ראיונות
Vivek Desai, קצין טכנולוגיה ראשי, צפון אמריקה ב-RLDatix – סדרת ראיונות
Vivek Desai האם ה קצין הטכנולוגיה הראשי של צפון אמריקה ב RLDatix, חברת תוכנות ושירותי שירותי בריאות מחוברים. RLDatix במשימה לשנות את שירותי הבריאות. הם עוזרים לארגונים לנהוג בטיפול בטוח ויעיל יותר על ידי מתן כלים לניהול, סיכונים ותאימות המניעים שיפור ובטיחות כלליים.
מה משך אותך בתחילה למדעי המחשב ולאבטחת הסייבר?
נמשכתי למורכבות של מה שמדעי המחשב ואבטחת הסייבר מנסים לפתור - תמיד יש אתגר מתעורר לחקור. דוגמה מצוינת לכך היא כאשר הענן התחיל לצבור אחיזה. זה הבטיח הרבה, אבל גם העלה כמה שאלות בנוגע לאבטחת עומסי עבודה. היה ברור מאוד בשלב מוקדם שהשיטות המסורתיות מהוות נקודת עצירה, ושארגונים בכל רחבי הלוח יצטרכו לפתח תהליכים חדשים כדי לאבטח ביעילות עומסי עבודה בענן. הניווט בשיטות החדשות הללו היה מסע מרגש במיוחד עבורי ועבור רבים אחרים העוסקים בתחום זה. זוהי תעשייה דינמית ומתפתחת, כך שכל יום מביא משהו חדש ומרגש.
האם תוכל לחלוק חלק מהאחריות הנוכחית שיש לך כ-CTO של RLDatix?
נכון לעכשיו, אני מתמקד בהובלת אסטרטגיית הנתונים שלנו ובמציאת דרכים ליצור סינרגיות בין המוצרים שלנו והנתונים שהם מחזיקים, כדי להבין טוב יותר מגמות. רבים מהמוצרים שלנו מכילים סוגים דומים של נתונים, ולכן התפקיד שלי הוא למצוא דרכים לפרק את הממגורות הללו ולהקל על הלקוחות שלנו, הן בתי החולים והן מערכות הבריאות, לגשת לנתונים. עם זה, אני גם עובד על אסטרטגיית הבינה המלאכותית הגלובלית שלנו (AI) כדי ליישר את הגישה והניצול לנתונים ברחבי המערכת האקולוגית.
הישארות מעודכנת במגמות מתפתחות בתעשיות שונות היא היבט מכריע נוסף בתפקידי, כדי להבטיח שאנו הולכים בכיוון האסטרטגי הנכון. כרגע אני עוקב מקרוב אחר מודלים של שפה גדולה (LLMs). כחברה, אנו פועלים למצוא דרכים לשלב LLMs בטכנולוגיה שלנו, להעצים ולשפר את בני האדם, במיוחד ספקי שירותי בריאות, להפחית את העומס הקוגניטיבי שלהם ולאפשר להם להתמקד בטיפול בחולים.
בפוסט הבלוג שלך בלינקדאין שכותרתו "הרהור על השנה הראשונה שלי כ-CTO," כתבת, "CTOs לא עובדים לבד. הם חלק מצוות". האם תוכל לפרט על כמה מהאתגרים שעמדת בפניך וכיצד התמודדת עם האצלה ועבודת צוות בפרויקטים שהם מטבעם מאתגרים מבחינה טכנית?
תפקידו של CTO השתנה מהותית במהלך העשור האחרון. חלפו הימים של עבודה בחדר שרתים. עכשיו, העבודה הרבה יותר שיתופית. יחד, בין יחידות עסקיות, אנו מיישרים קו לפי סדרי עדיפויות ארגוניים והופכים את השאיפות הללו לדרישות טכניות שמניעות אותנו קדימה. בתי חולים ומערכות בריאות מנווטים כיום כל כך הרבה אתגרים יומיומיים, מניהול כוח אדם ועד אילוצים פיננסיים, ואימוץ טכנולוגיה חדשה אולי לא תמיד בראש סדר העדיפויות. המטרה הגדולה ביותר שלנו היא להציג כיצד הטכנולוגיה יכולה לסייע בהפחתת האתגרים הללו, במקום להוסיף להם, ואת הערך הכולל שהיא מביאה לעסק שלהם, לעובדים ולמטופלים בכלל. המאמץ הזה לא יכול להיעשות לבד או אפילו בתוך הצוות שלי, ולכן שיתוף הפעולה משתרע על פני יחידות רב-תחומיות כדי לפתח אסטרטגיה מגובשת שתציג את הערך הזה, בין אם זה נובע מהענקת גישה ללקוחות לתובנות נתונים לא נעולים או הפעלת תהליכים שהם אינם מסוגלים לבצע כרגע. .
מה תפקידה של בינה מלאכותית בעתיד של פעולות בריאות מקושרות?
