Detta är en gemensam blogg med AWS och Philips.
Philips är ett hälsoteknikföretag fokuserat på att förbättra människors liv genom meningsfull innovation. Sedan 2014 har företaget erbjudit sina kunder sin Philips HealthSuite Platform, som orkestrerar dussintals AWS-tjänster som hälso- och biovetenskapsföretag använder för att förbättra patientvården. Det samarbetar med vårdgivare, startups, universitet och andra företag för att utveckla teknik som hjälper läkare att ställa mer exakta diagnoser och leverera mer personlig behandling för miljontals människor världen över.
En av huvuddrivkrafterna för Philips innovationsstrategi är artificiell intelligens (AI), som möjliggör skapandet av smarta och personliga produkter och tjänster som kan förbättra hälsoresultaten, förbättra kundupplevelsen och optimera operativ effektivitet.
Amazon SageMaker tillhandahåller specialbyggda verktyg för maskininlärningsoperationer (MLOps) för att hjälpa till att automatisera och standardisera processer över hela ML:s livscykel. Med SageMaker MLOps-verktyg kan team enkelt träna, testa, felsöka, distribuera och styra ML-modeller i stor skala för att öka produktiviteten för datavetare och ML-ingenjörer samtidigt som modellprestanda i produktionen bibehålls.
I det här inlägget beskriver vi hur Philips samarbetade med AWS för att utveckla AI ToolSuite – en skalbar, säker och kompatibel ML-plattform på SageMaker. Den här plattformen erbjuder funktioner som sträcker sig från experiment, datakommentarer, utbildning, modellinstallationer och återanvändbara mallar. Alla dessa funktioner är byggda för att hjälpa flera branscher att förnya sig med snabbhet och smidighet samtidigt som de styr i stor skala med centrala kontroller. Vi beskriver de viktigaste användningsfallen som gav krav för den första iterationen av plattformen, kärnkomponenterna och de uppnådda resultaten. Vi avslutar med att identifiera de pågående ansträngningarna för att möjliggöra för plattformen generativa AI-arbetsbelastningar och snabbt ombord nya användare och team att ta till sig plattformen.
Kundsammanhang
Philips använder AI inom olika domäner, såsom bildbehandling, diagnostik, terapi, personlig hälsa och uppkopplad vård. Några exempel på AI-aktiverade lösningar som Philips har utvecklat under de senaste åren är:
- Philips SmartSpeed – En AI-baserad avbildningsteknik för MRI som använder en unik Compressed-SENSE-baserad djupinlärnings-AI-algoritm för att ta hastighet och bildkvalitet till nästa nivå för ett stort antal patienter
- Philips eCareManager – En telehälsolösning som använder AI för att stödja fjärrvård och hantering av kritiskt sjuka patienter på intensivvårdsavdelningar, genom att använda avancerad analys och kliniska algoritmer för att bearbeta patientdata från flera källor, och ge handlingsbara insikter, varningar och rekommendationer för vårdteam
- Philips Sonicare – En smart tandborste som använder AI för att analysera borstbeteende och munhälsa hos användare, och ge vägledning i realtid och personliga rekommendationer, såsom optimal borstningstid, tryck och täckning, för att förbättra deras tandhygien och förebygga hål och tandköttssjukdomar .
Under många år har Philips varit banbrytande inom utvecklingen av datadrivna algoritmer för att driva på sina innovativa lösningar över hela hälsovårdskontinuumet. Inom området för bilddiagnostik utvecklade Philips en mängd ML-applikationer för medicinsk bildrekonstruktion och tolkning, arbetsflödeshantering och behandlingsoptimering. Även inom patientövervakning, bildstyrd terapi, ultraljud och personlig hälsa har team skapat ML-algoritmer och applikationer. Innovation försvårades dock på grund av att man använde fragmenterade AI-utvecklingsmiljöer mellan team. Dessa miljöer sträckte sig från enskilda bärbara och stationära datorer till olika lokala beräkningskluster och molnbaserad infrastruktur. Denna heterogenitet gjorde det till en början möjligt för olika team att gå snabbt i sina tidiga AI-utvecklingsinsatser, men håller nu tillbaka möjligheter att skala och förbättra effektiviteten i våra AI-utvecklingsprocesser.
Det var uppenbart att en grundläggande förändring mot en enhetlig och standardiserad miljö var absolut nödvändig för att verkligen frigöra potentialen hos datadrivna strävanden hos Philips.
Viktiga AI/ML-användningsfall och plattformskrav
AI/ML-aktiverade förslag kan förvandla sjukvården genom att automatisera administrativa uppgifter som utförs av kliniker. Till exempel:
- AI kan analysera medicinska bilder för att hjälpa radiologer att diagnostisera sjukdomar snabbare och mer exakt
- AI kan förutsäga framtida medicinska händelser genom att analysera patientdata och förbättra proaktiv vård
- AI kan rekommendera personlig behandling skräddarsydd efter patienternas behov
- AI kan extrahera och strukturera information från kliniska anteckningar för att göra registreringen mer effektiv
- AI-gränssnitt kan ge patientstöd för frågor, påminnelser och symptomkontroller
Sammantaget lovar AI/ML minskade mänskliga fel, tids- och kostnadsbesparingar, optimerade patientupplevelser och snabba, personliga insatser.
Ett av nyckelkraven för ML-utvecklings- och distributionsplattformen var plattformens förmåga att stödja den kontinuerliga iterativa utvecklings- och distributionsprocessen, som visas i följande figur.
