vLife® FAQs

Obwohl es im Gesundheitswesen und in der Life-Sciences-Branche (dank der KI-Revolution) zahlreiche technologiegetriebene Fortschritte gegeben hat, besteht unser Ziel darin, die Geschäftsprobleme funktional in Servicelinien, Plattformen, LOBs und Anwendungsfälle zu unterteilen. Diese Anwendungsfälle sind horizontal in bereichsbezogene Themen unterteilt, und vLife empfiehlt Technologieangebote wie schnellere KI, Computer Vision, Synthetic Data Generator und IaaS. 

Ausgehend von der Überzeugung, dass es unerlässlich ist, technologische Fortschritte zu nutzen, um unsere Forschung in Richtung wertorientierter Lösungen voranzutreiben, bietet vLife® einen ganzheitlichen Ansatz, der alle Dienstleistungsbereiche und bereichsspezifischen Plattformen abdeckt.

Die funktionalen Ziele sind:

• Bereich: Gesundheitswesen und Biowissenschaften sind unser Hauptaugenmerk. 
• Dienstleistungsbereich: Die dienstleistungsspezifischen Lösungen für Unternehmen der Biowissenschaften sind in den Bereichen MedTech und Biopharma angesiedelt, die für Unternehmen des Gesundheitswesens in den Bereichen Dienstleistungen für Kostenträger und Anbieterdienste. Diese werden weiter in verschiedene Angebote unterteilt.
• Plattform: Jedes Angebot wird als Plattform kategorisiert. Die Nutzungsziele der Kunden bestimmen die verfügbaren Plattformen. 
• LOBs: Die Plattformen enthalten logische Gruppierungen von Lösungen und Anwendungsfällen zur Lösung einzigartiger Geschäftsprobleme.

Wir haben jede Lösung auf vLife mit einem kundenzentrierten, forschungsorientierten Ansatz entwickelt und die Angebote in spezifische Servicebereiche aufgeteilt. Unsere lösungsspezifischen Plattformen umfassen:

Biopharma

• Klinische Versuche
• Kommerzielle Analytik
• Engagement der Patienten
• Bioinformatik-as-a-Service (BaaS)

MedTech

• Kommerzielle Lösungen
• Vernetzte Lösungen
• Engagement der Patienten
• Engagement von Anbietern und Kostenträgern

Dienstleistungen für Kostenträger

• Mitglieder-Journey
• Bearbeitung von Ansprüchen
• Pflegemanagement
• Anbieter-Journey

Dienstleistungen für Anbieter

• Gesundheitsmanagement für die Bevölkerung (Population Health Management, PHM)
• Engagement der Patienten
• Hilfsmittel
• Virtuelle Betreuung
• Erweiterte Analytik

Darüber hinaus gibt es die vLife Offerings Platform mit Faster AI, Computer Vision, Synthetic Data und Innovation as a Service (IaaS), die sich horizontal über all diese Lösungen erstreckt. Wir haben einen separaten Abschnitt zu den vLife-Angeboten.

Wir validieren den Erfolg eines Modells täglich anhand der bereichsbezogenen Anwendungsfälle, indem wir es mit dem ML-Problem (Datenrahmen) und den Ressourcen auf Systemebene vergleichen, die zur Unterstützung der Phasen der ML-Workloads verwendet werden. Unser Lebenszyklus für die Erstellung von End-to-End-Lösungen umfasst die folgenden Aktivitäten, die in jeder Phase automatisiert werden:

• Identifizierung von Geschäftszielen
• ML-Problemstellungen
• Datenerfassung und -integration
• Datenvorbereitung
• Datenvisualisierung und -analytik
• Feature Engineering
• Modellschulung
• Faster AI (Virtusa und Stanford Zusammenarbeit im KI-Labor)
• Modell-Bewertung
  
• Business-Bewertung
• Modell-Bereitstellung
• Transferlernen
• Federated Learning
• MLOps

