Wykorzystanie generatywnej sztucznej inteligencji w AWS do transformacji nauk przyrodniczych — blog IBM

Gwałtowny skok generatywna sztuczna inteligencja już przekształca wiele branż: optymalizacja przepływów pracy, pomagając zespołom ludzkim skoncentrować się na zadaniach tworzących wartość dodaną i skracając czas wprowadzania produktów na rynek. Przemysł nauk przyrodniczych zaczyna to zauważać i dąży do przeskoczenia postępu technologicznego. Przemysł nauk przyrodniczych od dziesięcioleci odchodzi od tradycyjnego opracowywania leków w oparciu o odkrycia na rzecz docelowego paradygmatu opracowywania leków w oparciu o rynek. Jednak jest obciążony długimi cyklami badawczo-rozwojowymi oraz pracochłonnymi schematami klinicznymi, produkcyjnymi i dotyczącymi zgodności.

Branża znajduje się pod ogromną presją, aby przyspieszyć opracowywanie leków przy optymalnym koszcie, zautomatyzować czasochłonne i pracochłonne zadania, takie jak tworzenie dokumentów lub raportów, aby zachować morale pracowników i przyspieszyć dostawę. Ponieważ organizacje BioPharma i urządzenia medyczne w coraz większym stopniu przyjmują strategie transformacji cyfrowej i zaangażowania – w połączeniu ze zmianą paradygmatu spowodowaną pandemią Covid19 – branża doświadcza eksplozji danych cyfrowych tworzonych w obszarach handlowych, łańcucha dostaw, klinicznych i nadzoru nad bezpieczeństwem farmakoterapii łańcuchu wartości, a także w innych funkcjach biznesowych przedsiębiorstwa.

Te cyfrowe dane są dostarczane do branży w różnych formatach, takich jak nieustrukturyzowany tekst, obrazy, pliki PDF i e-maile. Eksplozja danych cyfrowych – w połączeniu ze zmniejszającą się dostępnością wykwalifikowanych i chętnych zasobów ludzkich do przyjmowania i przetwarzania danych cyfrowych w sposób zgodny z przepisami – zmusza organizacje z branży nauk przyrodniczych do odkrywania technologii sztucznej inteligencji, uczenia maszynowego, a obecnie technologii generatywnej sztucznej inteligencji. Niektóre przykłady potencjalnych zastosowań generatywnej sztucznej inteligencji w naukach przyrodniczych obejmują między innymi:

• Sztuczna inteligencja na potrzeby medycznej oceny prawnej (MLR): Rosnąca globalizacja i wykładniczy rozwój technik marketingu cyfrowego obciążają i tak już złożony, czasochłonny i wymagający proces. Generatywna sztuczna inteligencja ma potencjał do przetwarzania treści cyfrowych na dużą skalę i tworzenia skutecznych wyników MLR, które mogą następnie zostać wykorzystane przez ludzki zespół marketingowy, przyspieszając i upraszczając proces.
• AI do generowania raportów z badań klinicznych (CSR): Generatywna sztuczna inteligencja może stworzyć raport „pierwszej próby”, który może zrekompensować 80% ludzkiego wysiłku, przyspieszając proces, zapewniając spójność i uwalniając cenne pasmo na inne zadania o dużej wartości.
• Zdarzenie niepożądane (AE) Generowanie narracji: To ściśle regulowane, czasochłonne zadanie generowania narracji o zdarzeniu niepożądanym wymaga ściśle regulowanych funkcji biznesowych i ról o wysokich kwalifikacjach w organizacjach zajmujących się naukami przyrodniczymi oraz wymaga koordynacji ręcznych, czasami żmudnych zadań, które mogą dawać potencjalnie niedokładne lub niespójne wyniki. Wykorzystanie generatywnej sztucznej inteligencji do zwiększenia możliwości zespołu ludzkiego daje Klientom szansę na redukcję kosztów o 30%-50%, przy jednoczesnym skróceniu czasu wprowadzenia produktu na rynek związanego z tym procesem o co najmniej 50% oraz poprawie skalowalności, jakości i spójności generowanych raportów.
• Przyspiesz projektowanie leków mRNA: Moderna, która wykorzystuje uczenie maszynowe i sztuczną inteligencję do rozwijania dziedziny informacyjnego RNA (mRNA) w celu stworzenia zróżnicowanego portfolio klinicznego szczepionek i leków obejmujących siedem modalności, jest współpraca z IBM wykorzystanie generatywnej sztucznej inteligencji do projektowania leków mRNA zapewniających optymalne bezpieczeństwo i działanie.

