Aziz é líder em IA/ML e HPC na equipe AWS Healthcare e Life Sciences. Tendo atuado como líder de tecnologia em diferentes funções em organizações de ciências biológicas, Wajahat aproveita sua experiência para ajudar clientes de saúde e ciências biológicas a aproveitar as tecnologias da AWS para desenvolver soluções de ML e HPC de última geração. Suas atuais áreas de foco são pesquisas iniciais, ensaios clínicos e aprendizado de máquina com preservação de privacidade.
Wioletta Stobieniecka é cientista de dados na AWS Professional Services. Ao longo de sua carreira profissional, ela entregou vários projetos baseados em análises para diferentes setores, como bancos, seguros, telecomunicações e setor público. Seu conhecimento de métodos estatísticos avançados e aprendizado de máquina é bem combinado com visão de negócios. Ela traz avanços recentes de IA para criar valor para os clientes.
- Conteúdo com tecnologia de SEO e distribuição de relações públicas. Seja amplificado hoje.
- PlatoData.Network Gerativa Vertical Ai. Capacite-se. Acesse aqui.
- PlatoAiStream. Inteligência Web3. Conhecimento Amplificado. Acesse aqui.
- PlatãoESG. Carbono Tecnologia Limpa, Energia, Ambiente, Solar, Gestão de resíduos. Acesse aqui.
- PlatoHealth. Inteligência em Biotecnologia e Ensaios Clínicos. Acesse aqui.
- Fonte: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- :tem
- :é
- :não
- :onde
- $UP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- habilidade
- Capaz
- Sobre
- acelerar
- acelera
- Acesso
- Acesso a dados
- acessadas
- acessível
- responsabilidade
- Contas
- precisão
- preciso
- alcançado
- em
- acionável
- ativamente
- atividades
- perspicácia
- Adição
- Adicional
- aderência
- admin
- administração
- administrativo
- adotar
- Adoção
- avançado
- avanços
- contra
- AI
- AI / ML
- Destinado
- Alertas
- algoritmo
- algoritmos
- Todos os Produtos
- distribuir
- alocado
- permitir
- Permitindo
- permite
- já
- tb
- Amazon
- Amazon Sage Maker
- Amazon Web Services
- entre
- quantidade
- an
- analítica
- analisar
- análise
- e
- APIs
- Aplicação
- aplicações
- abordagem
- aprovou
- arquitetura
- SOMOS
- áreas
- artificial
- inteligência artificial
- Inteligência artificial (AI)
- AS
- ativo
- Ativos
- atribuído
- associado
- garantia
- At
- auditoria
- auditorias
- Autenticação
- automatizar
- Automatizado
- automaticamente
- automatizando
- Automação
- disponibilidade
- disponível
- média
- aviação
- evitar
- AWS
- Serviços Profissionais AWS
- em caminho duplo
- fundo
- equilíbrio
- Bancário
- base
- baseado
- BE
- sido
- comportamento
- aferimento
- beneficiando
- MELHOR
- melhores práticas
- entre
- Pós
- viés
- vieses
- morada
- Blog
- projeto
- impulsionar
- impulsionar
- ambos
- gargalos
- violações
- Traz
- amplo
- orçamento
- Orçamentos
- Bug
- construir
- Prédio
- construído
- negócio
- mas a
- by
- chamada
- CAN
- capacidades
- Capacidade
- Cartões
- Cuidado
- Oportunidades
- cuidadoso
- casas
- casos
- catálogo
- Centros
- central
- centralizada
- certificações
- desafios
- Campeões
- Alterações
- carregar
- clássico
- clientes
- Clínico
- ensaios clínicos
- médicos
- de perto
- Na nuvem
- computação em nuvem
- infraestrutura de nuvem
- código
- base de código
- Codificação
- colaboração
- colaborativo
- combinado
- vem
- compromissos