Wir verwenden Amazon S3 als Data Lake, um große Datenmengen wie elektronische Krankenakten (EMRs), Ansprüche usw. zu speichern. Ein Amazon SageMaker-Notebook, das gegen die P3-Instanztypen und G4 EC2-Instanzen läuft. Datenbereinigung, -verarbeitung, -erkennung und Feature Engineering werden sowohl in der SageMaker-Trainingsinstanz als auch in den G4 EC2-Instanzen durchgeführt. Wir verwenden Amazon SageMaker auch, um benutzerdefinierte Modelle mit den transformierten Daten zu trainieren, indem wir die verteilte Trainingsfunktion nutzen und einen API-Endpunkt für die automatische Skalierung erstellen. Der API-Endpunkt führt Batches und Echtzeit-Inferenzen durch.

vNet ist eine KI-Anwendung für Unternehmen, mit der schnellere, intelligentere und bessere ML-Modelle erstellt werden können, um die digitale Transformation zu beschleunigen. vNet besteht aus den drei Komponenten Daten, KI und Business, die wiederum in Plattformen unterteilt sind.

Künstliche Intelligenz (KI)

• Computer Vision ist eine No-Code/Low-Code Bildanalyseplattform, die zur Leistungsoptimierung beiträgt, um die Effizienz zu steigern und die Betriebskosten zu senken. 
• Faster AI ist eine intuitive, codierungsfreie KI-Plattform zum Erstellen, Trainieren, Bereitstellen und Optimieren von ML-Modellen. Die Lösung nutzt Anwendungen, die gemeinsam mit der Stanford University entwickelt wurden, um rauschfreie und unverzerrte Datensätze zu erstellen. 

Business

• Platform AI ist ein Geschäftsmodell-Designer, der vortrainierte KI-Modelle aus dem vLife-Marktplatz zusammenstellt. Er ermöglicht es Geschäftsanalysten, End-to-End-Lösungen zusammenzustellen. 
• Innovation as a Service (IaaS) ist eine KI-Plattform, die intuitiv Anwendungen und Software von Drittanbietern für ML-Operationen, Transfer Learning und Federated Learning auswählt.

vNet wurde für Branchenexperten, Datenwissenschaftler und Dateningenieure entwickelt, um:

• Genügend Datenpunkte zum Trainieren eines ML-Modells zu haben
• Weniger Rauschen und unverzerrte Datensätze zu erhalten
• Hochpräzise KI-/ML-Modelle mit No-Code/Low-Code zu erstellen
• KI-gesteuerte Lösungen zur Kundenunterstützung bereitzustellen
• Anwendungen schneller bereitzustellen

Die fünf wichtigsten Angebote von vNet innerhalb von vLife zur Beschleunigung der technologiegetriebenen Innovationen sind:

1. Plattform-KI: End-to-End, vortrainierte ML-Algorithmen, die auf Skalierbarkeit ausgelegt sind
2. Schnellere KI: Virtusas Innovation mit SAIL für schnellere, bessere und günstigere ML-Modelle
3. Computer Vision: Fortgeschrittene Bild- und Videoanalytik
4. Synthetische Daten: Realitätsnahe Synthese von Bild- und Tabellendaten
5. IaaS: Partnerlösungen für das Gesundheitswesen und die Biowissenschaften

Platform AI bietet eine Plattform, die alle KI-gesteuerten Lösungen in Form von Daten, NLP, Visualisierung und Erkenntnissen kombiniert, um Kunden in jedem Bereich die Möglichkeit zu geben, bereichsbezogene Lösungen für eine schlüssige Entscheidungsfindung zu erforschen, zu trainieren, zu experimentieren und zu identifizieren. Es handelt sich um ein Framework, das effizienter und intelligenter als herkömmliche Frameworks funktioniert, um Kunden bei der Skalierung von Experimenten mit einem domänenspezifischen, strukturierten Ansatz zu unterstützen.

Faster AI ist ein intuitives KI-Tool, mit dem Sie ganz einfach ML-Modelle erstellen, trainieren und bereitstellen können – alles an einem Ort, ohne eine einzige Zeile Code zu schreiben. Diese Plattform ermöglicht es Nutzern ohne KI-Kenntnisse, ihre täglichen Abläufe zu optimieren, sodass sich Entwickler auf technische Reinheit verlassen und Geschäftsprobleme lösen können. Faster AI befähigt Teams, KI zu operationalisieren und den Geschäftswert zu steigern. 

