Vivek Desai, տեխնոլոգիայի գլխավոր տնօրեն, Հյուսիսային Ամերիկա RLDatix – Հարցազրույցների շարք

Վիվեկ Դեսաի է Գլխավոր տեխնոլոգ Հյուսիսային Ամերիկայի ժամը RLDatixՄի կապված առողջապահական գործառնությունների ծրագրային ապահովման և ծառայությունների ընկերություն: RLDatix-ը առողջապահությունը փոխելու առաքելություն ունի: Նրանք օգնում են կազմակերպություններին ապահովել ավելի անվտանգ և արդյունավետ խնամք՝ տրամադրելով կառավարման, ռիսկերի և համապատասխանության գործիքներ, որոնք նպաստում են ընդհանուր բարելավմանը և անվտանգությանը:

Ի՞նչն է ձեզ սկզբում գրավել համակարգչային գիտության և կիբերանվտանգության մեջ:

Ինձ գրավեց այն բարդությունները, թե ինչ են փորձում լուծել համակարգչային գիտությունը և կիբերանվտանգությունը. միշտ առաջացող մարտահրավեր կա ուսումնասիրելու համար: Դրա հիանալի օրինակն այն է, երբ ամպն առաջին անգամ սկսեց ձգվել: Այն խոստումնալից էր, բայց նաև որոշ հարցեր առաջացրեց աշխատանքային ծանրաբեռնվածության անվտանգության վերաբերյալ: Վաղուց պարզ էր, որ ավանդական մեթոդները խափանում են, և որ կազմակերպություններին պետք է մշակեն նոր գործընթացներ՝ արդյունավետորեն ապահովելու աշխատանքային ծանրաբեռնվածությունը ամպում: Այս նոր մեթոդներով նավարկելը հատկապես հետաքրքիր ճանապարհորդություն էր ինձ և այս ոլորտում աշխատող շատ ուրիշների համար: Դա դինամիկ և զարգացող արդյունաբերություն է, ուստի ամեն օր նոր և հետաքրքիր բան է բերում:

Կարո՞ղ եք կիսել որոշ ընթացիկ պարտականություններ, որոնք դուք ունեք որպես RLDatix-ի CTO:  

Ներկայումս ես կենտրոնացած եմ մեր տվյալների ռազմավարությունը ղեկավարելու և մեր արտադրանքի և նրանց պահած տվյալների միջև սիներգիա ստեղծելու ուղիներ գտնելու վրա՝ ավելի լավ հասկանալու միտումները: Մեր արտադրանքներից շատերը պարունակում են նմանատիպ տիպի տվյալներ, ուստի իմ խնդիրն է գտնել ուղիներ՝ կոտրելու այդ սիլոսները և հեշտացնել մեր հաճախորդներին, ինչպես հիվանդանոցներին, այնպես էլ առողջապահական համակարգերին, մուտք գործել տվյալներ: Դրանով ես նաև աշխատում եմ մեր գլոբալ արհեստական ​​ինտելեկտի (AI) ռազմավարության վրա՝ այս տվյալների հասանելիությունն ու օգտագործումը էկոհամակարգում տեղեկացնելու համար:

Արդյունաբերության տարբեր ճյուղերի զարգացող միտումներին արդի մնալը իմ դերի ևս մեկ կարևոր կողմն է՝ ապահովելու, որ մենք գնում ենք ճիշտ ռազմավարական ուղղությամբ: Ներկայումս ես ուշադիր հետևում եմ մեծ լեզվական մոդելներին (LLM): Որպես ընկերություն՝ մենք աշխատում ենք ուղիներ գտնել LLM-ները մեր տեխնոլոգիայի մեջ, հզորացնել և կատարելագործել մարդկանց, մասնավորապես՝ առողջապահական ծառայություններ մատուցողներին, նվազեցնել նրանց ճանաչողական բեռը և հնարավորություն տալ նրանց կենտրոնանալ հիվանդների խնամքի վրա:

