Vivek Desai, Chief Technology Officer, Nordamerika bei RLDatix - Interview Series

Vivek Desai ass de Chief Technology Fraenorganisatioun vun Nordamerika um RLDatix, eng verbonne Gesondheetsariichtung Software a Servicer Firma. RLDatix ass op enger Missioun fir d'Gesondheetsariichtung z'änneren. Si hëllefen Organisatiounen méi sécher, méi effizient Betreiung ze féieren andeems se Gouvernance, Risiko a Konformitéitstools ubidden, déi allgemeng Verbesserung a Sécherheet féieren.

Wat huet Iech ufanks u Computerwëssenschaften an Cybersécherheet ugezunn?

Ech gouf op d'Komplexitéit gezunn vun deem wat Informatik an Cybersécherheet probéieren ze léisen - et gëtt ëmmer eng entstanen Erausfuerderung fir ze entdecken. E super Beispill vun dësem ass wann d'Wollek fir d'éischt ugefaang Traktioun ze gewannen. Et huet grouss Verspriechen, awer och e puer Froen iwwer Aarbechtslaaschtsécherheet opgeworf. Et war ganz fréi fréi kloer datt traditionell Methoden e Stopgap waren, an datt Organisatiounen iwwerall nei Prozesser musse entwéckelen fir effektiv Aarbechtsbelaaschtungen an der Wollek ze sécheren. Dës nei Methoden navigéieren war eng besonnesch spannend Rees fir mech a vill anerer déi an dësem Beräich schaffen. Et ass eng dynamesch an evoluéierend Industrie, sou datt all Dag eppes Neies a spannend bréngt.

Kënnt Dir e puer vun den aktuellen Verantwortung deelen, déi Dir als CTO vun RLDatix hutt?  

De Moment konzentréieren ech mech op d'Féierung vun eiser Datestrategie a Weeër ze fannen fir Synergien tëscht eise Produkter an den Daten ze kreéieren déi se halen, fir Trends besser ze verstoen. Vill vun eise Produkter enthalen ähnlech Aarte vun Daten, also meng Aarbecht ass Weeër ze fannen fir dës Siloen ofzebriechen an et méi einfach ze maachen fir eise Clienten, souwuel Spideeler wéi och Gesondheetssystemer, Zougang zu den Daten ze kréien. Mat dësem schaffen ech och un eiser globaler kënschtlecher Intelligenz (AI) Strategie fir dësen Datezougang an d'Notzung am ganzen Ökosystem z'informéieren.

Aktuell bleiwen iwwer opkomende Trends a verschiddenen Industrien ass en anere entscheedende Aspekt vu menger Roll, fir sécherzestellen datt mir an déi richteg strategesch Richtung goen. Ech halen de Moment grouss Sproochmodeller (LLMs) gutt am Aa. Als Firma schaffe mir fir Weeër ze fannen fir LLMs an eis Technologie z'integréieren, fir d'Mënschen z'erméiglechen an ze verbesseren, speziell Gesondheetsbetreiber, hir kognitiv Belaaschtung ze reduzéieren an hinnen z'erméiglechen sech op d'Patienten ze këmmeren.

An Ärem LinkedIn Blog Post mam Titel "Eng Reflexioun iwwer mäi 1. Joer als CTO", Dir hutt geschriwwen, "CTOs schaffen net eleng. Si sinn Deel vun engem Team." Kënnt Dir e puer vun den Erausfuerderungen ausbauen, déi Dir konfrontéiert hutt a wéi Dir Delegatioun an Teamwork op Projeten ugepaakt hutt, déi inherent technesch Erausfuerderung sinn?

