فيفيك ديساي، كبير مسؤولي التكنولوجيا في رلداتيكس – سلسلة المقابلات

فيفيك ديساي هو كبير مسؤولي التكنولوجيا في رلداتيكس، وهي شركة لبرمجيات وخدمات عمليات الرعاية الصحية المتصلة. رلداتيكس تعمل على تغيير الرعاية الصحية. تساعد المنظمات على تعزيز الرعاية الأكثر أمانًا وأكثر كفاءة من خلال توفير أدوات الحوكمة والخطر والامتثال التي تعزز التحسين والسلامة بشكل عام.

ما الذي جذبك في البداية إلى علوم الحاسوب وأمن المعلومات؟

لقد جذبتني تعقيدات ما تحاول علوم الحاسوب وأمن المعلومات حلها – هناك دائمًا تحديات جديدة للاستكشاف. مثال جيد على ذلك هو عندما بدأ السحابة في اكتساب زخمًا. كانت توعد بالكثير، ولكنها أيضًا أثيرت بعض الأسئلة حول أمان الحمل. كان واضحًا في وقت مبكر أن الأساليب التقليدية كانت حلًا مؤقتًا، وأن المنظمات في جميع أنحاء العالم ستحتاج إلى تطوير عمليات جديدة لتأمين حمولاتها في السحابة. كان التنقل في هذه الأساليب الجديدة رحلة مثيرة جدًا بالنسبة لي ولعديد من الأشخاص الذين يعملون في هذا المجال. إنه مجال ديناميكي وتطوري، لذلك يأتي كل يوم بشيء جديد ومثير.

يمكنك مشاركة بعض المسؤوليات الحالية التي لديك ككبير مسؤولي التكنولوجيا في رلداتيكس؟

أنا حاليًا منصب على قيادة استراتيجيتنا البيانية وfinding طرقًا لcreating synergies بين منتجاتنا والبيانات التي تحتويها، لفهم الاتجاهات بشكل أفضل. العديد من منتجاتنا تحتوي على أنواع مماثلة من البيانات، لذا моjob هو finding طرقًا لكسر تلك الحواصل وجعلها أكثر سهولة للوصول إليها من قبل عملائنا، سواء كانت مستشفيات أو أنظمة صحية. مع ذلك، أنا أيضًا أعمل على استراتيجيتنا العالمية لتقنيات الذكاء الاصطناعي (AI) لتعزيز وصول البيانات وتحليلها عبر النظام البيئي.

البقاء على اطلاع على الاتجاهات الجديدة في مختلف الصناعات هو جانب آخر حاسم من دوري، لضمان أننا نسير في الاتجاه الاستراتيجي الصحيح. أنا أحافظ حاليًا على متابعة وثيقة للنماذج اللغوية الكبيرة (LLMs). كما شركة، نحن نعمل على finding طرقًا لدمج LLMs في تكنولوجياتنا، لتمكين وتعزيز人类، وخاصة مقدمي الرعاية الصحية، وتقليل عبءهم الإدراكي وتمكينهم من التركيز على رعاية المرضى.

في منشورك على LinkedIn بعنوان “تأملاتي على عامي الأول ككبير مسؤولي التكنولوجيا،” كتبت، “كبار مسؤولي التكنولوجيا لا يعملون بمفردهم. هم جزء من فريق.” يمكنك توضيح بعض التحديات التي واجهتها وكيف تعاملت مع تفويض العمل والتعاون في المشاريع التي هي في جوهرها تقنية صعبة؟

دور كبير مسؤولي التكنولوجيا قد تغير بشكل أساسي خلال العقد الماضي. لم يعد العمل في غرفة الخادم. الآن، العمل أكثر تعاونية. معًا، عبر وحدات الأعمال، نتوافق على الأولويات التنظيمية ونحول تلك الطموحات إلى متطلبات تقنية تحركنا قدمًا. المستشفيات والأنظمة الصحية تتنقل حاليًا عبر تحديات يومية عديدة، من إدارة القوى العاملة إلى القيود المالية، واعتماد التكنولوجيا الجديدة قد لا يكون دائمًا أولوية قصوى. هدفنا الأكبر هو إظهار كيف يمكن للتكنولوجيا أن تساعد في التخفيف من هذه التحديات، بدلاً من إضافتها إليها، والقيمة الإجمالية التي تجلبها لمشاريعهم، موظفيهما، ومرضاهم على نطاق واسع. هذا الجهد لا يمكن أن يتم بمفردي أو حتى داخل فريقي، لذلك التعاون يمتد عبر وحدات متعددة التخصصات لتطوير استراتيجية متسقة ستظهر تلك القيمة، سواء كانت تتمثل في إعطاء العملاء وصولًا إلى رؤى بيانات غير مقفلة أو تفعيل عمليات لا يمكنهم أداؤها حاليًا.

