AstraZeneca velocizza l'ottenimento di informazioni tramite Amazon SageMaker

In qualità di azienda globale a guida scientifica, AstraZeneca è focalizzata sulla scoperta, lo sviluppo e la commercializzazione di farmaci che cambiano la vita in oncologia, malattie rare e biofarmaci per il sistema cardiovascolare e la funzione renale e metabolica, nonché per la salute respiratoria e l'immunologia, supportando milioni di pazienti in 145 paesi e 70 mercati. AstraZeneca analizza i dati anonimi dei pazienti per ottenere informazioni, tra cui l'apprendimento del sentiment dei pazienti su trattamenti specifici e i modelli di progressione dell'alimentazione su aree terapeutiche come la malattia renale cronica, la riammissione in caso di scompenso cardiaco e la classificazione del cancro. AstraZeneca fornisce queste informazioni agli analisti commerciali, che a loro volta le utilizzano per migliorare i processi aziendali e promuovere la consapevolezza e l'adozione dei sistemi sanitari. "Ci concentriamo sull'ottimizzazione dell'allineamento e del marketing, aiutando i nostri team commerciali a fornire le informazioni giuste agli operatori sanitari per soddisfare le esigenze dei pazienti", afferma Cherry Cabading, global senior enterprise architect presso AstraZeneca.

Fornire queste informazioni richiede l'analisi di set di dati di grandi dimensioni. E come molte grandi aziende, il team commerciale di AstraZeneca non disponeva di un ambiente ML agile in cui elaborare i dati su larga scala. La sua precedente soluzione ML richiedeva oltre un mese di intenso sforzo per creare un ambiente per i data scientist che consentisse loro l'accesso ai dati necessari. Questo sistema era inefficiente sia in termini di tempo che di costi. "In precedenza abbiamo utilizzato uno stack tecnologico che non disponeva di un modo automatizzato di produrre l'ambiente per un team di data scientist", ha spiegato Cabading. "Era difficile persino consolidarlo perché non c'era coesione tra i vari strumenti ML disponibili sul mercato".

Nel 2020, il team commerciale era alla ricerca di una soluzione che fornisse estensibilità, flessibilità e scalabilità. "I data scientist avevano bisogno di una soluzione per la creazione, l'addestramento e l'implementazione di modelli ML, quindi l'industrializzazione di tali modelli da integrare con il nostro sistema commerciale", ha affermato Cabading. Utilizzando Amazon SageMaker, AstraZeneca è riuscito a implementare una soluzione standard e unificata per lo sviluppo di ML, evitando mesi di scrittura di codice di integrazione personalizzato e riducendo i costi.

Nel 2020, Cabading e il team hanno iniziato a lavorare all’architettura e al design della soluzione utilizzando Amazon SageMaker. Proprio mentre il team si stava preparando a implementare le operazioni di machine learning, AWS ha rilasciato Amazon SageMaker Studio, un ambiente di sviluppo completamente integrato per ML che offre tutto il necessario per preparare i dati e creare, addestrare e distribuire modelli in un'unica interfaccia visiva basata sul Web. AstraZeneca ha iniziato a usare Amazon SageMaker Studio nel luglio 2021. "Include l'implementazione, le operazioni di machine learning, il registro dei modelli, il SageMaker Feature Store e la possibilità di implementare i modelli in fasi o ambienti diversi", ha affermato Cabading. “Invece di creare molti processi manuali, possiamo automatizzare la maggior parte del processo di sviluppo ML semplicemente all'interno di Amazon SageMaker Studio”.

La soluzione ML di AstraZeneca, denominata Advanced Insights Generator (AIG), aiuta gli analisti a eseguire il modeling commerciale. Nel settore commerciale statunitense, AIG viene utilizzato con team scientifici composti da oltre 100 data scientist. I data scientist richiedono un ambiente e i dati a cui desiderano accedere, come dati biofarmaceutici o oncologici. Per gestire queste richieste, il team di Cabading utilizza il Catalogo dei servizi AWS, che fornisce un'unica posizione in cui le organizzazioni possono gestire centralmente i cataloghi dei servizi di tecnologia dell'informazione. "Inseriamo il nome del team di data science e selezioniamo una casella di controllo per i dati a cui desiderano accedere", ha affermato Cabading. Quindi, viene avviato automaticamente un nuovo ambiente. L'intero processo richiede 5 minuti, rispetto a più di un mese, così i data scientist possono concentrarsi su lavori più preziosi e fornire informazioni dettagliate rapidamente.

Utilizzando AIG, il team commerciale può generare informazioni dettagliate in meno di 2,5 mesi rispetto a oltre 6 mesi prima, con un miglioramento di circa il 150% del tempo per ottenere informazioni dettagliate. “Poiché la soluzione ha una Infrastructure as Code, è semplice da ripetere. Non abbiamo bisogno di scoprire l'acqua calda per quei progetti", ha affermato Cabading. "Possiamo condividere questa soluzione tra diversi partner interni ed esterni dove ha più senso".