Philips accelera lo sviluppo di soluzioni sanitarie abilitate dall’intelligenza artificiale con una piattaforma MLOps basata su Amazon SageMaker

Philips accelera l'innovazione delle soluzioni sanitarie basate sull'intelligenza artificiale con una piattaforma MLOps su Amazon SageMaker

Questo è un blog congiunto con AWS e Philips.

Philips è un’azienda di tecnologia sanitaria focalizzata sul miglioramento della vita delle persone attraverso innovazioni significative. Dal 2014, l’azienda offre ai clienti la piattaforma Philips HealthSuite, che coordina decine di servizi AWS utilizzati dalle aziende del settore sanitario e delle scienze della vita per migliorare l’assistenza ai pazienti. Philips collabora con fornitori di assistenza sanitaria, start-up, università e altre aziende per sviluppare tecnologie che aiutano i medici a effettuare diagnosi più precise e a fornire trattamenti più personalizzati a milioni di persone in tutto il mondo.

Uno dei principali motori della strategia di innovazione di Philips è l’intelligenza artificiale (AI), che consente la creazione di prodotti e servizi intelligenti e personalizzati in grado di migliorare i risultati sanitari, migliorare l’esperienza del cliente e ottimizzare l’efficienza operativa.

Amazon SageMaker fornisce strumenti specifici per le operazioni di apprendimento automatico (MLOps) per aiutare ad automatizzare e standardizzare i processi lungo il ciclo di vita del ML. Con gli strumenti SageMaker MLOps, i team possono facilmente addestrare, testare, risolvere problemi, distribuire e gestire modelli ML su larga scala per migliorare la produttività dei data scientist e degli ingegneri ML, mantenendo allo stesso tempo le prestazioni del modello in produzione.

In questo articolo, descriviamo come Philips ha collaborato con AWS per sviluppare AI ToolSuite: una piattaforma ML scalabile, sicura e conforme su SageMaker. Questa piattaforma offre funzionalità che vanno dalla sperimentazione, all’annotazione dei dati, all’addestramento, alla distribuzione dei modelli e ai modelli riutilizzabili. Tutte queste capacità sono progettate per aiutare diverse linee di business a innovare con velocità e agilità, garantendo al contempo un controllo centralizzato su larga scala. Illustreremo i principali casi d’uso che hanno fornito i requisiti per la prima iterazione della piattaforma, i componenti principali e i risultati ottenuti. Concluderemo identificando gli sforzi in corso per abilitare la piattaforma con carichi di lavoro AI generativi e integrare rapidamente nuovi utenti e team nella piattaforma.

Contesto del cliente

Philips utilizza l’AI in vari settori, come l’imaging, la diagnostica, la terapia, la salute personale e l’assistenza connessa. Alcuni esempi di soluzioni abilitate dall’AI sviluppate da Philips negli ultimi anni sono:

Philips SmartSpeed: una tecnologia di imaging basata su AI per la risonanza magnetica che utilizza un algoritmo AI di deep learning basato su Compressed-SENSE per migliorare la velocità e la qualità delle immagini per una vasta gamma di pazienti
Philips eCareManager: una soluzione di telemedicina che utilizza l’AI per supportare l’assistenza e la gestione a distanza dei pazienti gravemente malati nelle unità di terapia intensiva, utilizzando analisi avanzate e algoritmi clinici per elaborare i dati del paziente da diverse fonti e fornire insight, allarmi e raccomandazioni per il team di assistenza
Philips Sonicare: uno spazzolino intelligente che utilizza l’AI per analizzare il comportamento e la salute orale degli utenti, fornendo indicazioni in tempo reale e raccomandazioni personalizzate, come il tempo di spazzolamento ottimale, la pressione e la copertura, per migliorare l’igiene dentale e prevenire carie e malattie gengivali.

Per molti anni, Philips è stata pioniera nello sviluppo di algoritmi basati sui dati per alimentare le sue soluzioni innovative lungo tutto il continuum dell’assistenza sanitaria. Nel campo dell’imaging diagnostico, Philips ha sviluppato una moltitudine di applicazioni ML per la ricostruzione e l’interpretazione di immagini mediche, la gestione dei flussi di lavoro e l’ottimizzazione dei trattamenti. Anche nei team di monitoraggio dei pazienti, terapia guidata dall’immagine, ecografia e salute personale sono state create applicazioni e algoritmi ML. Tuttavia, l’innovazione è stata ostacolata dall’utilizzo di ambienti di sviluppo AI frammentati in diversi team. Questi ambienti andavano dai singoli laptop e desktop a cluster computazionali diversificati in loco e infrastrutture basate su cloud. Inizialmente, questa eterogeneità ha consentito a diversi team di muoversi velocemente nei loro primi sforzi di sviluppo AI, ma ora sta ostacolando opportunità di scalabilità e miglioramento dell’efficienza dei nostri processi di sviluppo AI.

