虽然其蕴藏的能量巨大,但我们仍须认真分析最佳应用场景才能为其找到理想的施展平台。医疗保健尤其如此——作为一个向来以变化缓慢著称的领域,任何新兴技术的草率部署都有可能引发巨大风险。大家可能还记得前几年广受关注的IBM Watson,曾经号称能诊断复杂的癌症,但实际情况并非如此。最终,蓝色巨人在去年将其低价卖出。
所以在医疗保健方面,我们不妨以一种简单的五步走方法,评估生成式AI能够为其做出哪些贡献:
1. 从技术能够协助解决的问题入手,搞清楚生成式AI擅长做什么。
2. 搜索存在这些问题的整体领域。
3. 理解在核心用例中使用生成式AI的动机和障碍,包括在接受新方案前人们需要放弃哪些旧办法。
4. 围绕业务动态做优先级评估。
5. 广泛了解建立完整解决方案的必要因素,包括技术、工作流咨询、患者教育等。
要将这套方法应用到医疗保健领域,首先需要明确我们的评估对象——不是能解释医学影像或人口健康数据集的深度学习。这些工作已经在进行当中。另外,我们考虑的也不是AI在特定场景下的简单应用,比如诊断预约。这里的关注点只有一个,生成式AI与新兴医疗保健服务。
首先,生成式AI能帮助解决哪些问题?答案很多,但为了简单起见,我们可以专注于其中四点:1)解释非结构化数据;2)以连贯的方式解释数据;3)让人们参与对话;4)产生新的想法。
第二,这些问题分别对应哪些整体领域?从以上四点出发,我们可以对应出以下示例:
1) 解释非结构化数据:总结电子病历中诊断说明所表达的关键事实,要求医疗保险公司提供预授权,并在临床试验数据中提取模式,例如在患者上报的结果或治疗无效者中找到共性。
2) 以连贯方式解释数据:为医疗保险公司提供客户服务、诊断和制定治疗计划。
3) 让人们参与对话:获取筛查数据(例如,患者在家中感觉安全吗?)并为敏感度较低的健康问题提供谈话治疗。
4) 产生新想法:使用蛋白质组学和基因组学数据集,发现新的有效成分和现有疗法的某些新疗效。
第三,采用新技术的动机和障碍有哪些。这个问题很可能直接决定某些用例能否实际落地。例如,在生成式AI获得FDA批准成为医疗设备之前,任何企业不得借助AI为美国患者提供明确的诊断或制定治疗计划。然而,未来的市场前景可能发生变化。考虑到很多临床医生已经被患者需求压得不堪重负,也许适当放宽监管要求才是可持续发展之道。另外,这部分分析还有助于发现适合快速创新的领域(依赖性低、需求高、风险/转换成本低的领域)。例如,原本自费的谈话疗法现在就有望用AI代劳。
第四,根据业务动态确定不同市场的落地优先级。这个问题非常复杂,本文无法深入讨论。但概括来讲,我们可以通过个体/规模经济、市场渠道、销售流程和竞争强度等因素做出判断。
最后,广泛审视完整的解决方案。很少有哪种新技术能像生成式AI这样,有望彻底改变人们的长期工作实践。例如,生成式AI的广泛普及可能要求对客户做相应培训,并建立起互补产品的生态系统。另外,当竞争对手模仿某些底层医疗技术时,生成式AI还有助于在市场上做产品区分。
总之,如果大家身在医疗保健或生命科学行业,不妨尝试各种方式探索生成式AI的价值。而且与其单从技术入手,不妨关键由此带来的整体挑战,宏观思考我们真正需要怎样的解决方案。之后再据此研究实现方法,看看除了生成式AI之外,有没有哪些门槛更低的成熟方案也能带来类似的效果。
在医疗保健领域,企业级生成式AI正面临着一片广阔的蓝海。而前面提到的五步走方法论,足以表明其中蕴藏的丰富机遇。因此即使是在医疗保健这样一个向来保守的行业,颠覆性的变革也将很快出现。
好文章,需要你的鼓励
AWS通过升级SageMaker机器学习平台来扩展市场地位,新增观测能力、连接式编码环境和GPU集群性能管理功能。面对谷歌和微软的激烈竞争,AWS专注于为企业提供AI基础设施支撑。SageMaker新功能包括深入洞察模型性能下降原因、为开发者提供更多计算资源控制权,以及支持本地IDE连接部署。这些更新主要源于客户需求,旨在解决AI模型开发中的实际问题。
南洋理工大学研究团队开发了WorldMem框架,首次让AI拥有真正的长期记忆能力,解决了虚拟世界模拟中的一致性问题。该系统通过记忆银行存储历史场景,并使用智能检索机制,让AI能准确重现之前的场景和事件,即使间隔很长时间。实验显示在Minecraft和真实场景中都表现出色,为游戏、自动驾驶、机器人等领域带来广阔应用前景。
AI虽具备变革企业洞察力的潜力,但成功依赖于数据质量。大多数AI项目失败源于数据混乱分散而非算法局限。谷歌BigQuery云数据AI平台打破数据孤岛,简化治理,加速企业AI应用。通过AI自动化数据处理,实现实时分析,并与Vertex AI深度集成,使企业能够高效处理结构化和非结构化数据,将智能商业转型从愿景变为现实。
MTS AI研究团队提出RewardRanker系统,通过重排序模型和迭代自训练显著提升AI代码生成质量。该方法让13.4B参数模型超越33B大模型,在多种编程语言上表现优异,甚至在C++上超越GPT-4。通过引入困难负样本和PPO优化,系统能从多个代码候选中选出最优方案,为AI编程助手的实用化奠定基础。