استفاده از هوش مصنوعی مولد در AWS برای تغییر علوم زیستی - وبلاگ IBM

جهش تصاعدی در هوش مصنوعی مولد در حال حاضر بسیاری از صنایع را متحول کرده است: بهینه سازی گردش کار، به تیم های انسانی کمک می کند تا روی وظایف ارزش افزوده تمرکز کنند و زمان ورود به بازار را تسریع کنند. صنعت علوم زیستی شروع به توجه کرده است و هدف آن جهش پیشرفت های تکنولوژیکی است. صنعت علوم زیستی - برای چندین دهه - از توسعه سنتی داروهای مبتنی بر اکتشاف به پارادایم توسعه دارو مبتنی بر بازار هدف حرکت کرده است. با این حال، چرخه‌های طولانی تحقیق و توسعه و رژیم‌های بالینی، تولید و انطباق با کار فشرده سنگین است.

این صنعت برای تسریع توسعه دارو با هزینه بهینه، خودکارسازی وظایف وقت و کار فشرده مانند ایجاد سند یا گزارش برای حفظ روحیه کارکنان و تسریع در تحویل، تحت فشار زیادی قرار دارد. با اتخاذ روزافزون سازمان‌های BioPharma و تجهیزات پزشکی، تحول دیجیتال و استراتژی‌های تعامل - همراه با تغییر پارادایم ناشی از همه‌گیری کووید 19 - صنعت در حال تجربه انفجاری از داده‌های دیجیتالی است که در حوزه‌های تجاری، زنجیره تامین، بالینی و نظارت دارویی ایجاد می‌شود. زنجیره ارزش، و همچنین در سایر عملکردهای تجاری سازمانی.

این داده‌های دیجیتال در قالب‌های مختلف مانند متن بدون ساختار، تصاویر، فایل‌های PDF و ایمیل‌ها وارد صنعت می‌شوند. انفجار در داده‌های دیجیتال - در ترکیب با کاهش دسترسی به منابع انسانی ماهر و مایل برای دریافت و پردازش داده‌های دیجیتال به شیوه‌ای سازگار - سازمان‌های علوم زیستی را مجبور می‌کند تا هوش مصنوعی، یادگیری ماشینی و اکنون فناوری‌های هوش مصنوعی مولد را کشف کنند. برخی از نمونه‌هایی از موارد استفاده بالقوه برای هوش مصنوعی مولد در علوم زیستی عبارتند از:

• هوش مصنوعی برای بررسی حقوقی پزشکی (MLR): جهانی شدن فزاینده و رشد تصاعدی در تکنیک های بازاریابی دیجیتال بر فرآیند پیچیده، زمان بر و چالش برانگیز فشار وارد کرده است. هوش مصنوعی مولد این پتانسیل را دارد که محتوای دیجیتال را در مقیاس پردازش کند و یک خروجی موثر MLR تولید کند، که سپس می‌تواند توسط تیم بازاریابی انسانی مورد استفاده قرار گیرد و روند را تسریع و ساده‌تر کند.
• هوش مصنوعی برای تولید گزارش های مطالعات بالینی (CSR): هوش مصنوعی مولد پتانسیل ایجاد یک گزارش "اولین تلاش" را دارد که می تواند 80٪ تلاش انسان را جبران کند، روند را تسریع کند، ثبات را به ارمغان بیاورد و پهنای باند ارزشمندی را برای سایر وظایف با ارزش آزاد کند.
• رویداد نامطلوب (AE) تولید روایت: این وظیفه بسیار منظم و وقت گیر برای ایجاد یک روایت رویداد نامطلوب، مستلزم عملکردهای تجاری بسیار تنظیم شده و نقش های بسیار ماهر در سازمان های علوم زیستی است و نیاز به هماهنگی کارهای دستی، گاهی خسته کننده، دارد که می تواند نتایج بالقوه نادرست یا متناقض ایجاد کند. استفاده از هوش مصنوعی مولد برای افزایش قابلیت‌های تیم انسانی، فرصتی را برای مشتریان فراهم می‌کند تا هزینه‌ها را 30 تا 50 درصد کاهش دهند، در حالی که زمان ورود به بازار مرتبط با این فرآیند را حداقل 50 درصد تسریع می‌کنند و مقیاس‌پذیری، کیفیت و سازگاری گزارش‌های تولید شده را بهبود می‌بخشند.
• تسریع در طراحی داروهای mRNAمدرنا، که از یادگیری ماشینی و هوش مصنوعی برای پیشرفت در زمینه RNA پیام رسان (mRNA) برای ایجاد مجموعه بالینی متنوعی از واکسن ها و درمان ها در هفت روش استفاده می کند، همکاری با IBM برای استفاده از هوش مصنوعی مولد برای طراحی داروهای mRNA با ایمنی و عملکرد مطلوب.