Ձեր LinkedIn բլոգի գրառման մեջ «Մտորումներ իմ 1-ին տարվա՝ որպես CTO», - գրել եք, «CTO-ները միայնակ չեն աշխատում: Նրանք թիմի մի մասն են»: Կարո՞ղ եք մանրամասնել որոշ մարտահրավերներ, որոնց հետ դուք բախվել եք, և ինչպես եք լուծել պատվիրակության և թիմային աշխատանքը նախագծերի վրա, որոնք էապես տեխնիկապես դժվար են:

CTO-ի դերը հիմնովին փոխվել է վերջին տասնամյակի ընթացքում: Սերվերի սենյակում աշխատելու ժամանակներն անցել են: Այժմ աշխատանքը շատ ավելի համագործակցային է: Միասին, բիզնես ստորաբաժանումներում, մենք համահունչ ենք կազմակերպչական առաջնահերթություններին և այդ ձգտումները վերածում ենք մեզ առաջ մղող տեխնիկական պահանջների: Հիվանդանոցներն ու առողջապահական համակարգերը ներկայումս նավարկում են ամենօրյա բազմաթիվ մարտահրավերներ՝ աշխատուժի կառավարումից մինչև ֆինանսական սահմանափակումներ, և նոր տեխնոլոգիաների ընդունումը միշտ չէ, որ կարող է առաջնահերթություն լինել: Մեր ամենամեծ նպատակն է ցույց տալ, թե ինչպես տեխնոլոգիան կարող է օգնել մեղմել այս մարտահրավերները, այլ ոչ թե ավելացնել դրանց և ընդհանուր արժեքն այն բերում է իրենց բիզնեսին, աշխատակիցներին և ընդհանուր առմամբ հիվանդներին: Այս ջանքերը չեն կարող կատարվել միայնակ կամ նույնիսկ իմ թիմի ներսում, ուստի համագործակցությունը տարածվում է բազմամասնագիտական ​​ստորաբաժանումների վրա՝ մշակելու համահունչ ռազմավարություն, որը կցուցադրի այդ արժեքը, լինի դա բխում է հաճախորդներին բացված տվյալների պատկերացումներին հասանելիություն տալուց կամ գործընթացների ակտիվացումից, որոնք նրանք ներկայումս ի վիճակի չեն կատարել: .

Ո՞րն է արհեստական ​​ինտելեկտի դերը կապակցված առողջապահական գործառնությունների ապագայում:

Քանի որ ինտեգրված տվյալները դառնում են ավելի մատչելի AI-ի հետ, դրանք կարող են օգտագործվել տարբեր համակարգերը միացնելու և խնամքի շարունակականության ընթացքում անվտանգությունն ու ճշգրտությունը բարելավելու համար: Կապակցված առողջապահական գործառնությունների այս հայեցակարգը մի կատեգորիա է, որի վրա մենք կենտրոնացած ենք RLDatix-ում, քանի որ այն բացում է գործող տվյալներն ու պատկերացումները առողջապահության որոշում կայացնողների համար, և AI-ն անբաժանելի է դա իրականություն դարձնելու համար:

Այս ինտեգրման ոչ սակարկելի ասպեկտն է ապահովել, որ տվյալների օգտագործումը ապահով է և համապատասխան, և ռիսկերը հասկանալի են: Մենք շուկայի առաջատարն ենք քաղաքականության, ռիսկերի և անվտանգության ոլորտներում, ինչը նշանակում է, որ մենք ունենք մեծ քանակությամբ տվյալներ՝ հիմնական LLM-ներին ավելի ճշգրիտ և հուսալիությամբ պատրաստելու համար: Իրական կապակցված առողջապահական գործողություններին հասնելու համար առաջին քայլը տարբեր լուծումների միաձուլումն է, իսկ երկրորդը՝ տվյալների արդյունահանումը և դրանց նորմալացումը այդ լուծումների միջև: Հիվանդանոցները մեծապես կշահեն փոխկապակցված լուծումների խմբից, որոնք կարող են միավորել տվյալների հավաքածուները և կիրառելի արժեքներ տրամադրել օգտվողներին, այլ ոչ թե առանձին կետային լուծումներից առանձին տվյալների հավաքածուներ պահպանել:

