Управление искусственным интеллектом и наукой о данных: практические уроки большой фармацевтики

Управление искусственным интеллектом и наукой о данных: практические уроки большой фармацевтики

Источник · Перевод автора

Наука о данных и искусственный интеллект добавляют новое измерение в открытие и разработку лекарств, делая упор на вычисления и машинное обучение. Учитывая этот сдвиг, фармацевтические компании активно создают инфраструктуру, данные, инструменты и команды, чтобы объединить специалистов по данным с экспертами в области биологии и биологии.

Фармацевтические и биотехнологические инновации дают представление о том, как крупные организации интегрируют инструменты и методы искусственного интеллекта с традиционными экспертами в предметной области, которые обладают глубоким пониманием основных проблем, которые необходимо решить.

Чтобы получить представление изнутри о том, как фармацевтические компании используют ИИ и машинное обучение, я пригласил доктора Бюлента Кызылтана присоединиться к выпуску 717 серии бесед CXOTalk с людьми, формирующими наш мир. Он является главой отдела причинно-следственной и прогнозной аналитики, обработки данных и искусственного интеллекта в инновационном центре Novartis AI.

Доктор Кызылтан – один из самых красноречивых людей, которых я знаю по вопросам управления и руководства усилиями в области ИИ, поэтому посмотрите видео, чтобы получить полезные и практические советы по управлению командами по науке о данных и ИИ.

Об искусственном интеллекте и науке о данных в фармацевтике

Открытие и разработка лекарств замедлились за последние пять-десять лет из-за высоких затрат и из-за того, что очень трудно расширить масштабы. Мы надеемся, что ИИ придет на помощь, поэтому многие фармацевтические компании вкладывают средства в эту область.

Искусственный интеллект и наука о данных в целом могут работать одним из двух способов. Один из способов – ориентироваться на конкретные варианты использования, предоставляя эти услуги бизнес-подразделениям.

Другой случай – это когда мы позиционируем себя на пересечении академических кругов и бизнес-единиц. Академические круги создают знания, технологическое развитие и инфраструктуру для увеличения масштабов.

В науке о данных обычно люди считают, что команды работают с большими данными, и когда объем данных ограничен, ценностное предложение снижается. [Однако] мы охватываем весь спектр, от небольших данных до больших данных, потому что эти термины нечетко определены, и у нас нет четкого способа количественной оценки малых и больших данных.

Мы создали основные возможности для извлечения прогнозной информации от ограниченных данных до больших данных, как мы это называем. Мы извлекаем информацию из ограниченных данных в области здравоохранения, биотехнологий и медицины.

Управление талантами и разнообразные команды в фармацевтике

Инновации в области искусственного интеллекта, особенно в области науки о данных, – это очень междисциплинарная и многопрофильная область. Мы хотим привлечь талантливых специалистов из разных областей, которые могут привнести в нашу деятельность образ мышления своей области.

Конечно, необходимы базовые возможности науки о данных и машинного обучения, но мы открыты для всех. Как вы, возможно, знаете, я получил образование астрофизика и большую часть своей карьеры изучал нейтронные звезды и астрофизику черных дыр. Но в этой области я очень тесно сотрудничал с прикладными математиками, пионерами машинного обучения, чтобы перенести эти технологии в область астрофизики.

Мы прекрасно понимаем, что разнообразие необходимо, чтобы мыслить нестандартно и внедрять инновации в ИИ. В настоящее время мы расширяем наши команды и ищем таланты для реализации основных возможностей, необходимых для машинного обучения, но они могут исходить из физики, математики и психологии. Я работал с людьми из социологии, экономики.

Недавно я участвовал в глобальном сравнительном исследовании компаний по всему миру, тысяч компаний из разных областей. Мы увидели, что культура и лидерство критически важны для успеха.

Если вы хотите сохранить ценностное предложение в долгосрочной перспективе, вы должны построить вокруг этого культуру и компанию. Это необходимо для воздействия на землю, для переосмысления медицины.

Использование искусственного интеллекта и науки о данных в открытии лекарств и точной медицине
Индивидуализация медицины и лечения – это проблема, с которой сталкиваются более крупные отрасли биотехнологий и здравоохранения. Мы считаем, что масштабная настройка возможна только с помощью ИИ.

Точная медицина – одно из приоритетных направлений деятельности каждой фармацевтической, биотехнологической и медицинской компании. Критически важно использовать технологии, разработанные в области искусственного интеллекта. Это изменит определение всей этой области.

Разработка и открытие соединений и лекарств (генеративная химия, если быть более технической) – это область, в которой ИИ и машинное обучение оказывают влияние. Многие компании используют науку о данных, искусственный интеллект и машинное обучение для ускорения процесса разработки и открытия новых соединений.

Раньше это делалось только в лаборатории. Это был кропотливый и трудный процесс. С ИИ мы, возможно, сможем делать все это in-silico на компьютере. Мы можем моделировать. Мы можем составить список приоритетных соединений, а затем поговорить с нашими экспертами в предметной области о том, имеет ли то, что мы находим, смысл, или это совершенно безумно.

Управление предвзятостью в науке о данных и искусственном интеллекте

Мы привлекаем экспертов в различных областях для решения этой проблемы: могут быть ошибки выборки, алгоритмические ошибки или ошибки, связанные с данными.

Нам нужно решить все эти вопросы на раннем этапе. Как только мы делаем прогноз или предсказание, мы предпринимаем определенные шаги, чтобы гарантировать, что мы не предвзято относимся к уровню, который влияет на принятие решений.

Это активно развивающаяся область, и мне еще предстоит увидеть сильную количественную перспективу и методологию, которые помогут нам ее решить. [Сегодня мы решаем проблему предвзятости] на индивидуальной основе. Отличный вопрос.