Utvecklingen av AI-tillgångar börjar i en labbmiljö, där data samlas in och kureras, och sedan tränas och valideras modellerna. När modellen är klar och godkänd för användning distribueras den i de verkliga produktionssystemen. När den väl har implementerats övervakas modellens prestanda kontinuerligt. Den verkliga prestandan och feedbacken används så småningom för ytterligare modellförbättringar med full automatisering av modellträning och implementering.
De mer detaljerade AI ToolSuite-kraven drevs av tre exempel på användningsfall:
- Utveckla en datorseende applikation som syftar till objektdetektering vid kanten. Datavetenskapsteamet förväntade sig att ett AI-baserat automatiserat arbetsflöde för bildkommentarer skulle påskynda en tidskrävande märkningsprocess.
- Gör det möjligt för ett datavetenskapsteam att hantera en familj av klassiska ML-modeller för benchmarking av statistik över flera medicinska enheter. Projektet krävde automatisering av modellinstallation, experimentspårning, modellövervakning och mer kontroll över hela processen från början både för granskning och omskolning i framtiden.
- Förbättra kvaliteten och tiden till marknaden för modeller för djupinlärning inom diagnostisk medicinsk bildbehandling. Den befintliga datorinfrastrukturen tillät inte att köra många experiment parallellt, vilket försenade modellutvecklingen. Dessutom är det, för regulatoriska ändamål, nödvändigt att möjliggöra full reproducerbarhet av modellträning under flera år.
Icke-funktionella krav
Att bygga en skalbar och robust AI/ML-plattform kräver noggrant övervägande av icke-funktionella krav. Dessa krav går utöver plattformens specifika funktioner och fokuserar på att säkerställa följande:
- skalbarhet – AI ToolSuite-plattformen måste kunna skala Philips infrastruktur för generering av insikter mer effektivt så att plattformen kan hantera en växande mängd data, användare och AI/ML-arbetsbelastningar utan att offra prestanda. Den bör utformas för att skala horisontellt och vertikalt för att möta ökande krav sömlöst samtidigt som den tillhandahåller central resurshantering.
- prestanda – Plattformen måste leverera högpresterande beräkningsmöjligheter för att effektivt bearbeta komplexa AI/ML-algoritmer. SageMaker erbjuder ett brett utbud av instanstyper, inklusive instanser med kraftfulla GPU:er, som avsevärt kan påskynda modellträning och slutledningsuppgifter. Det bör också minimera latens och svarstider för att ge resultat i realtid eller nästan i realtid.
- Pålitlighet – Plattformen måste tillhandahålla en mycket pålitlig och robust AI-infrastruktur som sträcker sig över flera tillgänglighetszoner. Denna multi-AZ-arkitektur bör säkerställa oavbruten AI-drift genom att distribuera resurser och arbetsbelastningar över distinkta datacenter.
- Tillgänglighet – Plattformen måste vara tillgänglig 24/7, med minimal stilleståndstid för underhåll och uppgraderingar. AI ToolSuites höga tillgänglighet bör inkludera lastbalansering, feltoleranta arkitekturer och proaktiv övervakning.
- Säkerhet och styrning – Plattformen måste använda robusta säkerhetsåtgärder, kryptering, åtkomstkontroller, dedikerade roller och autentiseringsmekanismer med kontinuerlig övervakning av ovanliga aktiviteter och genomförande av säkerhetsrevisioner.
- Datahantering – Effektiv datahantering är avgörande för AI/ML-plattformar. Regleringar inom hälso- och sjukvårdsbranschen kräver särskilt rigorös datastyrning. Den bör inkludera funktioner som dataversionering, datalinje, datastyrning och datakvalitetssäkring för att säkerställa korrekta och tillförlitliga resultat.
- Interoperabilitet – Plattformen bör utformas för att enkelt integreras med Philips interna datalager, vilket möjliggör sömlöst datautbyte och samarbete med tredjepartsapplikationer.
- underhåll – Plattformens arkitektur och kodbas bör vara välorganiserad, modulär och underhållbar. Detta gör det möjligt för Philips ML-ingenjörer och -utvecklare att tillhandahålla uppdateringar, buggfixar och framtida förbättringar utan att störa hela systemet.
- Resursoptimering – Plattformen bör övervaka användningsrapporter mycket noga för att säkerställa att datorresurser används effektivt och allokera resurser dynamiskt baserat på efterfrågan. Dessutom bör Philips använda AWS-fakturerings- och kostnadshanteringsverktyg för att se till att team får aviseringar när användningen passerar det tilldelade tröskelbeloppet.
- Övervakning och loggning – Plattformen ska använda amazoncloudwatch varningar för omfattande övervaknings- och loggningsfunktioner, som är nödvändiga för att spåra systemprestanda, identifiera flaskhalsar och felsöka problem effektivt.
- Compliance – Plattformen kan också hjälpa till att förbättra regelefterlevnaden av AI-aktiverade propositioner. Reproducerbarhet och spårbarhet måste aktiveras automatiskt av end-to-end databehandlingspipelines, där många obligatoriska dokumentationsartefakter, såsom datalinjerapporter och modellkort, kan förberedas automatiskt.
- Testning och validering – Rigorösa test- och valideringsprocedurer måste finnas på plats för att säkerställa noggrannheten och tillförlitligheten hos AI/ML-modeller och förhindra oavsiktliga fördomar.