ما هو دور الذكاء الاصطناعي في مستقبل عمليات الرعاية الصحية المتصلة؟

مع توفر البيانات المتكاملة مع الذكاء الاصطناعي، يمكن استخدامها لربط الأنظمة المتنوعة وتحسين السلامة والدقة عبر مسار الرعاية. مفهوم عمليات الرعاية الصحية المتصلة هو فئة نركز عليها في رلداتيكس لأنها تفتح رؤى بيانات وفوائد للقائمين على اتخاذ القرارات في مجال الرعاية الصحية – والذكاء الاصطناعي هو جزء أساسي من جعل ذلك حقيقة.

جانب لا يتنازل عنه في هذه التكامل هو ضمان أن استخدام البيانات آمن ومطابق للمواصفات، والخطر مفهوم. نحن نملك قاعدة بيانات كبيرة في السياسة والمخاطر والسلامة، مما يعني أن لدينا كمية كبيرة من البيانات لتدريب نماذج LLMs الأساسية بدقة وموثوقية أكبر. لتحقيق عمليات الرعاية الصحية المتصلة، الخطوة الأولى هي دمج الحلول المتنوعة، والثانية هي استخراج البيانات وتنسيقها عبر تلك الحلول. المستشفيات سوف تستفيد بشكل كبير من مجموعة من الحلول المتصلة التي يمكنها دمج مجموعات البيانات وتقديم قيمة فعلية للمستخدمين، بدلاً من الحفاظ على مجموعات بيانات منفصلة من حلول النقطة الفردية.

في حديث رئيسي最近، شارك رئيس قسم المنتج باربرا ستاروك كيف تقوم رلداتيكس باستخدام الذكاء الاصطناعي والنموذج اللغوي الكبير لتبسيط وآليّة تقارير حوادث السلامة للمرضى. يمكنك توضيح كيف يعمل ذلك؟

هذا هو مبادرة هامة جدًا لشركة رلداتيكس ومثال رائع على كيفية استغلالنا الإمكانيات الكاملة للنماذج اللغوية الكبيرة. عندما تكمل المستشفيات والأنظمة الصحية تقارير الحوادث، هناك ثلاثة صيغ قياسية لتحديد مستوى الضرر المشار إليه في التقرير: صيغ Agency for Healthcare Research and Quality، وNational Coordinating Council for Medication Error Reporting and Prevention، وHealthcare Performance Improvement (HPI) Safety Event Classification (SEC). يمكننا حاليًا تدريب نموذج LLM على قراءة النص في تقرير الحادث. إذا مات المريض، على سبيل المثال، يمكن للنموذج LLM استخراج تلك المعلومات بسلاسة. التحدي يكمن في تدريب النموذج LLM على فهم السياق والتمييز بين فئات أكثر تعقيدًا، مثل الضرر الدائم الشديد، وهو مصنف في HPI SEC، مقابل الضرر المؤقت الشديد. إذا لم يكن الشخص الذي يقدم التقرير يضمن السياق الكافي، لن يكون النموذج LLM قادرًا على تحديد الفئة المناسبة لمستوى الضرر لتقرير حادثة سلامة المريض.

رلداتيكس تهدف إلى تنفيذ تصنيف أبسط على مستوى العالم، عبر محفظتنا، مع فئات محددة يمكن تمييزها بسهولة بواسطة النموذج LLM. مع مرور الوقت، سيكون المستخدمون قادرين على كتابة ما حدث فقط، وسيقوم النموذج LLM بمعالجة ذلك من هناك عن طريق استخراج جميع المعلومات المهمة وتعبئة استمارات الحوادث مسبقًا. ليس هذا فقط экономيًا كبيرًا للوقت لقوة عمل معرضة للضغط، ولكن مع تقدم النموذج، سنكون قادرين أيضًا على تحديد الاتجاهات الحاسمة التي ستسمح للمنظمات الصحية باتخاذ قرارات أكثر أمانًا على نطاق واسع.

ما هي الطرق الأخرى التي بدأت رلداتيكس في دمج النماذج اللغوية الكبيرة في عملياتها؟

طريقة أخرى نستخدم بها النماذج اللغوية الكبيرة داخليًا هي تبسيط عملية التحقق من المؤهلات. لكل مزود رعاية صحية شهاداته ومعلوماته الفريدة. لتضع الأمور في منظور، فكر في كيفية اختلاف سيرة كل شخص – من الخطوط إلى الخبرة العملية إلى التعليم والعرض العام. التحقق من المؤهلات مشابه. حيث ذهب المزود إلى الكلية؟ ما شهادته؟ ما هي المقالات التي نشرها؟ كل محترف صحي سوف يقدم تلك المعلومات بطريقته الخاصة.

في رلداتيكس، النماذج اللغوية الكبيرة تمكننا من قراءة تلك الشهادات واستخراج جميع تلك البيانات إلى تنسيق معياري، بحيث لا يضطر الأشخاص العاملون في إدخال البيانات إلى البحث عنها على نطاق واسع، مما يسمح لهم bằngقل وقت على المكون الإداري والتركيز على المهام التي تضيف قيمة.

