Vivek Desai, RLDatix’in Kuzey Amerika’daki Baş Teknoloji Sorumlusu – Röportaj Serisi

Vivek Desai RLDatix’in Kuzey Amerika’daki Baş Teknoloji Sorumlusu‘dur, bir bağlı sağlık operasyonları yazılımı ve hizmetleri şirketidir. RLDatix, sağlık hizmetini değiştirmeye yönelik bir misyona sahiptir. Bağlı sağlık operasyonları yazılımı ve hizmetleri şirketidir. RLDatix, sağlık hizmetini değiştirmeye yönelik bir misyona sahiptir. Sağlık organizasyonlarının daha güvenli, daha verimli bakım sunmasına yardımcı olmak için yönetim, risk ve uyum araçları sağlayan bir şirkettir.

Bilgisayar bilimi ve siber güvenliğe ilk olarak neler sizi çekti?

Bilgisayar bilimi ve siber güvenliğin çözmeye çalıştığı karmaşıklıklara çekildim – her zaman keşfedilecek yeni bir zorluk vardır. Bunun güzel bir örneği, bulutun ilk olarak popülerlik kazanmaya başladığında ortaya çıktı. Büyük bir vaat taşıyordu, ancak aynı zamanda iş yükü güvenliği etrafında bazı sorular da gündeme getirdi. Başlangıçta, geleneksel yöntemlerin geçici bir çözüm olduğu ve organizasyonların bulut iş yüklerini etkili bir şekilde güvence altına almak için yeni süreçler geliştirmeleri gerektiği çok açıktı. Bu yeni yöntemleri gezmek benim ve bu alanda çalışan birçok kişi için özellikle heyecan verici bir yolculuktu. Bu, dinamik ve sürekli evrim gösteren bir endüstri, bu nedenle her gün yeni ve heyecan verici bir şey getiriyor.

RLDatix’in CTO’su olarak şu anda sahip olduğunuz bazı güncel sorumlulukları paylaşabilir misiniz?

Şu anda, veri stratejimizi yönetmeye ve ürünlerimiz arasındaki sinerjileri yaratmak için yollar bulmaya odaklanıyorum, böylece eğilimleri daha iyi anlayabilelim. Ürünlerimizin çoğu benzer türde verileri barındırır, bu nedenle işim, bu veri silolarını kırmak ve hastaneler ve sağlık sistemleri gibi müşterilerimizin bu verilere erişmesini kolaylaştırmaktır. Bununla birlikte, küresel yapay zeka (AI) stratejimizi, bu veri erişimini ve kullanımını tüm ekosistem boyunca bilgilendirmek için çalışıyorum.

Farklı endüstrilerdeki ortaya çıkan trendleri takip etmek, stratejik yönümüzün doğru olduğundan emin olmak için rolümün bir başka önemli yönüdür. Şu anda, büyük dil modelleri (LLM’ler) üzerinde yakın takip yapıyorum. Şirket olarak, LLM’leri teknolojisine entegre etme yollarını bulmaya çalışıyoruz, böylece sağlık hizmeti sağlayıcılarını güçlendirebilir, bilişsel yüklerini azaltabilir ve hastalara bakmaya odaklanmalarını sağlayabiliriz.

LinkedIn’deki “CTO olarak İlk Yılım Üzerine Bir Yansıtma” başlıklı blog yazınızda, “CTO’lar yalnız çalışmazlar. Bir ekibin parçasıdırlar” yazmıştınız. Teknik olarak zorlu projelerde görev delegation ve ekip çalışması ile ilgili olarak karşılaştığınız bazı zorlukları ve nasıl ele aldığınızı açıklar mısınız?

CTO rolü son on yılda temel olarak değişti. Sunucu odalarında çalışılan günler geride kaldı. Artık iş çok daha işbirlikçi. İş birimleri boyunca, organizasyonel önceliklerimize odaklanıyoruz ve bu hedefleri, bizi ileriye taşıyan teknik gereksinimlere dönüştürüyoruz. Hastaneler ve sağlık sistemleri şu anda, işgücü yönetimi, finansal kısıtlamalar gibi birçok günlük zorluğu yönetiyor ve yeni teknoloji benimsemesi her zaman öncelikli olmayabilir. En büyük hedefimiz, teknolojinin bu zorlukları nasıl hafifletebileceğini, bunlara ek olarak nasıl katkıda bulunabileceğini ve genel olarak işlerine, çalışanlarına ve hastalarına neler katabileceğini göstermektir. Bu çaba, yalnız veya sadece ekibim içinde yapılamayacak bir şey, bu nedenle bu değeri göstermek için multidisipliner birimler arasında işbirliği yapmamız gerekiyor, böylece teknolojinin getireceği değeri, müşterilere kilidini açılan veri içgörülerine erişim veya şu anda gerçekleştiremedikleri süreçleri etkinleştirmeye erişim sağlayarak gösterebiliriz.

Baglı sağlık operasyonlarının geleceğinde yapay zeka’nın rolü nedir?

Bağlı veri AI ile birlikte daha fazla kullanılabilir hale geldiğinde, bu veri, farklı sistemleri bağlayabilir ve bakım sürekliliğinde güvenlik ve doğruluğu artırabilir. Bağlı sağlık operasyonları, bizim RLDatix’de odaklandığımız bir kategori, çünkü bu, sağlık karar vericileri için eyleme geçirilebilir veri ve içgörüler kilidini açar – ve AI, bunu gerçekleştirmek için temel bir bileşendir.

Bu entegrasyonun vazgeçilmez bir yönü, veri kullanımının güvenli ve uyumlu olması ve risklerin anlaşılmasıdır. Politika, risk ve güvenlik alanında pazar lideriyiz, bu nedenle daha doğru ve güvenilir LLM’leri eğitebileceğimiz大量 miktarda veriye sahibiz. Gerçek bağlı sağlık operasyonlarına ulaşmak için ilk adım, farklı çözümleri birleştirmek, ikincisi ise bu çözümler boyunca verileri çıkarmak ve normalize etmektir. Hastaneler, veri kümelerini birleştirebilen ve kullanıcıya eyleme geçirilebilir değer sağlayan, ayrı ayrı nokta çözümlerinden ayrı veri kümelerini korumak yerine, birbirine bağlı çözümler grubundan büyük ölçüde yararlanacaktır.

Çok yakın zamanda bir ana konuşmada, Ürün Başkanı Barbara Staruk, RLDatix’in hasta güvenliği olayı raporlamasını basitleştirmek ve otomatikleştirmek için nasıl üretken AI ve büyük dil modellerini kullandığını paylaştı. Bunu nasıl çalıştığını açıklar mısınız?

Bu, RLDatix için gerçekten önemli bir girişim ve LLM’lerin potansiyelini en üst düzeye çıkarmamızın güzel bir örneği. Hastaneler ve sağlık sistemleri olay raporlarını tamamladığında, rapor edilen zarar seviyesini belirlemek için üç standardı format vardır: Sağlık Hizmetleri Araştırma ve Kalite Ajansı’nın Ortak Formatları, İlaç Hatası Raporlama ve Önleme Ulusal Koordinasyon Konseyi ve Sağlık Performansı İyileştirme (HPI) Güvenlik Olayı Sınıflandırması (SEC). Şu anda, bir LLM’yi kolayca olay raporundaki metni okumak için eğitebiliriz. Örneğin, bir hasta ölürse, LLM bu bilgiyi kolayca seçebilir. Ancak, LLM’yi daha karmaşık kategorileri ayırt etmek ve bağlamı belirlemek için eğitmek zorundayız, Örneğin, HPI SEC’de bulunan ciddi kalıcı zarar gibi bir taksonomi, ciddi geçici zarar gibi. Raporu hazırlayan kişi yeterli bağlamı eklememişse, LLM bu konkrét hasta güvenliği olayı için uygun zarar seviyesini belirleyemez.

RLDatix, portföyümüz boyunca daha basit bir taksonomi uygulamayı hedefliyor, böylece LLM tarafından kolayca ayırt edilebilecek somut kategoriler. Zamanla, kullanıcılar sadece ne olduğu hakkında yazabilecek ve LLM, tüm önemli bilgileri çıkarmak ve olay formlarını önceden doldurmak için bundan sonra devam edecek. Bu, zaten zorlu bir işgücü için önemli bir zaman tasarrufu olacak ve model geliştikçe, genel olarak sağlık organizasyonlarının daha güvenli kararlar almasına olanak tanıyan kritik eğilimleri tanımlayabileceğiz.

RLDatix, operasyonlarına LLM’leri entegre etmeye başka hangi yollardan başladı?

LLM’leri dahili olarak kullanmak için başka bir yol, kimlik doğrulama sürecini basitleştirmektir. Her sağlayıcının kimlik bilgileri farklı biçimdedir ve benzersiz bilgiler içerir. Bunu perspektife koymak için, herkesin özgeçmişinin farklı görünümünü düşünün – yazı tipleri, iş deneyimi, eğitim ve genel biçimlendirme. Kimlik doğrulama benzerdir. Sağlayıcı üniversiteye nerede gitti? Hangi sertifika var? Hangi makalelerde yayımlandı? Her sağlık profesyoneli bu bilgileri kendi yoluyla sunacaktır.

RLDatix’de, LLM’ler bu kimlik bilgilerini okuyarak ve tüm bu verileri standart bir forma çıkararak, veri girişi yapanların bunu geniş çapta aramasına gerek kalmamasını sağlıyoruz, böylece idari bileşen üzerinde daha az zaman harcayarak, değer katan anlamlı görevlere odaklanabiliyorlar.

Bulut tabanlı teknolojilere geçiş ile birlikte siber güvenlik her zaman zorlu oldu, bu konuda bazı zorlukları tartışabilir misiniz?

Siber güvenlik zordur, bu nedenle doğru ortağı çalışmak önemlidir. LLM’lerin güvenli ve uyumlu kalmasını sağlamak, bu teknolojiyi kullanırken en önemli dikkate almamız gereken husustur. Kuruluşunuzda bu işi yapacak adanmış personel yoksa, bu son derece zorlu ve zaman alıcı olabilir. Bu nedenle, çoğu siber güvenlik girişiminde Amazon Web Services (AWS) ile çalışıyoruz. AWS, teknolojinin temelinde güvenlik ve uyumluluk ilkelerini yerleştirerek, RLDatix’in müşterilerimiz için harika ürünler geliştirmeye odaklanmasını sağlıyor.

LLM’lerin yakın zamanda hızlı benimsenmesiyle birlikte karşılaştığınız yeni güvenlik tehditleri nelerdir?

RLDatix açısından, LLM’leri geliştirirken ve eğittiğimizde üzerinde çalıştığımız beberapa husus vardır. Önemli bir odak noktamız, önyargı ve adaletsizliği hafifletmektir. LLM’ler, eğitildiği veri kadar iyidir. Cinsiyet, ırk ve diğer demografik faktörler gibi faktörler, verisetinde bulunan birçok içkin önyargı içerir. Örneğin, güneydoğu Birleşik Devletleri’nin günlük dilde “y’all” kelimesini kullanma şeklini düşünün. Bu, belirli bir hasta popülasyonuna özgü bir dil önyargısıdır ve araştırmacıların, LLM’yi dil nüanslarını diğer bölgelerle karşılaştırıldığında doğru bir şekilde ayırt edebilmesi için dikkate almaları gerekir. Bu tür önyargılar, LLM’leri sağlık hizmetlerinde kullanırken ölçekte ele alınmalıdır, çünkü bir hasta popülasyonunda eğitilen bir modelin başka bir popülasyonda çalışacağı anlamına gelmez.

Güvenliği, şeffaflığı ve hesabı koruma da bizim organizasyonumuz için önemli odak noktalarıdır, ayrıca hallucinasyonlar ve yanlış bilgilendirme fırsatlarını hafifletmekteyiz. Gizlilik endişelerini aktif bir şekilde ele aldığımızdan, bir modelin belirli bir cevaba nasıl ulaştığını anladığımızdan ve güvenli bir geliştirme döngüsüne sahip olduğumuzdan emin olmak, etkili uygulama ve bakımın önemli bileşenleridir.

RLDatix’de kullanılan diğer makine öğrenimi algoritmaları nelerdir?

Makine öğrenimini (ML) kritik planlama içgörülerini ortaya çıkarmak için kullanmak, bizim organizasyonumuz için ilginç bir kullanım olmuştur. Özellikle İngiltere’de, nasıl ML’yi kullanabileceğimizi keşfetmek için, hemşirelerin ve doktorların planlanmasını, yani rostering’i daha iyi anlamaya çalışıyoruz. RLDatix, son on yıldan beri planlama verilerine erişimimiz var, ancak bu verilerle ne yapabiliriz? İşte burada ML devreye giriyor. Geçmiş verileri analiz etmek ve belirli bir hastanede veya bölgede iki hafta sonrasına ilişkin bir personel durumunu nasıl görünebileceğini sağlayarak, bir ML modeli kullanıyoruz.

Bu spesifik kullanım durumu, oldukça gerçekleştirilebilir bir ML modelidir, ancak bunu gerçek hayat olaylarına bağlayarak daha da ileri götürüyoruz. Örneğin, bir bölgedeki tüm futbol takvimine bakarsak, spor etkinliklerinin genellikle daha fazla yaralanmaya yol açtığını ve yerel bir hastanenin, normal bir günden daha fazla hasta alacağına dair ilk elden bilgi sahibiyiz. AWS ve diğer ortaklarla birlikte, planlamayı daha da akıcı hale getirmek için hangi kamu veri kümelerini tohumlayabileceğimizi keşfediyoruz. already büyük spor etkinlikleri veya kötü hava koşulları etrafında daha fazla hasta göreceğimiz konusunda veri zaten var, ancak ML modeli, bu verileri alarak, hastanelerin yeterli personel ile donatılmasını sağlayarak, sağlık hizmetleri sektörünü daha güvenli bakım için bir adım öteye taşıyacak kritik eğilimleri tanımlayabilir.

Harika röportaj için teşekkür ederiz, daha fazla bilgi edinmek isteyen okuyucular RLDatix ziyaret edebilirler.