Вивек Десай, RLDatix-ийн Хойд Америк дахь Технологийн ахлах ажилтан – Ярилцлагын цуврал

Вивек Десай байна Ерөнхий технологийн ажилтан Хойд Америкийн цагт RLDatixнь холбогдсон эрүүл мэндийн үйл ажиллагааны програм хангамж, үйлчилгээний компани. RLDatix нь эрүүл мэндийн тусламж үйлчилгээг өөрчлөх зорилготой. Эдгээр нь ерөнхий сайжруулалт, аюулгүй байдлыг хангах засаглал, эрсдэл, дагаж мөрдөх хэрэгслүүдээр хангаснаар байгууллагуудад илүү аюулгүй, үр ашигтай тусламж үйлчилгээ явуулахад тусалдаг.

Таныг компьютерийн шинжлэх ухаан, кибер аюулгүй байдалд юу татсан бэ?

Компьютерийн шинжлэх ухаан, кибер аюулгүй байдлын шийдвэрлэх гэж оролдож буй нарийн төвөгтэй зүйлсэд би татагдсан - судлах шаардлагатай сорилт үргэлж гарч ирдэг. Үүний тод жишээ бол үүл анх татагдаж эхэлсэн үе юм. Энэ нь маш их амлалт өгсөн боловч ажлын ачааллын аюулгүй байдлын талаар зарим асуултыг тавьсан. Уламжлалт аргууд нь тасалдал бөгөөд бүх байгууллагууд үүлэн дэх ажлын ачааллыг үр дүнтэй хамгаалахын тулд шинэ процессуудыг боловсруулах шаардлагатай болох нь эрт дээр үеэс тодорхой байсан. Эдгээр шинэ аргуудыг ашиглах нь миний болон энэ салбарт ажиллаж буй бусад хүмүүсийн хувьд онцгой сэтгэл хөдөлгөм аялал байсан. Энэ бол динамик, хөгжиж буй салбар учраас өдөр бүр шинэ, сэтгэл хөдөлгөм зүйлийг авчирдаг.

Та RLDatix-ийн CTO-ийн хувьд одоо байгаа зарим үүрэг хариуцлагаа хуваалцаж болох уу?  

Одоогоор би өгөгдлийн стратегиа удирдан чиглүүлж, чиг хандлагыг илүү сайн ойлгохын тулд бүтээгдэхүүнүүд болон тэдгээрийн эзэмшдэг өгөгдлийн хооронд хамтын ажиллагааг бий болгох арга замыг хайж байна. Манай олон бүтээгдэхүүн ижил төрлийн өгөгдөл агуулдаг тул миний ажил бол эдгээр силосыг задлах арга замыг хайж, үйлчлүүлэгчид, эмнэлэг, эрүүл мэндийн системийн аль алинд нь өгөгдөлд хандахад хялбар болгох явдал юм. Үүний тусламжтайгаар би энэхүү мэдээллийн хүртээмж, ашиглалтыг экосистемийн хэмжээнд мэдээлэх дэлхийн хиймэл оюун ухааны (AI) стратеги дээр ажиллаж байна.

Төрөл бүрийн салбарт шинээр гарч ирж буй чиг хандлагыг дагаж мөрдөх нь миний стратегийн зөв чиглэлд явж байгаа эсэхийг баталгаажуулах миний үүргийн бас нэг чухал тал юм. Би одоогоор том хэлний загваруудыг (LLMs) анхааралтай ажиглаж байна. Компанийн хувьд бид LLM-ийг технологидоо нэгтгэх, хүмүүсийг, ялангуяа эрүүл мэндийн тусламж үйлчилгээ үзүүлэгчдийг чадавхжуулах, сайжруулах, тэдний танин мэдэхүйн ачааллыг бууруулж, өвчтөнийг асрахад анхаарах боломжийг олгохоор ажиллаж байна.

