Vanliga frågor om vLife®

Även om det har gjorts många teknikdrivna framsteg inom hälso- och sjukvården och biovetenskapsindustrin (tack vare AI-revolutionen), är vårt mål att funktionellt dela upp affärsproblemen i servicelinjer, plattformar, LOB:er och användningsfall. Dessa användningsfall är uppdelade horisontellt över domäncentrerade teman, och vLife rekommenderade teknologierbjudanden som Faster AI, Computer Vision, Synthetic Data Generator och IaaS. 

Baserat på tron att det är absolut nödvändigt att använda tekniska framsteg för att driva vår forskning mot värdebaserade lösningar, erbjuder vLife ett holistiskt tillvägagångssätt som täcker varje servicelinje och domändriven plattform.

De funktionella målen är:

• Domän: Sjukvård och biovetenskap är vårt primära fokus.
• Servicelinje: De servicelinjespecifika lösningarna för life science-företag finns inom MedTech och biopharma, och sjukvårdsföretag inom betalartjänster och leverantörstjänster. Dessa är uppdelade ytterligare i distinkta erbjudanden.
• Plattform: Varje erbjudande kategoriseras som en plattform. Kundanvändningsmålen avgjorde de specifika tillgängliga plattformarna.
• LOB: Plattformarna innehåller logiska grupperingar av lösningar och användningsfall för att lösa unika affärsproblem.

Vi utvecklade varje lösning på vLife med ett kundcentrerat, forskningsdrivet tillvägagångssätt och delade upp erbjudandena i specifika servicelinjer. Våra lösningsspecifika plattformar inkluderar:

Biopharma

• Kliniska tester
• Kommersiell analys.
• Patientengagemang
• Bioinformatik-som-en-tjänst (BaaS)

MedTech

• Kommersiella lösningar
• Anslutna lösningar
• Patientengagemang
• Leverantörens och betalarens engagemang

Betalartjänster

• Medlemsresa
• Kravbehandling
• Vårdhantering
• Leverantörsresa

Leverantörstjänster

• Population Health Management (PHM)
• Patientengagemang
• Tillbehör
• Virtuell vård
• Avancerad analys

Utöver detta har vi också vLife Offerings Platform med snabbare AI, datorseende, syntetiska data och Innovation as a Service (IaaS), som horisontellt går över alla dessa lösningar. Vi har ett separat avsnitt om vLife-erbjudanden.

Vi validerar framgången för en modell mot de domändrivna användningsfallen dagligen genom att jämföra den med ML-problemet (inramad) och de systemnivåresurser som används för att stödja faserna av ML-arbetsbelastningar. Vår end-to-end-lösningsbyggnadslivscykel innehåller följande uppsättning aktiviteter med automatisering tillämpad i varje steg:

• Identifiering av affärsmål
• ML problem inramning
• Datainsamling och integration
• Dataförberedelse
• Datavisualisering och analys
• Funktionsteknik
• Modellutbildning
• Snabbare AI (samarbete Virtusa och Stanford AI Laboratory)
• Modellutvärdering
  
• Affärsutvärdering
• Modellinstallation
• Överför lärande
• Federerat lärande
• MLOps

Vi använder Amazon S3 som en datasjö för att hålla stora datamängder såsom elektroniska medicinska journaler (EMR), anspråk etc. En Amazon SageMaker-anteckningsbok för att köra mot P3-instanstyperna och G4 EC2-instanserna. Datarensning, bearbetning, upptäckt och funktionsteknik slutförs i både SageMaker-utbildningsinstansen och G4 EC2-instanserna. Vi använder också Amazon SageMaker för att träna anpassade modeller med hjälp av de transformerade data, utnyttja den distribuerade träningskapaciteten och skapa en Auto Scaling API-slutpunkt. API-slutpunkten gör batcher och slutsatser i realtid.

vNet är en företags-AI-applikation för att bygga snabbare, smartare och bättre ML-modeller för att påskynda digital transformation. vNet har tre komponenter, data, AI och business, som är ytterligare uppdelade i plattformar.