Inne przypadki użycia, w których generatywne modele sztucznej inteligencji mogą pomóc organizacjom z branży nauk przyrodniczych uwolnić przewagę konkurencyjną, to:

• Podsumowanie: interakcje z call center, dokumenty takie jak raporty finansowe, artykuły analityczne, e-maile, aktualności, trendy medialne i inne.
• Wiedza konwersacyjna: Recenzje, baza wiedzy, opisy produktów i nie tylko.
• Tworzenie treści: Persony, historie użytkowników, dane syntetyczne, generowanie obrazów, spersonalizowany interfejs użytkownika, teksty marketingowe, wiadomości e-mail i odpowiedzi społecznościowe i wiele więcej.
• Tworzenie kodu: Drugi pilot kodu, konwersja kodu, tworzenie dokumentacji technicznej, przypadki testowe i nie tylko.
• Badania i Rozwój: Odkrywanie i rozwój leków, tworzenie i przeglądanie wysokiej jakości treści, wywiad dotyczący jakości i przepisów, generowanie narracji AE, inteligentne przesyłanie danych, generowanie danych syntetycznych.
• Reklama w telewizji: Tworzenie treści marketingowych, doświadczenia pacjentów, wdrażanie przedstawicieli i szkolenia, umożliwianie sprzedaży oraz centrum wiedzy.
• Zasoby ludzkie: Twórz opisy kolb, wymagania dotyczące umiejętności, twórz pytania do rozmowy kwalifikacyjnej na podstawie opisu stanowiska, oceniaj kandydatów pod kątem specyfikacji stanowiska, asystenta uczenia się i nauczania, tworzenia quizów, tworzenia treści i nie tylko.
• Produkcja: Kontrola i inspekcja jakości, szkolenie operatorów/laboratorium, wyszukiwanie konwersacyjne SOP, tworzenie treści i nie tylko.
• Łańcuch dostaw: Prognozowanie popytu, optymalizacja łańcucha dostaw, ocena i ograniczanie ryzyka.

Wierzymy, że wykorzystanie generatywnej automatyzacji AI może przynieść korzyści w naukach przyrodniczych — w tym w dziedzinach regulowanych — i skrócić czas cyklu tworzenia narracji AE o co najmniej 50%, na podstawie prac wykonanych przez IBM Consulting i grupę Pharmacovigilance w globalnej firmie BioPharma firma.

W tym poście na blogu pokażemy, jak IBM Consulting współpracuje z platformą AWS i wykorzystuje modele dużego języka (LLM) na generatywnej platformie AI-Automation (ATOM) firmy IBM Consulting w celu tworzenia uwzględniających branżę, wyszkolonych w dziedzinie nauk przyrodniczych modeli podstawowych, wygenerować pierwsze projekty dokumentów narracyjnych, aby pomóc zespołom ludzkim.

Dlaczego IBM Consulting w zakresie generatywnej sztucznej inteligencji w AWS?

Od ponad dziesięciu lat IBM Consulting pomaga klientom zwiększać wartość AI, uczenie maszynowe i rozwiązania automatyzacyjne w celu optymalizacji procesów biznesowych i operacji IT w różnych branżach. Niedawno firma IBM Consulting nawiązała współpracę z przedsiębiorstwami w celu wdrożenia podstawowych modeli przedefiniuj podstawowe przepływy pracy i zrealizuj wartość—redukując koszty, skracając czas realizacji i poprawiając produktywność, a także pomaga przedsiębiorstwom w poruszaniu się i uwalnianiu wartości ze zmian sejsmicznych napędzanych przez sztuczną inteligencję. Mając to na uwadze, IBM Consulting ogłosił niedawno generatywne Centrum Doskonałości AI z ponad 1000 konsultantami wykwalifikowanymi w zakresie generatywnej sztucznej inteligencji i zestawów narzędzi akceleratorów stworzonych specjalnie dla podstawowych modeli i LLM; Dzięki temu IBM Consulting pomaga przedsiębiorstwom opracowywać i wdrażać modele generatywnej sztucznej inteligencji klasy produkcyjnej.

