جب میں پہلی بار ہماری حالیہ منصوبہ بندی پر کام کرنا شروع کر دیا، جس میں صحت کے پیشہ ور افراد کے لئے ایک AI ڈرائیور سیکھنے کی پلیٹ فارم کو تیار کرنے کے بارے میں تھا، تو پیمائش کے بارے میں میرا نقطہ نظر بالکل زیادہ تر انجینئرنگ ٹیموں کی طرح تھا. اصل میں، ہماری پہلی ڈرامے API، ڈیٹا بیسز، اور کلاؤڈ پیمائش کی پالیسیوں کے ارد گرد گھوم رہے تھے. ہم نے نظام کو ایک ہی وقت میں ہزاروں صارفین اور ملین ریکارڈز کو ہٹانے کے بغیر کام کرنا چاہتا تھا. لیکن ترقی کے چند مہینوں میں، جب ہم کلینیکرز کے ساتھ ٹیسٹنگ شروع کرتے ہیں تو، ہم نے اسکولنگ کے بارے میں ہمارے نقطہ نظر کو مکمل طور پر تبدیل کر دیا. ہم نے سیکھا ہے کہ صحت کی دیکھ بھال میں، اسکولنگ صرف آپ کو کتنے ڈیٹا پروسیسنگ کر سکتے ہیں یا آپ کے نتیجے کو کتنا تیزی سے چلتا ہے کے بارے میں نہیں ہے. ، اور اس اخلاقی مواد کو توڑنے کے بغیر جس پر صحت کی دیکھ بھال پر منحصر ہے. اعتماد مطابقت استعمال کے پروجیکٹ - ایک AI اور ریکٹ پر مبنی پلیٹ فارم جو پرستاروں اور صحت کاروں کے لئے سیکھنے کے راستے کو ذاتی بنانے کے لئے ڈیزائن کیا گیا تھا - ایک آنکھ کھولنے والا تھا. یہ طبی ماہرین کو مہارت کی کمیوں کی شناخت، متعلقہ تربیت مکمل کرنے اور ایک ذہین سفارش کے نظام کے ذریعے ترقی کی پیروی کرنے میں مدد کرنے کے لئے ڈیزائن کیا گیا تھا. لیکن کامیابی صرف تکنیکی موازنہ نہیں کی گئی تھی. صحت کی دیکھ بھال کے لئے AI سسٹمز کی پیمائش کیسے کریں - عملی تجربے پر مبنی نیچے میں نے پانچ اصولوں کو ذکر کیا ہے جو ہمیں ہدایت دیتے ہیں کیونکہ ہم نے سیکھا ہے کہ صحت کی دیکھ بھال کے لئے AI سسٹموں کو کس طرح آرٹیکٹ کریں جو واقعی پیمائش کریں. 1۔ Scaling Trust سے شروع کریں ہر AI پروڈکٹ اعتماد پر منحصر ہے، لیکن صحت کی دیکھ بھال میں یہ سب کچھ ہے. جب ہم نے ہماری سفارش کے انجن کا پہلا ورژن جاری کیا تو، یہ اندرونی ٹیسٹ میں حیرت انگیز طور پر کام کیا. AI سیکھنے کی ضروریات کو پیشکش کر سکتا ہے اور اعلی دقت کے ساتھ ماڈیولوں کی تجویز کر سکتا ہے. لیکن کلینیکلز جو اس کا تجربہ کرتے تھے ان کا پہلا سوال نہیں تھا "یہ کتنا تیزی سے ہے؟" اس کے بجائے، یہ تھا "میں اس تجویز کو صحیح کیسے جانتا ہوں؟" اس سوال نے ہماری ڈیزائن فلسفہ کو دوبارہ ترتیب دیا. ہم سمجھتے ہیں کہ وضاحت کی ضرورت ایک خصوصیت ہے، ایک فٹ نوٹ نہیں ہے. لہذا، ہم نے ہر سفارش کو شفاف بنایا: ہر مشورہ ایک اعتماد کے نقطہ نظر کے ساتھ آیا، ایک وضاحت کہ کیا اعداد و شمار انتخاب کی وضاحت کرتے ہیں، اور سیکھنے کے مقاصد کی ایک سادہ تقسیم. جب صارفین دیکھ سکتے ہیں نظام نے سوچا کہ ان کے لئے ایک خاص کورس اہم تھا، شکریہ دلچسپی میں تبدیل ہوگیا، اور دلچسپی اعتماد میں تبدیل ہوگئی. کیوں تکنیکی مقیاس احساساتی مقیاس کے بغیر کچھ بھی نہیں ہے، اور اعتماد وہ احساساتی سطح ہے جو صحت کے ایشیاسٹمز کے اندر AI کو بڑھانے کی اجازت دیتا ہے. 2۔ روز اول سے مطابقت کے لئے آرکیٹیکس زیادہ تر سافٹ ویئر پروجیکٹ میں، مطابقت کو ترقی کی سائیکل کے اختتام پر ایک چیک لسٹ کے طور پر دیکھا جاتا ہے. ابتدائی طور پر، ہمارے ڈیٹا سائنسدانوں کو تیزی سے حرکت کرنا چاہتا تھا: انسٹاگرام ڈیٹا، ٹرین ماڈل، اور ہفتہ وار اپ ڈیٹس کو اپ ڈیٹ کرنا. لیکن صحت کی دیکھ بھال HIPAA اور GDPR جیسے سخت مقررات کے تحت کام کرتی ہے. مریضوں سے متعلق معلومات کو رازداری، ایڈجسٹ اور مداخلت کی روک تھام رہنا پڑا. ہم نے اپنے ڈیٹا فلائٹ کو دوبارہ ڈیزائن کیا تاکہ حساس ڈیٹا آرام اور ٹرانسپورٹ میں خفیہ ہو جائیں۔ ذاتی طور پر شناختی معلومات AI پائپ لائن میں داخل ہونے سے پہلے pseudonymized کی گئی تھی، اور ہر نتیجہ ایک غیر متغير ایڈجسٹ ٹریک پیدا کرتا تھا۔ یہ صرف تکنیکی فیصلے نہیں تھے لیکن یہ آرکیٹیکل حدود تھے جو ہماری نظام کو محفوظ طریقے سے بڑھنے کی اجازت دیتے تھے۔ آرکیٹیکل میں مطابقت کو داخل کرکے، ہم ایک بنیاد پیدا کرتے ہیں جہاں زیادہ کلینک اور مقاموں پر پیمائش کرنا سادہ ہو گیا. ہر نئی جگہ ہمارے عملوں کی ایک تازہ قانونی جائزہ لینے کی ضرورت نہیں تھی، کیونکہ مطابقت سسٹم کے ڈی این اے میں اصل میں داخل کیا گیا تھا. سیکورٹی کو معیاری کیا گیا تھا. 3۔ سیکھنے اور ترقی کرنے والے ماڈیولر سسٹموں کی تعمیر صحت کی دیکھ بھال میں AI سسٹمز زندہ حیوانات ہیں اور وہ طبی علم، علاج پروٹوکولز اور سیکھنے کے رویے کو ترقی کے طور پر متفق ہونا چاہئے. ہم نے اس پلیٹ فارم کو مستقل ماڈیولوں کے ارد گرد ڈیزائن کیا: ایک سفارش کے انجن، ایک طالب علم کے رویے کا تجزیہ کار، اور ایک ریٹٹ پر مبنی سرگرمی ڈسپلے. ہر اجزاء APIز کے ذریعے بات چیت کرتے تھے، دوسرے کو ٹچ کرنے کے بغیر اپ ڈیٹ کی اجازت دیتا ہے. یہ ماڈیولاریت نے مختلف صحت مند تنظیموں کے درمیان پیمائش کو بھی آسانی سے کیا. مثال کے طور پر ایک کلینیکس نے زیادہ گہری تجزیہ کی ضرورت تھی جبکہ دوسرے نے سادہ ڈسپلے کی ضرورت تھی. ہم پورے سیٹ کو دوبارہ لکھنے کے بغیر ماڈیولوں کو لاگ ان یا بند کرسکتے تھے. ہم نے سمجھا کہ حقیقی پیمائش کا مطلب صرف ایک بڑی نظام کی تعمیر نہیں ہے بلکہ تعمیر ہے. یہ ترقی کر سکتا ہے اور ضروریات کی ترقی کے طور پر تبدیل کر سکتا ہے. یہ تبدیلی کے خلاف ہماری حفاظت تھی. ایک نظام کے نظام انسان پر مبنی پیمانے پر Beats Pure Automation AI منصوبوں میں، کم سے کم لیبلز، زیادہ تیزی سے پیغامات اور فینسی، خود علاج پائپ لائنوں کے ساتھ انسانی مداخلت کو کم کرنے کے لئے مسلسل دباؤ ہے. ہم ایک بنیادی خصوصیت کے طور پر، ایک بعد میں سوچنے کے طور پر نہیں ہے. ہر نئے ماڈل کے دوبارہ چلانے کے طور پر کلینیکلز کی طرف سے تصدیق کیا گیا تھا جو حقیقی سیکھنے کے اسکرینرز میں سفارشات کی جانچ پڑتال کرتے تھے. ان کے ذہنی نقطہ نظر کے بارے میں جو محسوس ہوتا تھا اور جو غیر متعلقہ لگتا تھا، ٹریننگ ڈیٹا کو زیادہ مؤثر طریقے سے اندازہ کرنے میں مدد ملتی ہے. میرے پسندیدہ مہموں میں سے ایک یہ تھا کہ ایک گروپ نرسوں نے اس نظام کو "ڈیجیٹل ماسٹر" کے بجائے "ایک آلہ" کے طور پر بیان کیا. اس زبان کی تبدیلی نے حقیقی قبولیت کو ظاہر کیا. وقت کے ساتھ، 500 سے زائد صحت مند پیشہ وروں کی طرف سے پیغامات نے ہمیں الگورتھمز، زبان کے ٹون، اور یہاں تک کہ نوٹس کی وقت کو بہتر بنانے میں مدد کی. 5۔ کیا واقعی اہم ہے جب لوگ پیمانے پر AI کے بارے میں بات کرتے ہیں تو، وہ اکثر تکنیکی میٹرکز کا جشن مناتے ہیں: کم لمبائی، زیادہ سے زیادہ ٹرانسمیشن، اور کم کمپیوٹنگ کی لاگت. ان اعداد و شمار ایک سوئڈ ڈیک پر حیرت انگیز نظر آتے ہیں، لیکن صحت کی دیکھ بھال میں، وہ بہت کچھ نہیں کہتے ہیں جب تک وہ بہتر نتائج میں ترجمہ نہیں کرتے. ہم نے اپنی پیمائش کی حکمت عملی کو شروع میں تبدیل کر دیا.آپ کی کامیابی کے اشارے کے طور پر CPU کا استعمال یا ردعمل کے اوقات کو ٹریک کرنے کے بجائے، ہم انسانی مرکزی میٹرک پر توجہ مرکوز کرتے ہیں: نئے کارکنوں نے کشتی میں کتنا تیزی سے کام کیا؟ تربیت کے ماڈیولوں کو کتنی بار مکمل کیا گیا تھا؟ کلینیکرز نے نظام کا استعمال کرنے سے پہلے اور اس کے بعد اپنی اعتماد کا اندازہ کیسے کیا؟ نتائج فائدہ مند تھے: انبولنگ کا وقت 40 فیصد کم ہو گیا، کورس کی تکمیل 94 فیصد بہتر ہو گئی، اور صارفین کی رضامندی مسلسل بڑھ گئی. جب آپ انسانوں کے لئے کیا اہم ہے کا اندازہ کرتے ہیں تو، آپ ختم کرتے ہیں جو تنظیم کے لئے اہم ہے. صحت کی صحت میں چیلنج کی دوبارہ تعریف واپس دیکھتے ہوئے، اس منصوبے نے مجھے سافٹ ویئر آرکیٹیکل کے بارے میں سوچنے کا طریقہ تبدیل کر دیا. سکولنگ کو اکثر صرف تکنیکی کامیابی کے طور پر دکھایا جاتا ہے ... زیادہ صارفین، زیادہ ڈیٹا، زیادہ اپ ٹائم. مسابقتی طور پر پیمائش کرنے کے لئے، آپ کو ترقی کے ساتھ منسلک ہونا چاہئے، جس کا مطلب یہ ہے کہ سسٹمز جو رازداری کو نقصان پہنچانے کے بغیر بڑھ سکتے ہیں، الگورتھمز جو واضحات کو نقصان پہنچانے کے بغیر سیکھ سکتے ہیں، اور پلیٹ فارمز جو صارفین کی اعتماد کو بڑھانے کے بجائے وابستگی کو بڑھاتے ہیں. ہمارا AI سیکھنے کا پلیٹ فارم کامیاب نہیں ہوا کیونکہ یہ ہزاروں صارفین کے ساتھ کام کرتا تھا، بلکہ کیونکہ اس نے ان کی اعتماد حاصل کی اور اسے برقرار رکھا. میں اس شعبے میں زیادہ کام کرتا ہوں، یہ واضح ہو جاتا ہے: صحت کی دیکھ بھال کی ضرورت نہیں ہے کہ AI جو غیر متوقع طور پر پیمائش کرتا ہے. اگر آپ کی آرکیٹیکل ایسے طریقے سے بڑھ سکتی ہے جو مریضوں کو محفوظ کرتی ہے، طبیبوں کو طاقت دیتا ہے، اور سمجھ کو بہتر بناتا ہے، تو یہ پہلے سے ہی کافی وسیع پیمانے پر ہے. اہمیت سے کیونکہ آخر میں، صحت کی دیکھ بھال میں حقیقی پیمائش کی صلاحیت سیکنڈ فی درخواستوں میں نہیں کی جاتی ہے، یہ موازنہ کے مقابلے میں اعتماد میں کی جاتی ہے.

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

یہ آڈیو کہانی کی اصل زبان میں تیار کی گئی ہے!

صحت کی دیکھ بھال کے لئے AI سیکھنے کی پلیٹ فارم کی تعمیر سے اسکول کیشنز

About Author

تبصرے

ہینگ ٹیگز

یہ مضمون اس میں پیش کیا گیا تھا۔

Related Stories

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

On Sunday, the 26th of November, 1631

Urbain Grandier by Alexandre Dumas - Table of Links

AI Search Traffic Marketshare for Calling HackerNoon Blogs: 52% OpenAI, 30% Amazon & 18% Perplexity

HackerNoon Decoded: The Top 10 Countries Where HackerNoon Is the Most Active

On Sunday, the 26th of November, 1631

Urbain Grandier by Alexandre Dumas - Table of Links

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps