วิเวก เดไซ, ประธานฝ่ายเทคโนโลยีของ RLDatix ในอเมริกาเหนือ – สัมภาษณ์เชิงลึก

วิเวก เดไซ เป็น ประธานฝ่ายเทคโนโลยี ของ RLDatix ในอเมริกาเหนือ ซึ่งเป็นบริษัทที่ให้บริการซอฟต์แวร์และการดำเนินงานด้านการดูแลสุขภาพที่เชื่อมต่อกัน RLDatix มีภารกิจที่จะเปลี่ยนแปลงการดูแลสุขภาพ โดยช่วยให้องค์กรต่างๆ ดำเนินการดูแลที่ปลอดภัยและมีประสิทธิภาพมากขึ้น โดยการให้เครื่องมือการกำกับดูแล ความเสี่ยง และการปฏิบัติตามกฎระเบียบ ซึ่งจะช่วยให้การดูแลสุขภาพมีการปรับปรุงและปลอดภัยมากขึ้น

สิ่งใดที่ดึงดูดคุณเข้าสู่สาขาวิชาวิทยาการคอมพิวเตอร์และความปลอดภัยทางไซเบอร์?

ฉันถูกดึงดูดโดยความซับซ้อนของสิ่งที่วิทยาการคอมพิวเตอร์และความปลอดภัยทางไซเบอร์พยายามแก้ไข – มีคำถามที่เกิดขึ้นใหม่ๆ ที่ต้องสำรวจอยู่เสมอ ตัวอย่างที่ดีคือเมื่อคลาวด์เริ่มได้รับความนิยม มันทำให้เกิดคำถามเกี่ยวกับความปลอดภัยของงานในคลาวด์ และชัดเจนว่าในตอนนั้น วิธีการแบบดั้งเดิมไม่เพียงพอ และองค์กรต่างๆ จะต้องพัฒนาวิธีการใหม่ๆ เพื่อให้สามารถรักษาความปลอดภัยของงานในคลาวด์ได้อย่างมีประสิทธิภาพ การสำรวจวิธีการเหล่านี้เป็นเรื่องที่น่าตื่นเต้นสำหรับฉันและหลายๆ คนในวงการนี้ เป็นอุตสาหกรรมที่มีการเปลี่ยนแปลงอยู่เสมอ และทุกวันจึงมีสิ่งใหม่ๆ ที่น่าตื่นเต้น

คุณสามารถแบ่งปันความรับผิดชอบปัจจุบันของคุณในฐานะ CTO ของ RLDatix ได้หรือไม่?

ปัจจุบัน ฉันกำลังเน้นไปที่การนำทางกลยุทธ์ด้านข้อมูลและการหาวิธีสร้างความสอดคล้องกันระหว่างผลิตภัณฑ์ของเราและข้อมูลที่พวกมันเก็บไว้ เพื่อให้เข้าใจแนวโน้มได้ดีขึ้น ผลิตภัณฑ์หลายรายการของเรามีข้อมูลที่คล้ายกัน ดังนั้นงานของฉันคือการหาวิธีทำลายสิ่งเหล่านี้และทำให้ลูกค้าของเรา ซึ่งเป็นโรงพยาบาลและระบบสุขภาพ สามารถเข้าถึงข้อมูลได้ง่ายขึ้น นอกจากนี้ ฉันยังทำงานเกี่ยวกับกลยุทธ์ AI ทั่วโลกของเรา เพื่อให้ข้อมูลและความเข้าใจข้อมูลที่ดีขึ้นในระบบนิเวศ

การอยู่ทันเทรนด์ที่เกิดขึ้นใหม่ในอุตสาหกรรมต่างๆ เป็นสิ่งสำคัญอีกประการหนึ่งในการรับประกันว่าเรากำลังเดินไปในทิศทางที่ถูกต้อง ฉันกำลังติดตามโมเดลภาษาขนาดใหญ่ (LLMs) อย่างใกล้ชิด ในฐานะบริษัท เรากำลังพยายามหาวิธีในการรวม LLMs เข้ากับเทคโนโลยีของเรา เพื่อเพิ่มศักยภาพและลดภาระการทำงานของบุคลากรทางการแพทย์ และช่วยให้พวกเขามุ่งเน้นไปที่การดูแลผู้ป่วย

ในโพสต์บล็อกของ LinkedIn ของคุณที่มีชื่อว่า “การสะท้อนกลับของปีแรกในฐานะ CTO” คุณเขียนว่า “CTO ไม่ทำงานคนเดียว แต่เป็นส่วนหนึ่งของทีม” คุณสามารถอธิบายถึงความท้าทายที่คุณเผชิญและวิธีการที่คุณจัดการกับการมอบหมายงานและทีมงานในโครงการที่มีความท้าทายทางเทคนิคอย่างหลีกเลี่ยงไม่ได้หรือไม่?

บทบาทของ CTO ได้เปลี่ยนแปลงไปอย่างมากในช่วงสิบปีที่ผ่านมา วันเวลาในการทำงานในห้องแม่ข่ายได้หายไปแล้ว และงานตอนนี้เป็นงานที่ต้องร่วมมือกันมากขึ้น เราทำงานร่วมกันข้ามหน่วยธุรกิจเพื่อจัดแนวลำดับความสำคัญขององค์กรและเปลี่ยนความตั้งใจเหล่านั้นให้เป็นข้อกำหนดทางเทคนิคที่ขับเคลื่อนเราไปข้างหน้า โรงพยาบาลและระบบสุขภาพกำลังเผชิญกับความท้าทายมากมายทุกวัน ตั้งแต่การบริหารจัดการแรงงานไปจนถึงข้อจำกัดทางการเงิน และการนำเทคโนโลยีใหม่ๆ อาจไม่ใช่จุดสนใจหลักของพวกเขา เป้าหมายหลักของเราคือการแสดงให้เห็นว่าเทคโนโลยีสามารถช่วยบรรเทาความท้าทายเหล่านี้ได้อย่างไร แทนที่จะเพิ่มภาระให้กับพวกเขา และคุณค่าที่เทคโนโลยีมอบให้กับธุรกิจของพวกเขา พนักงาน และผู้ป่วยโดยรวม ความพยายามนี้ไม่สามารถทำได้ด้วยตัวคนเดียวหรือแม้กระทั่งภายในทีมของฉัน ดังนั้นการทำงานร่วมกันจึงครอบคลุมหน่วยงานหลายสาขาเพื่อสร้างกลยุทธ์ที่สอดคล้องกันซึ่งจะแสดงถึงคุณค่าของเทคโนโลยี

บทบาทของปัญญาประดิษฐ์ (AI) ในการดำเนินงานด้านการดูแลสุขภาพที่เชื่อมต่อกันในอนาคตคืออะไร?

เมื่อข้อมูลที่เชื่อมต่อกันพร้อมใช้งานมากขึ้น AI สามารถนำมาใช้เพื่อเชื่อมต่อระบบต่างๆ และปรับปรุงความปลอดภัยและความแม่นยำตลอดกระบวนการดูแลสุขภาพ แนวคิดเรื่องการดำเนินงานด้านการดูแลสุขภาพที่เชื่อมต่อกันนี้เป็นหมวดหมู่ที่เรากำลังเน้นย้ำที่ RLDatix เนื่องจากเปิดเผยข้อมูลเชิงลึกที่สามารถนำไปใช้ในการตัดสินใจด้านการดูแลสุขภาพ และ AI เป็นสิ่งจำเป็นในการทำให้สิ่งนี้เป็นจริง

สิ่งสำคัญที่ไม่สามารถต่อรองได้คือการรับรองว่าการใช้ข้อมูลมีความปลอดภัยและเป็นไปตามข้อกำหนด และความเสี่ยงถูกเข้าใจ AI จะช่วยให้การดำเนินงานด้านการดูแลสุขภาพที่เชื่อมต่อกันสามารถเกิดขึ้นได้ และเราสามารถใช้ข้อมูลที่มีอยู่เพื่อสร้างโมเดล AI ที่มีความแม่นยำและเชื่อถือได้มากขึ้น เพื่อให้บรรลุการดำเนินงานด้านการดูแลสุขภาพที่เชื่อมต่อกัน ขั้นตอนแรกคือการรวมระบบต่างๆ เข้าด้วยกัน และขั้นตอนที่สองคือการดึงข้อมูลและทำให้ข้อมูลเป็นมาตรฐานข้ามระบบต่างๆ โรงพยาบาลจะได้รับประโยชน์อย่างมากจากชุดโซลูชันที่เชื่อมต่อกันซึ่งสามารถรวมชุดข้อมูลและให้คุณค่าเชิงปฏิบัติการแก่ผู้ใช้ แทนที่จะรักษาชุดข้อมูลแยกจากกันจากโซลูชันจุดเดียว