Artificiell intelligens (AI)

• Computer Vision är en bildanalysplattform utan kod/låg kod som hjälper till att optimera prestanda för att öka effektiviteten och minska driftskostnaderna.
• Faster AI är en intuitiv, kodlös AI-plattform som används för att bygga, träna, distribuera och optimera ML-modeller. Lösningen utnyttjar applikationer utvecklade med Stanford University för att skapa brusfria och opartiska datamängder.

Företag

• Platform AI är en affärsmodelldesigner som sätter ihop förutbildade AI-modeller från vLife-marknaden. Det gör det möjligt för affärsanalytiker att sätta ihop end-to-end-lösningar.
• Innovation as a Service (IaaS) är en AI-plattform som intuitivt väljer tredjepartsapplikationer och programvara över MLOps, transfer learning och federated learning.

vNet är byggt för domänexperter, datavetare och dataingenjörer för att:

• Ha tillräckligt med datapunkter för att träna en ML-modell
• Har mindre brus och opartiska datauppsättningar
• Bygg mycket exakta AI/ML-modeller med no-code/low-code
• Implementera AI-drivna lösningar utformade för att stärka kunderna
• Leverera ansökningar snabbare

De fem nyckelerbjudandena för vNet inom vLife för att påskynda de teknikdrivna innovationerna är:

1. Plattform AI: Änd-to-end, förtränade ML-algoritmer byggda för skalning
2. Snabbare AI: Virtusas innovation med SAIL för snabbare, bättre och billigare ML-modeller
3. Datorseende: Avancerad bild- och videoanalys
4. Syntetisk data: High-fidelity bild- och tabelldatasyntes
5. IaaS: Partnerlösningar inom sjukvård och biovetenskap

Platform AI tillhandahåller en plattform som kombinerar alla AI-drivna lösningar i form av data, NLP, visualisering och insikter utformade för att ge kunder över alla domäner möjlighet att utforska, träna, experimentera och identifiera domändrivna lösningar för avgörande beslutsfattande. Det är ett ramverk som fungerar mer effektivt och intelligent än traditionella för att hjälpa kunder att skala från experiment med ett domändrivet, strukturerat tillvägagångssätt.

Faster AI är ett intuitivt AI-verktyg där du enkelt kan bygga, träna och distribuera ML-modeller, allt på ett ställe, utan att skriva en enda rad kod. Denna plattform gör det möjligt för användare utan AI-kodningskunskaper att optimera den dagliga verksamheten, vilket gör att utvecklare kan lita på teknisk renhet och lösa affärsproblem. Snabbare AI ger team möjlighet att operationalisera AI och skapa affärsnytta.

Med hjälp av verktygen från SAIL har vi optimerat modellen för att få en brusfri och opartisk datauppsättning.

Computer Vision är en bildanalysplattform utan kod/låg kod som hjälper till att optimera prestanda för att öka effektiviteten och minska driftskostnaderna. Med möjligheten att ladda upp dina videor eller bilder kan du utföra de nödvändiga förbearbetningsstegen, träna AI/ML-modeller och sedan börja använda dem. Utvecklingen av datorseendemodellerna är helt kodlös. Allt på plattformen är en intuitiv, visuell uppgift, vilket resulterar i en miljö som bara tar några minuter att lära sig. Därmed blir det ett kraftfullt verktyg för nybörjare att snabbt komma igång och AI-experter för att utveckla snabbare och utnyttja anpassad kod med en helt hanterad infrastruktur för datorseende.

Synthetic Data Generator är en plattform som använder algoritmer för att skapa artificiell data genom att spegla de statistiska egenskaperna hos originaldata utan att avslöja någon information om riktiga personer. Att använda plattformen gör det möjligt för företagsanvändare att upprätthålla integritet, framgångsrikt utföra produkttester och träna ML-algoritmer. Det hjälper företag att undvika att välja mellan datasekretess och dataverktyg samtidigt som de väljer en integritetsförbättrande teknik.

