RLDatix의 북미지역 최고기술책임자(Vivek Desai) 인터뷰 시리즈

Vivek Desai는 RLDatix의 북미지역 최고기술책임자입니다. RLDatix는 의료기관의 운영을 지원하는 소프트웨어 및 서비스 회사입니다. RLDatix는 의료를 변화시키는 것을 목표로 합니다. 그들은 의료기관이 더 안전하고 효율적인 의료를 제공할 수 있도록 거버넌스, 리스크, 컴플라이언스 도구를 제공하여 전체적인 개선과 안전을 도모합니다.

컴퓨터 과학과 사이버 보안에 처음 관심을 가졌던 것은 무엇입니까?

컴퓨터 과학과 사이버 보안이 해결하려고 하는 복잡성에 끌렸습니다. 항상 새로운 도전이 있습니다. 예를 들어, 클라우드가 처음 등장했을 때, 많은 약속을 가지고 있었지만, 워크로드 보안에 대한 질문도 있었습니다. 전통적인 방법은 임시방편일 뿐이며, 조직은 클라우드에서 워크로드를 효과적으로 보호하기 위해 새로운 프로세스를 개발해야 한다는 것이 명백했습니다. 이러한 새로운 방법을 탐색하는 것은 저에게와 저와 함께 이 분야에서 일하는 많은 사람들에게 매우 흥미로운 여정이었습니다. 이것은 동적이고 발전하는 산업이므로, 매일 새로운 것과 흥미로운 것이 있습니다.

RLDatix의 CTO로서 현재의 책임은 무엇입니까?

현재, 데이터 전략을 이끌고, 제품과 데이터 간의 시너지를 창출하여 트렌드를 더 잘 이해하는 방법을 찾고 있습니다. 많은 제품이 유사한 유형의 데이터를 보유하고 있으므로, 저의 일은 이러한 실로를 끊고, 고객인 병원과 의료 시스템이 데이터에 더 쉽게 액세스할 수 있도록 하는 것입니다. 또한, 글로벌 인공 지능(AI) 전략을 개발하여 이 데이터 액세스와 활용을 생태계 전반에 걸쳐 알려주는 것입니다.

다양한 산업의 새로운 트렌드에 대해 최신 정보를 유지하는 것도 저의 역할의 중요한 측면입니다. 이를 통해 우리는 올바른 전략 방향으로 나아갈 수 있습니다. 현재, 저는 대형 언어 모델(LLM)을密切히 주시하고 있습니다. 우리는 LLM을我们的 기술에 통합하여 의료 제공자를 강화하고, 인지 부담을 줄이고, 환자 치료에 집중할 수 있도록 하고 있습니다.

링크드인 블로그 포스트에서 “CTO로서의 1년”에 대해 썼는데, “CTO는 혼자 일하지 않는다. 팀의 일부이다”라고 했습니다. 기술적으로 도전적인 프로젝트에서 위임과 팀워크에 대한 도전을 어떻게 극복했는지에 대해 설명해 주시겠습니까?

CTO의 역할은 지난 10년 동안 근본적으로 변경되었습니다. 서버 룸에서 일하는 날은 지나갔습니다. 이제, 이 일은 훨씬 더 협력적입니다. 비즈니스 유닛 전체에서, 우리는 조직의 우선순위를 정렬하고, 이를 기술 요구사항으로 변환하여 앞으로 나아갑니다. 현재, 병원과 의료 시스템은 일일 도전을 겪고 있습니다. 예를 들어, 인력 관리와 재정 제약이 있습니다. 새로운 기술의 채택은 항상 최우선 순위가 아닐 수 있습니다. 우리의 가장 큰 목표는 기술이 이러한 도전을 완화하는 데 어떻게 도움이 될 수 있는지, 그리고 그것이 비즈니스, 직원, 그리고 환자에게 가져다주는 가치를 보여주는 것입니다. 이 노력은 혼자서 또는 저의 팀에서만 할 수 없습니다. 따라서, 다학제적인 유닛 전체에서 협력하여, 그 가치를 보여줄 수 있는 일관된 전략을 개발합니다.