موارد استفاده دیگر که در آن مدل‌های هوش مصنوعی مولد می‌توانند به سازمان‌های علوم زیستی کمک کنند تا مزیت رقابتی را آزاد کنند:

• خلاصه سازی: تعاملات مرکز تماس، اسنادی مانند گزارش های مالی، مقالات تحلیلگر، ایمیل ها، اخبار، روند رسانه ها و موارد دیگر.
• دانش مکالمه: بررسی ها، پایگاه دانش، توضیحات محصول و موارد دیگر.
• ایجاد محتوا: شخصیت ها، داستان های کاربر، داده های مصنوعی، تولید تصاویر، UI شخصی، کپی بازاریابی، ایمیل و پاسخ های اجتماعی و موارد دیگر.
• ایجاد کد: کد کمک خلبان، تبدیل کد، ایجاد مستندات فنی، موارد تست و موارد دیگر.
• تحقیق و توسعه: کشف و توسعه دارو، ایجاد و بررسی محتوای با کیفیت، هوش کیفی و نظارتی، تولید روایت AE، ارسال‌های هوشمند، تولید داده‌های مصنوعی.
• تجاری: ایجاد محتوای بازاریابی، تجربه بیمار، عضویت در نمایندگی و آموزش فعال سازی فروش و مرکز دانش.
• منابع انسانی: شرح بلال، الزامات مهارت، ایجاد سؤالات مصاحبه از شرح شغل، ارزیابی نامزدها بر اساس مشخصات شغل، دستیار یادگیری و آموزش، ایجاد آزمون، ایجاد محتوا و موارد دیگر.
• ساخت: کنترل و بازرسی کیفیت، جستجوی محاوره ای آموزش فناوری اپراتور / آزمایشگاه از طریق SOP، ایجاد محتوا و موارد دیگر.
• زنجیره تامین: پیش بینی تقاضا، بهینه سازی زنجیره تامین، ارزیابی ریسک و کاهش.

ما معتقدیم که استفاده از AI-Automation مولد می‌تواند مزایایی را در علوم زیستی - از جمله در حوزه‌های تنظیم‌شده - به همراه داشته باشد و زمان چرخه ایجاد روایت‌های AE را حداقل تا ۵۰٪ بر اساس کاری که توسط IBM Consulting و گروه Pharmacovigilance در BioPharma جهانی انجام می‌شود کاهش دهد. شرکت.

در این پست وبلاگ، نحوه مشارکت IBM Consulting با AWS و استفاده از مدل‌های زبان بزرگ (LLM) را در پلتفرم مولد AI-Automation (ATOM) IBM Consulting برای ایجاد مدل‌های پایه آموزش‌دیده در حوزه علوم زیستی و آگاه به صنعت نشان خواهیم داد. اولین پیش نویس اسناد روایی را با هدف کمک به تیم های انسانی تهیه کنید.

چرا مشاوره IBM برای هوش مصنوعی مولد در AWS؟

برای بیش از یک دهه، IBM Consulting به مشتریان کمک کرده است تا ارزش خود را افزایش دهند AI, فراگیری ماشین و راه حل های اتوماسیون برای بهینه سازی فرآیند کسب و کار و عملیات فناوری اطلاعات در سراسر صنایع. اخیراً، IBM Consulting با شرکت‌ها برای استقرار مدل‌های بنیادی شریک شده است جریان کار اصلی را دوباره تصور کنید و ارزش را درک کنید-کاهش هزینه ها، زمان چرخش و بهبود بهره وری و متعهد به کمک به شرکت ها در جهت یابی و باز کردن ارزش از تغییرات لرزه ای ناشی از هوش مصنوعی است. با در نظر گرفتن این موضوع، مشاور IBM اخیراً اعلام کرده است مولد مرکز تعالی هوش مصنوعی با بیش از 1000 مشاور ماهر در ابزارهای هوش مصنوعی و شتاب دهنده که به طور هدفمند برای مدل های پایه و LLM ساخته شده اند. از این طریق، IBM Consulting به شرکت‌ها کمک می‌کند تا مدل‌های هوش مصنوعی مولد درجه تولید را توسعه داده و به کار گیرند.