ในงานสัมมนาหนึ่ง ซีโอโอ Barbara Staruk ได้แบ่งปันว่า RLDatix กำลังใช้ AI ที่สร้างขึ้นและโมเดลภาษาขนาดใหญ่เพื่อปรับปรุงและทำให้การรายงานเหตุการณ์ความปลอดภัยของผู้ป่วยเป็นอัตโนมัติ คุณสามารถอธิบายวิธีการทำงานนี้ได้หรือไม่?

นี่เป็นโครงการสำคัญสำหรับ RLDatix และเป็นตัวอย่างที่ดีของวิธีการที่เรากำลังใช้ประโยชน์จากโมเดลภาษาขนาดใหญ่ เมื่อโรงพยาบาลและระบบสุขภาพกรอกรายงานเหตุการณ์ มีรูปแบบมาตรฐานสามแบบสำหรับการกำหนดระดับอันตรายที่ระบุในรายงาน: รูปแบบทั่วไปของ Agency for Healthcare Research and Quality, National Coordinating Council for Medication Error Reporting and Prevention และ Healthcare Performance Improvement (HPI) Safety Event Classification (SEC) ปัจจุบันเราสามารถฝึกโมเดลภาษาขนาดใหญ่ให้อ่านข้อความในรายงานเหตุการณ์ได้อย่างง่ายดาย หากผู้ป่วยเสียชีวิต ตัวอย่างเช่น โมเดลภาษาขนาดใหญ่สามารถระบุข้อมูลนั้นได้อย่างราบรื่น ความท้าทายอยู่ที่การฝึกโมเดลภาษาขนาดใหญ่ให้เข้าใจบริบทและแยกแยะระหว่างหมวดหมู่ที่ซับซ้อน เช่น อันตรายถาวรที่รุนแรง เทียบกับอันตรายชั่วคราวที่รุนแรง ซึ่งเป็นหมวดหมู่ที่รวมอยู่ใน HPI SEC ตัวอย่างเช่น หากผู้รายงานไม่รวมบริบทที่เพียงพอ โมเดลภาษาขนาดใหญ่จะไม่สามารถกำหนดระดับอันตรายที่เหมาะสมสำหรับเหตุการณ์ความปลอดภัยของผู้ป่วยได้

RLDatix มีเป้าหมายที่จะนำระบบการจำแนกประเภทที่ง่ายขึ้นมาใช้แบบ全球ทั่วทั้งพอร์ตโฟลิโอของเรา โดยมีหมวดหมู่ที่สามารถแยกแยะได้ง่ายโดยโมเดลภาษาขนาดใหญ่ เมื่อเวลาผ่านไป ผู้ใช้จะสามารถเขียนสิ่งที่เกิดขึ้นได้ และโมเดลภาษาขนาดใหญ่จะจัดการส่วนที่เหลือโดยดึงข้อมูลที่สำคัญและเติมแบบฟอร์มเหตุการณ์ให้พร้อมใช้งาน นี่ไม่เพียงแต่ช่วยประหยัดเวลาสำหรับกำลังคนงานที่มีภาระหนักแล้ว แต่ยังช่วยให้เราสามารถระบุแนวโน้มที่สำคัญที่จะช่วยให้องค์กรด้านการดูแลสุขภาพตัดสินใจที่ปลอดภัยยิ่งขึ้นได้

มีวิธีอื่นๆ อีกหรือไม่ที่ RLDatix เริ่มรวมโมเดลภาษาขนาดใหญ่เข้ากับการดำเนินงาน?