IBM jest głównym partnerem konsultingowym AWS, posiadającym ponad 20 16 certyfikowanych specjalistów AWS na całym świecie, 16 walidacji usług i 16 kompetencji AWS, stając się najszybszym globalnym GSI, który w ciągu 18 miesięcy zapewni więcej kompetencji i certyfikatów AWS wśród 2022 najlepszych AWS Premier GSI. Na re:Invent XNUMX, Nagrodzono IBM Consulting dotychczasowy Globalny Partner Innowacji Roku oraz Partner Roku GSI w Ameryce Łacińskiej, umacniając zaufanie klientów i AWS do IBM Consulting jako partnera z wyboru, jeśli chodzi o AWS.

W dziedzinie sztucznej inteligencji IBM zatrudnia ponad 21 tys. badaczy danych, inżynierów sztucznej inteligencji i konsultantów oraz zrealizował ponad 40 tys. projektów związanych ze sztuczną inteligencją i analityką. Jednak z wielką mocą wiąże się wielka odpowiedzialność, co jest szczególnie prawdziwe w przypadku generatywnej sztucznej inteligencji. IBM Consulting prowadzi m.in odpowiedzialne i etyczne podejście AI od ponad pięciu lat, skupiając się głównie na pięciu podstawowych zasadach:

1. Wyjaśnialność: Sposób podejmowania decyzji przez model sztucznej inteligencji powinien być zrozumiały, a systemy oparte na zasadzie „człowiek w pętli” zwiększają wiarygodność i pomagają ograniczać ryzyko związane z przestrzeganiem przepisów.
2. Uczciwość: Modele sztucznej inteligencji powinny traktować wszystkie grupy jednakowo.
3. Krzepkość: Systemy AI powinny być w stanie przeciwstawić się atakom na dane szkoleniowe.
4. Przezroczystość: Wszystkie istotne aspekty systemu sztucznej inteligencji powinny być publicznie dostępne do oceny.
5. Prywatności: Dane wykorzystywane w systemach sztucznej inteligencji powinny być bezpieczne, a jeżeli dane te należą do osoby fizycznej, osoba ta powinna wiedzieć, w jaki sposób są wykorzystywane.

IBM pomaga kilku podmiotom z branży nauk przyrodniczych wdrażać sztuczną inteligencję w odpowiedzialny i godny zaufania sposób w różnych funkcjach. IBM nawiązał współpracę z Johnson & Johnson zasadniczo przemyśleć swoją strategię dotyczącą talentów odpowiedzialne wykorzystywanie umiejętności opartych na sztucznej inteligencji i dostarczanie informacji transformacja na dużą skalę pod kątem obserwowalności aplikacji przy użyciu AIOP.

Aby pomóc organizacjom z branży nauk przyrodniczych przestrzegać wytycznych i przepisów GxP podczas opracowywania lub wytwarzania leków i wyrobów medycznych, IBM Consulting wykorzystuje swoje rozległe doświadczenie GxP i najlepsze praktyki AWS w zakresie GxP, HIPAA i inne programy zgodności dostarczanie zgodnych, regulowanych, zweryfikowanych i bezpiecznych rozwiązań.

Jak zbudować generatywny potok AI w AWS do generowania narracji?

Obecnie tworzenie narracji zdarzeń niepożądanych jest w opiece zdrowotnej intensywnym, ręcznym procesem. Po zgłoszeniu zdarzenia niepożądanego zespoły kliniczne i zespoły ds. bezpieczeństwa ręcznie odczytują i przetwarzają kilka szczegółów — aktualne i historyczne informacje dotyczące zdrowia i stanu zdrowia pacjenta, dane dotyczące zdarzenia i inne — a następnie ręcznie piszą szczegółowy raport, zgodnie z potrzebami organów regulacyjnych. Wierzymy, że wraz z pojawieniem się generatywnej sztucznej inteligencji procesy te można ulepszyć, aby zwolnić zespoły kliniczne i zespoły ds. bezpieczeństwa, aby mogły zająć się zadaniami o większej wartości, takimi jak przeglądanie narracji, a także umożliwić zespołom skupienie się na bardziej złożonych zadaniach.