È evidente che un cambiamento fondamentale verso un ambiente unificato e standardizzato era imprescindibile per liberare veramente il potenziale degli sforzi basati sui dati presso Philips.

Principali casi d’uso di AI/ML e requisiti della piattaforma

Le proposte abilitate dall’AI/ML possono trasformare l’assistenza sanitaria automatizzando le attività amministrative svolte dai clinici. Ad esempio:

L’AI può analizzare immagini mediche per aiutare i radiologi a diagnosticare malattie in modo più rapido e preciso
L’AI può prevedere eventi medici futuri analizzando i dati dei pazienti e migliorando l’assistenza proattiva
L’AI può consigliare trattamenti personalizzati adattati alle esigenze dei pazienti
L’AI può estrarre e strutturare informazioni dai referti clinici per rendere più efficiente la compilazione dei documenti
Le interfacce AI possono fornire supporto ai pazienti per domande, promemoria e controllori di sintomi

In generale, l’AI/ML promette la riduzione degli errori umani, il risparmio di tempo e costi, l’ottimizzazione dell’esperienza dei pazienti e interventi tempestivi e personalizzati.

Uno dei requisiti chiave per la piattaforma di sviluppo e distribuzione di ML era la capacità di supportare il processo continuo e iterativo di sviluppo e distribuzione, come mostrato nella figura seguente.

Lo sviluppo degli asset di intelligenza artificiale inizia in un ambiente di laboratorio, dove i dati vengono raccolti e curati, e quindi i modelli vengono addestrati e convalidati. Quando il modello è pronto e approvato per l’uso, viene distribuito sui sistemi di produzione del mondo reale. Una volta distribuito, le prestazioni del modello vengono monitorate continuamente. Le prestazioni e i feedback del mondo reale vengono infine utilizzati per ulteriori miglioramenti del modello con automazione completa dell’addestramento e della distribuzione del modello.

I requisiti più dettagliati delle AI ToolSuite sono stati guidati da tre casi d’uso di esempio:

Sviluppare un’applicazione di computer vision volta alla rilevazione degli oggetti ai bordi. Il team di scienziati dei dati si aspettava un flusso di lavoro di annotazione delle immagini automatizzato basato sull’IA per velocizzare un processo di etichettatura laborioso.
Consentire a un team di scienziati dei dati di gestire una serie di modelli di ML classici per le statistiche di benchmarking attraverso più unità mediche. Il progetto richiedeva l’automazione della distribuzione del modello, del monitoraggio degli esperimenti, del monitoraggio del modello e un maggiore controllo di tutto il processo dalla fine alla fine sia per l’audit che per la ritrattazione futura.
Migliorare la qualità e il tempo di commercializzazione dei modelli di deep learning nell’imaging medico diagnostico. L’infrastruttura di elaborazione esistente non consentiva l’esecuzione di molti esperimenti in parallelo, il che ha ritardato lo sviluppo del modello. Inoltre, per scopi normativi, è necessario consentire la piena riproducibilità dell’addestramento del modello per diversi anni.

Requisiti non funzionali

La creazione di una piattaforma di IA/ML scalabile e robusta richiede una attenta considerazione dei requisiti non funzionali. Questi requisiti vanno oltre le specifiche funzionalità della piattaforma e si concentrano nel garantire quanto segue:

Scalabilità – La piattaforma AI ToolSuite deve essere in grado di scalare in modo più efficace l’infrastruttura di generazione di informazioni di Philips in modo che possa gestire un volume crescente di dati, utenti e carichi di lavoro AI/ML senza compromettere le prestazioni. Dovrebbe essere progettata per scalare in modo orizzontale e verticale per soddisfare in modo fluido le crescenti richieste, garantendo al contempo una gestione centralizzata delle risorse.
Prestazioni – La piattaforma deve fornire capacità di elaborazione ad alte prestazioni per elaborare efficientemente algoritmi AI/ML complessi. SageMaker offre una vasta gamma di tipi di istanza, inclusi quelli con potenti GPU, che possono accelerare significativamente l’addestramento del modello e le attività di inference. Dovrebbe inoltre ridurre al minimo la latenza e i tempi di risposta per fornire risultati in tempo reale o quasi in tempo reale.
Affidabilità – La piattaforma deve fornire un’infrastruttura AI altamente affidabile e robusta che si estenda su più Zone di Disponibilità. Questa architettura multi-AZ dovrebbe garantire operazioni AI ininterrotte distribuendo risorse e carichi di lavoro su distinti data center.
Disponibilità – La piattaforma deve essere disponibile 24 ore su 24, 7 giorni su 7, con un minimo tempo di inattività per manutenzione e aggiornamenti. L’alta disponibilità di AI ToolSuite dovrebbe includere il bilanciamento del carico, architetture tolleranti ai guasti e monitoraggio proattivo.
Sicurezza e Governance – La piattaforma deve adottare robuste misure di sicurezza, crittografia, controlli di accesso, ruoli dedicati e meccanismi di autenticazione con monitoraggio continuo delle attività insolite e conduzione di audit di sicurezza.
Gestione dei dati – Una gestione efficiente dei dati è fondamentale per le piattaforme AI/ML. Le normative del settore sanitario richiedono una governance dei dati particolarmente rigorosa. Dovrebbe includere funzioni come la versioning dei dati, la lineage dei dati, la governance dei dati e l’assicurazione della qualità dei dati per garantire risultati accurati e affidabili.
Interoperabilità – La piattaforma dovrebbe essere progettata per integrarsi facilmente con i repository di dati interni di Philips, consentendo un interscambio di dati e una collaborazione senza soluzione di continuità con applicazioni di terze parti.
Maintainability – L’architettura e la base di codice della piattaforma dovrebbero essere ben organizzate, modulari e manutenibili. Ciò consente agli ingegneri ML e agli sviluppatori di Philips di fornire aggiornamenti, correzioni di bug e miglioramenti futuri senza interruzioni dell’intero sistema.
Resource optimization – La piattaforma dovrebbe monitorare da vicino i rapporti di utilizzo per assicurarsi che le risorse di calcolo siano utilizzate in modo efficiente e allocare le risorse dinamicamente in base alla domanda. Inoltre, Philips dovrebbe utilizzare gli strumenti di fatturazione e gestione dei costi di AWS per assicurarsi che i team ricevano notifiche quando l’utilizzo supera l’importo della soglia allocata.
Monitoring e logging – La piattaforma dovrebbe utilizzare gli avvisi di Amazon CloudWatch per disporre di capacità complete di monitoraggio e logging, necessarie per monitorare le prestazioni del sistema, identificare i colli di bottiglia e risolvere efficacemente i problemi.
Compliance – La piattaforma può anche contribuire a migliorare la conformità normativa delle proposte abilitate dall’IA. La riproducibilità e la tracciabilità devono essere abilitate automaticamente dalle pipeline di elaborazione dati end-to-end, in cui possono essere preparati automaticamente molti artefatti di documentazione obbligatori, come i report lineage dei dati e le schede dei modelli.
Testing e validazione – Devono essere in atto rigorose procedure di test e validazione per garantire l’accuratezza e la affidabilità dei modelli AI/ML e prevenire eventuali bias non voluti.

Panoramica della soluzione

AI ToolSuite è un ambiente di sviluppo AI completo, scalabile e di avvio rapido che offre SageMaker nativo e servizi AI/ML associati con le garanzie di sicurezza e privacy di Philips HealthSuite e l’integrazione nell’ecosistema di Philips. Ci sono tre profili con insiemi di autorizzazioni di accesso dedicate:

Scienziato dei dati – Prepara i dati e sviluppa e allena i modelli in un ambiente di lavoro collaborativo
Ingegnere ML – Produci applicazioni ML con distribuzione, monitoraggio e manutenzione dei modelli
Amministratore di scienze dei dati – Crea un progetto per richiesta del team per fornire ambienti isolati dedicati con modelli specifici per casi d’uso

Lo sviluppo della piattaforma si è esteso su più cicli di rilascio in un ciclo iterativo di scoperta, progettazione, costruzione, test e distribuzione. A causa dell’unicità di alcune applicazioni, l’estensione della piattaforma richiedeva l’inclusione di componenti personalizzati esistenti come archivi di dati o strumenti proprietari per l’annotazione. La figura seguente illustra l’architettura a tre livelli di AI ToolSuite, includendo l’infrastruttura di base come primo livello, i componenti comuni di ML come secondo livello e i modelli specifici del progetto come terzo livello.

