Rescale 미팅 예약

인터뷰

Vivek Desai, RLDatix 북미 최고 기술 책임자 - 인터뷰 시리즈

mm
업데이트 on

비벡 데사이 이다 최고 기술 책임자 (CTO) 북미의 RLDatix은 연결된 의료 운영 소프트웨어 및 서비스 회사입니다. RLDatix는 의료 서비스를 변화시키는 임무를 수행하고 있습니다. 전반적인 개선과 안전을 촉진하는 거버넌스, 위험 및 규정 준수 도구를 제공하여 조직이 보다 안전하고 효율적인 치료를 추진하도록 돕습니다.

처음에 컴퓨터 과학과 사이버 보안에 매력을 느낀 이유는 무엇입니까?

저는 컴퓨터 과학과 사이버 보안이 해결하려는 문제의 복잡성에 매료되었습니다. 항상 탐구해야 할 새로운 과제가 있습니다. 이에 대한 좋은 예는 클라우드가 처음으로 관심을 끌기 시작한 때입니다. 이는 큰 가능성을 제시했지만 워크로드 보안에 대한 몇 가지 의문도 제기했습니다. 기존 방식은 임시방편에 불과하며 조직 전체가 클라우드에서 워크로드를 효과적으로 보호하기 위해 새로운 프로세스를 개발해야 한다는 점은 초기부터 매우 분명했습니다. 이러한 새로운 방법을 탐색하는 것은 저와 이 분야에서 일하는 많은 다른 사람들에게 특히 흥미로운 여정이었습니다. 역동적이고 발전하는 산업이므로 매일 새롭고 흥미로운 일이 일어납니다.

RLDatix의 CTO로서 현재 맡고 있는 책임 중 일부를 공유해 주실 수 있나요?  

현재 저는 추세를 더 잘 이해하기 위해 데이터 전략을 주도하고 제품과 제품이 보유한 데이터 간의 시너지 효과를 창출하는 방법을 찾는 데 집중하고 있습니다. 당사의 많은 제품에는 유사한 유형의 데이터가 저장되어 있으므로, 제 임무는 이러한 사일로를 허물고 병원과 의료 시스템 등 고객이 데이터에 더 쉽게 액세스할 수 있도록 하는 방법을 찾는 것입니다. 이를 통해 저는 생태계 전반에 걸쳐 이러한 데이터 액세스 및 활용을 알리기 위한 글로벌 인공 지능(AI) 전략도 연구하고 있습니다.

다양한 산업 분야에서 최신 동향을 파악하는 것은 우리가 올바른 전략적 방향으로 나아가고 있는지 확인하는 내 역할의 또 다른 중요한 측면입니다. 저는 현재 LLM(Large Language Models)에 관심을 갖고 있습니다. 회사로서 우리는 LLM을 기술에 통합하여 인간, 특히 의료 서비스 제공자에게 권한을 부여하고 향상시키며 인지 부하를 줄이고 환자를 돌보는 데 집중할 수 있도록 하는 방법을 찾기 위해 노력하고 있습니다.

“라는 제목의 LinkedIn 블로그 게시물에서CTO로서의 1년차에 대한 반성,” 당신은 이렇게 썼습니다. “CTO는 혼자 일하지 않습니다. 그들은 팀의 일부입니다.” 직면한 몇 가지 과제와 본질적으로 기술적으로 어려운 프로젝트에서 위임 및 팀워크를 어떻게 해결했는지 자세히 설명해 주시겠습니까?

CTO의 역할은 지난 10년 동안 근본적으로 바뀌었습니다. 서버실에서 일하던 시대는 지났습니다. 이제 작업은 훨씬 더 협력적입니다. 우리는 여러 사업부에서 함께 조직의 우선순위를 조정하고 이러한 열망을 우리를 발전시키는 기술 요구 사항으로 전환합니다. 현재 병원과 의료 시스템은 인력 관리부터 재정적 제약에 이르기까지 수많은 일상적인 과제를 해결하고 있으며, 새로운 기술의 채택이 항상 최우선 순위는 아닐 수도 있습니다. 우리의 가장 큰 목표는 기술이 이러한 문제를 추가하는 것이 아니라 완화하는 데 어떻게 도움이 될 수 있는지, 그리고 그것이 비즈니스, 직원 및 환자 전반에 제공하는 전반적인 가치를 보여주는 것입니다. 이러한 노력은 단독으로 또는 내 팀 내에서 수행할 수 없습니다. 따라서 고객에게 잠금 해제된 데이터 통찰력에 대한 액세스를 제공하거나 현재 수행할 수 없는 프로세스를 활성화하는 데서 비롯되는지 여부에 관계없이 해당 가치를 보여줄 응집력 있는 전략을 개발하기 위해 여러 분야의 부서에 걸쳐 협업을 진행합니다. .

연결된 의료 운영의 미래에서 인공 지능의 역할은 무엇입니까?