D'Roll vun engem CTO huet sech an de leschte Jorzéngt grondsätzlech geännert. Gone sinn d'Deeg fir an engem Serverraum ze schaffen. Elo ass d'Aarbecht vill méi kollaborativ. Zesummen, iwwer Geschäftsunitéiten, alignéiere mir op organisatoresch Prioritéite a verwandelen dës Aspiratiounen an technesch Ufuerderungen, déi eis no vir féieren. D'Spideeler a Gesondheetssystemer navigéieren de Moment sou vill alldeeglech Erausfuerderungen, vum Aarbechtskräftemanagement bis zu finanzielle Contrainten, an d'Adoptioun vun neier Technologie ass vläicht net ëmmer eng Haaptprioritéit. Eist gréissten Zil ass et ze weisen wéi d'Technologie hëllefe kann dës Erausfuerderungen ze reduzéieren, anstatt derbäi ze addéieren, an de Gesamtwäert deen et fir hire Betrib, Mataarbechter a Patienten am grousse Ganzen bréngt. Dësen Effort kann net eleng gemaach ginn oder souguer a mengem Team, sou datt d'Zesummenaarbecht iwwer multidisziplinär Eenheeten ausbreet fir eng kohäsiv Strategie z'entwéckelen déi dee Wäert weist, egal ob dat staamt vu Clienten Zougang zu opgehuewe Donnéeën Abléck ze ginn oder Aktivéierungsprozesser déi se am Moment net kënnen ausféieren .

Wat ass d'Roll vun der kënschtlecher Intelligenz an der Zukunft vun de verbonne Gesondheetsariichtungen?

Wéi integréiert Daten méi verfügbar ginn mat AI, kënne se benotzt ginn fir ënnerschiddlech Systemer ze verbannen an d'Sécherheet an d'Genauegkeet iwwer de Kontinuum vun der Betreiung ze verbesseren. Dëst Konzept vu verbonne Gesondheetsoperatiounen ass eng Kategorie op déi mir bei RLDatix fokusséiert sinn, well et handlungsfäeg Daten an Abléck fir Gesondheetsdecisioune mécht - an AI ass integral fir dat eng Realitéit ze maachen.

En net-verhandelbaren Aspekt vun dëser Integratioun ass sécher ze stellen datt d'Datenverbrauch sécher a konform ass, a Risiken verstane ginn. Mir sinn de Maart Leader a Politik, Risiko a Sécherheet, dat heescht datt mir eng grouss Quantitéit un Daten hunn fir Fundamental LLMs mat méi Genauegkeet an Zouverlässegkeet ze trainéieren. Fir richteg verbonne Gesondheetsariichtungen z'erreechen, ass den éischte Schrëtt déi ënnerschiddlech Léisungen ze fusionéieren, an deen zweeten ass d'Daten extrahéieren an normaliséieren se iwwer dës Léisungen. D'Spideeler wäerte vill vun enger Grupp vu verbonne Léisungen profitéieren, déi Datesätz kombinéiere kënnen an handlungswäerte Wäert fir Benotzer ubidden, anstatt getrennten Datesätz vun eenzelne Punktléisungen z'erhalen.

An enger kierzlecher Keynote huet de Chief Product Officer Barbara Staruk gedeelt wéi RLDatix generativ AI a grouss Sproochemodeller profitéiert fir Berichterstattung fir Patientesécherheetsincidenten ze streamlinéieren an ze automatiséieren. Kënnt Dir méi detailléiert wéi dëst funktionnéiert?

Dëst ass eng wierklech bedeitend Initiativ fir RLDatix an e super Beispill vu wéi mir de Potenzial vun den LLMs maximéieren. Wann d'Spideeler an d'Gesondheetssystemer Tëschefallberichter ofgeschloss hunn, ginn et momentan dräi Standardformater fir den Niveau vum Schued ze bestëmmen, deen am Bericht uginn ass: d'Agentur fir Gesondheetsfuerschung a Qualitéits gemeinsame Formater, den Nationale Koordinatiounsrot fir Medikamenterfehlerberichterstattung a Präventioun an d'Gesondheetsariichtung. Verbesserung (HPI) Sécherheet Event Klassifikatioun (SEC). De Moment kënne mir e LLM einfach trainéieren fir duerch Text an engem Tëschefallbericht ze liesen. Wann e Patient zum Beispill stierft, kann den LLM dës Informatioun nahtlos eraussichen. D'Erausfuerderung läit awer an der Ausbildung vum LLM fir Kontext ze bestëmmen an z'ënnerscheeden tëscht méi komplexe Kategorien, wéi zum Beispill schwéiere permanente Schued, eng Taxonomie abegraff am HPI SEC zum Beispill, versus schwéieren temporäre Schued. Wann d'Persoun, déi mellt, net genuch Kontext enthält, kann den LLM net de passenden Kategorienniveau vum Schued fir dee bestëmmte Patientesécherheetsvirfall bestëmmen.

