AstraZeneca accélère le temps nécessaire à l'acquisition de connaissances grâce à Amazon SageMaker

En tant qu'entreprise mondiale dirigée par des scientifiques, AstraZeneca se concentre sur la découverte, le développement et la commercialisation de médicaments qui changent la vie des patients dans les domaines de l'oncologie, des maladies rares et des produits biopharmaceutiques pour le système cardiovasculaire et les fonctions rénales et métaboliques, ainsi que pour la santé respiratoire et l'immunologie. Des millions de patients bénéficient de ces médicaments dans 145 pays et sur 70 marchés. AstraZeneca analyse les données anonymes des patients pour en tirer des enseignements, notamment en apprenant les sentiments des patients sur des traitements spécifiques et en alimentant des modèles de progression sur des domaines thérapeutiques tels que l’insuffisance rénale chronique, la réadmission pour insuffisance cardiaque et la classification des cancers. AstraZeneca transmet ces informations aux analystes commerciaux, qui les utilisent à leur tour pour améliorer les processus commerciaux, sensibiliser les systèmes de santé et les inciter à les adopter. « Nous nous concentrons sur l'alignement des cibles et le marketing, en aidant nos équipes commerciales à fournir les bonnes informations aux prestataires de soins de santé afin de répondre aux besoins des patients », explique Cherry Cabading, architecte d'entreprise senior mondial chez AstraZeneca.

L'obtention de ces informations nécessite l'analyse de jeux de données volumineux. Et comme beaucoup de grandes entreprises, l'équipe commerciale d'AstraZeneca ne disposait pas d'un environnement ML agile pour traiter les données à grande échelle. Sa solution ML précédente a nécessité plus d'un mois d'efforts intensifs pour mettre en place un environnement pour les scientifiques des données qui leur donnerait accès aux données nécessaires. Cette méthode était inefficace en termes de temps et de coûts. « Nous utilisions auparavant une pile technologique qui manquait d'un moyen automatisé de produire l'environnement pour une équipe de scientifiques des données », explique Cabading. « Il était même difficile de le coller ensemble car il n'y avait aucune cohésion entre les différents outils ML disponibles sur le marché. »

En 2020, l'équipe commerciale était à la recherche d'une solution offrant extensibilité, flexibilité et capacité de mise à l’échelle. « Les scientifiques des données avaient besoin d'une solution pour construire, former et déployer des modèles ML, puis pour industrialiser ces modèles afin de les intégrer à notre système commercial », explique M. Cabading. En utilisant Amazon SageMaker, AstraZeneca a pu mettre en œuvre une solution standard et unifiée pour le développement du ML, évitant ainsi des mois d'écriture de code d'intégration personnalisé tout en réduisant les coûts.

En 2020, Cabading et l'équipe ont commencé à architecturer et à concevoir la solution à l'aide d'Amazon SageMaker. Au moment où l'équipe se préparait à mettre en œuvre des opérations de ML, AWS a lancé Amazon SageMaker Studio, un environnement de développement entièrement intégré pour le ML qui regroupe tout ce qui est nécessaire pour préparer les données et construire, former et déployer des modèles dans une interface visuelle unifiée basée sur le web. AstraZeneca a commencé à utiliser Amazon SageMaker Studio en juillet 2021. « Il comprend le déploiement, les opérations ML, le registre des modèles, le Feature Store de SageMaker et la possibilité de déployer les modèles à différents stades ou environnements », explique M. Cabading. « Plutôt que de créer de nombreux processus manuels, nous pouvons en toute simplicité automatiser la plupart du processus de développement de ML au sein d’Amazon SageMaker Studio. »

La solution ML d'AstraZeneca, appelée Advanced Insights Generator (AIG), aide les analystes à réaliser des modélisations commerciales. Dans le secteur commercial américain, AIG a recours à des équipes scientifiques comprenant plus de 100 experts en science des données. Les experts en science des données demandent un environnement et les données auxquelles ils veulent accéder, par exemple des données biopharmaceutiques ou oncologiques. Pour gérer ces demandes, l'équipe de Cabading utilise AWS Service Catalog, qui fournit un emplacement unique où les organisations peuvent gérer de manière centralisée des catalogues de services informatiques. « Nous entrons le nom de l'équipe de science des données et sélectionnons une case à cocher pour les données auxquelles ils veulent accéder », explique Cabading. Ensuite, un nouvel environnement se lance automatiquement. L'ensemble du processus prend 5 minutes, contre plus d'un mois auparavant, de sorte que les scientifiques des données peuvent se concentrer sur des travaux plus utiles et fournir des informations rapidement.

Grâce à l'AIG, l'équipe commerciale peut générer des informations en moins de 2,5 mois, contre plus de 6 mois auparavant, soit une amélioration d'environ 150 % du délai d'obtention des informations. « Parce que la solution a l'infrastructure en tant que code, elle est simple à répéter. Nous n'avons pas besoin de réinventer la roue pour ces projets », déclare M. Cabading. « Nous pouvons partager cette solution entre différents partenaires internes et externes là où cela a le plus de sens. »