AI를 통해 통합 데이터의 가용성이 높아지면 이를 활용하여 서로 다른 시스템을 연결하고 연속 진료 전반에 걸쳐 안전성과 정확성을 향상시킬 수 있습니다. 연결된 의료 운영이라는 개념은 의료 의사 결정권자에게 실행 가능한 데이터와 통찰력을 제공하기 때문에 RLDatix에서 중점을 두는 범주이며 AI는 이를 현실로 만드는 데 필수적입니다.

이 통합에서 타협할 수 없는 측면은 데이터 사용이 안전하고 규정을 준수하며 위험이 이해되는지 확인하는 것입니다. 우리는 정책, 위험 및 안전 분야의 시장 선두주자입니다. 즉, 기초 LLM을 더 정확하고 안정적으로 교육할 수 있는 충분한 양의 데이터를 보유하고 있음을 의미합니다. 진정한 연결된 의료 운영을 달성하기 위한 첫 번째 단계는 서로 다른 솔루션을 병합하는 것이고, 두 번째 단계는 데이터를 추출하여 해당 솔루션 전반에서 정규화하는 것입니다. 병원은 개별 포인트 솔루션에서 별도의 데이터 세트를 유지 관리하는 대신 데이터 세트를 결합하고 사용자에게 실행 가능한 가치를 제공할 수 있는 상호 연결된 솔루션 그룹을 통해 큰 이점을 얻을 수 있습니다.

최근 기조 연설에서 최고 제품 책임자인 Barbara Staruk는 RLDatix가 생성 AI 및 대규모 언어 모델을 활용하여 환자 안전 사고 보고를 간소화하고 자동화하는 방법을 공유했습니다. 이것이 어떻게 작동하는지 자세히 설명해 주시겠습니까?

이는 RLDatix에게 정말 중요한 이니셔티브이자 LLM의 잠재력을 극대화하는 방법을 보여주는 훌륭한 예입니다. 병원과 의료 시스템이 사고 보고서를 완료할 때 현재 보고서에 표시된 피해 수준을 결정하기 위한 세 가지 표준 형식이 있습니다. 의료 연구 및 품질 기관의 공통 형식, 약물 오류 보고 및 예방을 위한 국립 조정 위원회, 의료 성과 개선(HPI) 안전 이벤트 분류(SEC). 현재 우리는 사건 보고서의 텍스트를 읽도록 LLM을 쉽게 교육할 수 있습니다. 예를 들어, 환자가 사망한 경우 LLM은 해당 정보를 원활하게 찾아낼 수 있습니다. 그러나 문제는 LLM을 교육하여 맥락을 파악하고 심각한 영구적 피해, 예를 들어 HPI SEC에 포함된 분류법과 심각한 일시적 피해와 같은 보다 복잡한 범주를 구별하도록 교육하는 것입니다. 보고하는 사람이 충분한 맥락을 포함하지 않는 경우 LLM은 해당 특정 환자 안전 사고에 대한 피해의 적절한 범주 수준을 결정할 수 없습니다.

RLDatix는 LLM에서 쉽게 구별할 수 있는 구체적인 범주를 사용하여 포트폴리오 전반에 걸쳐 전 세계적으로 더 간단한 분류를 구현하는 것을 목표로 하고 있습니다. 시간이 지남에 따라 사용자는 발생한 일을 간단하게 작성할 수 있으며 LLM은 모든 중요한 정보를 추출하고 사건 양식을 미리 입력하여 해당 문제를 처리합니다. 이는 이미 어려움을 겪고 있는 인력에게 상당한 시간을 절약해 줄 뿐만 아니라 모델이 더욱 발전함에 따라 의료 기관이 전반적으로 보다 안전한 결정을 내릴 수 있도록 하는 중요한 추세를 식별할 수도 있습니다.

RLDatix가 LLM을 운영에 통합하기 시작한 다른 방법은 무엇입니까?

내부적으로 LLM을 활용하는 또 다른 방법은 자격 증명 프로세스를 간소화하는 것입니다. 각 공급자의 자격 증명은 서로 다른 형식으로 구성되며 고유한 정보를 포함합니다. 이를 관점에서 살펴보려면 글꼴, 업무 경험, 교육 및 전반적인 형식에 이르기까지 모든 사람의 이력서가 어떻게 다르게 보이는지 생각해 보세요. 자격증 취득도 비슷합니다. 제공자는 어디 대학에 다녔습니까? 그들의 인증은 무엇입니까? 어떤 기사에 게재되나요? 모든 의료 전문가는 자신만의 방식으로 해당 정보를 제공할 것입니다.

RLDatix에서 LLM을 사용하면 이러한 자격 증명을 읽고 모든 데이터를 표준화된 형식으로 추출할 수 있으므로 데이터 입력 작업을 하는 사람들은 이를 광범위하게 검색할 필요가 없으므로 관리 구성 요소에 소요되는 시간을 줄이고 업무에 집중할 수 있습니다. 가치를 더하는 의미 있는 작업에 시간을 투자하세요.

사이버 보안은 특히 클라우드 기반 기술로의 전환과 함께 항상 어려운 과제였습니다. 이러한 과제에 대해 논의할 수 있습니까?