Lösningsöversikt
AI ToolSuite är en heltäckande, skalbar, snabbstartad AI-utvecklingsmiljö som erbjuder inbyggda SageMaker och tillhörande AI/ML-tjänster med Philips HealthSuite säkerhets- och integritetsskydd och Philips ekosystemintegrationer. Det finns tre personas med dedikerade uppsättningar av åtkomstbehörigheter:
- Datavetenskapare – Förbered data, och utveckla och träna modeller i en samarbetsmiljö
- ML-ingenjör – Produktionisera ML-applikationer med modelldistribution, övervakning och underhåll
- Data science admin – Skapa ett projekt per teamförfrågan för att tillhandahålla dedikerade isolerade miljöer med användningsfallsspecifika mallar
Plattformsutvecklingen sträckte sig över flera releasecykler i en iterativ cykel av upptäckt, design, bygg, test och implementering. På grund av det unika med vissa applikationer krävde utvidgningen av plattformen inbäddning av befintliga anpassade komponenter som datalager eller proprietära verktyg för anteckningar.
Följande figur illustrerar treskiktsarkitekturen för AI ToolSuite, inklusive basinfrastrukturen som det första lagret, vanliga ML-komponenter som det andra lagret och projektspecifika mallar som det tredje lagret.
Lager 1 innehåller basinfrastrukturen:
- Ett nätverkslager med parametriserad tillgång till internet med hög tillgänglighet
- Självbetjäningsförsörjning med infrastruktur som kod (IaC)
- En integrerad utvecklingsmiljö (IDE) som använder en Amazon SageMaker Studio domän
- Plattformsroller (datavetenskapsadministratör, datavetare)
- Förvaring av artefakter
- Loggning och övervakning för observerbarhet
Lager 2 innehåller vanliga ML-komponenter:
- Automatiserad experimentspårning för varje jobb och pipeline
- En modellbyggande pipeline för att lansera en ny modellbyggeuppdatering
- En modellutbildning pipeline som består av modellutbildning, utvärdering, registrering
- En modellinstallationspipeline för att distribuera modellen för slutlig testning och godkännande
- Ett modellregister för att enkelt hantera modellversioner
- En projektroll skapad specifikt för ett givet användningsfall, som ska tilldelas SageMaker Studio-användare
- Ett bildarkiv för lagring av bearbetnings-, utbildnings- och slutledningsbehållarebilder byggda för projektet
- Ett kodlager för att lagra kodartefakter
- Ett projekt Amazon enkel lagringstjänst (Amazon S3) hink för att lagra alla projektdata och artefakter
Lager 3 innehåller projektspecifika mallar som kan skapas med anpassade komponenter efter behov av nya projekt. Till exempel:
- Mall 1 – Innehåller en komponent för dataförfrågningar och historikspårning
- Mall 2 – Inkluderar en komponent för datakommentarer med ett anpassat anteckningsarbetsflöde för att använda proprietära annoteringsverktyg
- Mall 3 – Innehåller komponenter för anpassade containeravbildningar för att anpassa både deras utvecklingsmiljö och utbildningsrutiner, dedikerat HPC-filsystem och åtkomst från en lokal IDE för användare
Följande diagram visar de viktigaste AWS-tjänsterna som spänner över flera AWS-konton för utveckling, iscensättning och produktion.
I följande avsnitt diskuterar vi nyckelfunktionerna hos plattformen som aktiveras av AWS-tjänster, inklusive SageMaker, AWS servicekatalog, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS identitets- och åtkomsthantering (IAM) och andra.
Infrastruktur som kod
Plattformen använder IaC, vilket gör att Philips kan automatisera provisionering och hantering av infrastrukturresurser. Detta tillvägagångssätt kommer också att bidra till reproducerbarhet, skalbarhet, versionskontroll, konsekvens, säkerhet och portabilitet för utveckling, testning eller produktion.
Tillgång till AWS-miljöer
SageMaker och tillhörande AI/ML-tjänster nås med säkerhetsräcken för dataförberedelse, modellutveckling, utbildning, anteckningar och distribution.
Isolering och samarbete
Plattformen säkerställer dataisolering genom att lagra och behandla separat, vilket minskar risken för obehörig åtkomst eller dataintrång.
Plattformen underlättar teamsamarbete, vilket är viktigt i AI-projekt som vanligtvis involverar tvärfunktionella team, inklusive datavetare, datavetenskapsadministratörer och MLOps-ingenjörer.
Rollbaserad åtkomstkontroll
Rollbaserad åtkomstkontroll (RBAC) är väsentlig för att hantera behörigheter och förenkla åtkomsthantering genom att definiera roller och behörigheter på ett strukturerat sätt. Det gör det enkelt att hantera behörigheter när team och projekt växer och åtkomstkontroll för olika personer som är involverade i AWS AI/ML-projekt, såsom datavetenskapsadministratören, datavetaren, annoteringsadministratören, annotatorn och MLOps-ingenjören.
Tillgång till datalager
Plattformen ger SageMaker tillgång till datalager, vilket säkerställer att data effektivt kan utnyttjas för modellträning och slutledning utan att behöva duplicera eller flytta data över olika lagringsplatser, och därigenom optimera resursutnyttjandet och minska kostnaderna.
Anteckning med Philips-specifika anteckningsverktyg
AWS erbjuder en svit av AI- och ML-tjänster, såsom SageMaker, Amazon SageMaker Ground Sannhetoch Amazon Cognito, som är helt integrerade med Philips-specifika interna annoteringsverktyg. Denna integrering gör det möjligt för utvecklare att träna och distribuera ML-modeller med hjälp av kommenterade data i AWS-miljön.
