Gilead Mempercepat Pengembangan Alat Pencarian Korporasi dengan Menggunakan Machine Learning di AWS

Perusahaan bioteknologi Gilead Sciences Inc. (Gilead) ingin meningkatkan produktivitas staf dan merampingkan proses manajemen data internal dalam unit bisnis pengembangan dan manufaktur farmasi (PDM), sehingga dapat dengan cepat meluncurkan lebih banyak perawatan terapeutik bagi para penderita penyakit kronis. Untuk mencapai tujuan ini, perusahaan ingin membangun alat pencarian korporasi yang dapat diskalakan dan menggunakan kecerdasan buatan (AI) serta machine learning (ML) guna memberikan analitik prediktif dan menemukan dokumen penting, pengetahuan, serta data di satu lokasi terpusat. Agar alat ini dapat secara konsisten memberikan hasil yang relevan dengan setiap permintaan bahasa alami, perusahaan memerlukan satu set solusi yang akan mengatur data terstruktur dan tidak terstruktur dari sembilan sistem korporasi dan dokumen dari repositori pengetahuan.

Untuk mempercepat jadwal proyeknya, tim PDM Gilead memilih Amazon Web Services (AWS), dengan mengadopsi Amazon Kendra, sebuah layanan pencarian cerdas yang sangat akurat dan didukung oleh ML. Saat menerima dukungan AWS, tim PDM membangun danau data selama 9 bulan, membangun sebuah alat pencarian hanya dalam waktu 3 bulan, dan menyelesaikan proyeknya dalam waktu kurang lebih 3 tahun. Sejak meluncurkan alat pencarian korporasi ini, para pengguna di seluruh PDM secara substansial mampu mengurangi sekitar 50 persen tugas manajemen data manual dan jumlah waktu yang dibutuhkan untuk mencari informasi, mendukung penelitian, eksperimen, dan terobosan farmasi.

Berpusat di Kota Foster, California, Gilead berfokus pada penelitian dan pengembangan teknologi antivirus dan obat-obatan, termasuk pengobatan untuk HIV dan hepatitis virus. Pada bulan April 2021, tim ilmu data dalam unit bisnis manufaktur Gilead membuat konsep Morpheus, sebuah alat pencarian korporasi yang akan menggunakan AI dan ML untuk mengambil informasi dan wawasan yang relevan secara cepat dari sekitar 250.000 dokumen dan 1 TB data tidak terstruktur. Sebuah tim proyek yang terdiri dari beberapa ilmuwan data dan perekayasa dibentuk dalam PDM untuk secara khusus mewujudkan ide ini sehingga para peneliti dan ilmuwannya dapat secara mendalam memahami wawasan dari peraturan, kepatuhan, rantai pasokan, dan pembuatan data agar dapat meningkatkan kemampuan dalam menghadirkan obat-obatan penyelamat kepada pasien.

Tim Morpheus menghadapi tantangan besar dalam menggabungkan data dari berbagai sistem korporasi guna menerapkan strategi AI dan ML tunggal untuk penemuan pengetahuan. “Kami menyadari bahwa kami memiliki kesempatan berinovasi dalam ruang AI pengetahuan Gilead dengan mendesain dan menerapkan infrastuktur yang akan menggabungkan data, pengetahuan, dan informasi yang diperlukan untuk membangun pencarian AI berskala besar,” ungkap Jeremy Zhang, Direktur Ilmu Data dan Manajemen Pengetahuan di Gilead.

Untuk mengembangkan alat pencarian korporasi, gugus tugas Morpheus melibatkan Amazon Machine Learning Solutions Lab yang memasangkan tim-tim organisasi dengan para ahli ML untuk membantu mengidentifikasi dan membangun solusi ML guna menangani peluang-peluang laba atas investasi ML dalam organisasi. Melalui kolaborasi dengan tim Amazon ML Solutions Lab, gugus tugas memperdalam pemahaman tentang praktik terbaik cloud dan mempelajari cara mendesain serta menjalankan bukti konsep. Tim tersebut juga mempelajari Amazon Kendra. “Amazon Kendra adalah solusi AI siap pakai yang jika dikonfigurasi dengan benar akan mampu menjangkau setiap domain dalam organisasi dan sangat mudah diterapkan,” ujar Zhang. Dalam waktu 4 minggu, tim memutuskan untuk melangkah maju dengan mengembangkan alat pencarian korporasi yang sepenuhnya dilakukan di AWS.

