저자: John P Desmond, AI 트렌드 편집자
AI 및 머신 러닝 경험 CVS 건강 과 세인트 루크의 건강 시스템 아이다호주 보이시에 있는 두 조직에 실질적인 이점이 있습니다.
최근 가상 세션에서 임상 의사 결정 시스템(Clinical Decision Systems)의 이사인 Nels Lindahl에 따르면 CVS Health는 특히 머신 러닝 작업(MLOps) 도구를 통해 머신 러닝을 사용하여 AI 애플리케이션을 확장하는 방법을 배우고 있습니다. Ai4 회의 거의 최근에 개최되었습니다.
St. Luke's Health Center는 AI 및 기계 학습을 사용하여 초기 생산에 COVID-19 예측 프로그램, 공급망 구매 엔진 및 수요 기반 인력 응용 프로그램을 도입했다고 St. Luke's의 고급 분석 수석 이사인 Justin Smith 박사가 말했습니다. , 또한 최근 Ai4 가상 회의 세션에서.
Lindahl은 "MLOps의 전환점에 와 있습니다. ML은 채택 속도가 빨라지고 인지도와 이해도가 사상 최고를 기록하면서 프로덕션 공간이 증가하고 있습니다."라고 말했습니다. “ML 기술은 이제 제공할 수 있습니다. 사람들은 야생에서 실제 사용 사례를 보고 성장하도록 하고 있습니다. 진짜야.”
AI 발자국을 구축하기 위한 세 가지 주요 "생태계"는 Amazon Web Services(AWS), Microsoft Azure 및 Google Cloud Platform(GCP)이라고 그는 말했습니다. 개발자는 오픈 소스 도구를 사용하고 있으며 일부는 자체 개발하여 조직에 가치를 제공합니다.
그는 ML 전략, 경영진 후원자, 정의된 예산 리소스, 동일한 접근 방식이 기업 전체에 복제될 수 있도록 보장하는 반복 가능한 프로세스를 가질 것을 적극 권장했습니다. “앞으로 나아가는 데 도움이 되는 이야기가 필요합니다. 사용 사례를 일관되게 전달할 수 있다면 바로 사용할 수 있는 준비가 된 것입니다.”라고 그는 말했습니다.
오늘날 Lindahl은 전문적인 역할을 하면서 IT 애플리케이션 개발을 지휘하고 있습니다. 그는 약국 혜택 관리의 임상 의사 결정 영역 내에서 여러 복잡한 프로세스 자동화 프로젝트를 수행했습니다.
GitHub에서 인기 있는 API 서비스 추적
19월에 그는 규모 대 성숙도 축에서 49개의 외부 API 서비스를 추적하고 있었습니다. 예를 들어 AWS Enterprise Search 및 GCP Vision API는 규모 및 성숙도 축에서 오른쪽 상단 사분면에서 높은 평가를 받았습니다. 그는 최근 차트를 업데이트했으며 현재 XNUMX개의 외부 서비스를 추적하고 있습니다. "출시되는 API의 수는 매일 증가하고 있습니다."라고 그는 말했습니다.
외부 서비스가 점점 더 구체화되어 하나의 큰 비전 API 대신 더 많은 전문화로 세분화되고 있습니다. "당신이 하고자 하는 정확한 것은 아마도 당신의 API에서 프로덕션에 넣을 수 있는 것에 더 가깝습니다."라고 그는 말했습니다. "AI가 준비되어 있습니다."
그는 개발 조직이 전반적인 ML 전략을 가질 필요성을 다시 강조했습니다. “밖에 나가서 API를 얻을 수 있다고 해서 그것이 조직에 올바른 일이라는 의미는 아닙니다. 놀라운 기술일 수도 있지만 고객을 위한 투자에 대한 수익은 없을 수도 있습니다.”라고 덧붙이며 “ML 전략의 일부는 목적, 복제 및 재사용에 관한 것이어야 합니다. 이는 조직에 가치를 되돌려주는 핵심이 될 것입니다.”
