Використання генеративного штучного інтелекту на AWS для трансформації наук про життя – блог IBM

Експоненціальний стрибок генеративний ШІ вже трансформує багато галузей: оптимізація робочих процесів, допомагаючи командам людей зосередитися на доданих завданнях і прискорюючи час виходу на ринок. Галузь наук про життя починає помічати та прагне перескочити технологічний прогрес. Індустрія наук про життя протягом десятиліть перейшла від традиційної розробки ліків на основі відкриттів до цільової парадигми розробки ліків на основі ринку. Тим не менш, він обтяжений тривалими циклами науково-дослідних робіт і трудомісткими клінічними, виробничими режимами та режимами відповідності.

Галузь знаходиться під величезним тиском, щоб прискорити розробку ліків за оптимальною ціною, автоматизувати завдання, що вимагають багато часу та праці, як-от створення документів чи звітів, щоб зберегти моральний дух співробітників і прискорити доставку. У зв’язку з тим, що організації BioPharma та медичних пристроїв все частіше застосовують стратегії цифрової трансформації та залучення — у поєднанні зі зміною парадигми, спричиненою пандемією Covid19 — галузь переживає вибух цифрових даних, які створюються в комерційних сферах, ланцюгах поставок, клінічних сферах і сферах фармаконагляду. ланцюжка створення вартості, а також в інших бізнес-функціях підприємства.

Ці цифрові дані надходять у галузь у різних форматах, як-от неструктурований текст, зображення, PDF-файли та електронні листи. Вибуховий розвиток цифрових даних у поєднанні зі зменшенням кількості кваліфікованих і готових людських ресурсів для отримання та обробки цифрових даних у відповідний спосіб змушує організації, що займаються науками про життя, досліджувати ШІ, машинне навчання, а тепер і генеративні технології ШІ. Деякі приклади потенційного використання генеративного ШІ в науках про життя включають, але не обмежуються:

• AI for Medical Legal Review (MLR): Зростаюча глобалізація та експоненціальне зростання цифрових маркетингових методів ускладнюють і без того складний, трудомісткий і складний процес. генеративний штучний інтелект має потенціал для обробки цифрового вмісту в масштабі та отримання ефективних результатів MLR, які потім можуть бути використані командою маркетингу, прискорюючи та спрощуючи процес.
• AI для створення звітів про клінічні дослідження (CSR): Generative AI має потенціал для створення звіту «першої спроби», який може компенсувати 80% людських зусиль, прискорюючи процес, забезпечуючи послідовність і звільняючи цінну пропускну здатність для інших важливих завдань.
• Побічна подія (AE) Генерація наративу: Це суворо регульоване, трудомістке завдання створення розповіді про несприятливу подію вимагає суворо регламентованих бізнес-функцій і висококваліфікованих ролей в організаціях, що займаються науками про життя, і потребує координації ручних, іноді виснажливих, завдань, які можуть дати потенційно неточні або суперечливі результати. Використання генеративного штучного інтелекту для розширення можливостей людської команди дає можливість Клієнтам скоротити витрати на 30%-50%, одночасно прискорюючи час виходу на ринок, пов’язаний із цим процесом, принаймні на 50% і покращуючи масштабованість, якість і узгодженість створених звітів.
• Прискорити розробку мРНК ліків: Moderna, яка використовує машинне навчання та штучний інтелект для розвитку інформаційної РНК (мРНК) для створення різноманітного клінічного портфоліо вакцин і терапевтичних засобів у семи модальностях, співпрацюючи з IBM використовувати генеративний штучний інтелект для розробки ліків мРНК з оптимальною безпекою та ефективністю.

