Philips acelera el desarrollo de soluciones de atención médica habilitadas para IA con una plataforma de MLOps construida en Amazon SageMaker

Philips impulsa el avance de soluciones de atención médica con IA gracias a su plataforma de MLOps construida en Amazon SageMaker

Este es un blog conjunto con AWS y Philips.

Philips es una empresa de tecnología de la salud centrada en mejorar la vida de las personas a través de la innovación significativa. Desde 2014, la compañía ha estado ofreciendo a los clientes su plataforma Philips HealthSuite, que orquesta docenas de servicios de AWS que las empresas de salud y ciencias de la vida utilizan para mejorar la atención al paciente. Se asocia con proveedores de atención médica, startups, universidades y otras empresas para desarrollar tecnología que ayuda a los médicos a realizar diagnósticos más precisos y brindar tratamientos más personalizados para millones de personas en todo el mundo.

Uno de los impulsores clave de la estrategia de innovación de Philips es la inteligencia artificial (IA), que permite la creación de productos y servicios inteligentes y personalizados que pueden mejorar los resultados de salud, mejorar la experiencia del cliente y optimizar la eficiencia operativa.

Amazon SageMaker proporciona herramientas especializadas para operaciones de aprendizaje automático (MLOps) para ayudar a automatizar y estandarizar procesos en todo el ciclo de vida del aprendizaje automático. Con las herramientas de MLOps de SageMaker, los equipos pueden entrenar, probar, solucionar problemas, implementar y gobernar modelos de aprendizaje automático a escala para aumentar la productividad de los científicos de datos e ingenieros de aprendizaje automático mientras se mantiene el rendimiento del modelo en producción.

• En el Omniverso Mejoras de OpenUSD para Autodesk Maya hacen que los flujos de trabajo 3D sean un cuento de hadas
• Tres formas en que la IA generativa puede reforzar la ciberseguridad
• Creando empatía artificial

En esta publicación, describimos cómo Philips se asoció con AWS para desarrollar AI ToolSuite, una plataforma de aprendizaje automático escalable, segura y conforme en SageMaker. Esta plataforma proporciona capacidades que van desde la experimentación, la anotación de datos, el entrenamiento, las implementaciones de modelos y las plantillas reutilizables. Todas estas capacidades están diseñadas para ayudar a múltiples líneas de negocio a innovar con rapidez y agilidad a la vez que se gobierna a escala con controles centrales. Resumimos los casos de uso clave que proporcionaron requisitos para la primera iteración de la plataforma, los componentes principales y los resultados obtenidos. Concluimos identificando los esfuerzos continuos para habilitar la plataforma con cargas de trabajo de IA generativa y para incorporar rápidamente nuevos usuarios y equipos a la plataforma.

Contexto del cliente

Philips utiliza la IA en diversos ámbitos, como imágenes, diagnósticos, terapia, salud personal y atención conectada. Algunos ejemplos de soluciones habilitadas para la IA que Philips ha desarrollado en los últimos años son:

• Philips SmartSpeed: una tecnología de imágenes basada en IA para MRI que utiliza un algoritmo de IA de aprendizaje profundo basado en Compressed-SENSE para llevar la velocidad y la calidad de imagen al siguiente nivel para una gran variedad de pacientes.
• Philips eCareManager: una solución de telemedicina que utiliza IA para ayudar en la atención y el manejo remoto de pacientes críticamente enfermos en unidades de cuidados intensivos, mediante el uso de análisis avanzados y algoritmos clínicos para procesar los datos del paciente de múltiples fuentes, y proporcionar información práctica, alertas y recomendaciones para el equipo de atención.
• Philips Sonicare: un cepillo de dientes inteligente que utiliza IA para analizar el comportamiento de cepillado y la salud bucal de los usuarios, y proporcionar orientación en tiempo real y recomendaciones personalizadas, como el tiempo óptimo de cepillado, la presión y la cobertura, para mejorar su higiene dental y prevenir caries y enfermedades de las encías.