Unter Nutzung der SAIL-Tools haben wir das Modell optimiert, um einen rauschfreien und unverzerrten Datensatz zu erhalten.

Computer Vision ist eine No-Code-/Low-Code-Plattform für die Bildanalyse, die zur Optimierung der Leistung beiträgt, um die Effizienz zu steigern und die Betriebskosten zu senken. Mit der Möglichkeit, Ihre Videos oder Bilder hochzuladen, können Sie die notwendigen Vorverarbeitungsschritte durchführen, KI-/ML-Modelle trainieren und diese dann nutzen. Die Entwicklung der Computer-Vision-Modelle ist komplett codierungsfrei. Dadurch entsteht eine Umgebung, die in nur wenigen Minuten erlernt werden kann und eine Plattform, die sowohl Anfängern einen schnellen Einstieg ermöglicht als auch KI-Experten die Möglichkeit bietet, schneller zu entwickeln und benutzerdefinierten Code mit einer vollständig verwalteten Infrastruktur für Computer Vision zu nutzen.

Synthetic Data Generator ist eine Plattform, die mithilfe von Algorithmen künstliche Daten erzeugt, indem sie die statistischen Eigenschaften der Originaldaten widerspiegelt, ohne Informationen über reale Personen preiszugeben. Mit dieser Plattform können Unternehmen ihre Privatsphäre wahren, erfolgreich Produkttests durchführen und ML-Algorithmen schulen. Sie hilft Unternehmen, bei der Auswahl einer datenschutzfreundlichen Technologie die Entscheidung zwischen Datenschutz und Datennutzen zu vermeiden. 

Unsere KI-gestützte Lösung für synthetische Daten wandelt Ihre Originaldaten in datenschutzkonforme synthetische Kopien um. Daten in Form von Tabellendatensätzen oder Bildern können ungehindert in Ihrem Unternehmen und in Kooperationen weitergegeben werden, während gleichzeitig maximale Datensicherheit gewährleistet ist. Durch die Beibehaltung der Originaldaten mit synthetischen Kopien versetzen wir Ingenieure, Datenwissenschaftler, Analysten und Produktverantwortliche in die Lage, wichtige Entscheidungen schneller zu treffen – ohne Ihre sensiblen Daten preiszugeben. 

Die Plattform ermöglicht eine schnellere und bessere Erstellung von Datensätzen mit Datenqualitätsprofilen, Beschriftungen und der Generierung synthetischer Daten. Sie hilft allen, die beim Aufbau und Einsatz skalierbarer KI-Lösungen Probleme mit dem Zugriff auf sensible Daten haben oder Daten von schlechter Qualität verwenden. Unsere Plattform löst diese Datenprobleme mit synthetischen Daten und Werkzeugen, die die Datenqualität durch Automatisierung verbessern.

IaaS ist eine Plattform, die intuitiv jeden Schritt der Domain Journey verbindet und verschiedene Lösungen hostet. Diese Lösungen helfen Kunden, das kognitive System der Domänensysteme über verschiedene KI-gesteuerte Innovationen effizient zu verbessern. Die Fähigkeit, neue Innovationen aus dem Wissenspool zu erfassen und sie der Unternehmenswelt zugänglich zu machen, bezeichnen wir als Innovation as a Service.

Unsere Partnerschaft mit dem Stanford Artificial Intelligence Lab (SAIL) und die Verwendung von Generative Adversarial Networks (GANs) heben vNet von anderen Lösungen ab.

vNet:

• Nutzt die mit SAIL entwickelten Anwendungen, um rauschfreie und unverzerrte Datensätze zu erstellen. 
• Verwendet GANs zur Datensatzerweiterung für Bilder und Text/Numerische Daten

Mit vNet können die Benutzer die folgenden Vorgänge durchführen:

• Generieren von synthetischen Tabellen- und Bilddaten.
• Durchführung von Bildvorverarbeitungen und Erstellung von Computer-Vision-Modellen.
• Erstellen von ML-Pipelines ohne Programmierkenntnisse. 
• Nutzen Sie die Anwendungen des Stanford Artificial Intelligence Lab (SAIL), um Rauschen und Verzerrungen aus Datensätzen zu entfernen.