IBM یک شریک مشاوره برتر برای AWS با متخصصان دارای گواهینامه AWS+ 20K در سراسر جهان، 16 اعتبارسنجی سرویس و 16 شایستگی AWS است که به سریع ترین GSI جهانی تبدیل می شود که توانایی ها و گواهینامه های AWS بیشتری را در بین 16 AWS برتر GSI در عرض 18 ماه تضمین می کند. در re:Invent 2022، IBM Consulting جایزه گرفت la شریک جهانی نوآوری سال و GSI شریک سال برای آمریکای لاتیناعتماد مشتری و AWS به IBM Consulting به عنوان شریک انتخابی در مورد AWS.

در حوزه هوش مصنوعی، IBM دارای 21K+ دانشمند، مهندس و مشاور هوش مصنوعی است و 40K+ هوش مصنوعی و تعاملات تحلیلی را اجرا کرده است. اما با قدرت زیاد، مسئولیت بزرگی به همراه دارد، و این به ویژه در مورد هوش مصنوعی مولد صادق است. مشاور IBM رانندگی کرده است رویکرد مسئولانه و اخلاقی اکنون بیش از پنج سال است که به هوش مصنوعی، عمدتاً بر این پنج اصل اساسی متمرکز شده است:

1. قابل توضیح: اینکه چگونه یک مدل هوش مصنوعی به یک تصمیم می‌رسد باید قابل درک باشد، سیستم‌های انسان در حلقه اعتبار بیشتری می‌افزایند و به کاهش خطرات انطباق کمک می‌کنند.
2. عدالت: مدل‌های هوش مصنوعی باید با همه گروه‌ها رفتار عادلانه داشته باشند.
3. نیرومندی: سیستم های هوش مصنوعی باید بتوانند در برابر حملات به داده های آموزشی مقاومت کنند.
4. شفافیت: تمام جنبه های مرتبط یک سیستم هوش مصنوعی باید برای ارزیابی در دسترس عموم باشد.
5. حریم خصوصی: داده‌های مورد استفاده در سیستم‌های هوش مصنوعی باید ایمن باشند و زمانی که آن داده‌ها متعلق به یک فرد است، فرد باید نحوه استفاده از آن را درک کند.

آی‌بی‌ام به چندین نهاد علوم زیستی کمک می‌کند تا هوش مصنوعی را به شیوه‌ای مسئولانه و قابل اعتماد در چندین عملکرد مستقر کنند. IBM با جانسون و جانسون شریک شده است اساساً در استراتژی استعداد خود تجدید نظر کنند استفاده از استنتاج مهارت های مبتنی بر هوش مصنوعی به شیوه ای مسئولانه و ارائه تبدیل در مقیاس برای مشاهده پذیری برنامه با استفاده از AIOPs.

برای کمک به سازمان‌های علوم زیستی برای پیروی از دستورالعمل‌ها و مقررات GxP هنگام توسعه یا تولید داروها و دستگاه‌های پزشکی، IBM Consulting از تجربه گسترده GxP و بهترین شیوه‌های AWS در اطراف استفاده می‌کند. GxP, HIPAA و دیگر برنامه های انطباق برای ارائه راه حل های سازگار، تنظیم شده، معتبر و ایمن.

چگونه یک خط لوله AI مولد در AWS برای تولید روایت بسازیم؟

در حال حاضر، ایجاد روایت برای رویدادهای نامطلوب یک فرآیند دستی فشرده در مراقبت های بهداشتی است. هنگامی که یک رویداد نامطلوب گزارش می‌شود، تیم‌های بالینی و ایمنی به‌صورت دستی چندین جزئیات را می‌خوانند و پردازش می‌کنند - اطلاعات فعلی و تاریخی سلامت و پزشکی بیمار، داده‌های رویداد و موارد دیگر - و به صورت دستی گزارش مفصلی را که توسط مقامات نظارتی نیاز است، می‌نویسند. با ظهور هوش مصنوعی مولد، ما بر این باوریم که این فرآیندها می‌توانند برای آزاد کردن ظرفیت تیم‌های بالینی و ایمنی برای تغییر به وظایف با ارزش بالاتر مانند بررسی روایت‌ها و همچنین توانمندسازی تیم‌ها برای تمرکز بر وظایف پیچیده‌تر، تقویت شوند.