Վերջերս ծրագրային ելույթում, արտադրանքի գլխավոր տնօրեն Բարբարա Սթարուկը պատմեց, թե ինչպես է RLDatix-ն օգտագործում գեներատիվ AI և մեծ լեզուների մոդելները՝ պարզեցնելու և ավտոմատացնելու հիվանդների անվտանգության միջադեպերի հաշվետվությունը: Կարո՞ղ եք մանրամասնել, թե ինչպես է սա աշխատում:

Սա իսկապես նշանակալից նախաձեռնություն է RLDatix-ի համար և հիանալի օրինակ այն բանի, թե ինչպես ենք մենք առավելագույնի հասցնում LLM-ների ներուժը: Երբ հիվանդանոցներն ու առողջապահական համակարգերը լրացնում են միջադեպերի հաշվետվությունները, ներկայումս կան երեք ստանդարտ ձևաչափեր՝ հաշվետվության մեջ նշված վնասի մակարդակը որոշելու համար՝ Առողջապահության հետազոտությունների գործակալություն և որակի ընդհանուր ձևաչափեր, դեղորայքի սխալների հաղորդման և կանխարգելման ազգային համակարգող խորհուրդ և առողջապահական արդյունավետություն: Բարելավման (HPI) անվտանգության իրադարձությունների դասակարգում (SEC): Հենց հիմա մենք կարող ենք հեշտությամբ վարժեցնել LLM-ին միջադեպի զեկույցում տեքստը կարդալու համար: Եթե ​​հիվանդը մահանում է, օրինակ, LLM-ն կարող է անխափան կերպով ընտրել այդ տեղեկատվությունը: Այնուամենայնիվ, խնդիրն այն է, որ LLM-ին վերապատրաստեն՝ որոշելու համատեքստը և տարբերակելու ավելի բարդ կատեգորիաները, ինչպիսիք են ծանր մշտական ​​վնասը, օրինակ՝ HPI SEC-ում ներառված տաքսոնոմիան, ընդդեմ ծանր ժամանակավոր վնասի: Եթե ​​զեկուցող անձը չի ներառում բավարար համատեքստ, LLM-ը չի կարողանա որոշել հիվանդի անվտանգության տվյալ միջադեպի համար վնասի համապատասխան կատեգորիայի մակարդակը:

RLDatix-ը նպատակ ունի իրականացնել ավելի պարզ տաքսոնոմիա, գլոբալ, մեր պորտֆելում, կոնկրետ կատեգորիաներով, որոնք հեշտությամբ կարող են տարբերվել LLM-ով: Ժամանակի ընթացքում օգտատերերը կկարողանան պարզապես գրել այն, ինչ տեղի է ունեցել, և LLM-ն այնտեղից կկարգավորի այն՝ հանելով բոլոր կարևոր տեղեկությունները և նախապես համալրելով միջադեպերի ձևերը: Սա ոչ միայն զգալի ժամանակ է խնայում արդեն իսկ լարված աշխատուժի համար, այլև, քանի որ մոդելը դառնում է էլ ավելի առաջադեմ, մենք նաև կկարողանանք բացահայտել կարևոր միտումները, որոնք առողջապահական կազմակերպություններին հնարավորություն կտան ավելի անվտանգ որոշումներ կայացնել ամբողջ համակարգում:

Որո՞նք են մի քանի այլ ուղիներ, որոնցով RLDatix-ը սկսել է LLM-ները ներառել իր գործունեության մեջ:

Մեկ այլ միջոց, որը մենք օգտագործում ենք LLM-ները ներքին, դա հավատարմագրման գործընթացի պարզեցումն է: Յուրաքանչյուր մատակարարի հավատարմագրերը տարբեր ձևաչափված են և պարունակում են եզակի տեղեկատվություն: Որպեսզի պատկերացնենք, մտածեք, թե ինչպես է յուրաքանչյուրի ռեզյումեն տարբերվում՝ տառատեսակներից, աշխատանքային փորձից, կրթությունից և ընդհանուր ձևաչափումից: Հավատարմագրումը նման է. Որտե՞ղ է մատակարարը հաճախել քոլեջ: Ո՞րն է նրանց հավաստագիրը: Ի՞նչ հոդվածներում են դրանք տպագրված: Յուրաքանչյուր բուժաշխատող պատրաստվում է այդ տեղեկատվությունը տրամադրել յուրովի։

