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 sektörünü değiştirmeye yönelik bir misyona sahiptir. Organizasyonlara daha güvenli, daha verimli bakım sunmaları için yönetim, risk ve uyum araçları sağlamak suretiyle genel iyileşme ve güvenlik sağlamalarına yardımcı olurlar.

Sizce bilgisayar bilimi ve siber güvenliğe ilk olarak ne sizi çekti?

Bilgisayar bilimi ve siber güvenliğin çözmeye çalıştığı karmaşıklıklara çekildim – her zaman ortaya çıkan bir zorluk vardır. Bir örnek, bulutun ilk olarak popülerlik kazanmaya başladığı zamandır. Büyük bir vaat sunuyor, ancak iş yükü güvenliği etrafında bazı sorular da gündeme getiriyordu. Traditional yöntemlerin geçici bir çözüm olduğu ve organizasyonların bulutta iş yüklerini etkili bir şekilde güvence altına almak için yeni süreçler geliştirmeleri gerektiği çok açıktı. Bu yeni yöntemleri gezinmek benim ve bu alanda çalışan birçok kişi için özellikle heyecan verici bir yolculuktu. Bu, dinamik ve gelişen bir endüstri, bu nedenle her gün yeni ve heyecan verici bir şeyler getiriyor.

RLDatix’in Baş Teknoloji Sorumlusu olarak şu anki bazı sorumluluklarınızı paylaşabilir misiniz?  

Şu anda, veri stratejimizi yönlendirmeye ve ürünlerimizdeki verileri birleştirerek trendleri daha iyi anlamaya odaklanıyorum. Ürünlerimizdeki birçok veri benzer türdedir, bu nedenle görevim bu veri silolarını kırmak ve müşterilerimizin, hem hastanelerin hem de sağlık sistemlerinin, bu verilere erişmesini kolaylaştırmaktır. Bununla birlikte, küresel yapay zeka (AI) stratejimizi bu veri erişimi ve kullanımı için tüm ekosistemde bilgilendirmeye çalışıyorum.

Çeşitli endüstrilerdeki ortaya çıkan trendleri güncel tutmak da rolümün önemli bir yönü, böylece doğru stratejik yönde ilerlediğimizden emin olmak için. Şu anda, büyük dil modellerine (LLM’ler) yakından bakıyorum. Bir şirket olarak, teknolojinize LLM’leri entegre ederek, özellikle sağlık hizmeti sağlayıcılarını güçlendirmek, bilişsel yüklerini azaltmak ve hastalara bakım vermelerine olanak tanımak için çalışıyoruz.

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

CTO rolü son on yılda temel olarak değişti. Artık sunucu odalarında çalışmıyor. Şimdi, iş çok daha işbirlikçi. İş birimleri boyunca, organizasyonel öncelikleri hizalayarak ve bu özlemleri teknik gereksinimlere dönüştürerek ileriliyor. Hastaneler ve sağlık sistemleri, işgücü yönetimi, mali kısıtlamalar gibi birçok günlük zorluğu yönetiyor ve yeni teknolojinin benimsenmesi her zaman bir öncelik olmayabilir. En büyük hedefimiz, teknolojinin bu zorlukları hafifletmeye yardımcı olabileceğini, bunlara eklenmeyeceğini ve işlerine, çalışanlarına ve hastalarına getirdiği değeri göstermektir. Bu çaba, yalnız veya sadece ekibimle yapılamayacak bir şey, bu nedenle işbirliği, müşterilere değer göstermek için teknolojiyi nasıl kullanabileceğimizi gösteren bir strateji geliştirmek için disiplinler arası birimlere yayılıyor.

Bağlı sağlık operasyonlarının geleceğinde yapay zeka’nın rolü nedir?

Entegre veriler AI ile daha kullanılabilir hale geldikçe, bu veriler farklı sistemleri bağlamak ve bakım sürecindeki güvenliği ve doğruluğu artırmak için kullanılabilir. Bağlı sağlık operasyonları kavramı, bizim RLDatix’de odaklandığımız bir kategori ve bu, sağlık karar vericileri için eyleme geçirilebilir veriler ve içgörüler sunar – ve AI, bunu gerçekleştirmek için temel bir bileşendir.

