Vivek Desai, Kapala Téknologi Officer, Amérika Kalér di RLDatix - Wawancara Series

Vivek Desai nyaeta Kapala Technology Officer Amérika Kalér di RLDatix, hiji software operasi kaséhatan disambungkeun jeung pausahaan jasa. RLDatix aya dina misi pikeun ngarobih kasehatan. Aranjeunna ngabantosan organisasi ngajalankeun perawatan anu langkung aman, langkung éfisién ku cara nyayogikeun pamaréntahan, résiko sareng patuh alat anu nyababkeun perbaikan sareng kasalametan sadayana.

Naon anu mimitina narik anjeun kana élmu komputer sareng cybersecurity?

Kuring katarik kana kompleksitas naon anu diusahakeun ku élmu komputer sareng cybersecurity - sok aya tantangan anu muncul pikeun dijelajah. Conto anu saé ieu nyaéta nalika méga mimiti kéngingkeun daya tarik. Éta ngayakeun jangji anu saé, tapi ogé ngangkat sababaraha patarosan ngeunaan kaamanan beban kerja. Ieu jelas pisan mimiti yén métode tradisional éta stopgap a, sarta yén organisasi sakuliah dewan bakal perlu ngamekarkeun prosés anyar pikeun éféktif ngamankeun workloads dina awan. Napigasi metodeu anyar ieu mangrupikeun perjalanan anu pikaresepeun pikeun kuring sareng seueur anu sanés damel dina widang ieu. Ieu industri dinamis sarta ngembang, jadi unggal poé brings hal anyar jeung seru.

Naha anjeun tiasa ngabagi sababaraha tanggung jawab ayeuna anu anjeun gaduh salaku CTO RLDatix?  

Ayeuna, kuring fokus kana ngarahkeun strategi data urang sareng milari cara pikeun nyiptakeun sinergi antara produk urang sareng data anu aranjeunna tahan, supados langkung ngartos tren. Seueur produk urang ngagaduhan jinis data anu sami, janten padamelan abdi milarian cara pikeun ngarobih silo éta sareng ngagampangkeun palanggan urang, boh rumah sakit sareng sistem kaséhatan, pikeun ngaksés data. Kalayan ieu, kuring ogé nuju ngerjakeun strategi intelijen buatan (AI) global kami pikeun nginpokeun aksés sareng panggunaan data ieu di sakumna ékosistem.

Tetep ayeuna dina tren munculna di sagala rupa industri mangrupa aspék krusial sejen tina peran kuring, pikeun mastikeun urang nuju ka arah strategis katuhu. Abdi ayeuna nuju ngawaskeun modél basa ageung (LLM). Salaku perusahaan, urang damel pikeun milari cara pikeun ngahijikeun LLM kana téknologi urang, pikeun nguatkeun sareng ningkatkeun manusa, khususna panyadia kasehatan, ngirangan beban kognitif sareng ngaktifkeun aranjeunna fokus dina ngurus pasien.

Dina pos blog LinkedIn anjeun judulna "A Refleksi on Taun 1st abdi salaku CTO a, "Anjeun nyerat, "CTOs henteu tiasa dianggo nyalira. Aranjeunna bagian tina hiji tim ". Naha anjeun tiasa ngajentrekeun sababaraha tangtangan anu anjeun hadapi sareng kumaha anjeun ngarengsekeun delegasi sareng gawé babarengan dina proyék-proyék anu sacara teknis sacara teknis nangtang?

Peran hiji CTO geus fundamentally robah leuwih dékade panungtungan. Isro anu poé gawé di kamar server. Ayeuna, padamelan langkung seueur kolaborasi. Kalawan babarengan, sakuliah unit bisnis, urang align on prioritas organisasi jeung ngahurungkeun aspirasi maranéhanana kana syarat teknis nu drive urang maju. Rumah sakit sareng sistem kaséhatan ayeuna nganapigasi seueur tantangan sapopoé, ti manajemén tenaga kerja dugi ka kendala kauangan, sareng nyoko kana téknologi anyar panginten henteu janten prioritas utama. Tujuan pangbadagna kami nyaéta pikeun nunjukkeun kumaha téknologi tiasa ngabantosan tangtangan ieu, tinimbang nambihanana, sareng nilai umumna pikeun bisnis, karyawan sareng pasien umumna. Usaha ieu teu tiasa dilakukeun nyalira atanapi bahkan dina tim kuring, janten kolaborasi ngalangkungan unit multidisiplin pikeun ngembangkeun strategi kohesif anu bakal nunjukkeun nilai éta, naha éta asalna tina masihan aksés ka konsumén kana wawasan data anu henteu dikonci atanapi ngaktifkeun prosés anu ayeuna henteu tiasa dilaksanakeun. .

Naon peran intelijen buatan dina masa depan operasi kasehatan anu nyambung?