RLDatix zielt eng méi einfach Taxonomie ëmzesetzen, weltwäit, iwwer eise Portfolio, mat konkrete Kategorien déi einfach vum LLM z'ënnerscheeden kënnen. Mat der Zäit kënnen d'Benotzer einfach schreiwen wat geschitt ass an d'LLM wäert et vun do aus behandelen andeems se all wichteg Informatioun extrahéiert an Tëschefallformen virbezuelt. Net nëmmen ass dëst e bedeitende Zäitspuer fir eng scho gespannt Aarbechtskräft, awer wéi de Modell nach méi fortgeschratt gëtt, kënne mir och kritesch Trends identifizéieren déi Gesondheetsorganisatiounen et erlaben méi sécher Entscheedungen iwwerall ze huelen.

Wat sinn e puer aner Weeër wéi RLDatix ugefaang huet LLMs a seng Operatiounen opzehuelen?

Eng aner Manéier wéi mir LLMs intern profitéieren ass den Umeldungsprozess ze streamline. D'Umeldungsinformatioune vun all Ubidder sinn anescht formatéiert an enthalen eenzegaarteg Informatioun. Fir et an d'Perspektiv ze setzen, denkt un wéi jidderee säi CV anescht ausgesäit - vu Schrëften, bis Aarbechtserfahrung, bis Ausbildung an allgemeng Formatéierung. Umeldungsinformatioun ass ähnlech. Wou ass de Provider op de College gaangen? Wat ass hir Zertifizéierung? A wéi enge Artikele gi se publizéiert? All Gesondheetsspezialist wäert dës Informatioun op seng eege Manéier liwweren.

Bei RLDatix, LLMs erméiglechen eis dës Umeldungsinformatiounen duerch ze liesen an all dës Donnéeën an e standardiséierte Format ze extrahieren, sou datt déi, déi an der Dateentrée schaffen, net extensiv no der Sich musse sichen, wat et hinnen erlaabt manner Zäit un der administrativer Komponent ze verbréngen an hir konzentréieren. Zäit op sënnvoll Aufgaben déi Wäert addéieren.

Cybersecurity war ëmmer Erausfuerderung, besonnesch mat der Verréckelung op Cloud-baséiert Technologien, kënnt Dir e puer vun dësen Erausfuerderunge diskutéieren?

Cybersecurity is Erausfuerderung, dofir ass et wichteg mam richtege Partner ze schaffen. Garantéieren datt LLMs sécher a konform bleiwen ass déi wichtegst Iwwerleeung wann Dir dës Technologie benotzt. Wann Är Organisatioun net dat engagéiert Personal am Haus huet fir dëst ze maachen, kann et onheemlech Erausfuerderung an Zäitopwendeg sinn. Dofir schaffe mir mat Amazon Web Services (AWS) un déi meescht vun eise Cybersecurity Initiativen. AWS hëlleft eis d'Sécherheet an d'Konformitéit als Kärprinzipien an eiser Technologie z'informéieren, sou datt RLDatix sech op dat konzentréieren wat mir wierklech gutt maachen - wat super Produkter fir eis Clienten an all eise jeweilege Vertikalen baut.

Wat sinn e puer vun den neie Sécherheetsbedrohungen déi Dir mat der rezenter séierer Adoptioun vun LLMs gesinn hutt?