Zbadaliśmy wiele opcji generowania narracji o zdarzeniach niepożądanych przy użyciu generatywnej sztucznej inteligencji. Ostatecznie jeden z Przytulanie twarzy Włączone duże modele językowe Amazon Sagemaker JumpStart został wybrany do tworzenia narracji o zdarzeniach niepożądanych z wielu powodów: posiada liberalną licencję umożliwiającą wykorzystanie komercyjne, przejrzyste karty modelu/danych dla modelu źródłowego, które mogą wyjaśnić jego pochodzenie danych, możliwość dostrojenia modelu w programie Sagemaker Jumpstart, i solidną zdolność do generowania tekstu opisującego zdarzenia niepożądane przy minimalnej ilości dostrojeń.

Wysokopoziomowy potok tego procesu pokazano na rysunku 1. Zaczęliśmy od przygotowania zastrzeżonych danych strukturalnych do oczyszczenia i przygotowania ich do formatu umożliwiającego ich przekazanie w ramach monitów w celu dostrojenia i wnioskowania. Następnie udoskonalono model dużego języka Amazon Sagemaker na zbiorze danych szkoleniowych składającym się z ponad 500 rekordów opisujących informacje o stanie zdrowia pacjenta, zdarzeniach niepożądanych i informacjach medycznych, korzystając z potoku pokazanego poniżej. Amazon Sagemaker to optymalna platforma dla generatywnej sztucznej inteligencji dzięki kilku wbudowanym funkcjom (możliwość wybierania modeli z katalogu, brak konieczności kodowania pociągania modeli, funkcjonalności umożliwiające konfigurowanie dodatkowych potoków i monitorowanie). Po dostrojeniu wdrożony model został wykorzystany do wnioskowania na danych testowych w celu stworzenia narracji działań niepożądanych (próbka znajduje się na rysunku 2). Ponadto zespół ekspertów ds. bezpieczeństwa i zagadnień klinicznych zweryfikował generowanie narracji na podstawie dokumentów opartych na faktach i ręcznie je przeanalizował, aby upewnić się, że generatywny potok AI-Automation jest niezawodny i nie podlega halucynacjom.

Oprócz tego niedawno uruchomiono IBM Consulting watsonx.data na AWS, otwartym, hybrydowym, zarządzanym magazynie danych, który pomaga przedsiębiorstwom skalować analitykę i sztuczną inteligencję. IBM Consulting współpracuje również z AWS w celu integracji nadchodzącego rozwiązania Amazońska skała macierzysta, w pełni zarządzana usługa, która udostępnia FM od wiodących start-upów AI i Amazon za pośrednictwem API do ATOM, aby pomóc klientom w budowaniu i skalowaniu generatywnych przypadków użycia AI, a jednocześnie wzmocnienie cyberbezpieczeństwa i zgodność.

Wartość biznesowa

Zgodnie z Baza danych FAERSliczba zgłoszonych zdarzeń niepożądanych wzrosła 2.5 razy w ciągu 10 lat, od 2012 r. do 2022 r. Niezależnie od wielkości przedsiębiorstw przedsiębiorstwa muszą szybko zgłaszać te zdarzenia organom regulacyjnym i szybko reagować na sygnały dotyczące bezpieczeństwa. Obciążenie wynikające z rosnącej liczby wydarzeń znajduje odzwierciedlenie w budżetach, które mają wzrosnąć z szacunkowych 4 miliardów dolarów w 2017 r. do ponad 6 miliardów w 2020 r.

Według 10 największych amerykańskich klientów z branży nauk przyrodniczych, z którymi obecnie współpracuje IBM Consulting, wykorzystanie generatywnej sztucznej inteligencji w zgodny i odpowiedzialny sposób może potencjalnie zmniejszyć pracę fizyczną związaną z tworzeniem raportów AE o 50%. Łącząc to z Oparte na sztucznej inteligencji, człowiek w pętli, rozwiązanie do tłumaczenia języków, może jeszcze bardziej zoptymalizować koszty operacyjne i uwolnić cenne zespoły ludzkie, aby mogły skupić się na zadaniach tworzących wartość dodaną.