Bu entegrasyonun önemli bir yönü, veri kullanımının güvenli ve uyumlu olması, risklerin anlaşılmasıdır. Politika, risk ve güvenlik alanında pazar lideriyiz, bu nedenle temel LLM’leri daha doğru ve güvenilir bir şekilde eğitebilmemiz için yeterli veri birikimine sahibiz. Bağlı sağlık operasyonlarına ulaşmak için ilk adım, farklı çözümleri birleştirmektir ve ikincisi, bu çözümler boyunca verileri çıkarmak ve normalize etmektir. Hastaneler, birbirleriyle bağlantılı çözümlerden oluşan bir grubun, veri kümelerini birleştirebileceği ve kullanıcılar için eyleme geçirilebilir değerler sağlayabileceği bir durumdan büyük ölçüde yararlanacaktır.

Çok yakın zamanda bir ana konuşmada, Ürünlerden Sorumlu Başkan Barbara Staruk, RLDatix’in hasta güvenliği olayı raporlamasını basitleştirmek ve otomatikleştirmek için nasıl büyük dil modelleri ve üretken AI’ı kullandığını paylaştı. Bunu nasıl yaptıklarını açıklar mısınız?

Bu, RLDatix için çok önemli bir girişim ve LLM’lerin potansiyelini en üst düzeye çıkarmak için nasıl çalıştığımızın harika bir örneği. Hastaneler ve sağlık sistemleri olay raporları tamamladığında, raporlarda belirtilen zarar seviyesini belirlemek için üç standart format vardır: Sağlık 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. Bir hasta örneğin öldüğünde, LLM bu bilgiyi kolayca çıkarabilir. Ancak, daha karmaşık kategorileri, örneğin HPI SEC’de yer alan ciddi kalıcı zarar gibi, bağlamı belirlemek ve ayırt etmek için LLM’yi eğitmek zorundadır. Raporu hazırlayan kişi yeterli bağlamı dahil etmezse, LLM bu belirli hasta güvenliği olayı için uygun zarar seviyesini belirleyemeyecektir.

RLDatix, küresel olarak portföyümüz boyunca basit bir taksonomi uygulamayı hedefliyor, bu taksonomi LLM tarafından kolayca ayırt edilebilecek somut kategorilere sahip. Zamanla, kullanıcılar sadece ne olduğu hakkında yazabilecek ve LLM geri kalanını ele alacak, tüm önemli bilgileri çıkaracak ve olay formlarını önceden dolduracaktır. Bu, zaten zorlu bir işgücü için önemli bir zaman tasarrufu olacak ve model geliştikçe, sağlık organizasyonlarının genel olarak daha güvenli kararlar almasına olanak tanıyan kritik trendleri tanımlayabileceğiz.

RLDatix, operasyonlarına LLM’leri nasıl diğer şekillerde entegre etmeye başladı?

LLM’leri başka bir şekilde kullanmamız, kimlik doğrulama sürecini basitleştirmek. Her sağlayıcının kimlik bilgileri farklı bir formatta düzenlenmiştir ve benzersiz bilgiler içerir. Bunu perspektife koymak için, herkesin özgeçmişinin nasıl farklı göründüğünü düşünün – fontlardan, iş deneyimine, eğitime ve genel formata. Kimlik doğrulama benzer. Sağlayıcı hangi kolejde eğitim gördü? Sertifikası nedir? Hangi makalelerde yayımlandı? Her sağlık profesyoneli bu bilgiyi kendi yoluyla sunacaktır.

RLDatix’de, LLM’ler bu kimlik bilgilerini okuyarak ve tüm bu verileri standart bir formata çıkararak, veri girişi yapanların bu bilgileri geniş çapta aramasına gerek kalmayacak şekilde bize olanak tanır, böylece daha anlamlı görevlere odaklanabilirler.