أمن المعلومات دائمًا ما كان تحديًا، خاصة مع التحول إلى التكنولوجيا القائمة على السحابة، يمكنك مناقشة بعض تلك التحديات؟

أمن المعلومات هو تحدي، وهو السبب في أننا نعمل مع الشريك الصحيح. ضمان أن النماذج اللغوية الكبيرة تبقى آمنة ومطابقة للمواصفات هو الاعتبار الأكثر أهمية عند استخدام هذه التكنولوجيا. إذا لم تكن مؤسستك تملك الموظفين المخصصين في الداخل لفعل ذلك، يمكن أن يكون ذلك تحديًا كبيرًا ومستهلكًا للوقت. هذا هو السبب في أننا نعمل مع Amazon Web Services (AWS) في معظم مبادرات أمن المعلومات. AWS تساعدنا على غرس الأمان والامتثال كقيم أساسية في تكنولوجياتنا بحيث يمكن لشركة رلداتيكس التركيز على ما نفعله جيدًا – وهو بناء منتجات رائعة لعملائنا في جميع القطاعات.

ما هي بعض التهديدات الأمنية الجديدة التي لاحظتها مع اعتماد النماذج اللغوية الكبيرة بشكل سريع؟

من منظور رلداتيكس، هناك عدة اعتبارات نحن نعمل من خلالها أثناء تطوير ونماذج LLMs. التركيز الهام علينا هو التخفيف من التحيز والجور. النماذج اللغوية الكبيرة ليست أفضل من البيانات التي يتم تدريبها عليها. العوامل مثل الجنس والعرق والديموغرافيا الأخرى يمكن أن تحتوي على تحيزات كثيرة لأن مجموعة البيانات نفسها متحيزة. على سبيل المثال، فكر في كيفية استخدام جنوب شرق الولايات المتحدة للكلمة “y’all” في اللغة اليومية. هذا هو تحيز لغوي فريد للغة السكان المرضى التي يجب على الباحثين مراعاتها عند تدريب النموذج LLM على التمييز بدقة بين دقة اللغة واختلافاتها مقارنة بمناطق أخرى. يجب معالجة هذه التحيزات على نطاق واسع عند استخدام النماذج اللغوية الكبيرة في مجال الرعاية الصحية، لأن تدريب نموذج داخل مجموعة مرضى معينة لا يعني بالضرورة أن النموذج سيعمل في مجموعة أخرى.

الحفاظ على الأمان والشفافية والمساءلة هي أيضًا محور تركيز كبير لمؤسستنا، بالإضافة إلى التخفيف من فرص الهلوسة والمعلومات الخاطئة. ضمان أننا نعالج أي مخاوف تتعلق بالخصوصية، ونفهم كيف وصل النموذج إلى إجابة معينة، ونملك دورة تطوير آمنة، هي جميعها مكونات هامة للتنفيذ والصيانة الفعالين.

ما هي بعض خوارزميات التعلم الآلي الأخرى التي تستخدمها رلداتيكس؟

استخدام التعلم الآلي (ML) لاكتشاف رؤى جدولة حاسمة كان حالة استخدام مثيرة للاهتمام لمؤسستنا. في المملكة المتحدة على وجه الخصوص، كنا نستكشف كيفية استغلال ML لفهم كيفية حدوث الجدولة، أو جدولة الممرضات والأطباء. رلداتيكس تملك وصولًا إلى كمية هائلة من بيانات الجدولة على مدار العقد الماضي، ولكن ماذا يمكننا فعلًا بجميع تلك المعلومات؟ هذا هو المكان الذي يأتي فيه التعلم الآلي. نحن نستخدم نموذج ML لتحليل تلك البيانات التاريخية وتقديم رؤى حول كيفية ظهور وضع التموين بعد أسبوعين في مستشفى أو منطقة معينة.

هذه الحالة الخاصة هي نموذج ML قابل للتحقيق، ولكننا نضغط على الحدود أكثر من ذلك عن طريق ربطها بأحداث حقيقية. على سبيل المثال، ماذا لو نظرنا إلى جدول كل مباراة كرة قدم في المنطقة؟ نحن نعلم من خلال الخبرة أن الأحداث الرياضية تؤدي عادة إلى المزيد من الإصابات، وأن مستشفى محلي سيكون لديه المزيد من المرضى الداخليين في يوم حدث رياضي مقارنة بيوم عادي. نحن نعمل مع AWS وشركاء آخرين لاستكشاف ما هي مجموعات البيانات العامة التي يمكننا زرعها لجعل الجدولة أكثر سلاسة. لدينا بالفعل بيانات تشير إلى أننا سنرى زيادة في عدد المرضى حول الأحداث الرياضية الكبيرة أو حتى الطقس السيئ، ولكن نموذج ML يمكن أن يأخذ ذلك خطوة أبعد من خلال أخذ تلك البيانات وتحديد الاتجاهات الحاسمة التي ستساعد على ضمان أن المستشفيات لديها توافر كافٍ من القوى العاملة، مما يقلل في النهاية من عبء العمل على قوتنا العاملة وتأخذ صناعتنا خطوة أخرى في تحقيق رعاية أكثر أمانًا للجميع.

شكرًا على المقابلة الرائعة، القراء الذين يرغبون في معرفة المزيد يمكنهم زيارة رلداتيكس.