提供可重复、可衡量且满足企业级需求的生命科学人工智能
制药和生命科学公司利用人工智能提升药物发现、临床开发和患者体验。在这类受监管的环境中，实现 AI 辅助突破和投资回报（ROI）的关键在于回归基础——关注数据统一、互作性以及安全和治理。
在最新一期《医疗保健 IT 新闻》播客 HIMSSCast 中，Cloudera 公司人工智能解决方案全球总监 Rameez Chatni 解释说，医疗保健行业正在从对人工智能战略的初步关注回归到强大数据基础的基石上来。
确保价值链的互操作性
典型的全球制药组织由 12 到 15 个不同的企业级垂直领域组成——研发、制造、商业等——而构建一个具备 AI 需求的数据集需要管理复杂的分布式架构。
数据统一是很困难的，把所有数据都强制纳入一个同质系统并非解决之道。相反，组织正在采用混合架构，兼容本地系统、多云和软件即服务（SaaS）解决方案。
使用支持开放数据格式的开源、可互操作的技术可确保多个查询引擎可以访问各种工程、分析和人工智能工作负载的数据，并降低供应商锁定的风险。
数据统一的最终目标是为人工智能模型提供所需的上下文，以便在整个组织中连接点，并提供更好的输出。许多制药公司正在利用的一个情境模型是知识图谱。该结构捕捉了企业内部的关系——将药物与基因、疾病、临床试验及商业数据联系起来——这些是人类常常忽视的，形成了一个真正全面且可用的数据集。
然而，这些先进的架构依赖于一个关键的、常常被忽视的第一步：数据清单和数据系谱。这些是无名英雄和基础支柱，它们防止不同职能部门（如研发和制造）为同一数据集重复许可证并浪费资源。
将治理视为一种功能，而非缺陷
在一个试图快速用数据创新的行业中，数据治理常常被忽视，结果项目可能因此停滞长达九个月。Rameez 认为，必须将治理视为一项功能，而不是错误。这意味着将其转变为“治理即服务”，一种在企业内部的主动的、持续的能力。
实现治理即服务的唯一途径是通过一个多学科卓越中心（CoE），连接业务领导者、数据战略师、技术架构师和隐私/法律律师。这确保了了解数据流动的技术团队能够与理解隐私和同意限制的法律团队有效沟通。
关键是，治理应当及早实施。未能考虑合规性，例如对使用临床试验数据进行二次用途的限制，可能会在项目接近尾声时使整个项目停止。事实上，人工智能应应用于治理本身，以加快合同审查，确保合规检查自动化且可审计。
证明投资回报率以实现规模
该行业充斥着关于人工智能试运行失败的报告。刚刚开始人工智能之旅的组织应首先找到运营性人工智能用例。自动化“枯燥”的任务，比如临床试验方案的编写（节省成千上万份文档中的一周）或加快不良事件处理速度，可以带来明显且快速的胜利。
Rameez 建议，首先应定义一个清晰且可衡量、与业务相契合的投资回报。在制药行业，建立“快速失败”文化是一种投资回报。计算失败的成本远低于临床试验后期崩溃。
Rameez 简单地阐述了这种投资回报，建议组织采取措施快速识别和解决问题，以免问题滚雪球般发展：“您越早发现问题……您可以在问题变得更大之前更快找到（解决方案）。”
最后，使系统标准化：定义智能体框架、工具、支持模型，最重要的是，制定明确的规则，规范从开发到经过验证且可审计的生产环境的推广。
下一个前沿：个性化人工智能
展望未来，未来三到五年将迎来更大的转变。我们将看到个性化智能体的增加，这些智能体为个人用户定制交互和洞察。
AI 模型将同时进化以优化多种参数。相较于仅优化效能，模型将同时建议有效、无毒、可制造、且具有良好保质期的分子。我们甚至可能会看到第一款以“人工智能生成”为卖点的商业药物上市。
想了解如何让您的组织为这一未来做好准备吗？收听 Rameez Chatni 的完整对话，了解人工智能实施和最佳实践的所有细节。