Aus enger RLDatix Perspektiv ginn et verschidde Considératiounen, déi mir duerchschaffe wéi mir LLMs entwéckelen an trainéieren. E wichtege Fokus fir eis ass d'Baassung an d'Ongerechtegkeet ze reduzéieren. LLMs sinn nëmme sou gutt wéi d'Donnéeën op deenen se trainéiert sinn. Faktore wéi Geschlecht, Rass an aner Demographie kënne vill inherent Viraussetzungen enthalen well d'Dateset selwer partiell ass. Denkt zum Beispill un wéi déi südëstlech USA d'Wuert "y'all" an alldeegleche Sprooche benotzt. Dëst ass eng eenzegaarteg Sproochbias inherent zu enger spezifescher Patientebevëlkerung déi d'Fuerscher musse berécksiichtegen wann se den LLM trainéieren fir d'Sproochnuancen am Verglach zu anere Regiounen präzis z'ënnerscheeden. Dës Aarte vu Biases musse mat enger Skala behandelt ginn wann et drëm geet LLMS an der Gesondheetsariichtung ze profitéieren, well d'Ausbildung vun engem Modell an enger Patientepopulatioun net onbedéngt bedeit datt dee Modell an engem aneren funktionnéiert.

D'Sécherheet erhalen, Transparenz a Verantwortung sinn och grouss Fokuspunkte fir eis Organisatioun, sou wéi d'Méiglechkeet fir Halluzinatiounen a falsch Informatioun ze reduzéieren. Garantéieren datt mir all Privatsphär Bedenken aktiv adresséieren, datt mir verstinn wéi e Modell eng gewësse Äntwert erreecht huet an datt mir e sécheren Entwécklungszyklus op der Plaz hunn, sinn all wichteg Komponente vun der effektiver Ëmsetzung an Ënnerhalt.

Wat sinn e puer aner Maschinn Léieren Algorithmen déi bei RLDatix benotzt ginn?

Machine Learning (ML) ze benotzen fir kritesch Fuerplang Abléck z'entdecken war en interessante Benotzungsfall fir eis Organisatioun. Speziell a Groussbritannien hu mir exploréiert wéi ML benotzt gëtt fir besser ze verstoen wéi d'Rosteréierung, oder de Fuerplang vun Infirmièren an Dokteren, geschitt. RLDatix huet Zougang zu enger massiver Quantitéit u Fuerplangdaten aus de leschte Jorzéngt, awer wat kënne mir mat all dës Informatioun maachen? Do kënnt ML eran. Mir benotzen en ML-Modell fir déi historesch Donnéeën ze analyséieren an Abléck ze ginn, wéi eng Personalsituatioun iwwer zwou Wochen aus elo an engem spezifesche Spidol oder enger bestëmmter Regioun ausgesäit.

Dëse spezifesche Benotzungsfall ass e ganz erreechbaren ML Modell, awer mir drécken d'Nadel nach méi wäit andeems se se mat realen Eventer verbannen. Zum Beispill, wat wa mir all Fussball Zäitplang an der Regioun kucken? Mir wëssen éischthand datt Sportsevenementer typesch zu méi Verletzungen féieren an datt e lokalt Spidol méiglecherweis méi Inpatienten am Dag vun engem Event am Verglach zu engem typeschen Dag wäert hunn. Mir schaffe mat AWS an anere Partner fir ze entdecken wéi eng ëffentlech Datesätz mir kënne seeden fir de Fuerplang nach méi streamlined ze maachen. Mir hu scho Daten déi suggeréieren datt mir en Uptick vu Patienten ronderëm grouss Sportsevenementer oder souguer schlechtem Wieder wäerte gesinn, awer de ML Modell kann et e Schrëtt méi wäit huelen andeems Dir dës Donnéeën hëlt a kritesch Trends identifizéieren déi hëllefe sécherzestellen datt d'Spideeler adäquat sinn bemannt, schlussendlech de Belaaschtung op eis Aarbechtskräfte reduzéieren an eis Industrie e Schrëtt weider huelen fir méi sécher Betreiung fir all z'erreechen.

Merci fir dee super Interview, Lieser déi méi gewuer ginn solle besichen RLDatix.