Таны LinkedIn блог нийтлэлд “Техник хариуцсан захиралаар ажилласан 1 дэх жилийнхээ тухай эргэцүүлэл” гэж та бичсэн, “CTO-ууд ганцаараа ажилладаггүй. Тэд бол нэг багийн нэг хэсэг." Та өөрт тулгарсан зарим сорилтууд болон техникийн хувьд хүндрэлтэй төслүүд дээр төлөөлөгчдийг илгээх, багаар ажиллах зэрэг асуудлыг хэрхэн даван туулсан тухайгаа дэлгэрэнгүй танилцуулна уу?

Сүүлийн 10 жилийн хугацаанд CTO-ийн үүрэг үндсэндээ өөрчлөгдсөн. Серверийн өрөөнд ажилладаг байсан үе өнгөрсөн. Одоо ажил нь илүү хамтын ажиллагаатай болсон. Бизнесийн нэгжүүдээрээ бид байгууллагын тэргүүлэх чиглэлүүдийг нэгтгэж, эдгээр хүсэл эрмэлзэлээ биднийг урагшлуулах техникийн шаардлага болгон хувиргадаг. Эмнэлэг, эрүүл мэндийн системүүд одоогоор ажиллах хүчний менежментээс эхлээд санхүүгийн бэрхшээл хүртэл өдөр тутмын олон сорилтыг даван туулж, шинэ технологи нэвтрүүлэх нь нэн тэргүүний зорилт биш байж магадгүй юм. Бидний хамгийн том зорилго бол технологи нь эдгээр сорилтуудыг нэмэхээс илүүтэйгээр багасгахад хэрхэн тусалж болохыг, мөн энэ нь тэдний бизнес, ажилчид, өвчтөнүүдэд авчирдаг нийт үнэ цэнийг харуулах явдал юм. Энэ хүчин чармайлтыг дангаар нь хийх боломжгүй, тэр ч байтугай миний багийн хүрээнд хийх боломжгүй тул хамтын ажиллагаа нь үйлчлүүлэгчдэд түгжээг нь тайлсан өгөгдлийн ойлголтод хандах эсвэл одоогоор гүйцэтгэж чадахгүй байгаа үйл явцыг идэвхжүүлэх зэргээс шалтгаалж тухайн үнэ цэнийг харуулах нэгдмэл стратеги боловсруулахын тулд олон салбар нэгжийг хамардаг. .

Ирээдүйд холбогдсон эрүүл мэндийн үйл ажиллагаанд хиймэл оюун ухаан ямар үүрэг гүйцэтгэх вэ?

Нэгдсэн өгөгдөл нь хиймэл оюун ухаанд илүү хүртээмжтэй болохын хэрээр өөр өөр системүүдийг холбож, тасралтгүй тусламж үйлчилгээний аюулгүй байдал, нарийвчлалыг сайжруулахад ашиглаж болно. Холбогдсон эрүүл мэндийн үйл ажиллагааны энэхүү үзэл баримтлал нь эрүүл мэндийн тусламж үйлчилгээний шийдвэр гаргагчдад хэрэгжих боломжтой өгөгдөл, ойлголтыг нээдэг тул RLDatix-д бидний анхаарлаа хандуулдаг ангилал бөгөөд хиймэл оюун ухаан нь үүнийг бодит болгоход чухал үүрэгтэй.

Энэхүү интеграцийн маргаангүй тал бол мэдээллийн ашиглалтыг аюулгүй, нийцтэй байлгах, эрсдэлийг ойлгох явдал юм. Бид бодлого, эрсдэл, аюулгүй байдлын чиглэлээр зах зээлд тэргүүлэгч бөгөөд энэ нь үндсэн LLM-ийг илүү нарийвчлалтай, найдвартай сургах хангалттай хэмжээний өгөгдөлтэй гэсэн үг юм. Жинхэнэ холбогдсон эрүүл мэндийн үйл ажиллагаанд хүрэхийн тулд эхний алхам нь өөр өөр шийдлүүдийг нэгтгэх, хоёр дахь нь өгөгдөл гаргаж, тэдгээр шийдлүүдийн дунд хэвийн болгох явдал юм. Эмнэлгүүд бие даасан цэгийн шийдлүүдээс тусдаа мэдээллийн багцыг хадгалахын оронд өгөгдлийн багцыг нэгтгэж, хэрэглэгчдэд бодитой үнэ цэнийг өгөх боломжтой харилцан уялдаатай шийдлүүдээс ихээхэн ашиг тус хүртэх болно.