ML mallar
AI ToolSuite-plattformen erbjuder mallar i AWS för olika ML-arbetsflöden. Dessa mallar är förkonfigurerade infrastrukturinställningar som är skräddarsydda för specifika ML-användningsfall och är tillgängliga via tjänster som SageMaker projektmallar, AWS molnformationoch Servicekatalog.
Integration med Philips GitHub
Integration med GitHub ökar effektiviteten genom att tillhandahålla en centraliserad plattform för versionskontroll, kodgranskning och automatiserade CI/CD-pipelines (kontinuerlig integration och kontinuerlig distribution), vilket minskar manuella uppgifter och ökar produktiviteten.
Visual Studio Code integration
Integration med Visual Studio Code ger en enhetlig miljö för kodning, felsökning och hantering av ML-projekt. Detta effektiviserar hela ML-arbetsflödet, vilket minskar kontextbyten och sparar tid. Integrationen förbättrar också samarbetet mellan teammedlemmar genom att göra det möjligt för dem att arbeta på SageMaker-projekt tillsammans i en välbekant utvecklingsmiljö, använda versionskontrollsystem och dela kod och bärbara datorer sömlöst.
Modell- och datalinje och spårbarhet för reproducerbarhet och efterlevnad
Plattformen tillhandahåller versionshantering, som hjälper till att hålla reda på förändringar av dataforskarens utbildning och slutledningsdata över tid, vilket gör det lättare att reproducera resultat och förstå utvecklingen av datamängderna.
Plattformen möjliggör även SageMaker-experimentspårning, vilket gör att slutanvändare kan logga och spåra all metadata som är associerad med deras ML-experiment, inklusive hyperparametrar, indata, kod och modellartefakter. Dessa funktioner är viktiga för att visa överensstämmelse med regulatoriska standarder och säkerställa transparens och ansvarsskyldighet i AI/ML-arbetsflöden.
Generering av AI/ML-specifikationsrapporter för regelefterlevnad
AWS upprätthåller efterlevnadscertifieringar för olika industristandarder och föreskrifter. AI/ML-specifikationsrapporter fungerar som viktig dokumentation för överensstämmelse, som visar efterlevnad av regulatoriska krav. Dessa rapporter dokumenterar versioneringen av datamängder, modeller och kod. Versionskontroll är avgörande för att upprätthålla datalinje, spårbarhet och reproducerbarhet, som alla är avgörande för efterlevnad av regelverk och revision.
Budgethantering på projektnivå
Budgethantering på projektnivå gör att organisationen kan sätta gränser för utgifter, vilket hjälper till att undvika oväntade kostnader och säkerställer att ML-projekten håller sig inom budget. Med budgethantering kan organisationen allokera specifika budgetar till individuella projekt eller team, vilket hjälper team att tidigt identifiera resursineffektivitet eller oväntade kostnadspik. Förutom budgethantering, med funktionen att automatiskt stänga av lediga bärbara datorer, undviker teammedlemmarna att betala för oanvända resurser, och frigör också värdefulla resurser när de inte används aktivt, vilket gör dem tillgängliga för andra uppgifter eller användare.
Utkomster
AI ToolSuite designades och implementerades som en företagsomfattande plattform för ML-utveckling och distribution för datavetare över hela Philips. Olika krav från alla affärsenheter samlades in och beaktades under design och utveckling. Tidigt i projektet identifierade Philips mästare från affärsteamen som gav feedback och hjälpte till att utvärdera värdet av plattformen.
Följande resultat uppnåddes:
- Användarantagande är en av de viktigaste ledande indikatorerna för Philips. Användare från flera affärsenheter utbildades och togs ombord på plattformen, och det antalet förväntas växa under 2024.
- Ett annat viktigt mått är effektiviteten för användare av datavetenskap. Med AI ToolSuite distribueras nya ML-utvecklingsmiljöer på mindre än en timme istället för flera dagar.
- Datavetenskapsteam kan få tillgång till en skalbar, säker, kostnadseffektiv, molnbaserad datorinfrastruktur.
- Lag kan köra flera modellträningsexperiment parallellt, vilket avsevärt minskade den genomsnittliga träningstiden från veckor till 1–3 dagar.
- Eftersom miljöimplementeringen är helt automatiserad kräver den praktiskt taget ingen inblandning av molninfrastrukturingenjörer, vilket minskade driftskostnaderna.
- Användningen av AI ToolSuite förbättrade avsevärt den övergripande mognad av data och AI-leveranser genom att främja användningen av god ML-praxis, standardiserade arbetsflöden och reproducerbarhet från slut till ände, vilket är avgörande för regelefterlevnad inom hälsovårdsindustrin.
Ser fram emot generativ AI
När organisationer tävlar om att anta nästa toppmoderna inom AI, är det absolut nödvändigt att anta ny teknik inom ramen för organisationens säkerhets- och styrningspolicy. Arkitekturen i AI ToolSuite ger en utmärkt plan för att möjliggöra tillgång till generativa AI-funktioner i AWS för olika team hos Philips. Lag kan använda grundmodeller som görs tillgängliga med Amazon SageMaker JumpStart, som tillhandahåller ett stort antal modeller med öppen källkod från Hugging Face och andra leverantörer. Med de nödvändiga skyddsräckena redan på plats när det gäller åtkomstkontroll, projektförsörjning och kostnadskontroller kommer det att vara sömlöst för team att börja använda de generativa AI-funktionerna inom SageMaker.