Durante muchos años, Philips ha sido un pionero en el desarrollo de algoritmos impulsados por datos para impulsar sus soluciones innovadoras en todo el continuo de atención médica. En el ámbito de la imagenología diagnóstica, Philips desarrolló una multitud de aplicaciones de aprendizaje automático para la reconstrucción e interpretación de imágenes médicas, la gestión del flujo de trabajo y la optimización del tratamiento. También en el monitoreo de pacientes, la terapia guiada por imágenes, la ecografía y los equipos de salud personal han estado creando algoritmos y aplicaciones de aprendizaje automático. Sin embargo, la innovación se vio obstaculizada debido al uso de entornos de desarrollo de IA fragmentados en los diferentes equipos. Estos entornos iban desde computadoras portátiles y de escritorio individuales hasta diversos grupos de cómputo en las instalaciones y la infraestructura basada en la nube. Esta heterogeneidad inicial permitió que los diferentes equipos avanzaran rápidamente en sus primeros esfuerzos de desarrollo de IA, pero ahora está obstaculizando las oportunidades de escalar y mejorar la eficiencia de nuestros procesos de desarrollo de IA.

Resultó evidente que era imperativo realizar un cambio fundamental hacia un entorno unificado y estandarizado para realmente aprovechar el potencial de los esfuerzos basados en datos en Philips.

Principales casos de uso de IA/ML y requisitos de la plataforma

Las propuestas habilitadas por IA/ML pueden transformar la atención médica mediante la automatización de tareas administrativas realizadas por los médicos. Por ejemplo:

• La IA puede analizar imágenes médicas para ayudar a los radiólogos a diagnosticar enfermedades de manera más rápida y precisa.
• La IA puede predecir eventos médicos futuros mediante el análisis de datos del paciente y mejorar la atención proactiva.
• La IA puede recomendar tratamientos personalizados adaptados a las necesidades de los pacientes.
• La IA puede extraer y estructurar información de notas clínicas para realizar un registro más eficiente.
• Las interfaces de IA pueden brindar soporte al paciente para consultas, recordatorios y verificadores de síntomas.

En general, la IA/ML promete reducir errores humanos, ahorro de tiempo y costos, experiencias de paciente optimizadas e intervenciones oportunas y personalizadas.

Uno de los requisitos clave para la plataforma de desarrollo y implementación de ML era la capacidad de soportar el proceso continuo y iterativo de desarrollo y implementación, como se muestra en la siguiente figura.

El desarrollo de activos de IA comienza en un entorno de laboratorio, donde se recopila y selecciona los datos, y luego se entrenan y validan los modelos. Cuando el modelo está listo y aprobado para su uso, se implementa en los sistemas de producción del mundo real. Una vez implementado, se monitorea continuamente el rendimiento del modelo. Finalmente, el rendimiento y los comentarios del mundo real se utilizan para mejorar aún más el modelo con una automatización completa del entrenamiento y la implementación del modelo.

Los requisitos más detallados de AI ToolSuite fueron impulsados por tres casos de uso de ejemplo:

• Desarrollar una aplicación de visión por computadora destinada a la detección de objetos en la periferia. El equipo de ciencia de datos esperaba un flujo de trabajo automatizado de anotación de imágenes basado en IA para acelerar un proceso de etiquetado que consume mucho tiempo.
• Permitir a un equipo de ciencia de datos administrar una familia de modelos clásicos de ML para estadísticas de referencia en múltiples unidades médicas. El proyecto requería la automatización de la implementación del modelo, el seguimiento de experimentos, el monitoreo del modelo y un mayor control de todo el proceso de principio a fin tanto para fines de auditoría como para futuras readiestraciones.
• Mejorar la calidad y el tiempo de comercialización de los modelos de aprendizaje profundo en imágenes médicas de diagnóstico. La infraestructura informática existente no permitía ejecutar muchos experimentos en paralelo, lo que retrasaba el desarrollo del modelo. Además, por motivos regulatorios, es necesario habilitar la reproducibilidad completa del entrenamiento del modelo durante varios años.

Requisitos no funcionales

Construir una plataforma de IA/ML escalable y robusta requiere una cuidadosa consideración de los requisitos no funcionales. Estos requisitos van más allá de las funcionalidades específicas de la plataforma y se centran en garantizar lo siguiente:

