私が初めて、医療従事者向けのAI駆動学習プラットフォームを開発するという最近のプロジェクトで働き始めたとき、スケーラビリティに対する私のアプローチは、ほとんどのエンジニアリングチームと同じでした。 実際、当社の最初の図は、API、データベース、クラウドスケーリングポリシーを中心に構築されていました.We wanted the system to handle thousands of simultaneous users and millions of records without breaking a sweat. しかし、開発の数ヶ月後、私たちが臨床医とテストを始めたとき、スケーラビリティの見解は完全に変わりました。私たちは、医療において、スケーラビリティは、あなたがどのくらいのデータを処理できるか、またはあなたの推測がどれほど速く動くかについてだけではありません。 で、 そして、 医療に依存する倫理的構造を破ることなく。 信頼 コンピューティング 利用性 このプロジェクトは、看護師や医療従事者の学習経路を個別化するために設計されたAIとReactベースのプラットフォームで、視点を開くプロジェクトとなりました。医療従事者がスキルギャップを特定し、関連するトレーニングを完了し、インテリジェントな推奨システムを通じて進歩を追跡するのに役立ちました。しかし、成功は技術基準だけで測定されませんでした。 医療のためのAIシステムをスケールする方法 - 実践的な経験に基づいて 以下の5つの原則は、私たちが真にスケーラブルな医療用AIシステムを構築する方法を学んだときに私たちを導きました。 1. Scaling Trust からスタート すべてのAI製品は信頼に依存しますが、医療においてそれはすべてです。我々の推奨エンジンの最初のバージョンを導入したとき、内部テストで印象的なパフォーマンスを果たしました。AIは学習ニーズを予測し、高精度でモジュールを提案することができました。 その質問は私たちのデザイン哲学を再構築しました. 説明性は脚注ではなく機能であるべきだと認識しました. したがって、私たちはすべての勧告を透明にしました: 各提案には信頼度のスコアがあり、データが選択を説明するための説明があり、学習目標の単純な分解がありました。 ユーザーが見ることができたら システムは、特定のコースが彼らにとって重要だと考え、懐疑主義は好奇心に変わり、好奇心は信頼に変わった。 なぜ テクニカルスケールは感情的なスケールなしには意味がなく、信頼は、AIが医療エコシステムの中で成長することを可能にする感情的な層です。 アーキテクター for Compliance from Day One ほとんどのソフトウェアプロジェクトでは、コンプライアンスは開発サイクルの終わりにチェックリストとして見られます。 当初、当社のデータサイエンティストは急速に動き出したかった:データの摂取、トレーニングモデル、毎週のアップデートを展開しましたが、医療はHIPAAやGDPRなどの厳格な規制の下で動作しました。 私たちはデータの流れを再エンジニアリングしたため、機密データは休憩中と転送中に暗号化されました. 個人識別情報はAIパイプラインに入る前に偽名化され、すべての推論は不変な監査トラックを生み出しました. これらは技術的な決定だけでなく、私たちのシステムが安全に成長することを可能にした建築的境界でした. コンプライアンスをアーキテクチャに組み込むことで、より多くのクリニックや場所へのスケーリングがシンプルになった基礎を築きました。あらゆる新しい場所は、コンプライアンスが文字通りシステムのDNAに組み込まれたため、私たちのプロセスの新しい法的レビューを必要としませんでした。 安全性が標準化された。 3. 学び、進化するモジュールシステムを構築する 医療におけるAIシステムは生きた生物であり、医療知識、治療プロトコル、学習行動が進化するにつれて適応しなければなりません。 私たちは、独立したモジュールを中心にプラットフォームを設計しました:勧告エンジン、学習者行動アナリスト、Reactベースのコミュニケーションダッシュボード。それぞれのコンポーネントはAPIを通じて通信し、他のモジュールに触れずにアップデートを可能にしました。 このモジュラリティはまた、さまざまな医療機関でスケーリングを容易にしました。例えば、クリニックの1つはより深い分析を望み、もう1つはよりシンプルなダッシュボードを望んでいました。 本当のスケーラビリティは、単一の大きなシステムを構築するのではなく、 需要が進化するにつれて成長し、変異することができる、それは私たちの変化に対する保険でした。 A system of システム Human-Centered Scaling Beats Pure Automation(人間中心のスケーリング) AIプロジェクトでは、人間の介入を減らすこと、ラベルを減らすこと、フィードバックループを速めること、そして素晴らしい自己治癒パイプラインに、絶え間なくプレッシャーがありますが、医療では、人間をループから取り除くことは信頼性を失う最速の方法です。 新しいモデルイテレーションは、実際の学習シナリオで勧告をテストした臨床医によって検証されました。直感的なものと無関係なものについての彼らの質的洞察は、単にメトリクスよりもはるかに効果的にデータの再訓練を形作るのに役立ちました。 私の好きなマイルストーンの一つは、看護師のグループがこのシステムを「デジタルマネージャー」ではなく「ツール」と表現したことであり、その言語の転換は真の採用を示しました。 5. 真に大切なものを測る 人々がスケーラブルAIについて話すとき、彼らはしばしば技術的メトリクスを祝います:低い遅延、より高いパスポート、および計算コストの削減。 私たちは、CPUの利用率や応答時間を成功の指標として追跡する代わりに、人間中心の指標に焦点を当てた:新しいスタッフはどのくらい速く搭乗しましたか? トレーニングモジュールはどのくらいの頻度で完了しましたか? 臨床医はシステムを使用する前に、そして後に自信をどのように評価しましたか? 結果は有益でした:オンボード時間は40%減少し、コースの完了率は94%改善し、ユーザーの満足度は一貫して上昇しました。 人間にとって何が重要かを測定すると、組織にとって何が重要かをスケールするようになります。 医療AIにおけるスケーラビリティの再定義 振り返ると、そのプロジェクトはソフトウェアアーキテクチャについての私の考え方を変えた。スケーラビリティはしばしば純粋に技術的な勝利として描かれる...より多くのユーザー、より多くのデータ、より多くのオープンタイム。 責任を持ってスケールするには、成長と整合性を一致させなければならないということは、プライバシーを損なうことなく拡大できるシステム、説明性を失うことなく学ぶことができるアルゴリズム、依存の代わりにユーザーの信頼を高めるプラットフォームを意味します。 私たちのAI学習プラットフォームは、何千人ものユーザーを扱ったためではなく、信頼を得て維持したため成功しました。 私がこの分野で働くほど、それはより明確になる:医療は無限にスケールするAIを必要としない。 もし、あなたのアーキテクチャが患者を守り、臨床医を強化し、理解を向上させる方法で成長できるなら、それはすでに十分にスケーラブルです。 意味深く なぜなら、最終的に、医療における真のスケーラビリティは、毎秒のリクエストで測定されるのではなく、相互作用ごとの信頼で測定されるからです。

The is an opinion piece based on the author’s POV and does not necessarily reflect the views of HackerNoon.

This story contains AI-generated text. The author has used AI either for research, to generate outlines, or write the text itself. 

Read My Stories

このオーディオは、ストーリーの元の言語で制作されています。

医療のためのAI学習プラットフォームの構築からスケーラビリティのレッスン

About Author

コメント

ラベル

この記事は

Related Stories

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

クラウド移行を成功させるための完全ガイド: 戦略とベストプラクティス

AI の力を解き放つ。最先端技術の体系的レビュー: 概要と序論

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps