Datavetenskap och artificiell intelligens tillför en ny dimension till upptäckt och utveckling av läkemedel, med betoning på beräkning och maskininlärning. Med tanke på denna förändring bygger läkemedelsföretag aktivt infrastruktur, data, verktyg och team för att samla datavetenskapare med experter inom biologi och life science.
Pharma och bioteknisk innovation ger en inblick i hur stora organisationer integrerar AI -verktyg och tekniker med traditionella ämnesexperter som har en djup förståelse för de underliggande problemen som ska lösas.
Läs också
Digital transformation vid Philip Morris CIO -strategi: Bli en transformationschef för informationschefen Världshälsoorganisationens CIO om hälsodata, integritet, förtroende och etik
För att få insiderperspektiv på hur läkemedelsföretag använder AI och maskininlärning bjöd jag in Dr. Bülent Kızıltan att gå med i avsnitt #717 i CXOTalk -serien med konversationer med människor som formar vår värld. Han är chef för Causal & amp; Predictive Analytics, Data Science & amp; AI, på Novartis AI Innovation Center.
Dr Kızıltan är en av de mest artikulerade personer jag känner om att hantera och leda AI -insatser, så titta på videon för praktiska och praktiska råd om hantering av datavetenskap och AI -team.
Var noga med att kolla in hela transkriptet och läs de redigerade markeringarna nedan.
Om AI och datavetenskap i läkemedel
Läkemedelsupptäckten och utvecklingen har avtagit under de senaste fem till tio åren på grund av höga kostnader och eftersom det är mycket svårt att skala upp. Vi hoppas att AI kan komma till undsättning, så många läkemedelsföretag investerar i detta område.
AI och datavetenskap kan i allmänhet fungera på ett av två sätt. Ett sätt är att vara use-case-driven och tillhandahålla dessa tjänster till affärsenheter.
Det andra fallet är där vi positionerar oss i skärningspunkten mellan akademin och affärsenheterna. Academia skapar kunskap, teknisk utveckling och infrastruktur för att skala upp saker och ting.
Inom datavetenskap tror vanligtvis människor att team arbetar med big data och när det finns en begränsad mängd data sjunker värdeförslaget. [Emellertid] täcker vi hela spektrumet, från små data till stora data eftersom dessa termer är vagt definierade och vi inte har ett tydligt sätt att kvantifiera små och stora data.
Vi har byggt kärnfunktioner för att extrahera prognosinformation från begränsad data ända till stora data, som vi kallar det. Vi extraherar information från begränsad information inom områdena sjukvård, bioteknik och medicin.
Talanghantering och olika team inom pharma
AI-innovation, särskilt datavetenskap, är en mycket tvärvetenskaplig och tvärvetenskaplig domän. Vi vill attrahera talanger från olika discipliner som kan föra tankesättet för sin egen domän till vår verksamhet.
Visst är datavetenskap och kärnfunktioner för maskininlärning nödvändiga, men vi är öppna för alla bakgrunder. Som ni kanske vet har jag utbildats till astrofysiker och har studerat neutronstjärnor och blackhole astrofysik under större delen av min karriär. Men på det området arbetade jag mycket nära med tillämpade matematiker, maskininlärningspionjärer för att föra in den tekniken inom astrofysikens område.
Vi är mycket medvetna om att mångfald är nödvändigt för att tänka ur boxen och förnya sig inom AI. För närvarande växer vi våra team och letar efter talang för att få in kärnfunktioner som är nödvändiga med maskininlärning, men de kan komma från fysik, matematik, psykologi. Jag hade arbetat med människor som kom från sociologi, ekonomi – you name it.