Інші випадки використання, коли генеративні моделі ШІ можуть допомогти організаціям, що займаються науками про життя, розкрити конкурентну перевагу:

• Узагальнення: взаємодія кол-центру, такі документи, як фінансові звіти, аналітичні статті, електронні листи, новини, медіа-тенденції тощо.
• Розмовні знання: Відгуки, база знань, описи товарів тощо.
• Створення вмісту: Персони, історії користувачів, синтетичні дані, створення зображень, персоналізований інтерфейс користувача, маркетингова копія, електронна пошта та соціальні відповіді тощо.
• Створення коду: Код другого пілота, перетворення коду, створення технічної документації, тестові приклади тощо.
• Дослідження та розробки: Виявлення та розробка ліків, створення та перевірка якісного контенту, якість і регулятивна розвідка, створення розповіді AE, інтелектуальне подання, генерація синтетичних даних.
• Комерційна: Створення маркетингового контенту, досвід пацієнтів, підтримка представників і тренінги, підтримка продажів і центр знань.
• Людські ресурси: Створюйте описи, вимоги до навичок, створюйте запитання для співбесіди з опису посади, оцінюйте кандидатів відповідно до специфікації посади, асистента з навчання та викладання, створюйте вікторини, створюйте контент тощо.
• Manufacturing: Контроль якості та перевірка, навчання операторів/лабораторії, розмовний пошук через SOP, створення контенту тощо.
• Ланцюг поставок: Прогнозування попиту, оптимізація ланцюга поставок, оцінка ризиків та їх пом’якшення.

Ми віримо, що використання генеративної автоматизації штучного інтелекту може принести переваги в науках про життя, включно з регульованими сферами, і скоротити час циклу для створення наративів AE принаймні на 50%, виходячи з роботи, виконаної IBM Consulting і групою Pharmacovigilance у глобальній BioPharma. компанії.

У цій публікації в блозі ми продемонструємо, як IBM Consulting співпрацює з AWS і використовує великі мовні моделі (LLM) на генеративній платформі штучного інтелекту (ATOM) IBM Consulting для створення базових моделей, що відповідають галузевим вимогам, навченим у сфері наук про життя. створити перші чернетки описових документів, щоб допомогти людським командам.

Чому IBM Consulting для генеративного ШІ на AWS?

Більше десяти років IBM Consulting допомагає клієнтам досягти цінності AI, навчання за допомогою машини і рішення автоматизації для оптимізації бізнес-процесів і ІТ-операцій у різних галузях. Зовсім недавно IBM Consulting співпрацювала з підприємствами для розгортання базових моделей переосмислити основні робочі процеси та отримати цінність—зменшення витрат, часу виконання та підвищення продуктивності, а також прагне допомогти підприємствам орієнтуватися та отримати переваги від сейсмічних змін, спричинених ШІ. Маючи це на увазі, IBM Consulting нещодавно оголосила про generative AI Center of Excellence понад 1000 консультантів, які володіють навичками генеративного штучного інтелекту та наборів інструментів прискорювачів, спеціально створених для базових моделей і магістратури; Завдяки цьому IBM Consulting допомагає підприємствам розробляти та розгортати виробничі генеративні моделі ШІ.

IBM є провідним консалтинговим партнером AWS із понад 20 тисячами сертифікованих спеціалістів AWS по всьому світу, 16 перевірками послуг і 16 компетенціями AWS, ставши найшвидшою глобальною GSI, яка протягом 16 місяців отримала більше компетенцій і сертифікатів AWS серед топ-18 AWS Premier GSI. На re:Invent 2022, IBM Consulting отримала нагороду Глобальний інноваційний партнер року і Партнер року GSI для Латинської Америки, зміцнюючи довіру клієнтів і AWS до IBM Consulting як до обраного партнера, коли мова йде про AWS.

У сфері штучного інтелекту IBM має понад 21 тисячу науковців, інженерів штучного інтелекту та консультантів, а також виконала понад 40 тисяч проектів із штучного інтелекту та аналітики. Але велика потужність приносить велику відповідальність, і це особливо вірно для генеративного ШІ. IBM Consulting керує a відповідальний та етичний підхід до штучного інтелекту вже більше п’яти років, головним чином зосереджених на цих п’яти основних принципах:

1. Пояснюваність: має бути зрозуміло те, як модель штучного інтелекту приймає рішення, а системи, що працюють із людиною в циклі, додають більше довіри та допомагають зменшити ризики відповідності.
2. справедливість: моделі штучного інтелекту повинні однаково ставитися до всіх груп.
3. Надійність: системи штучного інтелекту повинні бути здатні протистояти атакам на навчальні дані.
4. прозорість: усі відповідні аспекти системи штучного інтелекту мають бути доступними для оцінки громадськістю.
5. Конфіденційність : дані, які використовуються в системах штучного інтелекту, мають бути захищеними, і якщо ці дані належать особі, вона повинна розуміти, як вони використовуються.