Vår AI-drivna syntetiska datalösning tar din originaldata och omvandlar den till integritetskompatibla syntetiska kopior. Data i form av tabelluppsättningar eller bilder kan flöda fritt över din verksamhet och partnerskap samtidigt som den ger maximal datasäkerhet. Genom att behålla originaldata med syntetiska kopior ger vi ingenjörer, datavetare, analytiker och produktägare möjlighet att fatta viktiga beslut snabbare – utan att exponera din känsliga information. 

Plattformen gör att bygga datamängder snabbare och bättre med datakvalitetsprofilering, märkning och syntetisk datagenerering. Det hjälper alla som kämpar med att få tillgång till känslig data eller använder data av dålig kvalitet samtidigt som de bygger och distribuerar skalbara AI-lösningar. Vår plattform löser dessa dataproblem med syntetisk data och verktyg som förbättrar datakvaliteten med automatisering.

IaaS är en plattform som intuitivt kopplar samman varje steg på domänresan och är värd för flera lösningar. Dessa lösningar hjälper kunder att effektivt förbättra domänsystemens kognitiva system över olika AI-drivna innovationer. Förmågan att fånga upp nya innovationer från kunskapspoolen och göra dem tillgängliga för företagsvärlden är vad vi kallar Innovation as a Service.

Vårt partnerskap med Stanford Artificial Intelligence Lab (SAIL) och användningen av Generative Adversarial Networks (GAN) skiljer vNet från andra lösningar.

vNet:

• Använder applikationer utvecklade med SAIL för att skapa brusfria och opartiska datauppsättningar. 
• Använder GAN för datauppsättningsförstärkning för bilder och text/numerisk data

vNet tillåter användare att utföra följande operationer:

• Generera syntetiska tabell- och bilddata.
• Utför förbearbetning av bilder och bygg datorseende modeller.
• Bygg ML-pipelines utan kodning.
• Utnyttja Stanford Artificial Intelligence Lab (SAIL)-applikationer för att ta bort brus och fördomar från datauppsättningar.

Fördelarna med att använda vNet via vLife är möjligheten att:

• Sätt ihop dina användningsfall från vLife-marknaden med hjälp av förutbildade ML-modeller som är byggda för skala över hälso- och biovetenskapliga AI-initiativ på företagsnivå.
• Generera och använd högfientlig tabell-, bild- eller videodata för att träna ML-algoritmer för att få fart på ditt företag eller dina initiativ via vNet-sviten av produkter inom vLife.
• Ta med din organisation till vLife genom att välja en prenumerationsmodell.
• Använd Computer Vision och andra produkter med låg kod/ingen kod för att förbättra industrilösningar och optimera prestanda, kostnad och effektivitet.
• Utnyttja Faster AI, vår kodlösa AI-plattform, för att bygga, träna, distribuera och optimera ML-modeller för att skapa brusfria och opartiska datamängder.
• Arbeta med plattformens AI-affärsmodelldesigner för att sätta ihop förutbildade AI-modeller från vLife-marknaden och göra det möjligt för affärsanalytiker att sätta ihop end-to-end-lösningar.
• Använd Innovation as a Service (IaaS) för att intuitivt välja tredjepartsapplikationer och programvara över MLOps, transfer learning och federated learning.

Med över 1 000 ML-modeller och AI-artefakter tillgängliga på vLife kan du bygga dina egna ML-modeller för att dra nytta av data baserat på din organisations prioriteringar och projektbudget.

Att träna anpassade ML-modeller kommer att förbli en utmaning för datavetare om de inte har tillräckligt med data tillgänglig. För att lösa detta har vi skapat vNet. Lösningen, tillgänglig på vLife, ger organisationer tillgång till högfientliga syntetiska tabell- och bilddata som genereras av vLife-applikationer.