• Escalabilidad – La plataforma AI ToolSuite debe poder ampliar la infraestructura de generación de ideas de Philips de manera más efectiva para que la plataforma pueda manejar un volumen creciente de datos, usuarios y cargas de trabajo de IA/ML sin sacrificar el rendimiento. Debe estar diseñada para escalar horizontal y verticalmente para satisfacer las crecientes demandas de manera transparente al tiempo que proporciona una gestión centralizada de recursos.
• Rendimiento – La plataforma debe ofrecer capacidades de cómputo de alto rendimiento para procesar eficientemente algoritmos complejos de IA/ML. SageMaker ofrece una amplia gama de tipos de instancias, incluidas instancias con potentes GPUs, que pueden acelerar significativamente el entrenamiento y las tareas de inferencia del modelo. También debe minimizar la latencia y los tiempos de respuesta para proporcionar resultados en tiempo real o casi en tiempo real.
• Confiabilidad – La plataforma debe proporcionar una infraestructura de IA altamente confiable y robusta que se extienda a través de múltiples zonas de disponibilidad. Esta arquitectura de múltiples zonas de disponibilidad debe garantizar operaciones de IA ininterrumpidas mediante la distribución de recursos y cargas de trabajo en centros de datos distintos.
• Disponibilidad – La plataforma debe estar disponible las 24 horas del día, los 7 días de la semana, con un tiempo de inactividad mínimo para tareas de mantenimiento y actualizaciones. La alta disponibilidad de AI ToolSuite debe incluir equilibrio de carga, arquitecturas tolerantes a fallos y monitoreo proactivo.
• Seguridad y gobernanza – La plataforma debe emplear medidas sólidas de seguridad, encriptación, controles de acceso, roles dedicados y mecanismos de autenticación con monitoreo continuo de actividades inusuales y la realización de auditorías de seguridad.
• Gestión de datos – La gestión eficiente de datos es crucial para las plataformas de IA/ML. Las regulaciones en la industria de la salud requieren una gobernanza de datos especialmente rigurosa. Debe incluir funciones como versionado de datos, línea de tiempo de datos, gobernanza de datos y garantía de calidad de datos para garantizar resultados precisos y confiables.
• Interoperabilidad – La plataforma debe estar diseñada para integrarse fácilmente con los repositorios internos de datos de Philips, permitiendo el intercambio de datos y la colaboración con aplicaciones de terceros de manera fluida.
• Mantenibilidad – La arquitectura y la base de código de la plataforma deben estar bien organizadas, ser modulares y mantenibles. Esto permite a los ingenieros y desarrolladores de ML de Philips proporcionar actualizaciones, correcciones de errores y mejoras futuras sin interrumpir todo el sistema.
• Optimización de recursos – La plataforma debe monitorear de cerca los informes de utilización para asegurarse de que los recursos informáticos se utilicen de manera eficiente y asignar recursos de manera dinámica según la demanda. Además, Philips debe utilizar las herramientas de facturación y gestión de costos de AWS para asegurarse de que los equipos reciban notificaciones cuando la utilización supere el umbral asignado.
• Monitoreo y registro – La plataforma debe utilizar alertas de Amazon CloudWatch para contar con capacidades completas de monitoreo y registro, que son necesarias para realizar un seguimiento del rendimiento del sistema, identificar cuellos de botella y solucionar problemas de manera efectiva.
• Cumplimiento – La plataforma también puede ayudar a mejorar el cumplimiento normativo de las propuestas habilitadas para IA. La reproducibilidad y la trazabilidad deben habilitarse automáticamente mediante las canalizaciones de procesamiento de datos de principio a fin, donde se pueden preparar automáticamente muchos artefactos de documentación obligatoria, como informes de linaje de datos y tarjetas de modelo.
• Pruebas y validación – Se deben implementar procedimientos rigurosos de prueba y validación para garantizar la precisión y confiabilidad de los modelos de IA/ML y prevenir sesgos no deseados.

Visión general de la solución

AI ToolSuite es un entorno de desarrollo de IA de inicio rápido, escalable y de extremo a extremo que ofrece servicios nativos de SageMaker y AI/ML asociados con las medidas de seguridad y privacidad de Philips HealthSuite y las integraciones del ecosistema Philips. Hay tres roles con conjuntos dedicados de permisos de acceso:

• Científico de datos – Preparar datos, desarrollar y entrenar modelos en un espacio de trabajo colaborativo
• Ingeniero de aprendizaje automático – Crear aplicaciones de aprendizaje automático con implementación de modelos, monitoreo y mantenimiento
• Administrador de ciencia de datos – Crear un proyecto por solicitud del equipo para proporcionar ambientes aislados dedicados con plantillas específicas de casos de uso

El desarrollo de la plataforma abarcó múltiples ciclos de lanzamiento en un ciclo iterativo de descubrimiento, diseño, construcción, prueba e implementación. Debido a la singularidad de algunas aplicaciones, la extensión de la plataforma requirió la incorporación de componentes personalizados existentes, como almacenes de datos o herramientas propietarias para la anotación. La siguiente figura ilustra la arquitectura de tres capas de AI ToolSuite, que incluye la infraestructura base como primera capa, componentes comunes de ML como segunda capa y plantillas específicas de proyectos como tercera capa.