IBM допомагає кільком науковим організаціям у відповідальному та надійному розгортанні штучного інтелекту в кількох функціях. IBM співпрацює з Johnson & Johnson, щоб фундаментально переосмислити свою стратегію талантів відповідально використовуючи навички, засновані на штучному інтелекті, і реалізовуючи їх перетворення в масштабі для спостереження за програмою за допомогою AIOP.

Щоб допомогти організаціям, що займаються науками про життя, дотримуватися вказівок і правил GxP під час розробки або виробництва ліків і медичних пристроїв, IBM Consulting використовує свій величезний досвід GxP і найкращі практики AWS. GxP, HIPAA та інші програми відповідності надавати сумісні, регульовані, перевірені та безпечні рішення.

Як побудувати генеративний конвеєр штучного інтелекту в AWS для створення наративу?

Наразі створення наративів для несприятливих подій є інтенсивним ручним процесом у сфері охорони здоров’я. Коли надходить повідомлення про несприятливу подію, клінічні групи та групи з безпеки вручну зчитують і обробляють декілька деталей — інформацію про стан здоров’я пацієнта та його історію, дані про події тощо — і вручну пишуть детальний звіт, як того потребують регулюючі органи. Ми вважаємо, що з появою генеративного штучного інтелекту ці процеси можна розширити, щоб звільнити можливості для клінічних груп і груп з безпеки, щоб перейти до більш цінних завдань, таких як перегляд оповідей, а також дозволити командам зосередитися на більш складних завданнях.

Ми досліджували кілька варіантів завдання створення наративів несприятливих подій за допомогою генеративного ШІ. Зрештою, один із HuggingFace Великі мовні моделі на Amazon Sagemaker JumpStart було обрано для створення описів несприятливих подій з кількох причин: він має дозвільну ліцензію, яка дозволяє комерційне використання, чіткі моделі/картки даних для вихідної моделі, які можуть пояснити походження даних, можливість точного налаштування моделі в Sagemaker Jumpstart, і надійна можливість генерувати опис несприятливих подій з мінімальною кількістю тонкого налаштування.

Конвеєр високого рівня для цього процесу показаний на малюнку 1. Ми почали з підготовки власних структурованих даних до очищення та підготовки їх у форматі, щоб можна було передавати підказки для тонкого налаштування та логічного висновку. Потім була налаштована модель великої мови Amazon Sagemaker на навчальному наборі даних із понад 500 записів, які описують інформацію про здоров’я пацієнта, побічні явища та медичну інформацію, використовуючи конвеєр, показаний нижче. Amazon Sagemaker є оптимальною платформою для генеративного штучного інтелекту завдяки кільком вбудованим функціональним можливостям (можливість вибору моделей із каталогу, відсутність кодового підходу до навчання моделей, функції налаштування додаткових конвеєрів і моніторингу). Після точного налаштування використовувалася розгорнута модель. зробити висновок на основі тестових даних для створення наративів AE (зразок див. на малюнку 2). Крім того, команда експертів з безпеки та клінічної тематики підтвердила генерацію оповіді за допомогою документів про реальну правду та вручну проаналізувала їх, щоб переконатися, що генеративний конвеєр AI-Automation є надійним і не піддається галюцинаціям.

На додаток до цього нещодавно запустила IBM Consulting watsonx.data на AWS, відкритому гібридному керованому сховищі даних, яке допомагає підприємствам масштабувати аналітику та ШІ. IBM Consulting також співпрацює з AWS для інтеграції майбутнього Amazon Bedrock, повністю керований сервіс, який робить FM-повідомлення від провідних стартапів штучного інтелекту та Amazon доступними через API в ATOM, щоб допомогти клієнтам створювати та масштабувати генеративні приклади використання ШІ, а зміцнення кібербезпеки і відповідність.

