Prat Vemana在印度钦奈附近的小村中长大,身为农夫的父亲向他传授了不少创新方面的宝贵经验。Vemana见过他的父亲在家中田地上种植花生等主要作物,而且每次都会在最后两亩地上种点不同的东西,有时是辣椒、有时是茄子。正是这种探索精神,让他成为当地村庄的先行者,总能引领人们对新作物的热情。

Kaiser Permanente首席数字官Prat Vemana
Vemana回忆道,“我父亲这种既谨慎又积极的创新思维激发了我的灵感。”现任Kaiser Permanente公司首席数字官的他表示,“父亲在种植作物之前会考虑未来。这是一种强调敏捷及动态的思维方式,希望在不损害未来产出的前提下明智地运用资源,这对我产生了巨大的影响。”
这种敏锐的创新意识在Vemana的职业生涯中发挥了重要作用,特别是在他推动Kaiser Permanente公司在当前COVID-19疫情之下进行数字化转型与发展之下。在从家得宝离职并投身于这家医疗保健企业的仅仅几个月后,疫情已然席卷而来,他和他的团队必须迅速做出反应、在公司之内建立起一套能够适应现有综合健康体系的疫情策略系统。
Kaiser Permanente团队立即开始与员工们沟通,并定期更新相关信息。在六天之内,他们就部署了一款聊天机器人以协助用户检查COVID-19症状,数十万用户很快参与到活动中来。数字团队还与各利益相关方组织开展合作,扩展了Kaiser Permanente的远程医疗系统,保证员工能够更好地与医生及护士保持联系。
Vemana指出,“数字化运营模型的简化与普及早在COVID之前就已经开始。我们已经在主观与客观上都做好了在新时代、新世界中开展业务的准备。这一切让决策过程变得非常清晰、迅速。”正是这种基础结构,让该公司获得了快速部署及动员的能力。
在数字化领域乃至整个公司内部,各团队有权发现周边问题,并持续尝试解决这些问题。相应的治理模型与运营模型也得到简化。疫情之下,公司不再制定明确的时间表或截止日期,并鼓励员工以适合自己的速度工作以提出解决方案,这反而带来了更紧密的协作关系与更快的结果产出速度。Vemana表示,“我们被迅速动员起来,所有人都进入了极佳的冲刺状态。成功的结果,又反过来激励人们继续保持高昂的斗志。”
“在危机时刻,我们以团队的形式聚集起来,快速做出回应。每个人都在努力加快行动速度,最终建立起相互依存的团队、相互依存的工作体系。”
Kaiser Permanente公司还建立起一套平台,用于管理与疫情相关的工作压力,尽可能帮助居家办公的员工们获得良好的工作体验。员工可以在网上申请日托、办理休假等。公司还花时间安排了一些之前现场办公时经常进行的项目协调及对话活动,保证人们能够彼此通气、及时获取必要的支持。
Vemana表示,“此计划巩固了我们的工作关系,团结起每一位员工以共同实现运营目标,同时以更灵活的方式完成日常工作。”

面对不知何时结束的疫情,Vemana还在思考如何通过正确的数据及信息提供优质的医疗保健与健康方案。Vemana认为医疗保健领域的下一波数字化有望带来答案:远程医疗不仅是一种功能,更是一种能够与实地就诊的体验。这意味着厂商需要开发周边环境、与患者间的互动,通过视频、电视及聊天功能等为医疗保健体系创建起个性化旅程。Kaiser Permanente公司希望利用数字技术构建框架,并通过数据个性化与理解功能进一步简化并丰富人们与医疗保健体系的交互与体验。
Vemana强调,“如果远程医疗需要长期存在,那么如何打造出更有效、更真实的使用体验?我们认为这代表着一波巨大的变革浪潮。我们也在积极寻求其中的核心枢纽,甚至帮助成员培养起不同于以往的运营心态。这可以说是数字医疗领域最令人兴奋的时刻。”
在领导Kaiser Permanente应对疫情流行的过程中,Vemana在自己的数字化战略中充分考虑到以下因素:
好文章,需要你的鼓励
英特尔携手戴尔以及零克云,通过打造“工作站-AI PC-云端”的协同生态,大幅缩短AI部署流程,助力企业快速实现从想法验证到规模化落地。
意大利ISTI研究院推出Patch-ioner零样本图像描述框架,突破传统局限实现任意区域精确描述。系统将图像拆分为小块,通过智能组合生成从单块到整图的统一描述,无需区域标注数据。创新引入轨迹描述任务,用户可用鼠标画线获得对应区域描述。在四大评测任务中全面超越现有方法,为人机交互开辟新模式。
阿联酋阿布扎比人工智能大学发布全新PAN世界模型,超越传统大语言模型局限。该模型具备通用性、交互性和长期一致性,能深度理解几何和物理规律,通过"物理推理"学习真实世界材料行为。PAN采用生成潜在预测架构,可模拟数千个因果一致步骤,支持分支操作模拟多种可能未来。预计12月初公开发布,有望为机器人、自动驾驶等领域提供低成本合成数据生成。
MIT研究团队发现,AI系统无需严格配对的多模态数据也能显著提升性能。他们开发的UML框架通过参数共享让AI从图像、文本、音频等不同类型数据中学习,即使这些数据间没有直接对应关系。实验显示这种方法在图像分类、音频识别等任务上都超越了单模态系统,并能自发发展出跨模态理解能力,为未来AI应用开辟了新路径。