RLDatix-ում LLM-ները մեզ հնարավորություն են տալիս կարդալ այս հավատարմագրերը և այդ բոլոր տվյալները հանել ստանդարտ ձևաչափով, որպեսզի տվյալների մուտքագրման մեջ աշխատողները ստիպված չլինեն լայնորեն որոնել դրանք՝ հնարավորություն տալով նրանց ավելի քիչ ժամանակ ծախսել վարչական բաղադրիչի վրա և կենտրոնանալ իրենց վրա: ժամանակն է նշանակալից առաջադրանքների վրա, որոնք արժեք են ավելացնում:

Կիբերանվտանգությունը միշտ եղել է մարտահրավեր, հատկապես ամպային վրա հիմնված տեխնոլոգիաների անցումով, կարո՞ղ եք քննարկել այս մարտահրավերներից մի քանիսը:

Cybersecurity- ը is դժվար է, այդ իսկ պատճառով կարևոր է աշխատել ճիշտ գործընկերոջ հետ: Այս տեխնոլոգիան օգտագործելիս ամենակարևոր նկատառումն է LLM-ների անվտանգ և համապատասխանության ապահովումը: Եթե ​​ձեր կազմակերպությունը չունի իր ներքին նվիրված անձնակազմը դա անելու համար, դա կարող է լինել աներևակայելի դժվար և ժամանակատար: Ահա թե ինչու մենք աշխատում ենք Amazon Web Services-ի (AWS) հետ կիբերանվտանգության մեր նախաձեռնությունների մեծ մասում: AWS-ն օգնում է մեզ ներդնել անվտանգություն և համապատասխանություն՝ որպես հիմնական սկզբունքներ մեր տեխնոլոգիայի շրջանակներում, որպեսզի RLDatix-ը կարողանա կենտրոնանալ այն ամենի վրա, ինչ մենք իսկապես լավ ենք անում, ինչը հիանալի արտադրանք է ստեղծում մեր հաճախորդների համար մեր համապատասխան ուղղահայաց ուղղություններով:

Որո՞նք են անվտանգության որոշ նոր սպառնալիքներ, որոնք դուք տեսաք LLM-ների վերջին արագ ընդունմամբ:

RLDatix-ի տեսանկյունից, կան մի քանի նկատառումներ, որոնց շուրջ մենք աշխատում ենք, մինչ մենք զարգացնում և վերապատրաստում ենք LLM-ներ: Մեզ համար կարևոր շեշտադրում է կանխակալության և անարդարության մեղմացումը: LLM-ները նույնքան լավն են, որքան այն տվյալները, որոնց վրա նրանք վերապատրաստվել են: Գործոնները, ինչպիսիք են սեռը, ռասան և այլ ժողովրդագրական տվյալները, կարող են ներառել շատ բնորոշ կողմնակալություններ, քանի որ տվյալների բազան ինքնին կողմնակալ է: Օրինակ, մտածեք, թե ինչպես է Միացյալ Նահանգների հարավ-արևելյան շրջանները օգտագործում «y'all» բառը ամենօրյա լեզվով: Սա եզակի լեզվական կողմնակալություն է, որը բնորոշ է որոշակի հիվանդների բնակչությանը, որը հետազոտողները պետք է հաշվի առնեն LLM-ին վերապատրաստելիս՝ ճշգրիտ տարբերակելու լեզվական նրբությունները՝ համեմատած այլ տարածաշրջանների հետ: Այս տեսակի շեղումները պետք է լուծվեն մասշտաբով, երբ խոսքը վերաբերում է առողջապահական ոլորտում LLMS-ի կիրառմանը, քանի որ հիվանդների մի պոպուլյացիայի շրջանակներում մոդելի ուսուցումն անպայման չի նշանակում, որ այդ մոդելը կաշխատի մյուսում:

