Gilead accelera lo sviluppo di uno strumento di ricerca aziendale utilizzando il machine learning su AWS

L'azienda di biotecnologia Gilead Sciences Inc. (Gilead) voleva aumentare la produttività del personale e snellire i processi interni di gestione dei dati dentro la sua unità di sviluppo e produzione farmaceutica (PDM), in modo da poter lanciare rapidamente un maggior numero di trattamenti terapeutici per persone affette da malattie potenzialmente letali. Per raggiungere questo obiettivo, l'azienda voleva costruire uno strumento di ricerca aziendale scalabile che utilizzasse l'intelligenza artificiale (IA) e il machine learning (ML) per fornire analisi predittive e trovare documenti, conoscenze e dati importanti in un'unica posizione centralizzata. Affinché lo strumento producesse costantemente risultati pertinenti per ogni interrogazione in linguaggio naturale, l'azienda aveva bisogno di una serie di soluzioni in grado di organizzare i dati strutturati e non strutturati provenienti da un massimo di nove sistemi aziendali e i documenti degli archivi di conoscenza.

Per accelerare i tempi del progetto, il team PDM di Gilead ha scelto Amazon Web Services (AWS), adottando Amazon Kendra, un servizio di ricerca intelligente altamente accurato e basato sul ML. Grazie al supporto di AWS, il team PDM ha costruito un data lake in 9 mesi e successivamente uno strumento di ricerca in soli 3 mesi, completando il progetto entro i 3 anni previsti. Da quando è stato lanciato lo strumento di ricerca aziendale, gli utenti dell'unità PDM sono riusciti a ridurre sostanzialmente le attività di gestione manuale dei dati e il tempo necessario per la ricerca delle informazioni di circa il 50%, alimentando la ricerca, la sperimentazione e le scoperte farmaceutiche.

Con sede a Foster City, in California, Gilead è specializzata nella ricerca e nello sviluppo di tecnologie e prodotti farmaceutici antivirali, tra cui potenziali cure per l'HIV e l'epatite virale. Nell'aprile del 2021, il team di data science dell'unità produttiva di Gilead ha ideato Morpheus, uno strumento di ricerca aziendale che avrebbe utilizzato l'IA e il ML per ricavare rapidamente informazioni e approfondimenti pertinenti da circa 250.000 documenti e 1 TB di dati non strutturati. All'interno dell'unità PDM è stato creato un team di progetto composto da data scientist e ingegneri dedicato a dare vita a questa idea, in modo che i suoi ricercatori e scienziati potessero ottenere approfondimenti dai dati normativi, di conformità, della catena di approvvigionamento e di produzione, per accelerare la capacità di portare ai pazienti farmaci salvavita.

Il team di Morpheus ha affrontato una sfida significativa: riunire i dati di molti sistemi aziendali per implementare un'unica strategia di IA e ML per la ricerca di conoscenze. "Ci siamo resi conto di avere l'opportunità di innovare lo spazio dell'IA della conoscenza in Gilead, progettando e implementando un'infrastruttura che riunisse i dati, le conoscenze e le informazioni necessarie per costruire una ricerca di IA su larga scala", afferma Jeremy Zhang, direttore della data science e della gestione della conoscenza di Gilead.

Per sviluppare uno strumento di ricerca aziendale, la task force di Morpheus si è rivolta al Laboratorio delle soluzioni Amazon Machine Learning, che associa i team di un'organizzazione con esperti di ML per aiutare a identificare e costruire soluzioni di ML per affrontare le opportunità di ML con il più alto ritorno sugli investimenti dell'organizzazione. Collaborando con il team del Laboratorio delle soluzioni Amazon Machine Learning, la task force ha approfondito la conoscenza delle best practice del cloud e ha imparato a progettare ed eseguire proof of concept. Il team ha anche imparato a conoscere Amazon Kendra. "Amazon Kendra è una soluzione pronta all'uso di intelligenza artificiale che, se correttamente configurata, oltre a essere molto semplice da implementare è in grado di coprire ogni singolo settore nell'organizzazione", dice Zhang. Nel giro di 4 settimane, il team ha deciso di procedere con lo sviluppo dello strumento di ricerca aziendale interamente su AWS.

