Håndtering af AI og datavidenskab: Praktiske lektioner fra big pharma

0
76

 Michael Krigsman

Af Michael Krigsman for Beyond IT Failure | 20. september 2021 – 16:58 GMT (17:58 BST) | Emne: Kunstig intelligens

Datavidenskab og kunstig intelligens tilføjer en ny dimension til opdagelse og udvikling af lægemidler med vægt på beregning og maskinlæring. I betragtning af dette skift bygger lægemiddelvirksomheder aktivt infrastruktur, data, værktøjer og teams for at samle datavidenskabsfolk med biologi- og life science -eksperter.

Pharma og bioteknologisk innovation giver et indblik i, hvordan store organisationer integrerer AI -værktøjer og teknikker med traditionelle fageksperter, der besidder en dyb forståelse af de underliggende problemer, der skal løses.

Læs også

Digital transformation ved Philip MorrisCIO -strategi: Bliv en transformerende chef for informationschef World Health Organization CIO om sundhedsdata, privatliv, tillid og etik

For at få et insiderperspektiv på, hvordan farmaceutiske virksomheder bruger AI og maskinlæring, inviterede jeg Dr. Bülent Kızıltan at deltage i afsnit #717 i CXOTalk -serien med samtaler med mennesker, der former vores verden. Han er chef for Causal & amp; Predictive Analytics, Data Science & amp; AI, på Novartis AI Innovation Center.

Dr. Kızıltan er en af ​​de mest velformulerede mennesker, jeg kender til at styre og lede AI -indsats, så se videoen for at få nyttige og praktiske råd om styring af datavidenskab og AI -teams.

Sørg for at tjekke hele transskriptionen og læse de redigerede valg herunder.

Om AI og datavidenskab i pharma

Opdagelse og udvikling af lægemidler er bremset i løbet af de sidste fem til ti år på grund af høje omkostninger og fordi opskalering er meget vanskelig. Vi håber, at AI kan komme til undsætning, så mange farmaceutiske virksomheder investerer i dette område.

AI og datavidenskab kan generelt fungere på en af ​​to måder. En måde er at være use-case-drevet og levere disse tjenester til forretningsenheder.

Den anden sag er, hvor vi placerer os i skæringspunktet mellem den akademiske verden og forretningsenhederne. Academia skaber viden, teknologisk udvikling og infrastruktur for at skalere tingene op.

Inden for datavidenskab tror folk typisk, at teams arbejder med big data, og når der er en begrænset mængde data, falder værdipropositionen. [Imidlertid] dækker vi hele spektret, fra små data til store data, fordi disse udtryk er vagt defineret, og vi ikke har en klar måde at kvantificere små og store data på.

Vi har opbygget kernefunktioner til at udtrække prognoseoplysninger fra begrænsede data helt til big data, som vi kalder det. Vi udtrækker oplysninger fra begrænsede data inden for sundhedsområdet, biotek og medicin.

Talentstyring og forskellige teams inden for pharma

AI-innovation, især datavidenskab, er et meget tværfagligt og tværfagligt domæne. Vi ønsker at tiltrække talent fra forskellige discipliner, der kan bringe tankegangen for deres eget domæne ind i vores operationer.

Ganske vist er datavidenskab og kernelærefunktioner for maskinlæring nødvendige, men vi er åbne for alle baggrunde. Som du måske ved, var jeg uddannet astrofysiker og har studeret neutronstjerner og blackhole astrofysik i det meste af min karriere. Men på det område arbejdede jeg meget tæt sammen med anvendte matematikere, maskinlæringspionerer for at bringe disse teknologier ind på astrofysikkens område.

Vi er meget bevidste om, at mangfoldighed er nødvendig for at tænke ud af boksen og innovere inden for AI. I øjeblikket vokser vi vores teams og leder efter talent til at bringe kernefunktioner ind, der er nødvendige med maskinlæring, men de kan komme fra fysik, matematik, psykologi. Jeg havde arbejdet med folk, der kom fra sociologi, økonomi – you name it.

 Michael Krigsman

Af Michael Krigsman for Beyond IT Failure | 20. september 2021 – 16:58 GMT (17:58 BST) | Emne: Kunstig intelligens