La capa 1 contiene la infraestructura base:

• Una capa de redes con acceso parametrizado a Internet con alta disponibilidad
• Provisionamiento de autoservicio con infraestructura como código (IaC)
• Un entorno de desarrollo integrado (IDE) utilizando el dominio Amazon SageMaker Studio
• Roles de plataforma (administrador de ciencia de datos, científico de datos)
• Almacenamiento de artefactos
• Registro y monitoreo para observabilidad

La capa 2 contiene componentes comunes de ML:

• Seguimiento automatizado de experimentos para cada tarea y canalización
• Una canalización de construcción de modelos para lanzar una nueva actualización de construcción de modelos
• Una canalización de entrenamiento de modelos compuesta por entrenamiento, evaluación y registro de modelos
• Una canalización de implementación de modelos para desplegar el modelo para pruebas y aprobación finales
• Un registro de modelos para gestionar fácilmente las versiones de los modelos
• Un rol de proyecto creado específicamente para un caso de uso dado, que se asignará a usuarios de SageMaker Studio
• Un repositorio de imágenes para almacenar imágenes de contenedores de procesamiento, entrenamiento e inferencia creadas para el proyecto
• Un repositorio de código para almacenar artefactos de código
• Un almacenamiento de datos y artefactos del proyecto en un bucket de Amazon Simple Storage Service (Amazon S3)

La capa 3 contiene plantillas específicas del proyecto que se pueden crear con componentes personalizados según sea necesario para nuevos proyectos. Por ejemplo:

• Plantilla 1 – Incluye un componente para consultas de datos y seguimiento de historial
• Plantilla 2 – Incluye un componente para anotaciones de datos con un flujo de trabajo de anotación personalizado para utilizar herramientas de anotación propietarias
• Plantilla 3 – Incluye componentes para imágenes de contenedores personalizadas para personalizar tanto su entorno de desarrollo como las rutinas de entrenamiento, un sistema de archivos HPC dedicado y acceso desde un IDE local para los usuarios

El siguiente diagrama destaca los servicios clave de AWS que abarcan múltiples cuentas de AWS para desarrollo, preparación y producción.

En las siguientes secciones, discutiremos las capacidades clave de la plataforma habilitadas por los servicios de AWS, incluyendo SageMaker, AWS Service Catalog, CloudWatch, AWS Lambda, Amazon Elastic Container Registry (Amazon ECR), Amazon S3, AWS Identity and Access Management (IAM) y otros.

Infraestructura como código

La plataforma utiliza IaC, lo que permite a Philips automatizar el aprovisionamiento y la gestión de los recursos de infraestructura. Este enfoque también ayudará a la reproducibilidad, escalabilidad, control de versiones, consistencia, seguridad y portabilidad para el desarrollo, pruebas o producción.

Acceso a entornos de AWS

SageMaker y los servicios de IA/ML asociados se acceden con salvaguardias de seguridad para la preparación de datos, desarrollo de modelos, entrenamiento, anotación e implementación.

Aislamiento y colaboración

La plataforma garantiza el aislamiento de datos almacenándolos y procesándolos por separado, lo que reduce el riesgo de acceso no autorizado o violaciones de datos.

La plataforma facilita la colaboración en equipo, lo cual es esencial en proyectos de IA que generalmente involucran equipos multidisciplinarios, incluyendo científicos de datos, administradores de ciencia de datos y ingenieros MLOps.

Control de acceso basado en roles

El control de acceso basado en roles (RBAC) es esencial para gestionar permisos y simplificar la administración de acceso al definir roles y permisos de manera estructurada. Esto facilita la gestión de permisos a medida que los equipos y proyectos crecen, y permite controlar el acceso de diferentes personas involucradas en proyectos de IA/ML de AWS, como el administrador de ciencia de datos, científico de datos, administrador de anotación, anotador y ingeniero MLOps.

Acceso a almacenes de datos

La plataforma permite el acceso de SageMaker a almacenes de datos, lo que garantiza que los datos se puedan utilizar eficientemente para el entrenamiento e inferencia de modelos sin necesidad de duplicar o mover los datos entre diferentes ubicaciones de almacenamiento, optimizando así la utilización de recursos y reduciendo costos.