วิธีอื่นที่เรากำลังใช้โมเดลภาษาขนาดใหญ่ภายในองค์กรคือการทำให้กระบวนการรับรองความถูกต้องของผู้ให้บริการเป็นอัตโนมัติ ใบอนุญาตของผู้ให้บริการแต่ละคนจะถูกจัดรูปแบบและบรรจุภัณฑ์แตกต่างกัน ลองนึกภาพว่าใบเรซูเม่ของทุกคนมีลักษณะแตกต่างกัน – ตั้งแต่ฟอนต์ไปจนถึงประสบการณ์การทำงาน การศึกษา และรูปแบบโดยรวม การรับรองความถูกต้องเป็นแบบเดียวกัน ที่ไหนที่ผู้ให้บริการจบการศึกษา? ใบอนุญาตอะไร? มีบทความตีพิมพ์อะไรบ้าง? ทุกๆ ผู้เชี่ยวชาญด้านสุขภาพจะมอบข้อมูลนี้ในแบบของตนเอง

ที่ RLDatix โมเดลภาษาขนาดใหญ่ช่วยให้เราอ่านใบอนุญาตเหล่านี้และดึงข้อมูลทั้งหมดออกมาเป็นรูปแบบมาตรฐาน เพื่อให้ผู้ที่ทำงานด้านการเขียนข้อมูลไม่ต้องค้นหาข้อมูลอย่างกว้างขวาง ทำให้พวกเขาใช้เวลาน้อยลงในด้านการบริหารและสามารถมุ่งเน้นไปที่งานที่มีคุณค่าและสร้างความหมาย

ความปลอดภัยทางไซเบอร์เป็นเรื่องที่ท้าทายเสมอ โดยเฉพาะอย่างยิ่งเมื่อมีการเปลี่ยนแปลงไปสู่เทคโนโลยีบนคลาวด์ คุณสามารถพูดคุยเกี่ยวกับความท้าทายเหล่านี้ได้หรือไม่?

ความปลอดภัยทางไซเบอร์เป็นเรื่องที่ท้าทาย ซึ่งเป็นเหตุผลที่ต้องทำงานร่วมกับคู่ค้าที่เหมาะสม การรับรองว่าโมเดลภาษาขนาดใหญ่เหล่านี้ยังคงปลอดภัยและเป็นไปตามข้อกำหนด และความเสี่ยงถูกเข้าใจถือเป็นสิ่งสำคัญที่สุดเมื่อใช้เทคโนโลยีนี้ หากองค์กรของคุณไม่มีพนักงานที่มีประสบการณ์ในการรักษาความปลอดภัยภายในองค์กร อาจเป็นเรื่องที่ท้าทายและใช้เวลานานมาก นี่คือเหตุผลที่เราทำงานร่วมกับ Amazon Web Services (AWS) ในโครงการริเริ่มด้านความปลอดภัยทางไซเบอร์ส่วนใหญ่ AWS ช่วยให้เราสถาปัตยกรรมความปลอดภัยและความเป็นไปตามข้อกำหนดเป็นหลักการสำคัญภายในเทคโนโลยีของเรา เพื่อให้ RLDatix สามารถมุ่งเน้นไปที่สิ่งที่เราทำได้ดี – ซึ่งก็คือการสร้างผลิตภัณฑ์ที่ดีสำหรับลูกค้าของเราในแนวตั้งหลายๆ แนว

คุณเห็นภัยคุกคามด้านความปลอดภัยใหม่ๆ อะไรบ้างที่เกี่ยวข้องกับการนำโมเดลภาษาขนาดใหญ่มาใช้อย่างรวดเร็ว?

จากมุมมองของ RLDatix มีหลายประเด็นที่เรากำลังพิจารณาเมื่อเราได้รับการพัฒนาและฝึกอบรมโมเดลภาษาขนาดใหญ่ ประเด็นที่สำคัญสำหรับเราคือการบรรเทาอคติและความไม่ยุติธรรม โมเดลภาษาขนาดใหญ่เหล่านี้มีประสิทธิภาพเท่ากับข้อมูลที่พวกมันถูกฝึกเท่านั้น ปัจจัยต่างๆ เช่น เพศ เชื้อชาติ และประชากรศาสตร์อื่นๆ อาจรวมอคติที่มีอยู่แล้วในตัวมันเอง เนื่องจากชุดข้อมูลมีอคติ ตัวอย่างเช่น ลองนึกถึงวิธีการที่ภาคตะวันออกเฉียงใต้ของสหรัฐอเมริกามักใช้คำว่า “y’all” ในภาษาพูดทั่วไป นี่คืออคติทางภาษาที่เฉพาะเจาะจงซึ่งผู้วิจัยต้องคำนึงถึงเมื่อฝึกโมเดลภาษาขนาดใหญ่ให้สามารถแยกแยะความแตกต่างของภาษาได้อย่างแม่นยำเมื่อเปรียบเทียบกับภูมิภาคอื่นๆ

การรักษาความปลอดภัย ความโปร่งใส และความรับผิดชอบเป็นจุดสนใจหลักอีกประการหนึ่งสำหรับองค์กรของเรา เช่นเดียวกับการบรรเทาโอกาสสำหรับการหลอกลวงและการให้ข้อมูลที่ไม่ถูกต้อง การรับรองว่าเรากำลังจัดการกับข้อกังวลด้านความเป็นส่วนตัวอย่างแข็งขัน ว่าเราสามารถเข้าใจว่าโมเดลได้มาถึงคำตอบนั้นได้อย่างไร และว่าเรามีวัฏจักรการพัฒนาที่ปลอดภัยเป็นหลักการสำคัญทั้งหมดในการนำไปใช้และการบำรุงรักษาที่มีประสิทธิภาพ

มีแอลกอริทึมการเรียนรู้ของเครื่องอื่นๆ ที่ใช้ที่ RLDatix หรือไม่?

การใช้การเรียนรู้ของเครื่องเพื่อค้นหาข้อมูลเชิงลึกเกี่ยวกับการจัดตารางงานเป็นกรณีการใช้งานที่น่าสนใจสำหรับองค์กรของเรา ในสหราชอาณาจักรโดยเฉพาะ เรากำลังสำรวจวิธีการใช้การเรียนรู้ของเครื่องเพื่อทำความเข้าใจว่าการจัดตารางงานหรือการนัดหมายของพยาบาลและแพทย์เกิดขึ้นได้อย่างไร RLDatix มีข้อมูลการจัดตารางงานจำนวนมากจากทศวรรษที่ผ่านมา แต่เราจะทำอะไรได้บ้างกับข้อมูลทั้งหมดนั้น? นั่นคือที่ที่การเรียนรู้ของเครื่องเข้ามา เรากำลังใช้โมเดลการเรียนรู้ของเครื่องเพื่อวิเคราะห์ข้อมูลทางประวัติศาสตร์นั้นและให้ข้อมูลเชิงลึกเกี่ยวกับว่าสถานการณ์การจัดตารางงานอาจดูอย่างไรสองสัปดาห์ข้างหน้าในโรงพยาบาลหรือภูมิภาคใดๆ

กรณีการใช้งานเฉพาะนี้เป็นโมเดลการเรียนรู้ของเครื่องที่สามารถทำได้ แต่เรากำลังผลักดันให้ไกลกว่านั้นโดยการเชื่อมโยงกับเหตุการณ์จริง ตัวอย่างเช่น สมมติว่าเราดูตารางการแข่งขันฟุตบอลในพื้นที่ เรารู้ว่าเหตุการณ์กีฬามักนำไปสู่การบาดเจ็บมากขึ้น และโรงพยาบาลในพื้นที่นั้นจะคาดว่าจะมีผู้ป่วยเข้ารับการรักษาในโรงพยาบาลมากกว่าในหนึ่งวันปกติ เมื่อวันแข่งขัน เรากำลังทำงานร่วมกับ AWS และพันธมิตรอื่นๆ เพื่อสำรวจชุดข้อมูลสาธารณะที่เราสามารถใช้เพื่อทำให้การจัดตารางงานเป็นไปอย่างราบรื่นยิ่งขึ้น เราได้รับข้อมูลแล้วว่าเราจะเห็นการเพิ่มขึ้นของผู้ป่วยในช่วงการแข่งขันกีฬาที่สำคัญหรือแม้กระทั่งสภาพอากาศที่ไม่ดี แต่โมเดลการเรียนรู้ของเครื่องสามารถนำไปสู่ขั้นตอนต่อไปได้โดยการนำข้อมูลนั้นและระบุแนวโน้มที่สำคัญที่จะช่วยให้โรงพยาบาลมีการจัดตารางงานที่เหมาะสม ลดภาระงานของเรา และนำอุตสาหกรรมของเราไปสู่การดูแลสุขภาพที่ปลอดภัยยิ่งขึ้น

ขอขอบคุณสำหรับสัมภาษณ์ที่ยอดเยี่ยม ผู้อ่านสามารถเยี่ยมชม RLDatix เพื่อเรียนรู้เพิ่มเติม