Dessutom tillgång till Amazonas berggrund, en fullt hanterad API-driven tjänst för generativ AI, kan tillhandahållas för individuella konton baserat på projektkrav, och användarna kan komma åt Amazon Bedrock API:er antingen via SageMaker notebook-gränssnitt eller genom deras föredragna IDE.
Det finns ytterligare överväganden när det gäller införandet av generativ AI i en reglerad miljö, såsom sjukvård. Noggrann hänsyn måste tas till värdet som skapas av generativa AI-tillämpningar mot de associerade riskerna och kostnaderna. Det finns också ett behov av att skapa ett risk- och rättsligt ramverk som styr organisationens användning av generativ AI-teknik. Element som datasäkerhet, partiskhet och rättvisa och regelefterlevnad måste betraktas som en del av sådana mekanismer.
Slutsats
Philips gav sig ut på en resa för att utnyttja kraften i datadrivna algoritmer för att revolutionera hälsovårdslösningar. Under åren har innovation inom diagnostisk bildbehandling gett flera ML-applikationer, från bildrekonstruktion till arbetsflödeshantering och behandlingsoptimering. Men det varierande utbudet av inställningar, från enskilda bärbara datorer till lokala kluster och molninfrastruktur, innebar enorma utmaningar. Separat systemadministration, säkerhetsåtgärder, stödmekanismer och dataprotokoll hämmade en heltäckande bild av TCO och komplicerade övergångar mellan team. Övergången från forskning och utveckling till produktion belastades av bristen på härstamning och reproducerbarhet, vilket försvårade kontinuerlig omskolning av modeller.
Som en del av det strategiska samarbetet mellan Philips och AWS skapades AI ToolSuite-plattformen för att utveckla en skalbar, säker och kompatibel ML-plattform med SageMaker. Den här plattformen erbjuder funktioner som sträcker sig från experiment, datakommentarer, utbildning, modellinstallationer och återanvändbara mallar. Alla dessa funktioner byggdes iterativt under flera cykler av upptäckt, design, bygg, test och implementering. Detta hjälpte flera affärsenheter att förnya sig med snabbhet och smidighet samtidigt som de styrde i stor skala med centrala kontroller.
Den här resan tjänar som en inspiration för organisationer som vill utnyttja kraften i AI och ML för att driva innovation och effektivitet inom sjukvården, vilket i slutändan gynnar patienter och vårdgivare över hela världen. När de fortsätter att bygga vidare på denna framgång står Philips redo att göra ännu större framsteg för att förbättra hälsoresultaten genom innovativa AI-aktiverade lösningar.
För att lära dig mer om Philips innovation på AWS, besök Philips på AWS.
Om författarna
Frank Wartena är programledare på Philips Innovation & Strategy. Han koordinerar data- och AI-relaterade plattformstillgångar till stöd för våra Philips data- och AI-aktiverade förslag. Han har bred erfarenhet av artificiell intelligens, datavetenskap och interoperabilitet. På fritiden tycker Frank om att springa, läsa och ro och umgås med sin familj.
Irina Fedulova är Principal Data & AI Lead på Philips Innovation & Strategy. Hon driver strategiska aktiviteter fokuserade på verktyg, plattformar och bästa praxis som snabbar upp och skalar utvecklingen och produktiseringen av (generativa) AI-aktiverade lösningar hos Philips. Irina har en stark teknisk bakgrund inom maskininlärning, cloud computing och mjukvaruteknik. Utanför jobbet tycker hon om att umgås med familjen, att resa och läsa.
Selvakumar Palaniyappan är produktägare på Philips Innovation & Strategy, ansvarig för produkthantering för Philips HealthSuite AI & ML-plattform. Han har stor erfarenhet av teknisk produkthantering och mjukvaruutveckling. Han arbetar för närvarande med att bygga en skalbar och kompatibel AI- och ML-utvecklings- och distributionsplattform. Dessutom leder han antagandet av Philips datavetenskapsteam för att utveckla AI-drivna hälsosystem och lösningar.
Adnan Elci är Senior Cloud Infrastructure Architect på AWS Professional Services. Han verkar i egenskap av teknisk ledare och övervakar olika operationer för kunder inom hälsovård och biovetenskap, ekonomi, flyg och tillverkning. Hans entusiasm för automatisering är tydlig i hans omfattande engagemang i att designa, bygga och implementera kundlösningar på företagsnivå inom AWS-miljön. Utöver sina professionella åtaganden ägnar Adnan sig aktivt åt volontärarbete och strävar efter att skapa en meningsfull och positiv påverkan inom samhället.
Hasan Poonawala är Senior AI/ML Specialist Solutions Architect på AWS, Hasan hjälper kunder att designa och distribuera maskininlärningsapplikationer i produktion på AWS. Han har över 12 års arbetslivserfarenhet som datavetare, maskininlärningsutövare och mjukvaruutvecklare. På sin fritid älskar Hasan att utforska naturen och umgås med vänner och familj.
Sreoshi Roy är Senior Global Engagement Manager med AWS. Som affärspartner till Healthcare & Life Sciences-kunderna kommer hon med en oöverträffad erfarenhet av att definiera och leverera lösningar för komplexa affärsproblem. Hon hjälper sina kunder att sätta upp strategiska mål, definiera och designa moln-/datastrategier och implementera den skalade och robusta lösningen för att uppfylla deras tekniska och affärsmässiga mål. Utöver hennes professionella ansträngningar ligger hennes engagemang i att skapa en meningsfull inverkan på människors liv genom att främja empati och främja inkludering.