Tim PDM Gilead memulai proyek Morpheus dengan membangun danau data menggunakan Amazon Simple Storage Service (Amazon S3), sebuah layanan penyimpanan objek yang menawarkan skalabilitas, ketersediaan data, keamanan, dan performa yang terdepan di industri. Danau data ini bertindak sebagai repositori terpusat penyimpanan semua data tidak terstruktur milik PDM di hampir semua skala. “Untuk mendapatkan alat pencarian korporasi di AWS, kami harus memiliki manajemen data yang kuat di sekelilingnya,” kata Zhang. “Jadi, kami membangun danau data di AWS selama 9 bulan—sesuatu yang penerapannya dianggap membutuhkan waktu bertahun-tahun.” Perusahaan tidak hanya menggunakan danau data sebagai dasar bagi AI dan ML, tetapi juga untuk menjalankan analitik dan mendapatkan wawasan mendalam dari data di seluruh pengembangan dan manufaktur. Sebelumnya, tim Gilead telah meminta analitik dari tim teknologi informasi, tetapi dalam beberapa kasus, pemenuhan permintaan tersebut akan memakan waktu hingga 1 tahun. Saat ini, perusahaan dapat memberikan analitik dan inferensi AI dalam waktu beberapa hari kerja saja.

Selanjutnya, tim PDM berfokus memperkaya pencariannya dengan mengisi metadata yang hilang atau tidak lengkap untuk alat dokumennya menggunakan Amazon SageMaker, yang membantu para pengguna membangun, melatih, dan melakukan deployment model ML untuk hampir semua kasus penggunaan dengan infrastruktur, alat, dan alur kerja yang terkelola sepenuhnya. Dengan menggunakan solusi ini, Gilead telah memudahkan para penelitinya mencari informasi terkait hanya dengan beberapa kata kunci. Perusahaan juga menggunakan Amazon Textract, layanan ML yang secara otomatis mengekstraksi teks, tulisan tangan, dan data dari dokumen yang dipindai. Gilead menggunakan Amazon Textract untuk mendeteksi informasi relevan yang ada di dalam dokumennya, dan mengurangi biaya yang terkait berdasarkan tingkat besaran per operasi dibandingkan dengan solusi pengenalan karakter optik sebelumnya. “Amazon Textract ini sangat bagus, bukan hanya karena penghematan biaya nyata, tetapi juga karena kemampuan teknisnya yang luar biasa dalam mengekstraksi informasi,” ucap Zhang.

Tim juga menggunakan Amazon Kendra bersama dengan aplikasinya untuk mencari hasil dari danau data. Dengan melakukan hal tersebut, Gilead mampu mengurangi kira-kira 50 persen jumlah waktu yang dibutuhkan untuk mencari informasi relevan di seluruh sistem, sehingga dapat meningkatkan produktivitas staf dan merampingkan alur kerja timnya. “Amazon Kendra memberikan keuntungan efisiensi yang besar. Dengan menggunakan Amazon Kendra, tim kami telah mengurangi sejumlah tempat yang harus dikunjungi untuk menemukan informasi yang tepat,” lanjut Zhang.

Pada bulan November 2021, tim berhasil meluncurkan aplikasi Morpheus, menandai penyelesaian fase pertama proyek dengan tim inti 5 karyawan. Sejak saat itu, aplikasi tersebut menjadi katalis perubahan organisasi. Dalam kurun waktu 3 bulan sejak peluncurannya, lebih dari 100 karyawan menggunakan alat pencarian korporasi. “Morpheus membuat kami berpikir bahwa kami harus mempraktikkan ilmu perpustakaan atau ontologi untuk mengatur dan menemukan pengetahuan,” kata Zhang. “Hal ini menjadi cara yang mudah untuk menunjukkan nilai AI dan ML kepada pimpinan senior.”

Tim pengembangan dan manufaktur Gilead saat ini sedang berupaya meningkatkan danau data untuk mencapai kepatuhan GxP, termasuk kepatuhan dengan praktik manufaktur yang baik, dan memperkirakan bahwa restrukturisasi danau data akan selesai pada bulan Juni 2022 Perusahaan juga merencanakan membangun lebih banyak teknologi AI dan ML untuk menyediakan metadata prediktif, AI yang dipersonalisasi, dan grafik pengetahuan. “Morpheus menunjukkan pada kami manfaat penggunaan alat dengan ukuran dan skala ini bagi seluruh organisasi,” kata Zhang. “Morpheus membantu kami memahami cara Gilead menggunakan ilmu data untuk mendorong gelombang nilai berikutnya yang dapat kami peroleh dari AI dan ML di AWS.”