Бүтээгдэхүүний ерөнхий захирал Барбара Старук саяхан хийсэн илтгэлдээ RLDatix нь өвчтөний аюулгүй байдлын ослын мэдээг оновчтой болгох, автоматжуулах зорилгоор хиймэл хиймэл оюун ухаан болон том хэлний загваруудыг хэрхэн ашиглаж байгааг хуваалцсан. Энэ хэрхэн ажилладаг талаар дэлгэрэнгүй тайлбарлаж болох уу?

Энэ бол RLDatix-ийн хувьд үнэхээр чухал санаачилга бөгөөд бид LLM-ийн чадавхийг хэрхэн дээд зэргээр нэмэгдүүлж байгаагийн гайхалтай жишээ юм. Эмнэлэг, эрүүл мэндийн системүүд ослын тайланг бөглөхөд одоогоор тайланд заасан хохирлын түвшинг тодорхойлох гурван стандарт хэлбэр байдаг: Эрүүл мэндийн судалгаа, чанарын агентлагийн нийтлэг хэлбэр, Эмийн алдааны мэдээлэх, урьдчилан сэргийлэх үндэсний зохицуулах зөвлөл, Эрүүл мэндийн тусламж үйлчилгээний гүйцэтгэл. Сайжруулах (HPI) Аюулгүй байдлын үйл явдлын ангилал (SEC). Яг одоо бид LLM-ийг ослын тайлангийн текстийг уншихад хялбархан сургаж чадна. Жишээлбэл, хэрэв өвчтөн нас барсан бол LLM нь энэ мэдээллийг хялбархан олж авах боломжтой. Гэсэн хэдий ч бэрхшээл нь LLM-ийг нөхцөл байдлыг тодорхойлж, хүнд хэлбэрийн байнгын хохирол, жишээлбэл, HPI SEC-д багтсан ангилал зүй, түр зуурын хүнд хор хөнөөл гэх мэт илүү төвөгтэй ангиллыг хооронд нь ялгахад сургахад оршдог. Хэрэв тайлагнаж буй хүн хангалттай контекст агуулаагүй бол LLM тухайн өвчтөний аюулгүй байдлын тухайн тохиолдлын хохирлын зохих ангиллын түвшинг тодорхойлох боломжгүй болно.

RLDatix нь LLM-ээр хялбархан ялгах боломжтой тодорхой ангилал бүхий илүү энгийн ангилал зүйг дэлхийн хэмжээнд хэрэгжүүлэхийг зорьж байна. Цаг хугацаа өнгөрөхөд хэрэглэгчид юу болсныг зүгээр л бичих боломжтой бөгөөд LLM нь бүх чухал мэдээллийг задалж, ослын маягтуудыг урьдчилан бөглөх замаар шийдвэрлэх болно. Энэ нь аль хэдийн ачаалал ихтэй ажиллах хүчний цагийг ихээхэн хэмнээд зогсохгүй, загвар улам боловсронгуй болохын хэрээр бид эрүүл мэндийн байгууллагуудад аюулгүй шийдвэр гаргах боломжийг олгох чухал чиг хандлагыг тодорхойлох боломжтой болно.

RLDatix нь LLM-ийг үйл ажиллагаандаа оруулж эхэлсэн өөр ямар арга замууд байна вэ?