Nalika data terpadu janten langkung sayogi sareng AI, éta tiasa dianggo pikeun nyambungkeun sistem anu béda-béda sareng ningkatkeun kaamanan sareng akurasi dina kontinyu perawatan. Konsep operasi kasehatan anu nyambung ieu mangrupikeun kategori anu kami fokuskeun di RLDatix sabab muka konci data anu tiasa dilampahkeun sareng wawasan pikeun pembuat kaputusan kasehatan - sareng AI mangrupikeun integral pikeun ngajantenkeun éta kanyataan.

Hiji aspék non-negotiable tina integrasi ieu mastikeun yén pamakéan data aman tur patuh, sarta resiko anu dipikaharti. Kami mangrupikeun pamimpin pasar dina kawijakan, résiko sareng kasalametan, anu hartosna urang gaduh jumlah data anu cukup pikeun ngalatih LLM dasar kalayan langkung akurat sareng reliabilitas. Pikeun ngahontal operasi palayanan kaséhatan anu leres, léngkah munggaran nyaéta ngahijikeun solusi anu béda-béda, sareng anu kadua nyaéta ékstraksi data sareng normalisasi kana solusi éta. Rumah sakit bakal nguntungkeun pisan ti grup solusi interconnected nu bisa ngagabungkeun susunan data sarta nyadiakeun nilai actionable ka pamaké, tinimbang ngajaga susunan data misah ti solusi titik individu.

Dina keynote panganyarna, Kapala Produk Officer Barbara Staruk dibagikeun kumaha RLDatix ieu leveraging generative AI sarta model basa badag pikeun streamline sarta ngajadikeun otomatis ngalaporkeun insiden kaamanan sabar. Dupi anjeun tiasa ngajelaskeun kumaha ieu jalan?

Ieu mangrupikeun inisiatif anu penting pisan pikeun RLDatix sareng conto anu hadé ngeunaan kumaha urang ngamaksimalkeun poténsi LLM. Nalika rumah sakit sareng sistem kaséhatan ngalengkepan laporan kajadian, ayeuna aya tilu format standar pikeun nangtoskeun tingkat cilaka anu dituduhkeun dina laporan: Badan Panaliti Kaséhatan sareng Format Umum Kualitas, Déwan Koordinasi Nasional pikeun Pelaporan Kasalahan sareng Pencegahan Pangobatan sareng Kinerja Kaséhatan. Pamutahiran (HPI) Klasifikasi Acara Kasalametan (SEC). Ayeuna, urang tiasa ngalatih LLM kalayan gampang maca téks dina laporan kajadian. Upami pasien maot, contona, LLM tiasa sacara lancar milih inpormasi éta. Tangtanganna, kumaha oge, aya dina latihan LLM pikeun nangtukeun kontéks sareng ngabédakeun antara kategori anu langkung kompleks, sapertos cilaka permanén parah, taksonomi anu kalebet dina HPI SEC contona, versus cilaka samentawis parah. Upami jalma anu ngalaporkeun henteu ngalebetkeun kontéks anu cukup, LLM moal tiasa nangtoskeun tingkat kategori bahaya anu cocog pikeun kajadian kaamanan pasien anu khusus.

RLDatix narékahan pikeun nerapkeun taksonomi anu langkung saderhana, sacara global, dina portopolio urang, kalayan kategori beton anu gampang dibédakeun ku LLM. Kana waktu, pamaké bakal bisa saukur nulis naon anu lumangsung sarta LLM bakal nanganan eta ti dinya ku extracting sagala informasi penting jeung prepopulating formulir kajadian. Henteu ngan ukur ieu mangrupikeun panyimpen waktos anu penting pikeun tenaga kerja anu parantos tegang, tapi nalika modélna janten langkung maju, urang ogé bakal tiasa ngaidentipikasi tren kritis anu bakal ngamungkinkeun organisasi kasehatan nyandak kaputusan anu langkung aman dina papan.

Naon sababaraha cara anu RLDatix parantos ngamimitian ngalebetkeun LLM kana operasina?

Cara séjén anu urang ngamangpaatkeun LLM sacara internal nyaéta pikeun nyegerkeun prosés credentialing. Kapercayaan unggal panyadia diformat béda sareng ngandung inpormasi unik. Pikeun nempatkeun kana sudut pandang, pikirkeun kumaha resume sadayana béda - tina fon, pangalaman damel, pendidikan sareng pormat umum. Credentialing sarua. Dimana panyadia kuliah? Naon sertifikasi maranéhanana? Artikel naon anu aranjeunna diterbitkeun? Unggal profésional kasehatan bakal nyayogikeun inpormasi éta ku cara sorangan.

Di RLDatix, LLMs ngamungkinkeun urang maca kredensial ieu sareng nimba sadaya data kana format standar supados anu damel dina éntri data henteu kedah milarian sacara éksténsif, ngamungkinkeun aranjeunna nyéépkeun waktos sakedik dina komponén administrasi sareng museurkeun aranjeunna. waktos on tugas bermakna nu nambahkeun nilai.

