Whitepaper: Best Practices för maskininlärning inom hälsovård och biovetenskap

Återutgiven av Platon

anhängare: 0

För kunder som vill implementera en GxP-kompatibel miljö på AWS för artificiell intelligens (AI) och maskininlärning (ML) har vi släppt ett nytt whitepaper: Best Practices för maskininlärning inom hälsovård och biovetenskap.

Detta whitepaper ger en översikt över säkerhet och goda ML-efterlevnadspraxis och vägledning för att bygga GxP-reglerade AI/ML-system med hjälp av AWS-tjänster. Vi täcker de punkter som tagits upp av FDA diskussionspapper och Bra maskininlärningsmetoder (GMLP) samtidigt som man drar från AWS-resurser: vitboken GxP-system på AWS och Maskininlärningsobjektiv från AWS Well-Architected Framework. Vitboken har utvecklats baserat på vår erfarenhet med och feedback från AWS läkemedels- och medicintekniska kunder, samt AWS-partners, som för närvarande använder AWS-tjänster för att utveckla ML-modeller.

Vård- och livsvetenskapskunder (HCLS) använder AWS AI- och ML-tjänster snabbare än någonsin tidigare, men de möter också följande regulatoriska utmaningar under implementeringen:

Bygga en säker infrastruktur som följer strikta regulatoriska processer för att arbeta på det offentliga molnet och anpassa sig till FDA:s ramverk för AI och ML.
Stödjer AI/ML-aktiverade lösningar för GxP-arbetsbelastningar som täcker följande:
- reproducerbarhet
- Spårbarhet
- Dataintegritet
Övervakning av ML-modeller med avseende på olika förändringar av parametrar och data.
Hantera modellosäkerhet och konfidenskalibrering.

I vår vitt papper, lär du dig om följande ämnen:

Hur AWS närmar sig ML i en reglerad miljö och ger vägledning om Good Machine Learning Practices med hjälp av AWS-tjänster.
Vårt organisatoriska förhållningssätt till säkerhet och efterlevnad som stöder GxP-krav som en del av modell med delat ansvar.
Hur man reproducerar arbetsflödesstegen, spårar modell- och datauppsättningslinje och etablerar modellstyrning och spårbarhet.
Hur man övervakar och underhåller dataintegritet och kvalitetskontroller för att upptäcka avvikelser i data och modellkvalitet.
Bästa metoder för säkerhet och efterlevnad för att hantera AI/ML-modeller på AWS.
Olika AWS-tjänster för att hantera ML-modeller i en reglerad miljö.

AWS är dedikerade till att hjälpa dig att framgångsrikt använda AWS-tjänster i reglerade miljöer inom biovetenskap för att påskynda din forskning, utveckling och leverans av nästa generations medicinska, hälso- och hälsolösningar.

Kontakta oss med frågor om att använda AWS-tjänster för AI/ML i GxP-system. Om du vill veta mer om efterlevnad i molnet, besök AWS-överensstämmelse. Du kan också kolla in följande resurser:

Om författarna

Susant Mallick är en industrispecialist och digital evangelist inom AWS Global Healthcare and Life-Sciences praxis. Han har över 20+ års erfarenhet inom Life Science-branschen och arbetar med biofarmaceutiska och medicintekniska företag i Nordamerika, APAC och EMEA-regionerna. Han har byggt många digitala hälsoplattformar och lösningar för patientengagemang med hjälp av mobilappar, AI/ML, IoT och andra teknologier för kunder inom olika terapeutiska områden. Han har en B.Tech-examen i elektroteknik och MBA i finans. Hans tankeledarskap och branschexpertis fick många utmärkelser i läkemedelsindustrins forum.

Sai Sharanya Nalla är Sr. Data Scientist på AWS Professional Services. Hon arbetar med kunder för att utveckla och implementera AI/ML och HPC-lösningar på AWS. På fritiden tycker hon om att lyssna på poddar och ljudböcker, ta långa promenader och engagera sig i uppsökande verksamhet.