- comum
- comunidade
- Empresas
- Empresa
- integrações
- compliance
- compatível
- complicado
- componente
- componentes
- compreensivo
- Composto
- computacional
- Computar
- computador
- Visão de Computador
- computação
- concernente
- conclui
- condutor
- conectado
- consideração
- Considerações
- considerado
- Recipiente
- contém
- contexto
- continuar
- contínuo
- continuamente
- Continuum
- ao controle
- controles
- núcleo
- Custo
- Gestão de Custos
- economia de custos
- custos
- cobertura
- crio
- Criar valor
- criado
- Criar
- criação
- crítico
- equipes multifuncionais
- crucial
- comissariada
- Atual
- Atualmente
- personalizadas
- cliente
- experiência do cliente
- Soluções para clientes
- Clientes
- personalizar
- ciclo
- ciclos
- dados,
- Violações de dados
- centros de dados
- Data Exchange
- gestão de dados
- Preparação de dados
- informática
- ciência de dados
- cientista de dados
- segurança dos dados
- orientado por dados
- conjuntos de dados
- dias
- dedicado
- dedicação
- profundo
- deep learning
- definir
- definição
- Atrasado
- entregar
- entregue
- entregando
- Demanda
- demandas
- demonstrando
- implantar
- implantado
- desenvolvimento
- Implantações
- descreve
- Design
- projetado
- concepção
- detalhado
- Detecção
- desenvolver
- desenvolvido
- Developer
- desenvolvedores
- em desenvolvimento
- Desenvolvimento
- diagnóstico
- Diagnóstico por imagem
- diagnósticos
- diferente
- difícil
- descobrir
- discutir
- doenças
- distinto
- distribuindo
- diferente
- Médicos
- documento
- documentação
- domínio
- domínios
- feito
- down
- tempo de inatividade
- dezenas
- distância
- dirigido
- Drivers
- condução
- dois
- durante
- dinamicamente
- Cedo
- mais fácil
- facilmente
- ecossistema
- borda
- efetivamente
- eficiência
- eficiente
- eficientemente
- esforços
- ou
- elementos
- embarcou
- embutindo
- empatia
- permitir
- habilitado
- permite
- permitindo
- criptografia
- final
- end-to-end
- esforços
- COMPROMETIMENTO
- engenheiro
- Engenharia
- Engenheiros
- aumentar
- aprimorada
- Melhorias
- Melhora
- garantir
- garante
- assegurando
- Empreendimento
- entusiasmo
- Todo
- Meio Ambiente
- ambientes
- erro
- especialmente
- essencial
- avaliar
- avaliação
- Mesmo
- eventos
- eventualmente
- Cada
- evidente
- evolução
- exemplo
- exemplos
- excelente
- exchange
- existente
- esperado
- vasta experiência
- experiente
- Experiências
- experimentar
- experimentos
- explorar
- extensão
- extenso
- extrato
- Rosto
- facilita
- justiça
- familiar
- família
- RÁPIDO
- mais rápido
- Característica
- Funcionalidades
- retornos
- Figura
- Envie o
- final
- financiar
- Primeiro nome
- Foco
- focado
- seguinte
- Escolha
- formidável
- para a frente
- fomento
- Foundation
- fragmentado
- Quadro
- franco
- amigos
- da
- Combustível
- cheio
- totalmente
- funcionalidades
- fundamental
- mais distante
- Além disso
- futuro
- geração
- generativo
- IA generativa
- GitHub
- dado
- Global
- Go
- Bom estado, com sinais de uso
- governo
- governando
- governa
- GPUs
- maior
- Solo
- Cresça:
- Crescente
- orientações
- dirigido
- manipular
- arreios
- Aproveitamento
- Ter
- ter
- he
- Saúde
- sistemas de saúde
- saúde
- setor de saúde
- ajudar
- ajudou
- ajuda
- ajuda
- sua experiência
- Alta
- alta performance
- destaques
- altamente