Die Vorteile der Verwendung von vNet über vLife liegen in der Möglichkeit:

• Ihre Anwendungsfälle aus dem vLife-Marktplatz zusammenzustellen, indem Sie vortrainierte ML-Modelle verwenden, die für die Skalierung von KI-Initiativen im Gesundheitswesen und in der Biowissenschaft auf Unternehmensebene konzipiert sind.
• Hochwertige Tabellen-, Bild- oder Videodaten zum Trainieren von ML-Algorithmen zu generieren und zu verwenden, um Ihr Geschäft oder Ihre Initiativen mit der vNet-Produktsuite in vLife zu starten.
• Ihr Unternehmen in vLife einzubinden, indem Sie ein Abonnementmodell wählen.
• Computer Vision und andere Low-Code/No-Code-Produkte zu nutzen, um Branchenlösungen zu verbessern und Leistung, Kosten und Effizienz zu optimieren.
• Nutzen Sie Faster AI, unsere kodierungsfreie KI-Plattform, zum Erstellen, Trainieren, Bereitstellen und Optimieren von ML-Modellen, um rauschfreie und unverzerrte Datensätze zu erstellen. 
• Arbeiten Sie mit dem Platform AI Business Model Designer zusammen, um vortrainierte KI-Modelle aus dem vLife-Marktplatz zusammenzustellen und Geschäftsanalysten in die Lage zu versetzen, End-to-End-Lösungen zusammenzustellen. 
• Nutzen Sie Innovation as a Service (IaaS), um intuitiv Anwendungen und Software von Drittanbietern für MLOps, Transfer Learning und Federated Learning auszuwählen.

Mit über 1.000 ML-Modellen und KI-Artefakten, die auf vLife zur Verfügung stehen, können Sie Ihre eigenen ML-Modelle erstellen, um Daten auf der Grundlage Ihrer organisatorischen Prioritäten und Ihres Projektbudgets zu nutzen.

Das Training maßgeschneiderter ML-Modelle bleibt für Datenwissenschaftler eine Herausforderung, wenn nicht genügend Daten zur Verfügung stehen. Um dieses Problem zu lösen, haben wir vNet entwickelt. Die Lösung, die auf vLife verfügbar ist, bietet Unternehmen Zugang zu synthetischen Tabellen- und Bilddaten, die von vLife-Anwendungen generiert wurden. 

Mit vNet erhalten Sie Zugriff auf: 

• Anwendungen zur Erzeugung synthetischer Daten
• Synthetische Bild- oder Tabellendaten
• den Beratungs- und Ingenieurleistungen von Virtusa zur Realisierung von Option A und/oder Option B

Wir sind uns der entscheidenden Bedeutung der Zusammenarbeit bei der Weiterentwicklung von KI-Technologien zur Entwicklung intelligenter Lösungen bewusst. Diese Lösungen können das Leben der Menschen verbessern, Unternehmen effizienter machen und ihnen helfen, sich als Vordenker im Bereich Gesundheitswesen und Biowissenschaften weiterzuentwickeln. Wir wissen, dass nicht alle Lösungen an einem einzigen Ort als „umfassende Lösung für alle“ entwickelt und gehostet werden können.

vNet wird bald für alle Virtusa-Kunden und -Partner über den vLife-Marktplatz für Gesundheitswesen und Biowissenschaften in einer UI-basierten Anwendung innerhalb von vLife zugänglich sein.

Unser Ziel ist es, auf der Grundlage akademischer Forschung und Partnerschaften innovative Produkte zu entwickeln, die die Probleme der Branche lösen. Durch unsere reichhaltige Markterfahrung können wir jeden in der Gesundheits- und Biowissenschaftsbranche dazu inspirieren, die KI-gestützte medizinische Forschung mit Daten und Innovationen zu beschleunigen.