Il Livello 1 contiene l’infrastruttura di base:

Un livello di rete con accesso parametrizzato a Internet ad alta disponibilità
Provisioning self-service con infrastruttura come codice (IaC)
Un ambiente di sviluppo integrato (IDE) usando un dominio di Amazon SageMaker Studio
Ruoli della piattaforma (amministratore delle scienze dei dati, scienziato dei dati)
Archiviazione degli artefatti
Registrazione e monitoraggio per l’osservabilità

Il Livello 2 contiene componenti comuni di ML:

Tracciamento automatico degli esperimenti per ogni lavoro e flusso di lavoro
Un flusso di lavoro di creazione di modelli per avviare un nuovo aggiornamento nella creazione del modello
Un flusso di lavoro di addestramento del modello composto da addestramento, valutazione e registrazione del modello
Un flusso di lavoro di distribuzione del modello per il testing e l’approvazione finale
Un registro dei modelli per gestire facilmente le versioni dei modelli
Un ruolo di progetto creato appositamente per un caso d’uso specifico, da assegnare agli utenti di SageMaker Studio
Un repository di immagini per archiviare immagini di container per elaborazione, addestramento e inferenza sviluppate per il progetto
Un repository di codice per archiviare gli artefatti del codice
Un bucket di Amazon Simple Storage Service (Amazon S3) del progetto per archiviare tutti i dati e gli artefatti del progetto

Il Livello 3 contiene modelli specifici del progetto che possono essere creati con componenti personalizzati come richiesto dai nuovi progetti. Ad esempio:

Modello 1 – Include un componente per l’interrogazione dei dati e il tracciamento dello storico
Modello 2 – Include un componente per l’annotazione dei dati con un flusso di lavoro di annotazione personalizzato per utilizzare strumenti di annotazione proprietari
Modello 3 – Include componenti per immagini di container personalizzate per personalizzare sia l’ambiente di sviluppo che le routine di addestramento, sistema di file HPC dedicato e accesso da un IDE locale per gli utenti

Il diagramma seguente evidenzia i principali servizi AWS che si estendono su più account AWS per lo sviluppo, lo staging e la produzione.

Nelle sezioni seguenti, discutiamo delle principali funzionalità della piattaforma abilitate dai servizi AWS, tra cui SageMaker, AWS Service Catalog, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS Identity and Access Management (IAM) e altri.

Infrastruttura come codice

La piattaforma utilizza IaC, che consente a Philips di automatizzare l’approvvigionamento e la gestione delle risorse infrastrutturali. Questo approccio aiuterà anche la riproducibilità, la scalabilità, il controllo delle versioni, la coerenza, la sicurezza e la portabilità per lo sviluppo, il testing o la produzione.

Accesso alle ambienti AWS

SageMaker e i servizi AI/ML associati vengono accessi con misure di sicurezza per la preparazione dei dati, lo sviluppo del modello, l’addestramento, l’annotazione e il deployment.

Isolamento e collaborazione

La piattaforma garantisce l’isolamento dei dati memorizzandoli e processandoli separatamente, riducendo il rischio di accessi non autorizzati o violazioni dei dati.

La piattaforma facilita la collaborazione tra team, fondamentale nei progetti di intelligenza artificiale che coinvolgono tipicamente team interfunzionali, tra cui data scientist, amministratori di data science e ingegneri MLOps.

Controllo degli accessi basato sui ruoli

Il controllo degli accessi basato sui ruoli (RBAC) è essenziale per gestire le autorizzazioni e semplificare la gestione degli accessi definendo ruoli e permessi in modo strutturato. Consente di gestire facilmente le autorizzazioni a mano a mano che crescono i team e i progetti e di controllare l’accesso per le diverse figure coinvolte nei progetti di AI/ML AWS, come l’amministratore di data science, il data scientist, l’amministratore dell’annotazione, l’annotatore e l’ingegnere MLOps.

Accesso ai data store

La piattaforma consente l’accesso di SageMaker ai data store, garantendo che i dati possano essere utilizzati in modo efficiente per l’addestramento e l’inferenza del modello senza la necessità di duplicare o spostare i dati tra diverse posizioni di archiviazione, ottimizzando così l’utilizzo delle risorse e riducendo i costi.

Annotazione utilizzando gli strumenti di annotazione specifici di Philips

AWS offre una suite di servizi AI e ML, come SageMaker, Amazon SageMaker Ground Truth e Amazon Cognito, che sono completamente integrati con gli strumenti di annotazione interni specifici di Philips. Questa integrazione consente agli sviluppatori di addestrare e distribuire modelli di ML utilizzando i dati annotati all’interno dell’ambiente AWS.