- ele mesmo
- sua
- história
- segurando
- horizontalmente
- hora
- Como funciona o dobrador de carta de canal
- Contudo
- hpc
- HTML
- http
- HTTPS
- humano
- identificado
- identificar
- identificar
- Identidade
- inativo
- ilustra
- imagem
- imagens
- Imagiologia
- Impacto
- imperativo
- executar
- implementado
- implementação
- importante
- melhorar
- melhorias
- melhorar
- in
- incluir
- inclui
- Incluindo
- Inclusão
- aumentando
- indicadores
- Individual
- indústrias
- indústria
- padrões da indústria
- ineficiências
- INFORMAÇÕES
- Infraestrutura
- inicialmente
- inovar
- Inovação
- Estratégia de Inovação
- inovadores
- entrada
- insights
- Inspiração
- instância
- em vez disso
- com seguro
- integrar
- integrado
- integração
- integrações
- Inteligência
- Interface
- interfaces de
- interno
- Internet
- Interoperabilidade
- interpretação
- intervenções
- para dentro
- envolver
- envolvido
- envolvimento
- Irina
- isolado
- isolamento
- questões
- IT
- iteração
- ESTÁ
- Trabalho
- articulação
- viagem
- jpg
- Guarda
- Chave
- Conhecimento
- laboratório
- marcação
- Falta
- laptops
- grande
- Latência
- lançamento
- camada
- conduzir
- líder
- principal
- APRENDER
- aprendizagem
- Legal
- enquadramento jurídico
- menos
- Nível
- Alavancagem
- aproveita as
- encontra-se
- vida
- Ciência da vida
- Ciências da Vida
- wifecycwe
- como
- limites
- linhagem
- linhas
- viver
- Vidas
- carregar
- local
- locais
- log
- logging
- procurando
- ama
- máquina
- aprendizado de máquina
- moldadas
- Sustentável
- Manter
- mantém
- manutenção
- fazer
- FAZ
- Fazendo
- gerencia
- gerenciados
- de grupos
- Ferramentas de gestão
- Gerente
- gestão
- obrigatório
- maneira
- manual
- fabrica
- muitos
- mercado
- maturidade
- significativo
- medidas
- mecanismos
- médico
- Conheça
- Membros
- metadados
- métodos
- métrico
- milhões
- mínimo
- ML
- MLOps
- modelo
- modelos
- modulares
- Monitore
- monitorados
- monitoração
- mais
- mover
- MRI
- múltiplo
- multidão
- devo
- nativo
- Natureza
- necessário
- você merece...
- Cria
- networking
- Novo
- Novos usuários
- Próximo
- não
- caderno
- Notas
- notificações
- agora
- número
- objeto
- Detecção de Objetos
- objetivos
- of
- oferecendo treinamento para distância
- Oferece
- on
- A bordo
- uma vez
- ONE
- contínuo
- aberto
- open source
- opera
- operacional
- Operações
- oportunidades
- ideal
- otimização
- Otimize
- otimizado
- otimizando
- or
- Saúde bucal
- ordem
- organização
- organizações
- Organizado
- Outros
- Outros
- A Nossa
- resultados
- esboço
- lado de fora
- Acima de
- global
- supervisionando
- proprietário
- Paralelo
- parte
- parceiro
- parceria
- Parceiros
- passes
- passado
- paciente
- pacientes
- pagar
- Pessoas
- pessoas
- para
- atuação
- permissões
- pessoal
- Personalizado
- Pioneirismo
- oleoduto
- Lugar
- plataforma
- Plataformas
- platão
- Inteligência de Dados Platão
- PlatãoData
- equilibrado
- Privacidade
- portabilidade
- colocada
- positivo
- Publique
- potencial
- poder
- poderoso
- práticas
- preciso
- predizer
- preferido
- preparação
- Preparar
- preparado
- preservando
- pressão
- evitar
- Diretor
- política de privacidade
- Proactive
- problemas
- procedimentos
- processo
- processos
- em processamento
- Produto
- gestão de produtos
- Produção
- produtividade
- Produtos