Бидний дотооддоо LLM-ийг ашиглах өөр нэг арга бол итгэмжлэл олгох үйл явцыг оновчтой болгох явдал юм. Үйлчилгээ үзүүлэгч бүрийн итгэмжлэлүүд өөр өөр форматтай бөгөөд өвөрмөц мэдээллийг агуулдаг. Үүнийг ойлгохын тулд фонт, ажлын туршлага, боловсрол, ерөнхий формат гэх мэт хүн бүрийн намтар хэрхэн өөр харагддаг талаар бодоорой. Итгэмжлэл нь ижил төстэй юм. Үйлчилгээ үзүүлэгч коллежид хаана сурсан бэ? Тэдний гэрчилгээ юу вэ? Тэд ямар нийтлэлд хэвлэгдсэн бэ? Эрүүл мэндийн мэргэжилтэн бүр энэ мэдээллийг өөр өөрийнхөөрөө өгөх болно.

RLDatix-д LLM нь бидэнд эдгээр итгэмжлэлүүдийг уншиж, бүх өгөгдлийг стандарт хэлбэрт оруулах боломжийг олгодог бөгөөд ингэснээр өгөгдөл оруулах чиглэлээр ажилладаг хүмүүс үүнийг сайтар хайх шаардлагагүй тул захиргааны бүрэлдэхүүн хэсэгт бага цаг зарцуулж, анхаарлаа төвлөрүүлэх боломжийг олгодог. үнэ цэнийг нэмдэг утга учиртай ажлуудад цаг гаргах.

Кибер аюулгүй байдал үргэлж сорилттой байсаар ирсэн, ялангуяа үүлд суурилсан технологид шилжсэнтэй холбогдуулан та эдгээр сорилтуудын талаар ярилцаж болох уу?

Кибер аюулгүй байдал is хэцүү тул зөв түнштэй ажиллах нь чухал. LLM-үүдийг найдвартай, нийцтэй байлгах нь энэ технологийг ашиглахад анхаарах хамгийн чухал зүйл юм. Хэрэв танай байгууллагад үүнийг хийх тусгай ажилтан байхгүй бол энэ нь маш хэцүү бөгөөд цаг хугацаа их шаарддаг. Тийм ч учраас бид Amazon Web Services (AWS)-тай кибер аюулгүй байдлын ихэнх санаачилга дээр хамтран ажилладаг. AWS нь RLDatix нь бидний үнэхээр сайн хийдэг зүйлд анхаарлаа төвлөрүүлэхийн тулд аюулгүй байдал, нийцлийг технологийн үндсэн зарчим болгон төлөвшүүлэхэд тусалдаг бөгөөд энэ нь манай бүх босоо чиглэлд үйлчлүүлэгчдэдээ гайхалтай бүтээгдэхүүн бүтээж байна.

Сүүлийн үед LLM-ийг хурдацтай нэвтрүүлснээр аюулгүй байдлын ямар шинэ аюул заналхийлж байна вэ?

RLDatix-ийн хэтийн төлөвөөс бид LLM-ийг хөгжүүлж, сургаж байх явцад хэд хэдэн зүйлийг анхаарч үзэх хэрэгтэй. Бидний хувьд хамгийн чухал зүйл бол өрөөсгөл, шударга бус байдлыг багасгах явдал юм. LLM нь зөвхөн сургагдсан өгөгдөл шигээ сайн байдаг. Хүйс, арьсны өнгө болон бусад хүн ам зүй гэх мэт хүчин зүйлүүд нь өгөгдлийн багц нь өрөөсгөл шинж чанартай байдаг тул төрөлхийн олон талыг агуулж болно. Жишээлбэл, АНУ-ын зүүн өмнөд хэсэгт "бүгд" гэдэг үгийг өдөр тутмын хэлэнд хэрхэн ашигладаг талаар бодоод үзээрэй. Энэ нь бусад бүс нутгуудтай харьцуулахад хэлний ялгааг нарийн ялгахын тулд LLM-ийг сургахдаа судлаачид анхаарч үзэх ёстой өвчтөний тодорхой популяцид хамаарах хэлний өвөрмөц хэв шинж юм. Эрүүл мэндийн салбарт LLMS-ийг ашиглахад эдгээр төрлийн гажуудлыг өргөн хүрээнд авч үзэх ёстой, учир нь нэг өвчтөний популяцид загварыг сургах нь өөр загварт ажиллах болно гэсэн үг биш юм.

