Datawetenschap en kunstmatige intelligentie voegen een nieuwe dimensie toe aan het ontdekken en ontwikkelen van geneesmiddelen, met de nadruk op computergebruik en machine learning. Gezien deze verschuiving bouwen farmaceutische bedrijven actief aan infrastructuur, data, tools en teams om datawetenschappers samen te brengen met biologie- en life science-experts.
Pharma- en biotech-innovatie bieden een kijkje in hoe grote organisaties AI-tools en -technieken integreren met traditionele materiedeskundigen die een diep begrip hebben van de onderliggende problemen die moeten worden opgelost.
Lees ook
Digitale transformatie bij Philip MorrisCIO-strategie: word een transformationele chief information officerWereldgezondheidsorganisatie CIO over gezondheidsgegevens, privacy, vertrouwen en ethiek
Om een insiderperspectief te krijgen op hoe farmaceutische bedrijven AI en machine learning gebruiken, nodigde ik Dr. Bülent Kızıltan uit om deel te nemen aan aflevering #717 van de CXOTalk-serie gesprekken met mensen die onze wereld vormgeven. Hij is hoofd Causal & Predictive Analytics, datawetenschap & AI, in het Novartis AI Innovation Center.
Dr. Kızıltan is een van de meest welbespraakte mensen die ik ken op het gebied van het managen en leiden van AI-inspanningen, dus bekijk de video voor nuttig en praktisch advies over het managen van data science en AI-teams.
Bekijk het volledige transcript en lees de bewerkte selecties hieronder.
Over AI en datawetenschap in de farma
De ontdekking en ontwikkeling van geneesmiddelen is de afgelopen vijf tot tien jaar vertraagd vanwege de hoge kosten en omdat opschaling erg moeilijk is. We hopen dat AI ons te hulp kan komen, dus veel farmaceutische bedrijven investeren op dit gebied.
AI en datawetenschap kunnen in het algemeen op twee manieren werken. Een manier is om use-case-gedreven te zijn en die diensten aan business units te leveren.
Het andere geval is waar we ons positioneren op het snijvlak van de academische wereld en de business units. De academische wereld creëert de kennis, technologische ontwikkeling en infrastructuur om dingen op te schalen.
In datawetenschap geloven mensen meestal dat teams met big data werken en wanneer er een beperkte hoeveelheid data is, neemt de waardepropositie af. [Echter] we bestrijken het hele spectrum, van kleine gegevens tot grote gegevens, omdat die termen vaag zijn gedefinieerd en we geen duidelijke manier hebben om kleine en grote gegevens te kwantificeren.
We hebben kernmogelijkheden ontwikkeld om voorspellingsinformatie te extraheren van beperkte gegevens tot big data, zoals we het noemen. We halen informatie uit beperkte gegevens op het gebied van gezondheidszorg, biotech en geneeskunde.
Talentmanagement en diverse teams in de farma
AI-innovatie, met name datawetenschap, is een zeer interdisciplinair en multidisciplinair domein. We willen talent aantrekken uit verschillende disciplines die de mindset van hun eigen domein in onze bedrijfsvoering kunnen brengen.
Zeker, de kerncapaciteiten van datawetenschap en machine learning zijn noodzakelijk, maar we staan open voor alle achtergronden. Zoals je misschien weet, ben ik opgeleid als astrofysicus en heb ik het grootste deel van mijn carrière neutronensterren en zwartgatastrofysica bestudeerd. Maar op dat gebied werkte ik heel nauw samen met toegepaste wiskundigen, pioniers op het gebied van machine learning, om die technologieën naar het domein van de astrofysica te brengen.
We zijn ons er terdege van bewust dat diversiteit nodig is om out of the box te denken en te innoveren in AI. Momenteel breiden we onze teams uit en zijn we op zoek naar talent om de kerncapaciteiten in te brengen die nodig zijn voor machinaal leren, maar ze kunnen afkomstig zijn uit natuurkunde, wiskunde en psychologie. Ik had gewerkt met mensen uit de sociologie, economie — noem maar op.