Bulut tabanlı teknolojilere geçişle birlikte siber güvenlik her zaman zorlu oldu, bu zorlukları tartışabilir misiniz?

Siber güvenlik zorlu, bu nedenle doğru ortağı çalışmak önemlidir. LLM’lerin güvenli ve uyumlu kalmasını sağlamak, bu teknolojiyi kullanırken en önemli dikkate alınması gereken husustur. Organizasyonunuzda bu işi yapacak adanmış bir personel yoksa, bu çok zorlu ve zaman alıcı olabilir. Bu nedenle, çoğu siber güvenlik girişiminde Amazon Web Services (AWS) ile çalışıyoruz. AWS, güvenlik ve uyumluluğu teknolojinin temel ilkeleri olarak RLDatix’e yerleştirerek, müşterilerimiz için büyük ürünler geliştirmemize olanak tanır.

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

RLDatix açısından, LLM’leri geliştirirken ve eğittiğimizde çalıştığımız beberapa husus vardır. Önemli bir odak noktamız, önyargı ve adaletsizliği hafifletmektir. LLM’ler, eğitildiği verilerin sadece kadar iyidir. Cinsiyet, ırk ve diğer demografik faktörler gibi faktörler, verisetinin kendisinde bulunan önyargılar içerebilir. Örneğin, güneydoğu Birleşik Devletler’de “y’all” ifadesinin günlük dilde nasıl kullanıldığını düşünün. Bu, araştırmacıların LLM’yi eğitim sırasında dikkate alması gereken bir dil önyargısıdır. Bu tür önyargılar, LLM’lerin sağlık sektöründe kullanılması sırasında ölçeklendirilirken ele alınmalıdır.

Güvenliği, şeffaflığı ve hesabı korumanın yanı sıra, hayaller ve yanlış bilgilendirmeleri önlemek de bizim için önemli odak noktalarıdır. Veri gizliliği endişelerini etkin bir şekilde ele aldığımızdan, bir modelin belirli bir cevaba nasıl ulaştığını anladığımızdan ve güvenli bir geliştirme döngüsünün yerinde olduğundan 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 kullanmamız, bizim için ilginç bir kullanım örneği olmuştur. Özellikle İngiltere’de, hemşirelerin ve doktorların planlamasının (rostering) nasıl gerçekleştiği hakkında daha iyi bir anlayış elde etmek için ML’yi nasıl kullanabileceğimizi keşfediyoruz. RLDatix, son on yıldan beri planlama verilerine erişimimiz var, ancak bu bilgilerin hepsiyle ne yapabiliriz? İşte burada ML devreye giriyor. Tarihsel verileri analiz etmek ve belirli bir hastanede veya bölgede iki hafta sonraki bir durumun nasıl olabileceği hakkında içgörüler sağlamak için bir ML modeli kullanıyoruz.

Bu spesifik kullanım örneği, oldukça réalisable bir ML modelidir, ancak gerçek olaylarla bağlantılı olarak bunu daha da ileriye götürüyoruz. Örneğin, bir bölgedeki tüm futbol maçlarının takvimini inceleyelim. Spor etkinlikleri genellikle daha fazla yaralanmaya yol açar ve yerel bir hastanenin, normal bir günden daha fazla hasta göreceği bir gün olacağını biliriz. AWS ve diğer ortaklarla birlikte, planlamayı daha da akıcı hale getirmek için hangi kamu veri setlerini tohumlayabileceğimizi keşfediyoruz. already veri setleri, büyük spor etkinlikleri veya kötü hava koşulları etrafında hasta sayısında bir artış göreceğimizi gösteriyor, ancak ML modeli bunu daha da ileriye taşıyarak, hastanelerin yeterli personele sahip olmasını sağlayarak, işgücü üzerindeki baskıyı azaltarak ve daha güvenli bakım sunarak endüstrimizi bir adım daha ileriye taşıyacak kritik trendleri tanımlayabilir.

Harika bir röportaj için teşekkür ederiz, daha fazla bilgi öğrenmek isteyen okuyucular RLDatix ziyaret edebilir.