Wajahat Aziz är ledare för AI/ML & HPC i AWS Healthcare and Life Sciences team. Efter att ha fungerat som teknikledare i olika roller inom life science-organisationer, utnyttjar Wajahat sin erfarenhet för att hjälpa sjukvårds- och life science-kunder att utnyttja AWS-teknologier för att utveckla toppmoderna ML- och HPC-lösningar. Hans nuvarande fokusområden är tidig forskning, kliniska prövningar och integritetsbevarande maskininlärning.
Wioletta Stobieniecka är datavetare på AWS Professional Services. Under hela sin yrkeskarriär har hon levererat flera analysdrivna projekt för olika branscher som bank, försäkring, telekom och den offentliga sektorn. Hennes kunskaper om avancerade statistiska metoder och maskininlärning kombineras väl med affärsmannaskap. Hon tar med de senaste framstegen inom AI för att skapa värde för kunderna.
- SEO-drivet innehåll och PR-distribution. Bli förstärkt idag.
- PlatoData.Network Vertical Generative Ai. Styrka dig själv. Tillgång här.
- PlatoAiStream. Web3 Intelligence. Kunskap förstärkt. Tillgång här.
- Platoesg. Kol, CleanTech, Energi, Miljö, Sol, Avfallshantering. Tillgång här.
- PlatoHealth. Biotech och kliniska prövningar Intelligence. Tillgång här.
- Källa: https://aws.amazon.com/blogs/machine-learning/philips-accelerates-development-of-ai-enabled-healthcare-solutions-with-an-mlops-platform-built-on-amazon-sagemaker/
- : har
- :är
- :inte
- :var
- $UPP
- 1
- 100
- 12
- 120
- 2014
- 2024
- 7
- 87
- a
- förmåga
- Able
- Om oss
- accelerera
- accelererar
- tillgång
- Tillgång till data
- Accessed
- tillgänglig
- ansvar
- konton
- noggrannhet
- exakt
- uppnås
- tvärs
- angripbara
- aktivt
- aktiviteter
- mannaskap
- Dessutom
- Annat
- efterlevnad
- administration
- administrering
- administrativa
- anta
- Antagande
- avancerat
- framsteg
- mot
- AI
- AI / ML
- syftar
- Varningar
- algoritm
- algoritmer
- Alla
- fördela
- allokeras
- tillåter
- tillåta
- tillåter
- redan
- också
- amason
- Amazon SageMaker
- Amazon Web Services
- bland
- mängd
- an
- analytics
- analysera
- analys
- och
- API: er
- Ansökan
- tillämpningar
- tillvägagångssätt
- godkänd
- arkitektur
- ÄR
- områden
- konstgjord
- artificiell intelligens
- Konstgjord intelligens (AI)
- AS
- tillgång
- Tillgångar
- delad
- associerad
- försäkran
- At
- revision
- revisioner
- Autentisering
- automatisera
- Automatiserad
- automatiskt
- automatisera
- Automation
- tillgänglighet
- tillgänglig
- genomsnitt
- luftfarten
- undvika
- AWS
- AWS professionella tjänster
- tillbaka
- bakgrund
- balansering
- Banking
- bas
- baserat
- BE
- varit
- beteende
- benchmarking
- gynnar
- BÄST
- bästa praxis
- mellan
- Bortom
- förspänning
- förspänner
- fakturering
- Blogg
- blueprint
- lyft
- öka
- båda
- flaskhals
- överträdelser
- Bringar
- bred
- budget
- budgetar
- Bug
- SLUTRESULTAT
- Byggnad
- byggt
- företag
- men
- by
- Ring
- KAN
- kapacitet
- Kapacitet
- Kort
- vilken
- Karriär
- noggrann
- Vid
- fall
- katalog
- Centers
- centrala
- centraliserad
- certifieringar
- utmaningar
- Champions
- Förändringar
- laddning
- klassiska
- klienter
- Klinisk
- kliniska tester
- kliniker
- nära
- cloud
- cloud computing
- molninfrastruktur
- koda
- kodbas
- Kodning
- samverkan
- samarbete
- kombinerad
- kommer
- åtaganden
- Gemensam
- samfundet
- Företag
- företag
- komplex
- Efterlevnad
- kompatibel
- komplicerad
- komponent
- komponenter
- omfattande
- Består
- beräkningar
- Compute
- dator
- Datorsyn
- databehandling
- om
- avslutar
- ledande
- anslutna
- övervägande
- överväganden
- anses
- Behållare
- innehåller
- sammanhang
- fortsätta
- kontinuerlig
- kontinuerligt
- Kontinuum
- kontroll
- kontroller
- Kärna
- Pris
- Kostnadshantering
- kostnadsbesparingar
- Kostar
- täckning
- skapa
- Skapa värde
- skapas
- Skapa
- skapande
- kritisk
- tvärfunktionella team
- avgörande
- kurerad
- Aktuella
- För närvarande
- beställnings
- kund
- kundupplevelse
- Kundlösningar
- Kunder
- skräddarsy
- cykel
- cykler
- datum
- Dataöverträdelser
- datacenter
- Datautbyte
- datahantering
- Förberedelse av data
- databehandling
- datavetenskap
- datavetare
- datasäkerhet
- data driven
- datauppsättningar
- Dagar
- dedicerad
- engagemang