Wir haben vLife so konzipiert, dass es seinen vertrauenswürdigen Benutzern eine reibungslose Benutzererfahrung bietet. Die Benutzerverwaltungs-Engine von vLife wurde mit AWS Cognito entwickelt, um die Integrität unserer Kunden zu schützen, und ist zu 100 % sicher und geschützt. Die Daten werden sicher in der AWS Cloud gespeichert und sind durch mehrere Firewalls und Sicherheitsebenen geschützt.

Die User Management Engine ist ein End-to-End-Workflow, der die Benutzerinformationen mithilfe von AWS Cognito und anderen AWS-Services speichert, zuordnet, schützt und klassifiziert. Sie garantiert 100-prozentige Sicherheit für Benutzerinformationen. Die für den Zugriff auf vLife verwendeten Anmeldeinformationen werden in sichere Zugriffsschlüssel umgewandelt und mehrfach verschlüsselt. Sobald sich der Benutzer im vLife-Portal registriert/anmeldet, werden die Anmeldeinformationen im Backend inkognito überprüft. Zur zusätzlichen Sicherheit verifizieren wir die E-Mail des Benutzers mit einem Einmalpasswort (OTP), das 24 Stunden lang gültig bleibt. Der Benutzer wird dann seinem Abonnementplan zugeordnet und kann auf die vLife-Angebote zugreifen. Diese Anmeldeinformationen bleiben für jeden Benutzer eindeutig und schützen so die Integrität.

Für jeden Abonnementplan gibt es einen Hauptbenutzer, der die Organisation repräsentiert. Der Hauptbenutzer verfügt über Administratorrechte, um den Zugriff für weitere Benutzer der Organisation auf der Grundlage des Abonnementplans zuzulassen oder zu verweigern. 

Bei der Registrierung für das Portal muss der Benutzer seine E-Mail verifizieren, ein Passwort erstellen und den Namen des Unternehmens angeben. Nach erfolgreicher Registrierung und Genehmigung durch einen vLife-Administrator kann sich der Benutzer dann direkt mit seinem Benutzernamen und einem Passwort beim Portal anmelden.

Synthetische Daten helfen bei der Lösung der häufigsten Datenprobleme, indem sie entweder künstliche Daten von Grund auf erzeugen oder fortschrittliche Augmentierungstechniken verwenden, um neue und vielfältige Trainingsbeispiele zu erzeugen. Wir verwenden die folgenden Tools zur Erzeugung synthetischer Daten:

• GANs: Generative Adversarial Networks (GANs) sind ML-Modelle, bei denen zwei neuronale Netze miteinander konkurrieren, um ihre Vorhersagen zu verbessern. Diese Prozesse laufen unbeaufsichtigt und nutzen ein kooperatives Nullsummenspiel, um zu lernen und realistische Daten zu erzeugen.
• GenRocket: Die Testdatengenerierungsplattform GenRocket verwendet qualitativ hochwertige Testdaten, die die komplexesten Datenmodelle widerspiegeln und jederzeit verfügbar sind, um Engpässe bei kontinuierlichen Tests zu vermeiden. GenRocket ersetzt die manuelle Testdatengenerierung (TDG) durch einen vollautomatischen Prozess, der Dummy-Daten in intelligente Daten verwandelt. Die Technologie zur Generierung synthetischer Daten in Echtzeit ermöglicht es den Kunden, die Markteinführung zu beschleunigen und das Geschäftsrisiko zu verringern.
• Synthea: Synthea ist ein Generator, der die Krankengeschichte von synthetischen Patienten modelliert. Unser Ziel ist es, qualitativ hochwertige, realistische Patientendaten und dazugehörige Gesundheitsakten zu erstellen, die alle Aspekte der Gesundheitsversorgung abdecken. Synthea verwendet einen agentenbasierten Ansatz, um synthetische Gesundheitsdaten zu erzeugen. Jeder Patient wird unabhängig generiert und entwickelt sich von der Geburt bis zum Tod durch modulare Darstellungen verschiedener Krankheiten und Zustände durch jedes Modul im System.

Das Erfassen von Innovationen durch Crowdsourcing ist jetzt so effizient, dass es zum Überlebenspaket eines jeden Unternehmens gehört. Crowdsourcing beruht auf großen, unstrukturierten Gruppen von Menschen, die ein einziges, strukturiertes Ergebnis erzielen. Unternehmen wollen sich die Crowd zunutze machen, um Innovationen zu beschleunigen und die Produkt- und Technologieentwicklung zu beschleunigen. Neue Innovationen aus dem Wissenspool zu erfassen und sie der Unternehmenswelt zugänglich zu machen, ist im Wesentlichen IaaS.