Անվտանգության, թափանցիկության և հաշվետվողականության պահպանումը նույնպես կարևոր կետեր են մեր կազմակերպության համար, ինչպես նաև մեղմացնում են հալյուցինացիաների և ապատեղեկատվության ցանկացած հնարավորություն: Ապահովել, որ մենք ակտիվորեն լուծում ենք գաղտնիության հետ կապված ցանկացած խնդիր, որ մենք հասկանում ենք, թե ինչպես է մոդելը հասել որոշակի պատասխանի, և որ մենք ունենք անվտանգ զարգացման ցիկլ, բոլորն արդյունավետ իրականացման և պահպանման կարևոր բաղադրիչներն են:

Որո՞նք են մեքենայական ուսուցման այլ ալգորիթմներ, որոնք օգտագործվում են RLDatix-ում:

Մեքենայական ուսուցման (ML) օգտագործումը՝ պլանավորման կարևորագույն պատկերացումները բացահայտելու համար, մեր կազմակերպության համար հետաքրքիր օգտագործման դեպք է եղել: Հատկապես Մեծ Բրիտանիայում մենք ուսումնասիրել ենք, թե ինչպես օգտագործել ML-ը, որպեսզի ավելի լավ հասկանանք, թե ինչպես է տեղի ունենում ցուցակագրումը կամ բուժքույրերի և բժիշկների ժամանակացույցը: RLDatix-ը մուտք ունի անցած տասնամյակի պլանավորման հսկայական տվյալների, բայց ի՞նչ կարող ենք անել այդ ամբողջ տեղեկատվության հետ: Ահա թե որտեղ է ML-ն գալիս: Մենք օգտագործում ենք ML մոդելը, որպեսզի վերլուծենք այդ պատմական տվյալները և պատկերացում տրամադրենք այն մասին, թե ինչպես կադրային իրավիճակը կարող է տեսք ունենալ երկու շաբաթ անց՝ կոնկրետ հիվանդանոցում կամ որոշակի տարածաշրջանում:

Այդ հատուկ օգտագործման դեպքը շատ հասանելի ML մոդել է, բայց մենք ավելի ենք մղում ասեղը՝ միացնելով այն իրական կյանքի իրադարձություններին: Օրինակ, ի՞նչ կլիներ, եթե մենք նայեինք տարածքի յուրաքանչյուր ֆուտբոլային ժամանակացույցին: Մենք անձամբ գիտենք, որ սպորտային իրադարձությունները սովորաբար հանգեցնում են ավելի շատ վնասվածքների, և որ տեղական հիվանդանոցը, ամենայն հավանականությամբ, կունենա ավելի շատ ստացիոնար հիվանդներ միջոցառման օրը՝ համեմատած սովորական օրվա հետ: Մենք աշխատում ենք AWS-ի և այլ գործընկերների հետ՝ ուսումնասիրելու, թե ինչ հանրային տվյալների հավաքածուներ կարող ենք ներդնել՝ պլանավորումն էլ ավելի պարզեցնելու համար: Մենք արդեն ունենք տվյալներ, որոնք ենթադրում են, որ մենք կտեսնենք հիվանդների աճ սպորտային իրադարձությունների կամ նույնիսկ անբարենպաստ եղանակի շուրջ, բայց ML մոդելը կարող է մեկ քայլ առաջ տանել՝ վերցնելով այդ տվյալները և բացահայտելով կարևոր միտումները, որոնք կօգնեն ապահովել հիվանդանոցների պատշաճ աշխատանքը: անձնակազմով համալրված՝ ի վերջո նվազեցնելով մեր աշխատուժի վրա ճնշումը և մեր արդյունաբերությունը մեկ քայլ առաջ տանելով բոլորի համար ավելի ապահով խնամքի հասնելու համար:

Շնորհակալություն հիանալի հարցազրույցի համար, այն ընթերցողները, ովքեր ցանկանում են ավելին իմանալ, պետք է այցելեն RLDatix.