- djup
- djupt lärande
- definiera
- definierande
- Försenad
- leverera
- levereras
- leverera
- Efterfrågan
- krav
- demonstrera
- distribuera
- utplacerade
- utplacering
- distributioner
- beskriva
- Designa
- utformade
- design
- detaljerad
- Detektering
- utveckla
- utvecklade
- Utvecklare
- utvecklare
- utveckla
- Utveckling
- diagnostik
- Diagnostisk bildbehandling
- diagnostik
- olika
- svårt
- Upptäck
- diskutera
- sjukdomar
- distinkt
- fördelnings
- flera
- Läkare
- dokumentera
- dokumentation
- domän
- domäner
- gjort
- ner
- stilleståndstid
- dussintals
- driv
- driven
- chaufförer
- drivande
- grund
- under
- dynamiskt
- Tidig
- lättare
- lätt
- ekosystemet
- kant
- effektivt
- effektivitet
- effektiv
- effektivt
- ansträngningar
- antingen
- element
- inlett
- inbäddning
- empati
- möjliggöra
- aktiverad
- möjliggör
- möjliggör
- kryptering
- änden
- början till slut
- strävanden
- ingrepp
- ingenjör
- Teknik
- Ingenjörer
- förbättra
- förbättrad
- förbättringar
- Förbättrar
- säkerställa
- säkerställer
- säkerställa
- Företag
- entusiasm
- Hela
- Miljö
- miljöer
- fel
- speciellt
- väsentlig
- utvärdera
- utvärdering
- Även
- händelser
- så småningom
- Varje
- uppenbart
- Utvecklingen
- exempel
- exempel
- utmärkt
- utbyta
- befintliga
- förväntat
- erfarenhet
- erfaren
- Erfarenheter
- experimentera
- experiment
- utforska
- förlängning
- omfattande
- extrahera
- Ansikte
- underlättar
- rättvisa
- bekant
- familj
- SNABB
- snabbare
- Leverans
- Funktioner
- återkoppling
- Figur
- Fil
- slutlig
- finansiering
- Förnamn
- Fokus
- fokuserade
- efter
- För
- formidabel
- Framåt
- främja
- fundament
- fragmenterad
- Ramverk
- Frank
- vänner
- från
- Bränsle
- full
- fullständigt
- funktionaliteter
- grundläggande
- ytterligare
- Vidare
- framtida
- generering
- generativ
- Generativ AI
- GitHub
- ges
- Välgörenhet
- Go
- god
- styrning
- styrande
- reglerar
- GPUs
- större
- Marken
- Väx
- Odling
- vägleda
- guidad
- hantera
- sele
- Utnyttja
- Har
- har
- he
- Hälsa
- hälso- och sjukvårdssystemen
- hälso-och sjukvård
- sjukvårdsindustrin
- hjälpa
- hjälpte
- hjälpa
- hjälper
- här
- Hög
- högpresterande
- höjdpunkter
- höggradigt
- han själv
- hans
- historia
- innehav
- vågrätt
- timme
- Hur ser din drömresa ut
- Men
- HPC
- html
- http
- HTTPS
- humant
- identifierade
- identifiera
- identifiera
- Identitet
- Idle
- illustrerar
- bild
- bilder
- Imaging
- Inverkan
- nödvändigt
- genomföra
- genomföras
- genomföra
- med Esport
- förbättra
- förbättringar
- förbättra
- in
- innefattar
- innefattar
- Inklusive
- inclusivity
- ökande
- indikatorer
- individuellt
- industrier
- industrin
- industristandarder
- ineffektivitet
- informationen
- Infrastruktur
- initialt
- förnya
- Innovation
- Innovationsstrategi
- innovativa
- ingång
- insikter
- Inspiration
- exempel
- istället
- försäkring
- integrera
- integrerade
- integrering
- integrationer
- Intelligens
- Gränssnitt
- gränssnitt
- inre
- Internet
- Interoperabilitet
- tolkning
- interventioner
- in
- engagera
- involverade
- inblandning
- irina
- isolerat
- isolering
- problem
- IT
- iteration
- DESS
- Jobb
- gemensam
- resa
- jpg
- Ha kvar
- Nyckel
- kunskap
- lab
- märkning
- Brist
- bärbara datorer
- Large
- Latens
- lansera
- lager
- leda
- ledare
- ledande
- LÄRA SIG
- inlärning
- Adress
- juridiskt ramverk
- mindre
- Nivå
- Hävstång
- hävstångs
- ligger
- livet
- Livsvetenskap
- Life Sciences
- livscykel
- tycka om
- gränser
- härstamning
- rader
- lever
- Bor
- läsa in
- lokal
- platser
- log
- skogsavverkning
- du letar
- älskar
- Maskinen
- maskininlärning
- gjord
- Underhållbar
- upprätthålla
- upprätthåller
- underhåll
- göra
- GÖR
- Framställning
- hantera
- förvaltade
- ledning
- hanteringsverktyg
- chef
- hantera
- obligatoriskt
- sätt
- manuell
- Produktion
- många
- marknad
- förfall
- meningsfull
- åtgärder
- mekanismer
- medicinsk
- Möt
- Medlemmar
- metadata
- metoder
- metriska
- miljoner
- minimum
- ML
- MLOps
- modell
- modeller
- modulära
- Övervaka
- övervakas
- övervakning
- mer
- flytta
- MRT
- multipel
- mängd
- måste
- nativ
- Natur
- nödvändigt för
- Behöver
- behov
- nätverk
- Nya
- nya användare
- Nästa