Med vNet kan du få tillgång till:

• Applikationer för att generera syntetisk data
• Syntetisk bild eller tabelldata
• Virtusas konsult- och ingenjörstjänster för att generera alternativ A och/eller alternativ B

Vi inser den avgörande betydelsen av samarbete för att utveckla AI-teknologier för att skapa intelligenta lösningar. Dessa lösningar har kraften att göra liv bättre, företag mer effektiva och hjälpa dem att utvecklas som tankeledare inom hälso- och sjukvård och biovetenskap. Vi förstår att inte alla lösningar kan byggas och lagras på en enda plats som en "lösning för alla".

vNet kommer snart att vara tillgängligt för alla Virtusa-kunder och partners via vLife Healthcare and Life Science Marketplace i en UI-baserad applikation inom vLife.

Vårt mål är att utveckla banbrytande tillgångar, styrda av akademisk forskning och partnerskap, som tar itu med industrins smärtpunkter. Genom en rik marknadserfarenhet kan vi inspirera alla inom hälso- och biovetenskapsbranschen att påskynda AI-driven medicinsk forskning med data och innovation.

Vi designade vLife för att ge en smidig användarupplevelse till sina pålitliga användare. User Management Engine för vLife utvecklades med AWS Cognito för att skydda våra kunders integritet och är 100 % säker och säker. Data lagras säkert i AWS Cloud och finns under flera brandväggar och säkerhetslager för skydd.

User Management Engine är ett end-to-end-arbetsflöde som lagrar, kartlägger, skyddar och klassificerar användarens information med hjälp av AWS Cognito och andra AWS-tjänster. Det garanterar 100 % säkerhet över användarinformation. Autentiseringsuppgifter som används för att komma åt vLife konverteras till säkra åtkomstnycklar och krypteras flera gånger. När användaren registrerar/loggar in på vLife-portalen, verifieras autentiseringsuppgifterna i backend-inkognitot. Vi verifierar användarens e-post med ett engångslösenord (OTP) för extra säkerhet, som förblir giltigt i 24 timmar. Användaren mappas sedan till sin prenumerationsplan och kan komma åt vLife-erbjudandena. Dessa referenser förblir unika för varje användare och skyddar därmed integriteten.

För varje prenumerationsplan finns det en primär användare som representerar organisationen. Den primära användaren har administratörsrättigheter att tillåta åtkomst till och neka åtkomst från ytterligare användare för organisationen baserat på prenumerationsplanen.

När användaren registrerar sig på portalen måste han verifiera sin e-postadress, skapa ett lösenord och ange företagets namn. Efter framgångsrik registrering och godkännande från en vLife-admin kan användaren sedan logga in direkt på portalen med sitt användarnamn och lösenord.

Syntetisk data hjälper till att lösa de vanligaste dataproblemen genom att antingen producera artificiell data från grunden eller använda avancerade förstärkningstekniker för att producera nya och varierande träningsexempel. Vi använder följande verktyg för att generera syntetisk data:

• GAN: Generative Adversarial Networks (GAN) är ML-modeller där två neurala nätverk tävlar om att bli mer exakta i sina förutsägelser. Dessa processer körs utan tillsyn och använder ett samarbetsramverk för nollsummespel för att lära sig och generera realistiska data.
• GenRocket: GenRockets testdatagenereringsplattform använder högkvalitativa testdata som återspeglar de mest komplexa datamodellerna och är tillgänglig när det behövs för att undvika flaskhalsar under kontinuerlig testning. GenRocket ersätter manuell testdatagenerering (TDG) med en helautomatiserad process som förvandlar dummydata till intelligent data. Teknik för generering av syntetisk data i realtid gör det möjligt för kunder att öka hastigheten till marknaden och minska affärsrisken.
• Synthea: Synthea är en generator som modellerar den medicinska historien för syntetiska patienter. Vårt uppdrag är att tillhandahålla högkvalitativa, realistiska patientdata och tillhörande hälsojournaler, som täcker alla aspekter av vården. Synthea använder en agentbaserad metod för att generera syntetiska hälsojournaler. Varje patient genereras oberoende och går från födsel till död genom modulära representationer av olika sjukdomar och tillstånd genom varje modul i systemet.

