随着瑞典医疗技术公司Getinge越来越多地实施产品数字化,同时适应不断变化的全球法规,他们对于公司内部数据环境的要求也越来越高。公司首席信息官Pelle Nilsson解释了他和他的团队是如何帮助最大限度提高效率,以及最大限度地减少干扰以造福客户的。
120年前Getinge公司成立时,主要关注的是农业机械,但在20世纪30年代开始转向医疗技术,如今成了这家全球知名公司的一项知名业务。
最近,该公司的产品数字化程度越来越高,拥有管理患者流量的软件、手术规划工具和无菌管理流程,这些流程可以优化库存并确保手术器械在正确的时间送到正确的地点。
“我们现在正在扩展所有这些服务,增加了面向最终客户的服务量,”Getinge公司首席信息官Pelle Nilsson这样说道。
例如,去年Getinge公司推出了一款联网手术台和一款名为Servo Twinview的解决方案,这是一款数字孪生呼吸机,你可以通过电脑、智能手机或平板电脑跟踪患者数据,而无需打扰患者。它还为医院工作人员提供了远程支持、培训和更轻松的交接机会。
合理的集成
为了能够提供这种服务,内部支持也是必不可少的。
Nilsson表示:“业务了推动产品开发,然后我们展开合作,以合理的方式在恰当的环境中将其集成起来,例如,我们在网络安全方面是不会孤立地开展工作的,而是对此有共同的想法并使用共同的工具。”
IT部门还致力于提高数据质量和管理水平,以更好地利用众多来源,从而成为更加以数据为驱动的组织。Nilsson表示,他们已经取得了良好的进展,但不可否认的是,还有很多工作要做,因为要在大型组织中拥有所有权并简化数据管理是很难的。
不过,随着Getinge公司联网产品的数据收集在他们自己的平台上,客户可以通过门户网站访问信息,已经取得了可衡量的进展。
Nilsson表示:“从长远来看,我们设想未来将提供新的服务,例如能够根据我们对产品的了解来提供预测性维护。”
数据访问
在过去两年中,Getinge公司已经从传统的BI解决方案转移到现代的Power BI环境中,以便最终用户能够更轻松地访问所需的数据。
Getinge公司还运用了机器学习从各种公共来源收集信息,这些信息可在内部用于市场和产品分析。未来,他们还有机会让信息获取更编辑,方法就是让用户直接从数据仓库中搜索信息,而不是通过传统的BI工具。
Getinge公司使用机器学习的另一个例子,是为应对2020年新冠疫情开发了一款应用(主要用于德国),应用中提供的地图会显示特定区域的感染人数,以及Getinge适用产品的销售地点,以便将其从一家医院转移到最需要这些产品的另一家医院。
生成式AI打开了一扇大门
现在,生成式AI让AI变得更容易获得了,也给Getinge这样的公司开辟了许多新的机会。Nilsson表示:“从简单的翻译服务到用于创建产品目录或风险分析的更高级解决方案,应有尽有。”
Getinge公司在这方面还处于早期阶段,管理层对采用新兴技术的压力很大。其中,微软正在多个试点小组中测试Copilot,并且已经推广到部分管理层。和许多其他公司一样,Getinge正在寻找与业务相符的AI应用用例。这些创意被收集到一个数据库中,根据它们可以提供的价值进行评分,目前,已经确定了超过25个领域,这些领域对于Getinge公司来说都是可以带来直接好处的。
“还有很多信息是关于其他公司正在做什么的,对我们来说,重要的是将其转化为我们自己独特的创意,但重要的一点是,在投资和获得的价值之间要取得平衡。”
平衡是一件很困难的事情。一方面,企业对AI服务的需求越来越高,同时,关注质量和成本也是必不可少的。
Nilsson说:“我们不想承诺特定的厂商,因为AI发展得太快了,所以我们试图保持中立。这种权衡是很难的,而且需要很多沟通,作为用户,你想要的只是一个是或否的答案。”
为了向前发展,Getinge公司试图找到可以适当扩展的内部工具,不会占用太多资源,同时又可以为员工提供更多服务。这可能意味着需要为更高级的用户提供更具体的工具,而Nilsson认为,可能需要针对特定需求建立用户分类系统。
进步的代价
虽然Getinge公司正在进行大量开创性的数字化工作,但挑战依然存在,其中之一就是由于收购而产生的技术债务。
Nilsson说:“当你收购其他公司并将这些公司放到我们自己更标准化的平台上以实现规模经济时,这就有点难了,而且这需要时间,们没有那么多资源可以投入组建一个SWAT团队。”
更重要的是,有越来越多的法规是Getinge公司需要遵守的,这就要求在这方面给予越来越多的重视。从行业特定要求,到网络安全和AI法规,一切都不仅给内部流程带来了压力,而且给整个价值链带来了压力。
“除了满足所有内部需求需要的时间之外,面对这一切也很难,”Nilsson说。
从外部来看,这些要求不仅来自欧盟,对于像Getinge这样的全球性公司来说,还有一些要求并不总是与欧盟保持一致的。
Nilsson说:“过去两年,一个典型的例子就是关于数据应该存储在哪里。欧盟是第一个这样做的国家,但现在世界其他地区也开始对存储提出要求,有时甚至深入到国家层面。这给数据在不同地区之间的迁移造成了障碍,而这对于全球服务来说将变得越来越艰难。”
监管合规方面的工作也渗透到Getinge公司正在进行的整体数字化工作中,纳入了所有流程改进中,是控制数据和确保数据质量工作的一个组成部分。
Nilsson表示:“我们和业务部门合作开发产品,如果你看看即将出台的立法就知道,我们应该能够解释我们的AI服务如何运作,能够控制数据源。”
好文章,需要你的鼓励
这篇研究提出了OThink-R1,一种创新的大型推理模型,能够像人类一样在快速直觉思维和慢速深度推理之间自动切换。研究者发现,现有推理模型即使面对简单问题也会生成冗长的推理过程,导致计算资源浪费。通过分析推理轨迹并使用LLM评判员区分冗余和必要推理,OThink-R1能根据问题复杂度动态调整思考深度。实验表明,该方法平均减少了23.4%的生成文本量,同时保持或提高了准确率,代表了向更高效、更人性化AI推理系统迈出的重要一步。
这项研究提出了SHARE,一种新型文本到SQL修正框架,它利用三个小型语言模型(SLM)协同工作,实现高效精准的SQL错误修正。SHARE首先通过基础行动模型将SQL转换为行动轨迹,再经过模式增强模型和逻辑优化模型的层次化精细化修正。研究团队还创新性地提出了层次化自演化训练策略,大大提高了训练数据效率。实验结果表明,SHARE在多个基准测试上显著提升了SQL生成准确率,计算成本仅为传统方法的十分之一,并展现出强大的泛化能力,适用于各种生成器模型和SQL方言。
这项由香港大学和南京大学等机构研究人员联合开发的双专家一致性模型(DCM)解决了高质量视频生成中的效率难题。研究团队发现扩散模型蒸馏过程中存在优化冲突:早期阶段负责语义布局与运动,后期阶段关注细节精修,两者学习动态差异显著。DCM创新性地将这两个任务分配给不同的专家模型,通过参数高效的实现方式,使模型仅需4步即可生成接近50步原始模型质量的视频,大幅提升生成速度,为实用化AI视频创作铺平道路。
这项研究介绍了QARI-OCR,一种基于Qwen2-VL-2B-Instruct模型微调的阿拉伯文字识别系统。研究团队通过三阶段合成数据训练,成功解决了阿拉伯文字识别中的主要挑战:曲线连笔特性、上下文变化的字母形状和发音符号。QARI v0.2模型创下了0.061的字符错误率和0.160的单词错误率,超越了现有开源解决方案,为阿拉伯文化遗产的数字化保存提供了重要工具。