Virtusa ist dem Stanford Artificial Intelligence Laboratory (SAIL) über dessen vLife-Initiative als angeschlossenes Mitglied beigetreten. Die Zusammenarbeit bringt "Virtusas fundiertes Fachwissen im Bereich Digital Engineering und renommierte Forscher des Stanford Innovation Lab zusammen, um KI-Technologie zu entwickeln und voranzutreiben. Im Rahmen der SAIL-Zusammenarbeit wird sich vLife auf die Nutzung von KI konzentrieren, um Patienten zu einem längeren Leben zu verhelfen und die Rentabilität von Produkten zu verbessern, die in der Gesundheits- und Biowissenschaftsbranche eingesetzt werden, indem Open-Source-Forschungsprojekte für KI erweitert werden.

Die SAIL-Anwendungen wurden auch in die Faster AI-Plattform von vNet integriert, mit der Benutzer rauschfreie und unverzerrte Datensätze erstellen können. Virtusa und das Stanford Artificial Intelligence Laboratory (SAIL) haben einen effizienten Ansatz entwickelt, um Verzerrungen in unseren ML-Modellen zu finden und abzuschwächen. Unser systematischer Ansatz basiert auf der Vor- und Nachbearbeitung von Datensätzen und Modellen. 

Die Schritte umfassen:

• Verwendung von Data Shapley und Neuron Shapley zur Auswertung jedes Datenpunkts im Datensatz
• Verwendung von Multiaccuracy, um Verzerrungen aus dem Modell zu entfernen
• Verwendung von cPCA zur Visualisierung des Datensatzes

vLife wurde auf der Grundlage des AWS Well-Architected Framework entwickelt, das die architektonischen Best Practices für die Entwicklung und den Betrieb zuverlässiger, sicherer, effizienter und kostengünstiger Systeme in der Cloud umfasst. Die Architektur wird konsequent an den Best Practices gemessen, die sich darauf konzentrieren, wie wir unsere ML-Lösungen in der Cloud entwerfen, bereitstellen und gestalten. 

Das Design als solches ermöglicht es Entwicklern und Datenwissenschaftlern, mit AWS SageMaker schnell und einfach ML-Modelle in beliebigem Umfang zu erstellen, zu trainieren und bereitzustellen. 

In vLife werden die ML-Operationen mit Open-Source-ML-Frameworks wie TensorFlow, PyTorch und Apache MXNet durchgeführt. 

Auf dem Deep Learning AMI und den Deep Learning Containern in dieser Stufe sind mehrere ML-Frameworks vorinstalliert, die für die Leistung optimiert sind und als Herzstück von Faster AI dienen. Durch die Optimierung sind diese Modelle jederzeit bereit, auf leistungsstarken, ML-optimierten Recheninfrastrukturen wie Amazon EC2 G4- und P3-Instanzen zu starten, die ML-Arbeitslasten mit höherer Geschwindigkeit, Kostenoptimierung und Effizienz bereitstellen.

Bei vLife folgen wir den „Sieben Schritten zur Exzellenz“ für ML-Operations (MLOps):

1. MLOps-Bereitschaft
2. Muster der Dokumentation
3. Modellherkunft tracken
4. ML-Workload-Automatisierung
5. Modellüberwachung und -protokollierung
6. Modell für neue Daten und Aktualisierungen neu trainieren
7. Einbeziehung von Lerndaten

Federated Learning ist eine ML-Technik, bei der ein Algorithmus auf mehreren dezentralen Edge-Geräten oder Servern mit lokalen Datenproben trainiert wird, ohne diese auszutauschen. 

In vLife versuchen wir, beim Training der verteilten Daten Federated Learning zu implementieren. Der Datenschutz bleibt gewahrt, und die Genauigkeit von Deep Neural Networks bei 

sensiblen medizinischen Daten wird nicht beeinträchtigt.