Att fånga innovation från crowdsourcing är nu tillräckligt strömlinjeformad för att bli en del av alla företags överlevnadskit. Crowdsourcing förlitar sig på stora, ostrukturerade grupper av människor för att skapa ett enda, strukturerat resultat. Företag vill utnyttja mängden för att påskynda innovation och påskynda produkt- och teknikutveckling. Att fånga upp nya innovationer från kunskapspoolen och göra dem tillgängliga för företagsvärlden är i grunden IaaS.

Virtusa gick med i Stanford Artificial Intelligence Laboratory (SAIL) som en affiliate-medlem genom sitt vLife-initiativ. Samarbetet sammanför Virtusas djupa digitala ingenjörsexpertis och prestigefyllda forskare från Stanford Innovation Lab för att utveckla och avancera AI-teknik. Med SAIL-samarbete kommer vLife att fokusera på att använda AI för att hjälpa patienter att leva längre och förbättra lönsamheten för produkter som används inom hälso- och biovetenskapsindustrin genom att utöka forskningsprojekt med öppen källkod för AI.

SAIL-applikationerna har också integrerats i Faster AI-plattformen för vNet som användare kan använda för att skapa brusfria och opartiska datamängder. Virtusa och Stanford Artificial Intelligence Laboratory (SAIL) utvecklade ett effektivt tillvägagångssätt för att hjälpa till att hitta och mildra bias från våra ML-modeller. För- och efterbearbetning av både datamängder och modeller skapar vårt systematiska tillvägagångssätt.

Stegen inkluderar:

• Använder Data Shapley och Neuron Shapley för att utvärdera varje datapunkt i datamängden
• Använda Multiaccuracy för att ta bort bias från modellen
• Använder cPCA för att visualisera datamängden

vLife är designat baserat på AWS Well-Architected Framework som omfattar de arkitektoniska bästa metoderna för att designa och driva pålitliga, säkra, effektiva och kostnadseffektiva system i molnet. Arkitekturen mäts konsekvent för bästa praxis med fokus på hur man designar, distribuerar och utformar våra ML-lösningar i molnet.

Designen som sådan gör det möjligt för utvecklare och datavetare att snabbt och enkelt bygga, träna och distribuera ML-modeller i vilken skala som helst med hjälp av AWS SageMaker.

I vLife drivs ML-operationerna med ML-ramverk med öppen källkod, som TensorFlow, PyTorch och Apache MXNet.

Deep Learning AMI och Deep Learning Containers på denna nivå har flera ML-ramverk förinstallerade som är optimerade för prestanda och fungerar som kärnmotorn för Faster AI. Optimeringen gör att dessa modeller alltid är redo att lanseras på kraftfulla, ML-optimerade beräkningsinfrastrukturer, såsom Amazon EC2 G4 och P3-instanser, som ger snabbare hastighet, kostnadsoptimering och effektivitet till ML-arbetsbelastningar.

På vLife följer vi de sju stegen till excellens för MLOps:

1. MLOps beredskap
2. Modelldokumentation
3. Spårmodell härstamning
4. ML arbetsbelastning Automation
5. Modellövervakning och loggning
6. Omskola modellen för nya data och uppdateringar
7. Inkludera lärdomar

Federated learning är en ML-teknik som tränar en algoritm över flera decentraliserade edge-enheter eller servrar som innehåller lokala dataprover utan att utbyta

dem. I vLife strävar vi efter att implementera federerat lärande när vi tränar distribuerad data. Differentiell integritet upprätthålls, och Deep Neural Networks noggrannhet av

skiftlägeskänsliga medicinska uppgifter äventyras inte.