연결된 의료 운영의 미래에서 인공 지능의 역할은 무엇입니까?

연결된 의료 운영은 우리가 집중하는 카테고리입니다. 인공 지능(AI)을통해 통합된 데이터를 사용하여, 상이한 시스템을 연결하고, 치료 과정 전반에 걸쳐 안전성과 정확성을 향상시킬 수 있습니다. 이 연결된 의료 운영은 의료 의사결정자에게 행동 가능한 데이터와 통찰력을 제공합니다. 그리고 인공 지능은 이것을 현실로 만드는 데 핵심입니다.

이 통합의 필수적인 측면은 데이터 사용이 안전하고 규정 준수하며, 위험이 이해되는지 확인하는 것입니다. 우리는 정책, 리스크, 안전 분야에서 시장 선도자입니다. 이는 많은 데이터를 가지고 있음을 의미하며, 기초적인 LLM을 더 정확하게 훈련할 수 있습니다. 연결된 의료 운영을 달성하기 위해서, 첫 번째 단계는 상이한 솔루션을 병합하는 것입니다. 두 번째 단계는 데이터를 추출하고, 이러한 솔루션 전반에 걸쳐 데이터를 표준화하는 것입니다. 병원은 데이터 세트를 결합하고, 사용자에게 행동 가능한 가치를 제공할 수 있는 상호 연결된 솔루션 세트를 가지고益을 볼 것입니다.

최근 키노트에서, Chief Product Officer Barbara Staruk는 RLDatix가 환자 안전 사고 보고를 자동화하고 효율화하기 위해 생성적 인공 지능과 대형 언어 모델을 어떻게 활용하고 있는지에 대해 설명했습니다. 이에 대해 자세히 설명해 주시겠습니까?

이것은 RLDatix에게 매우 중요한 이니셔티브입니다. 우리는 대형 언어 모델(LLM)을 활용하여 환자 안전 사고 보고서를 자동화하고, 효율화하는 방법을 찾고 있습니다. 현재, 환자 안전 사고 보고서에는 세 가지 표준 형식이 있습니다. LLM을 훈련시킬 수 있습니다. 예를 들어, 환자가 사망한 경우, LLM은 쉽게 해당 정보를 인식할 수 있습니다. 그러나, 복잡한 카테고리, 예를 들어, 심각한 영구적인 피해를 구분하는 것은 더 어렵습니다. 보고서에 충분한 컨텍스트가 포함되지 않은 경우, LLM은 해당 환자 안전 사고의 적절한 카테고리를 결정할 수 없습니다.

RLDatix는 더 단순한 분류 체계를 구현하고자 합니다. 이는 전 세계적으로, 포트폴리오 전반에 걸쳐, 구체적인 카테고리를 사용하여, LLM이 쉽게 구분할 수 있도록 합니다. 시간이 지나면, 사용자는 발생한 일을 einfach하게 작성할 수 있고, LLM은 중요한 정보를 추출하고, 사고 보고서를 미리 채워줄 것입니다. 이것은 이미 과부하된 인력에게 시간을 절약하는 것입니다. 또한, 모델이 더 발전하면, 우리는 중요한 트렌드를 식별하여, 의료 기관이 더 안전한 의사결정을 내릴 수 있도록 할 수 있습니다.

RLDatix는 다른 방법으로도 LLM을 운영에 통합하고 있습니까?

우리는 내부적으로 LLM을 활용하여 자격증 과정도 효율화하고 있습니다. 각 제공자의 자격증은 형식과 정보가 다르기 때문에, 이를 표준화된 형식으로 추출하여, 데이터 입력에 시간을 덜 쓰고, 더 의미 있는 작업에 집중할 수 있도록 합니다.