Modelli di ML

La piattaforma AI ToolSuite offre modelli in AWS per vari flussi di lavoro di ML. Questi modelli sono configurazioni preconfigurate di infrastruttura personalizzate per casi d’uso di ML specifici e sono accessibili tramite servizi come modelli di progetto SageMaker, AWS CloudFormation e Service Catalog.

Integrazione con Philips GitHub

L’integrazione con GitHub migliora l’efficienza fornendo una piattaforma centralizzata per il controllo delle versioni, le revisioni del codice e le pipeline di CI/CD (continuous integration e continuous deployment) automatizzate, riducendo i compiti manuali e aumentando la produttività.

Integrazione con Visual Studio Code

L’integrazione con Visual Studio Code fornisce un ambiente unificato per la scrittura del codice, il debug e la gestione dei progetti di ML. Ciò semplifica l’intero flusso di lavoro di ML, riducendo i cambiamenti di contesto e risparmiando tempo. L’integrazione migliora anche la collaborazione tra i membri del team consentendo loro di lavorare insieme ai progetti di SageMaker all’interno di un ambiente di sviluppo familiare, utilizzando sistemi di controllo delle versioni e condividendo il codice e i notebook in modo trasparente.

Lineage e traceability del modello e dei dati per la riproducibilità e la conformità

La piattaforma fornisce la versioning, che aiuta a tenere traccia delle modifiche ai dati di addestramento e inferenza del data scientist nel tempo, facilitando la riproduzione dei risultati e la comprensione dell’evoluzione dei dataset.

La piattaforma consente anche il tracciamento degli esperimenti di SageMaker, che consente agli utenti finali di registrare e monitorare tutti i metadati associati ai loro esperimenti di ML, inclusi iperparametri, dati di input, codice e artefatti del modello. Queste funzionalità sono essenziali per dimostrare la conformità agli standard normativi e garantire la trasparenza e la responsabilità nei flussi di lavoro di AI/ML.

Generazione di report di specifica IA/ML per la conformità regolamentare

AWS dispone di certificazioni di conformità per vari standard e regolamenti del settore. I report di specifica IA/ML sono documenti essenziali per la conformità, che mostrano l’aderenza ai requisiti normativi. Questi report documentano la versioning dei dataset, dei modelli e del codice. Il controllo delle versioni è essenziale per mantenere la lineage dei dati, la tracciabilità e la riproducibilità, tutte fondamentali per la conformità regolamentare e l’audit.

Gestione del budget a livello di progetto

La gestione del budget a livello di progetto consente all’organizzazione di stabilire limiti di spesa, aiutando a evitare costi imprevisti e garantendo che i progetti di intelligenza artificiale rimangano all’interno del budget. Con la gestione del budget, l’organizzazione può allocare budget specifici a singoli progetti o team, il che aiuta i team a individuare inefficienze delle risorse o picchi di costo imprevisti fin dall’inizio. Oltre alla gestione del budget, grazie alla funzione di spegnimento automatico dei notebook inattivi, i membri del team evitano di pagare per risorse inutilizzate, rilasciando anche risorse preziose quando non vengono utilizzate attivamente, rendendole disponibili per altre attività o utenti.

Risultati

AI ToolSuite è stato progettato e implementato come piattaforma aziendale per lo sviluppo e la distribuzione di intelligenza artificiale per i data scientist di Philips. I requisiti diversificati di tutte le unità aziendali sono stati raccolti e presi in considerazione durante la progettazione e lo sviluppo. All’inizio del progetto, Philips ha identificato campioni tra i team aziendali che hanno fornito feedback e contribuito a valutare il valore della piattaforma.

Sono stati raggiunti i seguenti obiettivi:

L’adozione da parte degli utenti è uno dei principali indicatori di successo per Philips. Gli utenti di diverse unità aziendali sono stati formati e introdotti alla piattaforma e ci si aspetta che questo numero aumenti nel 2024.
Un’altra metrica importante è l’efficienza degli utenti del settore della scienza dei dati. Con AI ToolSuite, nuovi ambienti di sviluppo di intelligenza artificiale vengono distribuiti in meno di un’ora invece di diversi giorni.
I team di scienza dei dati possono accedere a un’infrastruttura di calcolo basata su cloud scalabile, sicura ed economica.
I team possono eseguire esperimenti di formazione di modelli multipli in parallelo, riducendo significativamente il tempo medio di formazione da settimane a 1-3 giorni.
Poiché il deploy dell’ambiente è completamente automatizzato, richiede praticamente nessuna partecipazione degli ingegneri dell’infrastruttura cloud, riducendo i costi operativi.
L’uso di AI ToolSuite ha notevolmente migliorato la maturità complessiva dei dati e dei risultati di intelligenza artificiale, promuovendo l’uso di buone pratiche di intelligenza artificiale, flussi di lavoro standardizzati e riproducibilità end-to-end, che è essenziale per il rispetto delle normative nel settore della salute.

Guardando avanti con l’intelligenza artificiale generativa

Mentre le organizzazioni si affrettano ad adottare le ultime tecnologie nell’intelligenza artificiale, è imperativo adottare nuove tecnologie nel contesto delle politiche di sicurezza e governance dell’organizzazione. L’architettura di AI ToolSuite fornisce un’eccellente guida per consentire l’accesso alle capacità di intelligenza artificiale generativa in AWS per diversi team di Philips. I team possono utilizzare modelli di base resi disponibili con Amazon SageMaker JumpStart, che offre una vasta gamma di modelli open source di Hugging Face e altri provider. Con le necessarie protezioni già in atto in termini di controllo dell’accesso, fornitura dei progetti e controlli dei costi, sarà facile per i team iniziare a utilizzare le capacità di intelligenza artificiale generativa all’interno di SageMaker.

Inoltre, l’accesso ad Amazon Bedrock, un servizio completamente gestito basato su API per l’intelligenza artificiale generativa, può essere fornito per account individuali in base alle esigenze del progetto, e gli utenti possono accedere alle API di Amazon Bedrock tramite l’interfaccia del notebook di SageMaker o attraverso il loro IDE preferito.

Esistono ulteriori considerazioni riguardo all’adozione dell’intelligenza artificiale generativa in un contesto regolamentato, come quello sanitario. È necessario prestare attenzione al valore creato dalle applicazioni di intelligenza artificiale generativa rispetto ai rischi e ai costi associati. È inoltre necessario creare un quadro di rischio e legale che disciplini l’uso delle tecnologie di intelligenza artificiale generativa nell’organizzazione. Elementi come la sicurezza dei dati, il bias e l’equità e il rispetto delle norme regolamentari devono essere considerati come parte di tali meccanismi.

Conclusioni

Philips si è impegnata in un percorso per sfruttare il potere degli algoritmi basati sui dati per rivoluzionare le soluzioni nel settore della salute. Nel corso degli anni, l’innovazione nell’imaging diagnostico ha portato a diverse applicazioni di intelligenza artificiale, dalla ricostruzione delle immagini alla gestione dei flussi di lavoro e all’ottimizzazione dei trattamenti. Tuttavia, la diversità delle configurazioni, dai singoli laptop ai cluster on-premises e all’infrastruttura cloud, ha creato sfide formidabili. La gestione separata del sistema, le misure di sicurezza, i meccanismi di supporto e i protocolli dati hanno limitato una visione completa del TCO e complicato le transizioni tra i team. Il passaggio dalla ricerca e sviluppo alla produzione è stato gravato dalla mancanza di lineage e riproducibilità, rendendo difficile un continuo riallenamento dei modelli.

Nell’ambito della collaborazione strategica tra Philips e AWS, è stata creata la piattaforma AI ToolSuite per sviluppare una piattaforma di intelligenza artificiale scalabile, sicura e conforme con SageMaker. Questa piattaforma offre capacità che vanno dall’esperimento, all’annotazione dei dati, all’addestramento, al rilascio dei modelli e ai modelli riutilizzabili. Tutte queste capacità sono state costruite in modo iterativo attraverso diversi cicli di scoperta, design, build, test e deploy. Ciò ha permesso a diverse unità aziendali di innovare con velocità e agilità, garantendo un controllo centrale a livello di scala.

Questo percorso serve come fonte di ispirazione per le organizzazioni che desiderano sfruttare il potere dell’IA e del ML per stimolare l’innovazione e l’efficienza nell’ambito sanitario, a beneficio dei pazienti e dei fornitori di cure in tutto il mondo. Continuando a costruire su questo successo, Philips è pronta a compiere ancora maggiori progressi nel migliorare gli esiti sanitari attraverso soluzioni innovative basate sull’IA.

Per saperne di più sull’innovazione di Philips su AWS, visita Philips su AWS.

Amazon SageMaker,Customer Solutions,healthcare