ساده‌تر کردن کار برای FDA با هنر سرویس یادگیری ماشین

سازمان غذا و داروی ایالات متحده (FDA)، برای سرعت بخشیدن و افزایش دقت ورودی داده، سامانه‌ای را با نام machine learning-as-a-service (MLaaS) (یادگیری ماشین به عنوان یک سرویس) راه‌اندازی کرده است.

این سامانه مجموعه‌ای از راه‌حل‌ها، ابزارها و فناوری‌های یادگیری ماشین در فضای ابری است که با شتاب بخشیدن به ارائه راه‌حل‌ها، به FDA در انجام وظایف قانونی‌اش کمک می‌کند و شامل مدل‌های پیش‌ساخته، الگوریتم‌ها و اتوماسیون فرایند رباتیک (RPA) است. این سامانه با استفاده از بینایی کامپیوتر، طبقه‌بندی تصویر و پردازش زبان طبیعی (NLP) بسیاری از موارد استفاده FDA را بررسی می‌کند.

سامانه موردنظر، به منظور انجام فرایندهای دستی و پرزحمت، ورود داده ایجادشده را استفاده می‌کرده است. ورود داده‌ای که FDA آن را برای حجم بالای اسناد دست‌نویس و فرم‌هایی که دریافت می‌کند و برخی از آن‌ها به زبان‌های مختلف هستند، به کار می‌برده است. این اسناد به شکل‌های گوناگونی به دست FDA می‌رسد، از جمله PDF، فایل word و Excel یا تصاویری که با دستگاه‌های هوشمند گرفته یا اسکن شده‌اند و ممکن است تار باشند یا دارای کیفیت پایینی باشند یا شامل جدول و گزارش باشند.

سهیل چادری ، مدیر ارشد اجرایی سازمان غذا و داروی آمریکا بیان کرد: «یکی از چالش‌های پیش روی ما، زمان زیادی بود که صرف به دست آوردن داده‌های ساخت‌مند از آن فرم‌ها و انجام کاری واقعی با آن داده‌ها در راستای وظیفه‌مان در قبال سلامت عمومی می‌شد.»

توانایی سامانه یادگیری ماشین به عنوان سرویس

این سامانه راه‌حلی تکرارشونده است که می‌تواند به صورت خودکار یک فرم و نوع آن را تشخیص دهد، محتوای دست‌نوشته را تعیین کند و سپس آن را دیجیتالی کند. علاوه بر این، می‌تواند زبان‌های خارجی را به انگلیسی ترجمه کند و اطلاعات کلیدی را استخراج کند و آن را در یک نرم‌افزار دان‌استریم به کار ببرد.

راه‌حل MLaaS مستقل از نرم‌افزار است؛ به این معنی که کاربران نهایی برای استفاده از آن نیاز به داشتن برنامه یا راه‌حلی خاص ندارند. چادری اظهار کرده است: «این سامانه روی یک معماری میکروسرویس بنا نهاده شده است و از یک کانتینر فاقد سرور استفاده می‌کند، بنابراین بسیار سبک است؛ برای استفاده از آن حتی نیاز به سرور هم ندارید.»

بخش‌های مختلف FDA به جای اینکه هر کدام به طور مجزا از ابزارهای یادگیری ماشین و هوش مصنوعی خود استفاده کنند، می‌توانند از موتور MLaaS استفاده کنند که به مرور زمان به تکامل رسیده است. با این کار، نه‌تنها استانداردسازی محقق می‌شود، بلکه هزینه‌ها نیز کنترل می‌شوند.

همچنین MLaaS، دارای یک تابع امتیازدهی است که مشخص می‌کند سامانه چقدر درباره صحت کار خود اطمینان دارد. چادری می‌گوید: «بر اساس تصمیماتی که ماشین اتخاذ می‌کند، تأثیر آن تعیین می‌شود؛ بر این اساس، ماشینی داریم که نه‌تنها اینچنین تحلیل‌های قابل‌پیشبینی را ارائه می‌دهد، بلکه دارای ضریب اطمینانی است که مختص به آن است و وقتی انسان با آن مواجه می‌شود، از روی آن متوجه می‌شود که کار از طریق ماشین انجام شده و نه نیروی انسانی.»

کار با سامانه MLaaS که در فضای ابری FDA قرار دارد، حدوداً یک سال پیش آغاز شد. کارمندان باید آنچه را که می‌خواهند، از کاتالوگ دفتر مدیریت اطلاعات و خدمات فناوری که از طریق یک رابط برنامه‌نویسی کاربردی برای کاربر منتشر می‌شود، انتخاب کنند.

مزیت ارائه در فضای ابری

چادری بیان داشت: «این واقعیت که این سامانه در فضای ابری ما که از قبل مجوز آن صادر شده ارائه می‌شود، هم هزینه راه‌حل را کم کرده است و هم موجب افزایش انعطاف محیط استقرار ما شده است، زیرا بیشتر سرویس‌ها و برنامه‌های کاربردی نسل بعدی ما در فضای ابری استقرار یافته‌اند.»

یکی از درس‌هایی که از این تلاش‌ها می‌آموزیم، اهمیت ایجاد تغییر در مواقع بروز آن‌ها است. به عنوان مثال، اگر الگوریتم دست‌نوشته یک پزشک را به جای «COVID» با عنوان «could» تعبیر کند، لازم است اصلاحاتی انجام شود. چادری می‌گوید: «هنگامی که ما اشتباهاتی را پیدا می‌کنیم، آن را اصلاح می‌کنیم و وقتی یکبار آن اشتباه را در نقطه‌ای اصلاح کنیم، اثر پایین‌دستی دارد و در دیگر جاها نیز خود را اصلاح می‌کند.»

MLaaS تنها گوشه‌ای از اقدامات بزرگ سازمان غذا و دارو است که درصدد یافتن راهکارهای استاندارد و پیشرفته‌ای برای اجرای فناوری‌های هدفمند است. چادری اظهار داشت: «ما نه‌تنها تغییرات فناورانه را با هدف ایجاد تغییر انجام می‌دهیم، بلکه قصدمان این است با وارد کردن هوش مصنوعی، یادگیری ماشین، RPA و NLP به محیط کار خود، آن را متناسب با هدف بسازیم.»

هدف بعدی استفاده از MLaaS، اتصال ابزارهای اتوماسیون گردش کار بدون کد یا کم کدِ موجود در FDA است. پس از آن، به گفته چادری، تمرکز او بر روی بلاک‌چین به عنوان سرویس خواهد بود.

هدف هر کدام از ابزارهای «به عنوان سرویس» این است که به قدری عمومیت داشته باشند که برای بسیاری از موارد، فارغ از بخشی که می‌خواهد از آن‌ها استفاده کند، کارآمد باشند.

چادری گفت: «مفهوم X به عنوان یک سرویس، به معنای واقعی در سازمانی مانند FDA عملی می‌شود، زیرا نیازهای آن به یک دفتر یا مرکز تجاری خاص محدود نمی‌شوند. مزایای استفاده از این قابلیت‌ها و راه‌حل‌ها، بسیار زیاد است.»

جدیدترین اخبار هوش مصنوعی ایران و جهان را با هوشیو دنبال کنید