- profissional
- Agenda
- projeto
- dados do projeto
- projetos
- promessas
- Promoção
- proprietário
- protocolo
- fornecer
- fornecido
- fornecedores
- fornece
- fornecendo
- público
- fins
- qualidade
- consultas
- Links
- Corrida
- alcance
- variando
- rapidamente
- Leitura
- pronto
- mundo real
- em tempo real
- receber
- recentemente
- recomendar
- recomendações
- Reduzido
- redução
- registro
- regulamentadas
- regulamentos
- reguladores
- Conformidade Regulamentar
- relacionado
- liberar
- liberação
- confiabilidade
- confiável
- remoto
- Denunciar
- Relatórios
- repositório
- solicitar
- requeridos
- Requisitos
- exige
- pesquisa
- pesquisa e desenvolvimento
- recurso
- Recursos
- resposta
- Resultados
- reutilizável
- Opinões
- revolucionar
- rigoroso
- Risco
- riscos
- uma conta de despesas robusta
- Tipo
- papéis
- Execute
- corrida
- sacrificando
- sábio
- poupança
- Poupança
- AMPLIAR
- escalável
- Escala
- Ciência
- CIÊNCIAS
- Cientista
- cientistas
- desatado
- sem problemas
- Segundo
- seções
- setor
- seguro
- segurança
- Auditorias de segurança
- Medidas de Segurança
- senior
- separado
- servir
- servido
- serve
- serviço
- Serviços
- conjunto
- Conjuntos
- contexto
- vários
- compartilhando
- ela
- mudança
- rede de apoio social
- apresentando
- mostrando
- fechar
- Encerre
- de forma considerável
- simples
- simplificando
- desde
- smart
- So
- Software
- Engenharia de software
- solução
- Soluções
- alguns
- fonte
- Fontes
- abrangendo
- vãos
- encabeçando
- especialista
- específico
- especificamente
- especificação
- velocidade
- gastar
- Passar
- picos
- encenação
- padrões
- fica
- começo
- começa
- Startups
- estado-da-arte
- estatístico
- estatística
- ficar
- armazenamento
- loja
- lojas
- armazenar
- franco
- Estratégico
- estratégias
- Estratégia
- avanços
- esforçando-se
- mais forte,
- estrutura
- estruturada
- estudo
- sucesso
- tal
- suíte
- ajuda
- certo
- sintoma
- .
- sistemas
- adaptados
- Tire
- tarefas
- Profissionais
- Membros do time
- equipes
- tecnologia
- Dados Técnicos:
- Tecnologias
- Tecnologia
- Telco
- tele-saúde
- modelos
- condições
- teste
- ensaio
- do que
- que
- A
- O Futuro
- deles
- Eles
- então
- Lá.
- assim
- Este
- deles
- Terceiro
- De terceiros
- isto
- três
- limiar
- Através da
- todo
- tempo
- demorado
- oportuno
- vezes
- para
- juntos
- ferramentas
- para
- Rastreabilidade
- pista
- Rastreamento
- Trem
- treinado
- Training
- Transformar
- transição
- transições
- Transparência
- Viagens
- tratamento
- ensaios
- verdadeiramente
- tipos
- tipicamente
- Em última análise
- não autorizado
- compreender
- Inesperado
- unificado
- único
- singularidade
- unidades
- Universidades
- soltar
- inigualável
- não usado
- Atualizações
- atualizações
- sobre
- usar
- caso de uso
- usava
- usuários
- usos
- utilização
- utilizado
- Utilizando
- validado
- validação
- Valioso
- valor
- variedade
- vário
- Grande
- versão
- verticalmente
- muito
- via
- Ver
- praticamente
- visão
- Visite a
- visual
- volume
- voluntário
- foi
- we
- web
- serviços web
- semanas
- BEM
- foram
- quando
- qual
- enquanto
- QUEM
- Largo
- Ampla variedade
- precisarão
- de
- dentro
- sem
- Atividades:
- de gestão de documentos
- fluxos de trabalho
- trabalhar
- no mundo todo
- anos
- rendido
- zefirnet
- zonas