Аюулгүй байдал, ил тод байдал, хариуцлагатай байдлыг хангах нь манай байгууллагын анхаарлын төвд байдаг чухал цэгүүд бөгөөд хий үзэгдэл, ташаа мэдээлэл гарах боломжийг багасгах явдал юм. Бид хувийн нууцтай холбоотой аливаа асуудлыг идэвхтэй шийдвэрлэх, загвар нь тодорхой хариултанд хэрхэн хүрсэнийг ойлгох, аюулгүй хөгжлийн мөчлөгтэй байх нь үр дүнтэй хэрэгжүүлэх, засвар үйлчилгээ хийх чухал бүрэлдэхүүн хэсэг юм.

RLDatix-д ашигладаг өөр ямар машин сургалтын алгоритмууд байдаг вэ?

Маш чухал хуваарийн ойлголтыг олж мэдэхийн тулд машин сургалтыг (ML) ашиглах нь манай байгууллагын хувьд сонирхолтой хэрэглэгдэхүүн болсон. Ялангуяа Их Британид бид сувилагч, эмч нарын хуваарь, хуваарь хэрхэн явагддагийг илүү сайн ойлгохын тулд ML-ийг хэрхэн ашиглах талаар судалж байна. RLDatix нь сүүлийн арван жилийн хугацаанд маш их хэмжээний хуваарийн өгөгдөлд хандах боломжтой боловч бид энэ бүх мэдээллээр юу хийж чадах вэ? Эндээс л ML гарч ирдэг. Бид түүхэн өгөгдөлд дүн шинжилгээ хийж, тодорхой эмнэлэг эсвэл тодорхой бүс нутагт хоёр долоо хоногийн дараа боловсон хүчний нөхцөл байдал хэрхэн харагдах талаар ойлголт өгөхийн тулд ML загварыг ашиглаж байна.

Энэхүү тусгай хэрэглээний тохиолдол нь маш хүрч болохуйц ML загвар боловч бид үүнийг бодит амьдралын үйл явдлуудтай холбосноор зүүг улам бүр түлхэж байна. Жишээлбэл, бид тухайн бүс нутгийн хөлбөмбөгийн хуваарь бүрийг харвал яах вэ? Спортын арга хэмжээ нь ихэвчлэн илүү их бэртэл гэмтэлд хүргэдэг гэдгийг бид шууд мэдэж байгаа бөгөөд орон нутгийн эмнэлгүүд үйл явдал болох өдөр ердийн өдөртэй харьцуулахад илүү олон хэвтэн эмчлүүлдэг. Бид хуваарийг илүү оновчтой болгохын тулд ямар олон нийтийн мэдээллийн багцыг суулгаж болохыг судлахаар AWS болон бусад түншүүдтэй хамтран ажиллаж байна. Спортын томоохон арга хэмжээнүүд эсвэл цаг агаарын тааламжгүй нөхцөл байдлын эргэн тойронд өвчтөнүүдийн тоо нэмэгдэх болно гэсэн мэдээлэл бидэнд аль хэдийн байгаа боловч ML загвар нь эдгээр өгөгдлийг авч, эмнэлгүүдийг хангалттай байлгахад туслах чухал чиг хандлагыг тодорхойлох замаар үүнийг нэг алхам урагшлуулж чадна. боловсон хүчнээр хангаснаар эцсийн дүндээ манай ажиллах хүчний ачааллыг бууруулж, салбараа хүн бүрд илүү аюулгүй тусламж үйлчилгээ үзүүлэхэд нэг алхам урагшлуулж байна.

Сайхан ярилцлага өгсөнд баярлалаа, илүү ихийг мэдэхийг хүссэн уншигчид маань зочлоорой RLDatix.