Anotación utilizando herramientas de anotación específicas de Philips

AWS ofrece una suite de servicios de IA y ML, como SageMaker, Amazon SageMaker Ground Truth y Amazon Cognito, que están totalmente integrados con herramientas de anotación internas específicas de Philips. Esta integración permite a los desarrolladores entrenar e implementar modelos de ML utilizando los datos anotados dentro del entorno de AWS.

Plantillas de ML

La plataforma AI ToolSuite ofrece plantillas en AWS para diversos flujos de trabajo de ML. Estas plantillas son configuraciones predefinidas de infraestructura adaptadas a casos de uso específicos de ML y se pueden acceder a través de servicios como plantillas de proyectos de SageMaker, AWS CloudFormation y Service Catalog.

Integración con Philips GitHub

La integración con GitHub mejora la eficiencia al proporcionar una plataforma centralizada para el control de versiones, revisiones de código y tuberías CI/CD (integración continua y implementación continua) automatizadas, reduciendo tareas manuales y aumentando la productividad.

Integración con Visual Studio Code

La integración con Visual Studio Code proporciona un entorno unificado para codificación, depuración y gestión de proyectos de ML. Esto agiliza todo el flujo de trabajo de ML, reduciendo el cambio de contexto y ahorrando tiempo. La integración también mejora la colaboración entre los miembros del equipo al permitirles trabajar juntos en proyectos de SageMaker dentro de un entorno de desarrollo familiar, utilizando sistemas de control de versiones y compartiendo código y notebooks de manera fluida.

Linaje de modelos y datos y rastreabilidad para reproducibilidad y cumplimiento

La plataforma proporciona versionado, lo que ayuda a realizar un seguimiento de los cambios en los datos de entrenamiento e inferencia del científico de datos a lo largo del tiempo, facilitando la reproducción de resultados y comprendiendo la evolución de los conjuntos de datos.

La plataforma también permite el seguimiento de experimentos de SageMaker, lo que permite a los usuarios finales registrar y rastrear todos los metadatos asociados con sus experimentos de ML, incluyendo hiperparámetros, datos de entrada, código y artefactos del modelo. Estas capacidades son esenciales para demostrar el cumplimiento de estándares regulatorios y garantizar transparencia y responsabilidad en los flujos de trabajo de IA/ML.

Generación de informes de especificaciones de IA/ML para el cumplimiento regulatorio

AWS mantiene certificaciones de cumplimiento para diversos estándares y regulaciones de la industria. Los informes de especificaciones de IA/ML sirven como documentación de cumplimiento esencial, mostrando el cumplimiento de los requisitos regulatorios. Estos informes documentan el versionado de conjuntos de datos, modelos y código. El control de versiones es esencial para mantener el linaje de datos, la rastreabilidad y la reproducibilidad, todo lo cual es crítico para el cumplimiento regulatorio y la auditoría.

Gestión del presupuesto a nivel de proyecto

La gestión del presupuesto a nivel de proyecto permite a la organización establecer límites de gasto, ayudando a evitar costos inesperados y asegurando que los proyectos de ML se mantengan dentro del presupuesto. Con la gestión del presupuesto, la organización puede asignar presupuestos específicos a proyectos o equipos individuales, lo que ayuda a los equipos a identificar ineficiencias de recursos o aumentos inesperados de costos desde el principio. Además de la gestión del presupuesto, con la función de cierre automático de notebooks inactivos, los miembros del equipo evitan pagar por recursos no utilizados, liberando también recursos valiosos cuando no se están utilizando activamente, lo que los hace disponibles para otras tareas o usuarios.

Resultados

AI ToolSuite fue diseñado e implementado como una plataforma a nivel empresarial para el desarrollo y despliegue de ML para científicos de datos en Philips. Se recolectaron y consideraron los diversos requisitos de todas las unidades de negocio durante el diseño y desarrollo. Al comienzo del proyecto, Philips identificó campeones de los equipos comerciales que brindaron comentarios y ayudaron a evaluar el valor de la plataforma.