- Nej
- anteckningsbok
- Anmärkningar
- anmälningar
- nu
- antal
- objektet
- Objektdetektion
- mål
- of
- erbjuda
- Erbjudanden
- on
- Ombord
- gång
- ONE
- pågående
- öppet
- öppen källkod
- fungerar
- operativa
- Verksamhet
- möjligheter
- optimala
- optimering
- Optimera
- optimerad
- optimera
- or
- Munhälsa
- beställa
- organisation
- organisationer
- Organiserad
- Övriga
- Övrigt
- vår
- utfall
- översikt
- utanför
- över
- övergripande
- övervaka
- ägaren
- Parallell
- del
- partnern
- samarbetar
- partner
- passerar
- Tidigare
- Patienten
- patienter
- betalar
- Personer
- människors
- för
- prestanda
- behörigheter
- personlig
- personlig
- Banbrytande
- rörledning
- Plats
- plattform
- Plattformar
- plato
- Platon Data Intelligence
- PlatonData
- redo
- policy
- bärbarhet
- pose
- positiv
- Inlägg
- potentiell
- kraft
- den mäktigaste
- praxis
- exakt
- förutse
- föredragen
- beredning
- Förbered
- beredd
- konservering
- tryck
- förhindra
- Principal
- privatpolicy
- Proaktiv
- problem
- förfaranden
- process
- processer
- bearbetning
- Produkt
- produktledning
- Produktion
- produktivitet
- Produkter
- professionell
- Program
- projektet
- projektdata
- projekt
- lovar
- främja
- proprietary
- protokoll
- ge
- förutsatt
- leverantörer
- ger
- tillhandahålla
- allmän
- syfte
- kvalitet
- sökfrågor
- Snabbt
- Lopp
- område
- som sträcker sig
- snabbt
- Läsning
- redo
- verkliga världen
- realtid
- motta
- senaste
- rekommenderar
- rekommendationer
- Minskad
- reducerande
- register
- reglerad
- föreskrifter
- regulatorer
- Regelefterlevnad
- relaterad
- frigöra
- frisättande
- tillförlitlighet
- pålitlig
- avlägsen
- rapport
- Rapport
- Repository
- begära
- Obligatorisk
- Krav
- Kräver
- forskning
- forskning och utveckling
- resurs
- Resurser
- respons
- Resultat
- återanvändbar
- Omdömen
- revolutionera
- rigorös
- Risk
- risker
- robusta
- Roll
- roller
- Körning
- rinnande
- offra
- sagemaker
- sparande
- Besparingar
- skalbarhet
- skalbar
- Skala
- Vetenskap
- VETENSKAPER
- Forskare
- vetenskapsmän
- sömlös
- sömlöst
- Andra
- sektioner
- sektor
- säkra
- säkerhet
- Säkerhetsrevisioner
- Säkerhetsåtgärder
- senior
- separat
- tjänar
- eras
- serverar
- service
- Tjänster
- in
- uppsättningar
- inställning
- flera
- delning
- hon
- skifta
- skall
- visa upp
- visas
- stänga
- stänga
- signifikant
- Enkelt
- förenkla
- eftersom
- smarta
- So
- Mjukvara
- mjukvaruutveckling
- lösning
- Lösningar
- några
- Källa
- Källor
- spänning
- spann
- spetsen
- specialist
- specifik
- specifikt
- specifikation
- fart
- spendera
- Spendera
- spikar
- staging
- standarder
- står
- starta
- startar
- Startups
- state-of-the-art
- statistisk
- statistik
- bo
- förvaring
- lagra
- lagrar
- misslyckande
- okomplicerad
- Strategisk
- strategier
- Strategi
- steg
- strävan
- stark
- struktur
- strukturerade
- studio
- framgång
- sådana
- svit
- stödja
- säker
- symptom
- system
- System
- skräddarsydd
- Ta
- uppgifter
- grupp
- Gruppmedlemmar
- lag
- tech
- Teknisk
- Tekniken
- Teknologi
- Telco
- telehälsa
- mallar
- villkor
- testa
- Testning
- än
- den där
- Smakämnen
- Framtiden
- deras
- Dem
- sedan
- Där.
- vari
- Dessa
- de
- Tredje
- tredje part
- detta
- tre
- tröskelvärde
- Genom
- hela
- tid
- tidskrävande
- tid
- gånger
- till
- tillsammans
- verktyg
- mot
- Spårbarhet
- spår
- Spårning
- Tåg
- tränad
- Utbildning
- Förvandla
- övergång
- övergångar
- Öppenhet
- Traveling
- behandling
- försök
- verkligen
- typer
- typiskt
- Ytterst
- obehörig
- förstå
- Oväntat
- enhetlig
- unika
- unikhet
- enheter
- Universitet
- frigöra
- enastående
- oanvänd
- Uppdateringar
- uppgraderingar
- på
- användning
- användningsfall
- Begagnade
- användare
- användningar
- med hjälp av
- utnyttjas
- Använda
- validerade
- godkännande
- Värdefulla
- värde
- mängd
- olika
- Omfattande
- version
- vertikalt
- mycket
- via
- utsikt
- praktiskt taget
- syn
- Besök
- visuell
- volym
- volontär
- var
- we
- webb
- webbservice
- veckor
- VÄL
- były
- när
- som
- medan
- VEM
- bred
- Brett utbud
- kommer
- med
- inom
- utan
- Arbete
- arbetsflöde
- arbetsflöden
- arbetssätt
- inom hela sverige
- år
- gav
- zephyrnet
- zoner