ככל שהנתונים המשולבים הופכים זמינים יותר עם AI, ניתן להשתמש בהם כדי לחבר מערכות שונות ולשפר את הבטיחות והדיוק על פני רצף הטיפול. תפיסה זו של פעולות שירותי בריאות מקושרות היא קטגוריה שאנו מתמקדים בה ב-RLDatix מכיוון שהיא פותחת נתונים ותובנות ניתנות לפעולה עבור מקבלי החלטות בתחום הבריאות - ובינה מלאכותית היא חלק בלתי נפרד מהפיכתו למציאות.
היבט שאינו ניתן למשא ומתן באינטגרציה זו הוא הבטחת השימוש בנתונים מאובטח ותואם, והסיכונים מובנים. אנחנו מובילי השוק במדיניות, סיכונים ובטיחות, מה שאומר שיש לנו כמות מספקת של נתונים כדי להכשיר לימודי LLM בסיסיים עם יותר דיוק ואמינות. כדי להשיג פעולות בריאות מקושרות אמיתיות, השלב הראשון הוא מיזוג הפתרונות השונים, והשני הוא חילוץ נתונים ונורמליזציה של אותם פתרונות. בתי חולים ייהנו מאוד מקבוצה של פתרונות מחוברים שיכולים לשלב מערכי נתונים ולספק ערך בר-פעולה למשתמשים, במקום לשמור על מערכי נתונים נפרדים מפתרונות נקודתיים בודדים.
בהרצאה שפרסמה לאחרונה, מנהלת המוצר הראשית, ברברה סטארוק, שיתפה כיצד RLDatix ממנפת מודלים של בינה מלאכותית ושפה גדולה כדי לייעל ולהפוך את הדיווח על אירועי בטיחות המטופלים לאוטומטיים. תוכל לפרט איך זה עובד?
זו יוזמה משמעותית מאוד עבור RLDatix ודוגמה מצוינת לאופן שבו אנו ממקסמים את הפוטנציאל של LLMs. כאשר בתי חולים ומערכות בריאות משלימות דוחות תקריות, קיימים כיום שלושה פורמטים סטנדרטיים לקביעת רמת הנזק המצוינת בדוח: הפורמטים הנפוצים של הסוכנות לחקר בריאות ואיכות, המועצה הלאומית לתיאום דיווח ומניעת טעויות תרופתיות וביצועי שירותי הבריאות. שיפור (HPI) סיווג אירועי בטיחות (SEC). נכון לעכשיו, אנחנו יכולים בקלות לאמן LLM לקרוא טקסט בדוח תקרית. אם מטופל נפטר, למשל, ה-LLM יכול לבחור את המידע הזה בצורה חלקה. האתגר, לעומת זאת, טמון באימון ה-LLM לקבוע הקשר ולהבחין בין קטגוריות מורכבות יותר, כגון נזק קבוע חמור, טקסונומיה הנכללת ב-HPI SEC למשל, לעומת נזק זמני חמור. אם האדם המדווח אינו כולל מספיק הקשר, ה-LLM לא יוכל לקבוע את רמת הקטגוריה המתאימה של הנזק עבור אירוע בטיחות החולה המסוים הזה.
RLDatix שואפת ליישם טקסונומיה פשוטה יותר, ברחבי הפורטפוליו שלנו, עם קטגוריות קונקרטיות שניתן להבחין בהן בקלות על ידי ה-LLM. עם הזמן, המשתמשים יוכלו פשוט לכתוב את מה שהתרחש וה-LLM יטפל בזה משם על ידי חילוץ כל המידע החשוב ומילוי מראש של טפסי אירוע. זה לא רק חיסכון משמעותי בזמן לכוח עבודה שכבר מתאמץ, אלא שככל שהמודל יהפוך למתקדם עוד יותר, נוכל גם לזהות מגמות קריטיות שיאפשרו לארגוני בריאות לקבל החלטות בטוחות יותר בכל רחבי הלוח.
מהן כמה דרכים אחרות שבהן RLDatix החלה לשלב LLMs בפעילותה?
דרך נוספת שבה אנו ממנפים את ה-LLMs באופן פנימי היא לייעל את תהליך האישור. האישורים של כל ספק מעוצבים בצורה שונה ומכילים מידע ייחודי. כדי לשים את זה בפרספקטיבה, חשבו איך קורות החיים של כולם נראים אחרת - מגופנים, דרך ניסיון בעבודה, ועד השכלה ועיצוב כולל. ההסמכה דומה. איפה הספק למד במכללה? מה ההסמכה שלהם? באילו מאמרים הם מתפרסמים? כל איש מקצוע בתחום הבריאות הולך לספק את המידע הזה בדרכו שלו.
ב-RLDatix, LLMs מאפשרים לנו לקרוא את האישורים הללו ולחלץ את כל הנתונים האלה לפורמט סטנדרטי, כך שעובדים בהזנת נתונים לא יצטרכו לחפש אותם באופן נרחב, מה שמאפשר להם להשקיע פחות זמן ברכיב הניהולי ולמקד את זמן על משימות משמעותיות שמוסיפות ערך.