ما گزینه‌های متعددی را برای وظیفه تولید روایت‌های رویدادهای نامطلوب با استفاده از هوش مصنوعی مولد بررسی کردیم. در نهایت، یکی از صورت در آغوش گرفته مدل های زبان بزرگ روشن است Amazon Sagemaker JumpStart به دلایل متعدد برای ساخت روایت رویدادهای نامطلوب انتخاب شده است: دارای مجوز مجاز است که امکان استفاده تجاری را می‌دهد، کارت‌های مدل/داده واضح برای مدل منبع که می‌تواند تبار داده‌های آن را توضیح دهد، توانایی تنظیم دقیق مدل در Sagemaker Jumpstart، و قابلیت قوی برای تولید متن روایی رویداد نامطلوب با حداقل تنظیم دقیق.

خط لوله سطح بالا برای این فرآیند در شکل 1 نشان داده شده است. ما با آماده سازی داده های ساخت یافته اختصاصی برای تمیز کردن و آماده سازی آن ها در قالبی شروع کردیم تا بتوانیم در میان اعلان ها برای تنظیم دقیق و استنباط ارسال شود. سپس مدل زبان بزرگ به خوبی تنظیم شد آمازون Sagemaker در یک مجموعه داده آموزشی از بیش از 500 رکورد که اطلاعات سلامت بیمار، عوارض جانبی و اطلاعات پزشکی را با استفاده از خط لوله نشان داده شده در زیر توصیف می کند. Amazon Sagemaker به دلیل چندین قابلیت داخلی (قابلیت انتخاب مدل از کاتالوگ، عدم رویکرد کد به مدل‌های قطار، قابلیت‌هایی برای راه‌اندازی خطوط لوله و مانیتور اضافی) یک پلت فرم بهینه برای هوش مصنوعی مولد است. پس از تنظیم دقیق، مدل مستقر شده استفاده شد. برای استنباط از داده‌های آزمایشی برای ایجاد روایت‌های AE (نمونه‌ای به شکل 2 مراجعه کنید). علاوه بر این، تیم کارشناسان ایمنی و موضوع بالینی، تولید روایت را با استفاده از اسناد حقیقت زمینی اعتبارسنجی کردند و به صورت دستی آنها را تجزیه و تحلیل کردند تا اطمینان حاصل کنند که خط لوله AI-Automation مولد قابل اعتماد است و در معرض توهم نیست.

علاوه بر این، IBM Consulting اخیرا راه اندازی شده است watsonx.data در AWS، یک فروشگاه داده باز، ترکیبی و تحت کنترل برای کمک به شرکت ها در مقیاس تجزیه و تحلیل و هوش مصنوعی. IBM Consulting همچنین با AWS برای ادغام نسخه های آینده شریک است بستر آمازون، یک سرویس کاملاً مدیریت شده که FM های استارتاپ های پیشرو هوش مصنوعی و آمازون را از طریق یک API در ATOM در دسترس قرار می دهد تا به مشتریان کمک کند تا موارد استفاده مولد هوش مصنوعی را بسازند و مقیاس دهند. تقویت امنیت سایبری و انطباق.

ارزش کسب و کار

همانطور که پایگاه داده FAERSتعداد AE های گزارش شده در مدت 2.5 سال، از 10 تا 2012، 2022 برابر افزایش یافته است. صرف نظر از حجم، شرکت ها باید این رویدادها را به سرعت به تنظیم کننده ها گزارش دهند و به سرعت در مورد سیگنال های ایمنی عمل کنند. بار ناشی از افزایش حجم رویدادها در بودجه هایی منعکس می شود که انتظار می رود از حدود 4 میلیارد دلار در سال 2017 به بیش از 6 میلیارد دلار تا سال 2020 افزایش یابد.

با توجه به 10 مشتری اصلی علوم زیستی مستقر در ایالات متحده که مشاور IBM در حال حاضر با آنها کار می کند، استفاده از هوش مصنوعی مولد به شیوه ای منطبق با و مسئولانه این پتانسیل را دارد که کار دستی برای ایجاد گزارش های AE را تا 50 درصد کاهش دهد. ترکیب آن با یک راه حل ترجمه زبان مبتنی بر هوش مصنوعی، انسان در حلقه، می تواند هزینه های عملیات را بیشتر بهینه کند و تیم های انسانی ارزشمند را برای تمرکز بر وظایف ارزش افزوده آزاد کند.

