AstraZeneca verwendet Amazon SageMaker für die beschleunigte Erkenntnisgewinnung

Als globales, wissenschaftsorientiertes Unternehmen konzentriert sich AstraZeneca auf die Entdeckung, Entwicklung und Vermarktung von lebensverändernden Medikamenten in den Bereichen Onkologie, seltene Krankheiten und Biopharmazeutika für das Herz-Kreislauf-System, Nieren- und Stoffwechselfunktionen sowie Atemwegserkrankungen und Immunologie und unterstützt Millionen von Patienten in 145 Ländern und 70 Märkten. AstraZeneca analysiert anonymisierte Patientendaten, um Erkenntnisse zu gewinnen. Dazu gehören auch Erkenntnisse über die Einstellung der Patienten zu bestimmten Behandlungen und die Dateneinspeisung in Progressionsmodelle in Therapiebereichen wie chronische Nierenerkrankungen, Wiederaufnahme bei Herzversagen und Krebsklassifizierung. AstraZeneca stellt diese Erkenntnisse kommerziellen Analysten zur Verfügung, die sie wiederum nutzen, um Geschäftsprozesse zu verbessern und das Bewusstsein und die Akzeptanz in den Gesundheitssystemen zu fördern. „Wir konzentrieren uns auf die Zielausrichtung und das Marketing und helfen unseren Vertriebsteams, den Anbietern im Gesundheitswesen die richtigen Informationen zu liefern, um die Bedürfnisse der Patienten zu erfüllen“, erklärt Cherry Cabading, Global Senior Enterprise Architect bei AstraZeneca.

Um diese Erkenntnisse zu gewinnen, ist die Analyse großer Datensätze erforderlich. Und wie viele große Unternehmen verfügte auch das kommerzielle Team von AstraZeneca nicht über eine agile ML-Umgebung, in der es die Daten in großem Umfang verarbeiten konnte. Die vorherige ML-Lösung erforderte mehr als einen Monat intensiver Arbeit, um eine Umgebung für Datenwissenschaftler einzurichten, die ihnen den Zugang zu den erforderlichen Daten ermöglicht. Dies war sowohl zeitlich als auch kostenmäßig ineffizient. „Wir haben zuvor einen Technologie-Stack verwendet, der keine automatisierte Möglichkeit bot, die Umgebung für ein Team von Datenwissenschaftlern zu erstellen“, erklärt Cabading. „Es war schwer, das Ganze überhaupt zusammenzufügen, weil es keine Bindeglieder zwischen den verschiedenen ML-Tools auf dem Markt gab.“

Im Jahr 2020 war das kommerzielle Team auf der Suche nach einer Lösung, die Erweiterbarkeit, Flexibilität und Skalierbarkeit bietet. „Die Datenwissenschaftler benötigten eine Lösung für die Erstellung, das Training und den Einsatz von ML-Modellen und die anschließende Industrialisierung dieser Modelle, damit sie in unser kommerzielles System integriert werden können“, meint Cabading. Durch den Einsatz von Amazon SageMaker war AstraZeneca in der Lage, eine standardisierte, einheitliche Lösung für die ML-Entwicklung zu implementieren, wodurch das monatelange Schreiben von kundenspezifischem Integrationscode vermieden und gleichzeitig die Kosten gesenkt werden konnten.

Im Jahr 2020 begannen Cabading und das Team mit der Architektur und dem Design der Lösung mithilfe von Amazon SageMaker. Gerade als sich das Team auf die Implementierung von ML-Operationen vorbereitete, veröffentlichte AWS Amazon SageMaker Studio, eine vollständig integrierte Entwicklungsumgebung für ML, die alles, was für die Datenaufbereitung und das Erstellen, Trainieren und Bereitstellen von Modellen benötigt wird, auf einer einheitlichen webbasierten visuellen Oberfläche vereint. AstraZeneca begann im Juli 2021 mit der Nutzung von Amazon SageMaker Studio. „Amazon SageMaker umfasst die Bereitstellung, die ML-Operationen, die Modellregistrierung, SageMaker Feature Store und die Möglichkeit, die Modelle in verschiedenen Stadien oder Umgebungen bereitzustellen“, meint Cabading. „Anstatt viele manuelle Prozesse zu erstellen, können wir den Großteil des ML-Entwicklungsprozesses einfach innerhalb von Amazon SageMaker Studio automatisieren.“

Advanced Insights Generator (AIG), die ML-Lösung von AstraZeneca, hilft Analysten bei der Erstellung von Geschäftsmodellen. Im kommerziellen Sektor in den USA wird AIG mit wissenschaftlichen Teams eingesetzt, die aus über 100 Datenwissenschaftlern bestehen. Datenwissenschaftler beantragen eine Umgebung und die Daten, auf die sie zugreifen möchten, z. B. biopharmazeutische oder onkologische Daten. Um diese Anfragen zu verwalten, nutzt das Team von Cabading AWS Service Catalog, mit dem Unternehmen Kataloge von Informationstechnologie-Services zentral verwalten können. „Wir geben den Namen des Datenwissenschaftsteams ein und aktivieren ein Kontrollkästchen für die Daten, auf die das Team zugreifen möchten“, meint Cabading. Dann wird automatisch eine neue Umgebung gestartet. Der gesamte Prozess dauert 5 Minuten, im Vergleich zu mehr als einem Monat zuvor. So können sich die Datenwissenschaftler auf wertschöpfendere Tätigkeiten konzentrieren und schnell Erkenntnisse liefern.

Mit AIG kann das kommerzielle Team in weniger als 2,5 Monaten Erkenntnisse gewinnen, im Vergleich zu mehr als 6 Monaten zuvor. Das ist eine Verkürzung der Zeit bis zur Erkenntnisgewinnung um etwa 150 Prozent. „Weil die Lösung Infrastruktur als Code hat, ist sie einfach zu wiederholen. Für diese Projekte müssen wir das Rad nicht neu erfinden“, sagt Cabading. „Wir können diese Lösung mit verschiedenen internen und externen Partnern gemeinsam nutzen, wo es am sinnvollsten ist.“