FDA stanowi ukłon w stronę rosnącego wykorzystania uczenia maszynowego w naukach przyrodniczych wyczyścił ponad 500 algorytmów medycznych które są dostępne w handlu w Stanach Zjednoczonych. W latach 2019–2022 zatwierdzono ponad połowę algorytmów dostępnych na rynku amerykańskim, a w ciągu zaledwie czterech lat powstało ponad 300 aplikacji. Tylko w październiku 2022 r. FDA zatwierdziła 178 nowych systemów AI/ML, a liczba ta ma szybko rosnąć w przyszłości.

Ta dynamika tworzy ogromną wartość biznesową dla klientów z branży nauk przyrodniczych, którzy chcą wprowadzać innowacje w całym łańcuchu wartości, wykorzystując najnowocześniejsze technologie, takie jak generatywna sztuczna inteligencja.

W jaki sposób IBM Consulting może wspierać klientów na drodze do wykorzystania modeli podstawowych?

IBM Consulting dysponuje wiedzą i doświadczeniem, dzięki którym wspiera klientów o różnym stopniu dojrzałości na drodze do generatywnej sztucznej inteligencji. Na wysokim poziomie IBM Consulting wykorzystuje następujące filary, aby spotykać się z klientami tam, gdzie się znajdują:

• Strategia generatywnej sztucznej inteligencji i konfiguracja Centrum Doskonałości: Standaryzowane zaangażowanie w doradztwo w celu informowania, angażowania, odkrywania i oceniania nowych przypadków użycia modeli podstawowych.
• Modelowy Hackaton Podstawowy: Dwudniowy hackaton mający na celu wymyślenie i prototypowanie innowacyjnych rozwiązań AI dla konkretnych dziedzin zastosowań — z wykorzystaniem standardowych interfejsów API chmury lub podstawowych modeli open source (GPT, BERT i inne).
• Szybki start dla modelu fundamentu: Wykorzystaj IBM Garage, aby przyspieszyć korzystanie z podstawowych modeli i wdrożyć sprawdzone przypadki użycia IBM w ciągu 6–8 tygodni w różnych domenach.
• Współtworzenie, współpraca i generatywna sztuczna inteligencja @ Scale: Usługi projektowe i wdrożeniowe w zakresie prototypowania i budowania skutecznych rozwiązań biznesowych (na przykład wirtualni asystenci i centra wiedzy) z wykorzystaniem modeli komercyjnych lub opartych na otwartym kodzie źródłowym.
• Modele fundamentów na zamówienie: Wykorzystaj oryginalne innowacje IBM Research, AWS i innych źródeł w modelach podstawowych dla wyspecjalizowanych dziedzin (chemia, inżynieria materiałowa i przetwarzanie danych z czujników), aby uwzględnić przypadki użycia specyficzne dla danej dziedziny.
• Podstawowy model zarządzania, FMOps: Skonfiguruj wymagany nadzór organizacyjny i techniczny na potrzeby skalowania modeli podstawowych w całym przedsiębiorstwie, korzystając z metody AI@Scale firmy IBM Consulting.

Wnioski

Przedsiębiorstwa z różnych branż stoją obecnie przed znaczną presją, aby szybko wdrożyć generatywną sztuczną inteligencję i wykazać się wartością. Dzięki ponad 40 XNUMX projektów związanych ze sztuczną inteligencją i analizą na całym świecie firma IBM Consulting jest konsekwentnie uznawana za lider przez kilku analityków. IBM Consulting stara się pomagać przedsiębiorstwom z branży nauk przyrodniczych w odkrywaniu wartości generatywnej sztucznej inteligencji i realizowaniu ich za pośrednictwem niedawno ogłoszonego generatywnego AI CoE – wciągającego procesu konsultacyjnego, takiego jak Serwis IBM i akceleratory takie jak ATOM. Klienci potrzebują zaufanego, doświadczonego i kompetentnego partnera, który pomoże im w podróży związanej z generatywną sztuczną inteligencją, a IBM Consulting jest gotowy, aby im pomóc, spotykając się z nimi tam, gdzie się znajdują.

Dowiedz się więcej o usługach IBM Security Services for AWS