FDA با اشاره به استفاده رو به رشد از یادگیری ماشینی در علوم زندگی، اکنون این کار را کرده است بیش از 500 الگوریتم پزشکی را پاک کرد که به صورت تجاری در ایالات متحده در دسترس هستند. بیش از نیمی از الگوریتم‌های موجود در بازار ایالات متحده بین سال‌های 2019 تا 2022 با بیش از 300 برنامه تنها در چهار سال پاک شدند. تنها در اکتبر 2022، FDA 178 سیستم جدید AI/ML را تایید کرد که انتظار می‌رود در آینده به سرعت رشد کند.

این شتاب برای مشتریان علوم زیستی که به دنبال نوآوری در زنجیره ارزش هستند، ارزش تجاری عظیمی ایجاد می کند و از فناوری های پیشرفته مانند هوش مصنوعی مولد استفاده می کند.

چگونه IBM Consulting می تواند از مشتریان در سفر آنها به سمت استفاده از مدل های بنیادی حمایت کند؟

مشاور IBM دارای تخصص و تجربه برای پشتیبانی از مشتریان با درجات مختلف بلوغ در سفر هوش مصنوعی مولد آنها است. در سطح بالایی، IBM Consulting از ارکان زیر برای ملاقات با مشتریان در جایی که هستند استفاده می کند:

• راه اندازی استراتژی هوش مصنوعی و مرکز تعالی: تعامل مشاوره استاندارد برای اطلاع رسانی، مشارکت، کشف و ارزیابی موارد استفاده جدید برای مدل های پایه.
• هکاتون مدل بنیاد: یک هکاتون 2 روزه برای ایده‌پردازی و نمونه‌سازی اولیه راه‌حل‌های AI نوآورانه برای دامنه‌های مورد استفاده خاص - با استفاده از APIهای ابری استاندارد یا مدل‌های بنیاد منبع باز (GPT، BERT و دیگران).
• Jumpstart برای مدل فونداسیون: از IBM Garage برای شروع سریع استفاده از مدل های پایه و اجرای موارد استفاده اثبات شده IBM در 6 تا 8 هفته در دامنه های مختلف استفاده کنید.
• ایجاد مشترک، همکاری و مولد هوش مصنوعی @ Scale: خدمات طراحی و پیاده‌سازی برای نمونه‌سازی و ساخت راه‌حل‌های تجاری مؤثر (مثلاً دستیاران مجازی و مراکز دانش) با استفاده از مدل‌های بنیاد تجاری یا منبع باز.
• مدل های فونداسیون سفارشی: از نوآوری های اصلی IBM Research، AWS و سایر منابع در مدل های پایه برای حوزه های تخصصی (شیمی، علم مواد و پردازش داده های حسگر) برای رسیدگی به موارد استفاده خاص دامنه سفارشی استفاده کنید.
• Fovernance مدل بنیاد، FMOps: با استفاده از روش AI@Scale IBM Consulting، حاکمیت سازمانی و فنی مورد نیاز را برای مقیاس‌بندی مدل‌های پایه در سراسر شرکت تنظیم کنید.

نتیجه

شرکت ها در سراسر صنایع در حال حاضر با فشار قابل توجهی برای پذیرش سریع هوش مصنوعی مولد و نشان دادن ارزش مواجه هستند. با بیش از 40K+ تعامل هوش مصنوعی و تجزیه و تحلیل در سراسر جهان، IBM Consulting به طور مداوم در رتبه بندی قرار گرفته است. رهبر توسط چندین تحلیلگر IBM Consulting متعهد است به شرکت‌های علوم زیستی کمک کند تا از طریق AI CoE مولد اخیراً اعلام‌شده، یک فرآیند مشاوره فراگیر مانند هوش مصنوعی، به ارزش‌های هوش مصنوعی پی ببرند. گاراژ آی بی ام و شتاب دهنده هایی مانند ATOM. مشتریان به یک شریک قابل اعتماد، با تجربه و ماهر نیاز دارند تا در سفر مولد هوش مصنوعی به آنها کمک کند و مشاور IBM آماده است تا با ملاقات با آنها در جایی که هستند به آنها کمک کند.

درباره خدمات امنیتی IBM برای AWS بیشتر بیاموزید