그는 GitHub 트렌드 페이지에서 다양한 서비스의 인기도를 확인하세요. 그는 북마크와 같이 지속적인 관심을 표시한 사람들을 의미하는 "별"과 같은 지표를 사용하여 시간이 지남에 따라 그들을 추적합니다. 예를 들어, 154,000월에 TensorFlow는 47,000개 이상의 별을 등록했고 Pytorch는 XNUMX개를 기록했습니다. 가장 큰 관심을 끌었습니다.
Lindahl은 프로덕션 환경에서 ML 모델을 안정적으로 유지 관리하는 방법을 지원하는 기계 학습 운영 도구인 MLOps도 추적하고 있습니다. GitHub에서 MLOps를 추적한 결과 오픈 소스 컨테이너 오케스트레이션 플랫폼인 Kubernetes용 머신 러닝 툴킷인 Kubeflow에 대해 10,000개의 별이 표시됩니다. Lindahl을 더욱 놀라게 한 것은 협업에 중점을 둔 오픈 소스 MLOps 플랫폼인 MLReef의 성장률이었습니다. 그는 “다운로드해 적극적으로 활용하는 사람들이 정말 빠르게 늘어나고 있다”고 말했다. 그는 사용 증가의 원인이 무엇인지 이해할 수 있는지 알아보기 위해 이를 연구하고 있습니다.
새로운 방식으로 비즈니스 가치를 제공하는 St. Luke's의 XNUMX가지 ML 프로젝트
St. Luke's의 Smith 박사는 현재 제공되는 프로젝트에 더 중점을 두었고 기술적 토대보다는 덜 강조했습니다. St. Luke's 복합 단지에는 약 XNUMX만 명의 환자에게 서비스를 제공하는 XNUMX개의 의료 센터가 있습니다. Smith 박사는 세 가지 프로젝트를 설명했습니다.
첫 번째는 병원이 더 나은 계획을 세울 수 있도록 COVID-19의 확산 속도를 예측하는 애플리케이션이었습니다. “우리는 무엇을 기대해야 하는지에 대한 온갖 종류의 거친 예측을 받았습니다.”라고 그는 말했습니다. "중환자실과 일반 병원에 입원할 환자 수를 예측할 수 있는지 알고 싶었습니다."
어려움은 예측이 너무 달랐다는 것입니다. 예를 들어, 아이다호주는 뉴욕에서 발생한 감염의 물결을 경험하지 못했습니다. 팀은 그들이 알고 있는 것을 문서화하고 그 데이터로부터 두 가지 예측 세트를 생성하기로 결정했습니다. 30~XNUMX주 동안의 단기 예측과 최대 XNUMX일의 중기 예측입니다. 그들은 테이블 형식 데이터를 구조화하기 위한 응용 기계 학습에서 널리 사용되는 오픈 소스 소프트웨어 라이브러리인 XGBoost라는 새로운 기술을 사용했습니다. 단계적 방식으로 회귀 트리를 구축하고 각 단계의 오류를 측정하고 다음 단계에서 수정하는 그래디언트 부스트 결정 트리를 구현합니다.
Smith 박사는 입원 환자 센서스 및 자체 의료 시스템의 양성률을 포함한 변수를 사용하여 "한 달에 90~XNUMX명의 환자를 치료할 수 있었습니다."라고 말했습니다. Smith 박사는 "검사의 XNUMX%를 통제했기 때문에 양성률에 대한 좋은 데이터를 얻었습니다."라고 말했습니다. "우리는 환자 인구 조사를 늘릴 것인지 줄일 것인지를 매우 정확하게 보여주었습니다."
공급망에 대해 팀은 공급망에 있는 100개 공급업체와 400,000개 제품에서 보다 최적의 구매를 통해 비용을 절감할 수 있는 "구매 엔진"을 개발할 수 있는지 질문을 받았습니다. 특정 수량의 구매는 더 나은 가격을 책정할 수 있어 최적화 문제가 발생합니다. “이러한 수준의 복잡성으로 인해 인간에게는 너무 큽니다. Excel에서는 해결할 수 없습니다.”라고 Smith 박사는 말했습니다.
