Datavitenskap og kunstig intelligens legger til en ny dimensjon til oppdagelse og utvikling av medikamenter, med vekt på beregning og maskinlæring. Gitt dette skiftet, bygger farmasøytiske selskaper aktivt infrastruktur, data, verktøy og team for å samle datavitenskapere med biologi- og life science -eksperter.
Pharma og bioteknologisk innovasjon gir et innblikk i hvordan store organisasjoner integrerer AI -verktøy og teknikker med tradisjonelle fageksperter som har en dyp forståelse av de underliggende problemene som skal løses.
Les også
Digital transformasjon hos Philip Morris CIO -strategi: Bli en transformasjonssjef for informasjonssjefen i Verdens helseorganisasjon CIO om helsetjenester, personvern, tillit og etikk
For å få et insiderperspektiv på hvordan farmasøytiske selskaper bruker AI og maskinlæring, inviterte jeg Dr. Bülent Kızıltan å bli med i episode #717 av CXOTalk -serien med samtaler med mennesker som former vår verden. Han er leder for Causal & amp; Predictive Analytics, Data Science & amp; AI, ved Novartis AI Innovation Center.
Dr. Kızıltan er en av de mest artikulerte personene jeg kjenner om å håndtere og lede AI -innsats, så se videoen for nyttige og praktiske råd om håndtering av datavitenskap og AI -team.
Sørg for å sjekke ut hele transkripsjonen og lese de redigerte valgene nedenfor.
Om AI og data science in pharma
Narkotikaoppdagelse og utvikling har avtatt de siste fem til ti årene på grunn av høye kostnader og fordi oppskalering er veldig vanskelig. Vi håper AI kan komme til unnsetning, så mange farmasøytiske selskaper investerer i dette området.
AI og datavitenskap kan generelt fungere på en av to måter. En måte er å være bruk-case-drevet og tilby disse tjenestene til forretningsenheter.
Den andre saken er der vi posisjonerer oss i skjæringspunktet mellom akademia og forretningsenhetene. Academia skaper kunnskap, teknologisk utvikling og infrastruktur for å skalere opp ting.
I datavitenskap tror folk vanligvis at team jobber med store data, og når det er en begrenset mengde data, synker verdien. [Imidlertid] dekker vi hele spekteret, fra små data til store data fordi disse begrepene er vagt definert, og vi ikke har en klar måte å kvantifisere små og store data.
Vi har bygget kjernefunksjoner for å trekke ut prognosinformasjon fra begrensede data helt til store data, som vi kaller det. Vi henter informasjon fra begrensede data innen helsetjenester, bioteknologi og medisin.
Talentledelse og mangfoldige team innen pharma
AI-innovasjon, spesielt datavitenskap, er et veldig tverrfaglig og tverrfaglig område. Vi ønsker å tiltrekke oss talent fra forskjellige disipliner som kan bringe tankegangen til sitt eget domene inn i virksomheten vår.
Sikkert er datavitenskap og kjernefunksjoner for maskinlæring nødvendig, men vi er åpne for alle bakgrunner. Som du kanskje vet, ble jeg utdannet astrofysiker og har studert nøytronstjerner og blackhole astrofysikk i det meste av min karriere. Men på det domenet jobbet jeg veldig tett med anvendte matematikere, maskinlæringspionerer for å bringe disse teknologiene inn på astrofysikkens område.
Vi er veldig klar over at mangfold er nødvendig for å tenke ut av boksen og innovere innen AI. For tiden vokser vi teamene våre og leter etter talent for å få med kjernefunksjoner som er nødvendige med maskinlæring, men de kan komme fra fysikk, matematikk, psykologi. Jeg hadde jobbet med folk som kom fra sosiologi, økonomi – you name it.