Cybersecurity sok nangtang, khususna sareng peralihan kana téknologi dumasar-awan, naha anjeun tiasa ngabahas sababaraha tantangan ieu?

Cybersecurity is nangtang, naha éta penting pikeun digawekeun ku pasangan katuhu. Mastikeun LLM tetep aman sareng patuh mangrupikeun pertimbangan anu paling penting nalika ngamangpaatkeun téknologi ieu. Upami organisasi anjeun henteu gaduh staf khusus di-imah pikeun ngalakukeun ieu, éta tiasa pisan nangtang sareng nyéépkeun waktos. Ieu sababna urang damel sareng Amazon Web Services (AWS) dina kalolobaan inisiatif cybersecurity urang. AWS mantuan kami instill kaamanan sarta patuh salaku prinsip inti dina téhnologi urang ku kituna RLDatix bisa fokus kana naon urang bener ngalakukeun ogé - nu ngawangun produk hébat pikeun konsumén urang di sakabéh verticals urang masing-masing.

Naon sababaraha ancaman kaamanan anyar anu anjeun tingali ku nyoko gancang LLM anyar?

Tina sudut pandang RLDatix, aya sababaraha pertimbangan anu urang jalankeun nalika urang ngembangkeun sareng ngalatih LLM. Fokus penting pikeun urang nyaéta ngirangan bias sareng teu adil. LLM ngan ukur saé salaku data anu dilatih. Faktor sapertos gender, ras sareng demografi sanésna tiasa kalebet seueur bias alami sabab susunan datana bias. Contona, pikirkeun kumaha Amérika Serikat bagian tenggara ngagunakeun kecap "y'all" dina basa sapopoé. Ieu mangrupikeun bias basa anu unik pikeun populasi pasien khusus anu kedah dipertimbangkeun ku panalungtik nalika ngalatih LLM pikeun ngabédakeun sacara akurat nuansa basa dibandingkeun sareng daérah sanés. Jenis bias ieu kedah diurus dina skala nalika ngungkit LLMS dina kasehatan, sabab ngalatih modél dina hiji populasi pasien henteu hartosna yén modél éta bakal dianggo dina anu sanés.

Ngajaga kaamanan, transparansi sareng akuntabilitas ogé mangrupikeun titik fokus anu ageung pikeun organisasi urang, ogé ngirangan kasempetan pikeun halusinasi sareng misinformasi. Mastikeun yén kami sacara aktip ngarengsekeun masalah privasi, yén urang ngartos kumaha modél ngahontal jawaban anu tangtu sareng yén urang gaduh siklus pangembangan anu aman mangrupikeun komponén penting pikeun palaksanaan sareng perawatan anu efektif.

Naon sababaraha algoritma pembelajaran mesin sanés anu dianggo dina RLDatix?

Ngagunakeun machine learning (ML) pikeun muka wawasan scheduling kritis geus kasus pamakéan metot pikeun organisasi urang. Di Inggris sacara khusus, kami parantos ngajalajah kumaha ngamangpaatkeun ML pikeun langkung ngartos kumaha rostering, atanapi jadwal perawat sareng dokter, lumangsung. RLDatix boga aksés ka jumlah badag data scheduling ti dékade kaliwat, tapi naon bisa urang pigawé kalayan sakabéh informasi éta? Éta tempat ML asup. Kami ngagunakeun modél ML pikeun nganalisis data sajarah éta sareng masihan wawasan kumaha kaayaan staf tiasa katingal dua minggu ti ayeuna, di rumah sakit khusus atanapi di daérah anu tangtu.

Kasus pamakean khusus éta mangrupikeun modél ML anu tiasa dihontal, tapi kami nuju nyorong jarum langkung jauh ku cara ngahubungkeunana kana kajadian kahirupan nyata. Salaku conto, kumaha upami urang ningali unggal jadwal maén bal di daérah éta? Urang terang langsung yén acara olahraga biasana nyababkeun langkung seueur tatu sareng yén rumah sakit lokal sigana bakal ngagaduhan langkung seueur pasien rawat inap dina dinten kajadian dibandingkeun sareng dinten biasa. Kami damel sareng AWS sareng mitra anu sanés pikeun ngajalajah set data umum naon anu tiasa urang siki pikeun ngajantenkeun jadwal langkung ramping. Kami parantos gaduh data anu nunjukkeun yén urang bakal ningali paningkatan pasien sakitar acara olahraga utama atanapi bahkan cuaca anu parah, tapi modél ML tiasa nyandak léngkah salajengna ku nyandak data éta sareng ngaidentipikasi tren kritis anu bakal ngabantosan mastikeun rumah sakit cekap. staffed, pamustunganana ngurangan galur dina workforce urang jeung nyokot industri urang undak salajengna dina achieving perawatan aman pikeun sakabéh.

Hatur nuhun pikeun wawancara anu saé, pamiarsa anu hoyong diajar langkung seueur kedah nganjang RLDatix.