익숙한 공급업체를 고수하는 애널리스트의 습관 깨기
구매와 관련된 병원 분석가의 관행을 조사한 결과 많은 사람들이 친숙한 영역에서 활동했으며 종종 과거에 알고 거래한 적이 있는 공급업체를 선택하는 것으로 나타났습니다. 팀은 고급 분석을 사용하여 "수십억"의 시나리오를 생성하는 알고리즘을 작성했습니다. 해당 데이터에 대한 보기를 제공하는 것은 어려운 일이었습니다. Smith 박사는 “우리는 모든 것을 보여주거나 너무 적게 보여주고 싶지 않습니다.”라고 말했습니다. 팀은 실행 불가능한 시나리오를 제거하고 기존 계약 내에서 지출을 유지하며 필요한 양을 각 공급업체와 함께 지출하여 최고의 가격을 얻으십시오.
또한 팀은 다른 공급업체에서 제품을 구매하는 전환 횟수를 최소화하려고 했습니다. 분석을 통해 팀은 전체 의료 시스템에서 가장 적은 수의 전환과 가장 높은 절감 가능성을 나타내는 기회를 선택할 수 있었습니다. Smith 박사는 “매우 강력합니다. "이는 기업 전체에 배포되고 있습니다."
새로운 시스템은 여러 공급업체와 재협상된 계약이 필요하므로 Smith 박사는 완전히 구현되는 데 몇 년이 걸릴 것으로 예상합니다.
세 번째 프로젝트는 수요 기반 인력 배치에 관한 것이었습니다. 그는 “우리는 인력 과잉을 원하지 않고 인력 부족도 원하지 않는다”고 말했다. "우리는 과거 환자 요구 사항에 맞게 직원을 최적화하고 싶습니다." COVID가 2020년에 환자 센서스에 "야생적인 일"을 했지만 해당 데이터가 포함되었습니다. 이 시스템은 "대기" 역할과 관련된 높은 인건비와 수요가 낮을 때 의료 전문가를 집으로 보내야 하는 것을 피하기 위해 노력했습니다.
그는 "아직 출시되고 있는 우리가 만든 솔루션은 2020년을 포함해 지난 XNUMX년간의 데이터를 기반으로 예측된 수요에 따라 직원과 인구 조사를 일치시키는 최적화된 일정을 제공하는 알고리즘을 기반으로 한다"고 말했다. 시스템은 시작하는 간호사와 지원 직원에 초점을 맞췄습니다. Microsoft의 비즈니스 분석 서비스인 Power BI를 통해 예측의 시각적 그림을 사용하여 인간 전문가는 "일선 지식"을 기반으로 권장 인력을 조정할 수 있었습니다. 예를 들어, 같은 주말에 축구 경기, 음악 축제, 로데오가 있다는 사실을 알고 있으면 기계 학습 알고리즘이 이해하지 못할 수도 있습니다.
Smith 박사는 “결과적으로 오전 7시에서 오후 7시 교대조에는 9명의 RN이 필요하지만 오전 5시부터 오후 XNUMX시까지 근무하는 교대조에는 XNUMX명만 필요할 수 있습니다. 그는 시스템이 배포되기 시작했으며 앞으로 XNUMX주에서 XNUMX주 동안 필요한 주간 인력 수준을 예상할 수 있다고 말했다. Smith 박사는 “매우 역동적이며 고위 경영진이 병원 직원의 업무를 보고 볼 수 있습니다.
최근에 자세히 알아보기 Ai4 회의, 에서 GitHub 트렌드 페이지, 에 넬스 린다 그리고시 저스틴 스미스 박사.
PlatoAi. Web3 재창조. 데이터 인텔리전스 증폭.
액세스하려면 여기를 클릭하십시오.