Il team PDM di Gilead ha dato il via al progetto Morpheus creando un data lake utilizzando Amazon Simple Storage Service (Amazon S3), un servizio di archiviazione di oggetti che offre scalabilità, disponibilità dei dati, sicurezza e prestazioni all'avanguardia nel settore. Questo data lake funge da repository centralizzato per l'archiviazione di tutti i dati non strutturati dell'unità PDM, praticamente su qualsiasi scala. "Per avere uno strumento di ricerca aziendale su AWS, dovevamo avere una solida gestione dei dati", spiega Zhang. "Così abbiamo creato un data lake su AWS in 9 mesi, qualcosa che secondo molti avrebbe dovuto richiedere molti più anni per essere implementato." L'azienda utilizza il data lake non solo come base per l'IA e il ML, ma anche per eseguire analisi e ottenere approfondimenti dai dati relativi allo sviluppo e alla produzione. In precedenza, i team di Gilead dovevano inviare ticket al team informatico per le analisi e, in alcuni casi, ci voleva fino a un anno per soddisfare le richieste. Ora l'azienda è in grado di fornire analisi e inferenze di IA in pochi giorni lavorativi.

Successivamente, il team PDM si è concentrato sull'arricchimento delle ricerche, completando i metadati mancanti o incompleti per lo strumento dei documenti utilizzando Amazon SageMaker, che aiuta gli utenti a creare, addestrare e distribuire modelli di ML praticamente per qualsiasi caso d'uso con infrastrutture, strumenti e flussi di lavoro completamente gestiti. Grazie a questa soluzione, Gilead ha semplificato per i suoi ricercatori la ricerca di informazioni pertinenti con poche parole chiave. L'azienda utilizza anche Amazon Textract, un servizio di machine learning (ML) che estrae automaticamente testo, scrittura a mano e dati da documenti scansionati. Gilead utilizza Amazon Textract per rilevare le informazioni rilevanti nei suoi documenti e ridurre i costi associati di ordini di grandezza per operazione rispetto alla precedente soluzione di riconoscimento ottico dei caratteri. "Amazon Textract è davvero interessante, non solo per il reale risparmio sui costi, ma anche perché la sua capacità tecnica di estrarre informazioni è straordinaria", afferma Zhang.

Il team utilizza anche Amazon Kendra con la sua applicazione per cercare i risultati dal suo data lake. In questo modo, Gilead è riuscita a ridurre di circa il 50% il tempo necessario per la ricerca di informazioni rilevanti nei vari sistemi, aumentando la produttività del personale e snellendo i flussi di lavoro dei team. "L'utilizzo di Amazon Kendra rappresenta un grande guadagno in termini di efficienza. Con questo sistema, il nostro team ha ridotto il numero di luoghi in cui le persone devono recarsi per trovare le informazioni giuste", spiega Zhang.

Nel novembre 2021, il team è stato in grado di lanciare l'applicazione Morpheus, completando la prima fase del progetto con un nucleo di 5 dipendenti. Da allora, l'applicazione è stata un catalizzatore per il cambiamento organizzativo. A 3 mesi dal lancio, oltre 100 dipendenti hanno adottato lo strumento di ricerca aziendale. "Morpheus ci ha fatto superare l'idea che per organizzare e trovare la conoscenza si debba ricorrere alla biblioteconomia o alla rappresentazione formale", dice Zhang. "Ed è diventato un modo semplice per dimostrare il valore dell'IA e del ML ai dirigenti."

Il team di sviluppo e produzione di Gilead sta attualmente lavorando per migliorare il proprio data lake al fine di ottenere la conformità GxP, compresa la conformità alle Good Manufacturing Practices, e prevede di terminare la ristrutturazione del data lake entro giugno 2022. L'azienda prevede inoltre di sviluppare ulteriori tecnologie di IA e ML per fornire metadati predittivi, IA personalizzata e grafi di conoscenza. "Morpheus ci dà la consapevolezza di come l'utilizzo di uno strumento di queste dimensioni e di questa portata sia vantaggioso per l'intera organizzazione", afferma Zhang. "Ci sta davvero aiutando a capire come Gilead possa utilizzare la data science per guidare la prossima ondata di valore che possiamo ricavare da IA e ML su AWS."