サイバーセキュリティ는 항상 도전적이었으며, 클라우드 기반 기술로의 전환으로 인해 이러한 도전이 더 커졌습니다. 이러한 도전에 대해 논의해 주시겠습니까?

サイバーセキュリティ는 도전적입니다. 따라서, 올바른 파트너와 협력하는 것이 중요합니다. LLM을 활용할 때, 보안과 규정 준수를 đảm保하는 것이 가장 중요한 고려 사항입니다. 조직에 전용 인력이 없는 경우, 이는 매우 도전적이고 시간이 많이 걸릴 수 있습니다. 따라서, 우리는 대부분의 사이버 보안 이니셔티브에서 Amazon Web Services(AWS)와 협력합니다. AWS는 우리의 기술에 보안과 규정 준수를 핵심 원칙으로 도입하여, RLDatix가 고객을 위한 훌륭한 제품을 개발하는 데 집중할 수 있도록 합니다.

RLDatix는 LLM의 최근 급속한 채택으로 인해 새로운 보안 위협을 보았습니까?

RLDatix의 관점에서, 우리는 LLM을 개발하고 훈련하면서 여러 가지 고려 사항을 작업하고 있습니다. 중요한 초점은 편향과 부정의를 완화하는 것입니다. LLM은 훈련 데이터만큼 좋습니다. 성별, 인종, 기타 인구통계학적 요인과 같은 요인에는 내재된 편향이 있을 수 있습니다. 예를 들어, 미국 남동부 지역에서는 “y’all”이라는 단어를 일상 언어로 사용합니다. 이는 특정 환자 인구에서 언어적 편향을 나타내는 것입니다. 이러한 편향은 의료에서 LLM을 활용할 때 대규모로 처리해야 합니다.

보안, 투명성, 책임성을 유지하는 것도 우리의 주요 초점입니다. 또한, 환각과 잘못된 정보의 기회를 최소화하는 것도 중요합니다. 우리는 적극적으로 개인 정보 문제를 해결하고, 모델이 특정 답변을 내린 이유를 이해하며, 보안 개발 주기를 갖추고 있습니다.

RLDatix는 다른 어떤 기계 학습 알고리즘을 사용하고 있습니까?

기계 학습을 사용하여 중요한 스케줄링 통찰력을 발견하는 것은 우리의 интерес 있는 사용 사례입니다. 영국에서, 우리는 의사와 간호사의 스케줄링을 더 잘 이해하기 위해 기계 학습을 어떻게 활용할 수 있는지 탐색하고 있습니다. RLDatix는 지난 10년간의 스케줄링 데이터에 접근할 수 있습니다. 우리는 이 데이터를 분석하여, 특정 병원이나 지역에서 2주 후의 인력 상황을 예측할 수 있는 기계 학습 모델을 사용하고 있습니다.

이 특정 사용 사례는 매우 달성 가능한 기계 학습 모델입니다. 그러나, 우리는 이를 현실 세계의 이벤트와 연결하여 더 나아가고 있습니다. 예를 들어, 특정 지역의 모든 축구 일정에 대해 어떤 영향을 미칠까요? 우리는 스포츠 이벤트가 일반적으로 더 많은 부상을 유발하며, 지역 병원이 일반적인 날보다 이벤트 당일 더 많은 입원 환자를 가질 것이라는 것을 알고 있습니다. 우리는 AWS와 다른 파트너와 협력하여, 스케줄링을 더 효율적으로 만들 수 있는 공공 데이터 세트를 탐색하고 있습니다. 이미 데이터가 있지만, ML 모델은 이를 더 나아가서, 병원이 충분히 인력을 보유하고 있는지, 그리고 우리의 산업이 모든 사람을 위한 더 안전한 치료를 달성하는 데 더 나아가고 있는지를 식별하는 데 도움이 될 수 있습니다.

감사합니다. 더 많은 정보를 원하는 독자는 RLDatix를 방문하시기 바랍니다.