אבטחת סייבר תמיד הייתה מאתגרת, במיוחד עם המעבר לטכנולוגיות מבוססות ענן, האם תוכל לדון בכמה מהאתגרים הללו?
אבטחת סייבר is מאתגר, ולכן חשוב לעבוד עם השותף הנכון. הבטחת LLMs נשארים מאובטחים ותואמים הוא השיקול החשוב ביותר בעת מינוף טכנולוגיה זו. אם לארגון שלך אין צוות מסור בבית לעשות זאת, זה יכול להיות מאתגר מאוד וגוזל זמן רב. זו הסיבה שאנו עובדים עם שירותי האינטרנט של אמזון (AWS) על רוב יוזמות אבטחת הסייבר שלנו. AWS עוזרת לנו להטמיע אבטחה ותאימות כעקרונות ליבה בטכנולוגיה שלנו, כך ש-RLDatix יכולה להתמקד במה שאנחנו באמת עושים טוב - אשר בונה מוצרים מעולים עבור הלקוחות שלנו בכל הענפים שלנו.
מהם כמה מאיומי האבטחה החדשים שראית עם האימוץ המהיר של LLM לאחרונה?
מנקודת מבט של RLDatix, ישנם מספר שיקולים שאנו עובדים עליהם בזמן שאנו מפתחים ומכשרים LLMs. מוקד חשוב עבורנו הוא הפחתת הטיות וחוסר הוגנות. LLMs טובים רק כמו הנתונים שהם מאומנים עליהם. גורמים כגון מגדר, גזע ודמוגרפיה אחרת יכולים לכלול הטיות מובנות רבות מכיוון שמערך הנתונים עצמו מוטה. לדוגמה, חשבו כיצד דרום מזרח ארצות הברית משתמשת במילה "כולכם" בשפה היומיומית. זוהי הטיית שפה ייחודית הטבועה באוכלוסיית חולים ספציפית, שעל החוקרים לשקול בעת אימון ה-LLM להבחין במדויק בניואנסים של שפה בהשוואה לאזורים אחרים. יש להתמודד עם סוגים אלו של הטיות בקנה מידה בכל הנוגע למינוף LLMS בתוך שירותי הבריאות, שכן הכשרת מודל בתוך אוכלוסיית חולים אחת לא אומר בהכרח שהמודל יעבוד באחרת.
שמירה על אבטחה, שקיפות ואחריות הן גם נקודות מיקוד גדולות עבור הארגון שלנו, כמו גם הפחתת הזדמנויות להזיות ומידע שגוי. הבטחה שאנו מטפלים באופן פעיל בכל חששות פרטיות, שאנו מבינים כיצד מודל הגיע לתשובה מסוימת ושיש לנו מחזור פיתוח מאובטח במקום, כולם מרכיבים חשובים של יישום ותחזוקה יעילים.
מהם אלגוריתמים אחרים של למידת מכונה המשמשים ב-RLDatix?
שימוש בלמידת מכונה (ML) כדי לחשוף תובנות תזמון קריטיות היה מקרה שימוש מעניין עבור הארגון שלנו. בבריטניה ספציפית, בדקנו כיצד למנף ML כדי להבין טוב יותר כיצד מתרחשת תורנות, או תזמון של אחיות ורופאים. ל-RLDatix יש גישה לכמות עצומה של נתוני תזמון מהעשור האחרון, אבל מה אנחנו יכולים לעשות עם כל המידע הזה? זה המקום שבו ML נכנס לתמונה. אנו משתמשים במודל ML כדי לנתח את הנתונים ההיסטוריים הללו ולספק תובנה לגבי האופן שבו מצב כוח אדם עשוי להיראות בעוד שבועיים מהיום, בבית חולים ספציפי או באזור מסוים.
מקרה השימוש הספציפי הזה הוא מודל ML בר השגה מאוד, אבל אנחנו דוחפים את המחט עוד יותר על ידי חיבורו לאירועים אמיתיים. לדוגמה, מה אם נסתכל על כל לוח זמנים של כדורגל באזור? אנו יודעים ממקור ראשון שאירועי ספורט מובילים בדרך כלל ליותר פציעות וכי סביר להניח שבבית חולים מקומי יהיו יותר מאושפזים ביום האירוע בהשוואה ליום טיפוסי. אנו עובדים עם AWS ושותפים אחרים כדי לחקור אילו מערכי נתונים ציבוריים נוכל ליצור כדי להפוך את התזמון ליעיל עוד יותר. יש לנו כבר נתונים שמצביעים על עלייה בחולים סביב אירועי ספורט גדולים או אפילו מזג אוויר סגרירי, אבל מודל ה-ML יכול לקחת את זה צעד קדימה על ידי לקיחת הנתונים הללו וזיהוי מגמות קריטיות שיסייעו להבטיח שבתי החולים יהיו נאותים מאויש, בסופו של דבר מפחית את העומס על כוח העבודה שלנו ולוקח את התעשייה שלנו צעד קדימה בהשגת טיפול בטוח יותר לכולם.
תודה על הראיון הנהדר, קוראים שרוצים ללמוד עוד צריכים לבקר RLDatix.