Se lograron los siguientes resultados:

• La adopción por parte de los usuarios es uno de los principales indicadores líderes para Philips. Se capacitó e incorporó a la plataforma a usuarios de varias unidades de negocio, y se espera que ese número aumente en 2024.
• Otra métrica importante es la eficiencia para los usuarios de ciencia de datos. Con AI ToolSuite, los nuevos entornos de desarrollo de ML se implementan en menos de una hora en lugar de varios días.
• Los equipos de ciencia de datos pueden acceder a una infraestructura de cómputo escalable, segura y rentable basada en la nube.
• Los equipos pueden ejecutar múltiples experimentos de entrenamiento de modelos en paralelo, lo que reduce significativamente el tiempo promedio de entrenamiento de semanas a 1-3 días.
• Debido a que la implementación del entorno es completamente automatizada, requiere prácticamente ninguna participación de los ingenieros de infraestructura en la nube, lo que reduce los costos operativos.
• El uso de AI ToolSuite mejoró significativamente la madurez general de los entregables de datos y AI al promover el uso de buenas prácticas de ML, flujos de trabajo estandarizados y reproducibilidad de extremo a extremo, lo cual es crucial para el cumplimiento normativo en la industria de la salud.

Mirando hacia adelante con la IA generativa

A medida que las organizaciones compiten por adoptar la próxima tecnología de vanguardia en IA, es imperativo adoptar nuevas tecnologías en el contexto de la política de seguridad y gobernanza de la organización. La arquitectura de AI ToolSuite proporciona un excelente modelo para habilitar el acceso a capacidades de IA generativa en AWS para diferentes equipos en Philips. Los equipos pueden utilizar modelos base disponibles con Amazon SageMaker JumpStart, que proporciona una gran cantidad de modelos de código abierto de Hugging Face y otros proveedores. Con las medidas de control de acceso, aprovisionamiento de proyectos y control de costos ya establecidas, los equipos podrán comenzar a utilizar las capacidades de IA generativa dentro de SageMaker sin problemas.

Además, se puede aprovisionar el acceso a Amazon Bedrock, un servicio completamente gestionado basado en API para IA generativa, para cuentas individuales según los requisitos del proyecto, y los usuarios pueden acceder a las API de Amazon Bedrock tanto a través de la interfaz del notebook de SageMaker como a través de su entorno de desarrollo preferido.

Existen consideraciones adicionales sobre la adopción de IA generativa en un entorno regulado, como el cuidado de la salud. Es necesario analizar cuidadosamente el valor creado por las aplicaciones de IA generativa frente a los riesgos y costos asociados. También es necesario crear un marco legal y de riesgo que gobierne el uso de tecnologías de IA generativa en la organización. Elementos como la seguridad de los datos, el sesgo y la equidad, y el cumplimiento normativo deben considerarse como parte de dichos mecanismos.

Conclusión

Philips emprendió un viaje para aprovechar el poder de los algoritmos impulsados por datos para revolucionar las soluciones de atención médica. A lo largo de los años, la innovación en imágenes de diagnóstico ha dado lugar a varias aplicaciones de ML, desde la reconstrucción de imágenes hasta la gestión de flujos de trabajo y la optimización del tratamiento. Sin embargo, la variedad de configuraciones, desde portátiles individuales hasta clústeres locales e infraestructura en la nube, planteaba desafíos formidables. La administración de sistemas separada, las medidas de seguridad, los mecanismos de soporte y el protocolo de datos dificultaban una vista completa del TCO y complicaban las transiciones entre equipos. La transición de la investigación y el desarrollo a la producción se vio obstaculizada por la falta de linaje y reproducibilidad, lo que dificultaba el continuo reentrenamiento del modelo.

Como parte de la colaboración estratégica entre Philips y AWS, se creó la plataforma AI ToolSuite para desarrollar una plataforma de ML escalable, segura y conforme con SageMaker. Esta plataforma proporciona capacidades que van desde la experimentación, la anotación de datos, el entrenamiento, los despliegues de modelo y las plantillas reutilizables. Todas estas capacidades se construyeron de manera iterativa a lo largo de varios ciclos de descubrimiento, diseño, construcción, prueba y despliegue. Esto ayudó a varias unidades de negocio a innovar con rapidez y agilidad mientras se gobierna a escala con controles centrales.

Este viaje sirve de inspiración para las organizaciones que buscan aprovechar el poder de la inteligencia artificial y el aprendizaje automático para impulsar la innovación y la eficiencia en el sector de la salud, beneficiando en última instancia a los pacientes y proveedores de atención en todo el mundo. A medida que siguen construyendo sobre este éxito, Philips se encuentra preparada para lograr avances aún mayores en la mejora de los resultados de salud a través de soluciones innovadoras habilitadas por la IA.

Para obtener más información sobre la innovación de Philips en AWS, visita Philips en AWS.

We will continue to update Zepes; if you have any questions or suggestions, please contact us!