사이버 보안 is 어렵기 때문에 올바른 파트너와 협력하는 것이 중요합니다. LLM이 보안을 유지하고 규정을 준수하는지 확인하는 것이 이 기술을 활용할 때 가장 중요한 고려 사항입니다. 조직 내에 이 작업을 수행할 전담 직원이 없다면 이는 엄청나게 어렵고 시간이 많이 소요될 수 있습니다. 이것이 바로 우리가 대부분의 사이버 보안 이니셔티브에서 Amazon Web Services(AWS)와 협력하는 이유입니다. AWS는 RLDatix가 우리가 실제로 잘하는 일, 즉 모든 해당 업종에서 고객을 위한 훌륭한 제품을 구축하는 데 집중할 수 있도록 보안 및 규정 준수를 우리 기술의 핵심 원칙으로 주입하도록 돕습니다.

최근 LLM의 급속한 도입으로 인해 나타난 새로운 보안 위협에는 어떤 것이 있습니까?

RLDatix 관점에서 볼 때 LLM을 개발하고 교육할 때 검토하고 있는 몇 가지 고려 사항이 있습니다. 우리의 중요한 초점은 편견과 불공평함을 완화하는 것입니다. LLM은 훈련받은 데이터만큼 우수합니다. 데이터 세트 자체가 편향되어 있기 때문에 성별, 인종 및 기타 인구통계와 같은 요인에는 많은 고유한 편향이 포함될 수 있습니다. 예를 들어, 미국 남동부 지역에서 일상 언어로 "y'all"이라는 단어를 어떻게 사용하는지 생각해 보세요. 이는 다른 지역과 비교하여 언어 뉘앙스를 정확하게 구별하기 위해 LLM을 훈련할 때 연구자가 고려해야 하는 특정 환자 집단에 내재된 고유한 언어 편견입니다. 의료 내에서 LLMS를 활용할 때 이러한 유형의 편향은 대규모로 처리되어야 합니다. 한 환자 집단 내에서 모델을 훈련한다고 해서 모델이 반드시 다른 환자 집단에서도 작동하는 것은 아니기 때문입니다.

보안, 투명성 및 책임을 유지하는 것도 우리 조직의 주요 초점이며 환각과 잘못된 정보의 기회를 줄이는 것입니다. 개인 정보 보호 문제를 적극적으로 해결하고, 모델이 특정 답변에 어떻게 도달했는지 이해하고, 안전한 개발 주기를 갖추고 있는지 확인하는 것은 모두 효과적인 구현 및 유지 관리의 중요한 구성 요소입니다.

RLDatix에서 사용되는 다른 기계 학습 알고리즘에는 어떤 것이 있습니까?

기계 학습(ML)을 사용하여 중요한 일정 정보를 파악하는 것은 우리 조직의 흥미로운 사용 사례였습니다. 특히 영국에서 우리는 ML을 활용하여 간호사와 의사의 명단 또는 일정이 어떻게 이루어지는지 더 잘 이해하는 방법을 모색해 왔습니다. RLDatix는 지난 10년간의 방대한 양의 일정 데이터에 액세스할 수 있습니다. 하지만 이 모든 정보로 우리는 무엇을 할 수 있을까요? 이것이 ML이 필요한 곳입니다. 우리는 ML 모델을 활용하여 과거 데이터를 분석하고 특정 병원이나 특정 지역에서 지금부터 2주 후 인력 상황이 어떻게 될지에 대한 통찰력을 제공하고 있습니다.

해당 특정 사용 사례는 매우 달성 가능한 ML 모델이지만, 우리는 이를 실제 이벤트에 연결하여 더욱 발전시키고 있습니다. 예를 들어, 해당 지역 내의 모든 축구 일정을 살펴보면 어떨까요? 우리는 스포츠 경기가 일반적으로 더 많은 부상을 초래하고, 지역 병원에서는 경기 당일에 평소보다 입원 환자가 더 많을 가능성이 높다는 사실을 직접 알고 있습니다. 우리는 AWS 및 기타 파트너와 협력하여 일정을 더욱 간소화하기 위해 시드할 수 있는 공개 데이터 세트를 탐색하고 있습니다. 우리는 이미 주요 스포츠 행사나 심지어 악천후로 인해 환자 수가 증가할 것이라는 것을 시사하는 데이터를 가지고 있지만 ML 모델은 해당 데이터를 사용하고 병원이 적절하게 운영되도록 하는 데 도움이 되는 중요한 추세를 식별함으로써 한 단계 더 나아갈 수 있습니다. 직원을 배치하여 궁극적으로 직원의 부담을 줄이고 모두를 위한 보다 안전한 진료를 달성하는 데 업계를 한 단계 더 발전시킵니다.

훌륭한 인터뷰 감사합니다. 자세한 내용을 알고 싶은 독자는 방문하세요. RLDatix.

unite.AI의 창립 파트너이자 포브스 기술 위원회, 앙투안은 미래파 예술가 AI와 로봇공학의 미래에 열정을 갖고 있는 사람입니다.

그는 또한 증권.io, 파괴적인 기술에 대한 투자에 초점을 맞춘 웹사이트입니다.