Цінність підприємства

Згідно База даних FAERS, кількість зареєстрованих побічних явищ зросла в 2.5 рази за 10 років, з 2012 по 2022 рік. Незалежно від обсягів, компанії повинні швидко повідомляти про ці події регуляторам і швидко реагувати на сигнали безпеки. Тягар від збільшення обсягів заходів відображається в бюджетах, які, як очікується, зростуть із приблизно 4 мільярдів доларів США у 2017 році до понад 6 мільярдів до 2020 року.

Відповідно до 10 найбільших клієнтів у галузі наук про життя в США, з якими наразі працює консалтингова компанія IBM, використання генеративного штучного інтелекту відповідно до вимог і відповідальністю може на 50% скоротити ручну працю для створення звітів про несправності. Поєднуючи це з an Рішення для мовного перекладу, кероване ШІ, людина в циклі, може ще більше оптимізувати операційні витрати та звільнити цінні команди людей, щоб зосередитися на завданнях із доданою цінністю.

На знак поваги до зростаючого використання машинного навчання в науках про життя FDA зараз очистив понад 500 медичних алгоритмів які комерційно доступні в Сполучених Штатах. Більше половини алгоритмів на ринку США було очищено в період з 2019 по 2022 рік, причому лише за чотири роки було створено понад 300 програм. Лише в жовтні 2022 року FDA схвалила 178 нових систем штучного інтелекту/ML, і очікується, що в майбутньому ця кількість швидко зросте.

Цей імпульс створює величезну бізнес-цінність для клієнтів із наук про життя, які прагнуть впроваджувати інновації в ланцюжку створення вартості, використовуючи передові технології, як-от генеративний ШІ.

Яким чином IBM Consulting може підтримати клієнтів на шляху до використання базових моделей?

IBM Consulting має знання та досвід, щоб підтримувати клієнтів із різним ступенем зрілості на їхньому шляху створення AI. На високому рівні IBM Consulting використовує такі принципи, щоб зустріти клієнтів там, де вони є:

• Generative AI Strategy and Center of Excellence setup: Стандартизоване консультування для інформування, залучення, виявлення та оцінки нових випадків використання базових моделей.
• Хакатон Foundation Model: Дводенний хакатон для розробки ідей і прототипів інноваційних рішень штучного інтелекту для конкретних доменів використання — із використанням стандартних хмарних API або базових моделей з відкритим кодом (GPT, BERT та інші).
• Jumpstart для базової моделі: Використовуйте IBM Garage, щоб розпочати використання базових моделей і реалізувати перевірені випадки використання IBM за 6-8 тижнів у різних доменах.
• Спільне створення, кооперація та генеративний AI @ Scale: Послуги з проектування та впровадження для прототипування та побудови ефективних бізнес-рішень (наприклад, віртуальних помічників і центрів знань), використовуючи комерційні моделі або базові моделі з відкритим кодом.
• Індивідуальні моделі фундаменту: Використовуйте оригінальні інновації від IBM Research, AWS та інших джерел на базових моделях для спеціалізованих областей (хімія, матеріалознавство та обробка даних датчиків), щоб розв’язати індивідуальні випадки використання домену.
• Основна модель управління, FMOps: Налаштуйте необхідне організаційне та технічне керування для масштабування базових моделей у межах підприємства за допомогою методу AI@Scale від IBM Consulting.

Висновок

Підприємства в різних галузях зараз стикаються зі значним тиском, щоб швидко прийняти генеративний ШІ та продемонструвати цінність. Завдяки більш ніж 40 тисячам AI та аналітичних залучень у всьому світі, IBM Consulting постійно оцінюється як лідер кількома аналітиками. IBM Consulting прагне допомогти підприємствам, що займаються науками про життя, орієнтуватися та усвідомлювати переваги генеративного штучного інтелекту за допомогою нещодавно анонсованого generative AI CoE, захоплюючого процесу консультацій, як Гараж IBM і прискорювачі, такі як ATOM. Клієнтам потрібен надійний, досвідчений і вмілий партнер, який би допоміг їм на шляху створення AI, і IBM Consulting готова допомогти їм, зустрівши їх там, де вони є.

Дізнайтеся більше про служби безпеки IBM для AWS