


Wie maschinelles Lernen bei der Durchführung klinischer Studien Millionen von Dollar einsparen könnte
Als großer Dienstleister für klinische Studien hat WCG erheblichen Einfluss auf die Marktentwicklung vieler Arzneimittel und Medizinprodukte. Als Zusammenschluss von mehr als 30 ehemals unabhängigen Unternehmen ist es jedoch schwierig, konsistente Daten zur Unterstützung dieser Dienste zu erhalten. Hier helfen die Data-Mastering-Lösungen von Tamr.
Als klinische Dienstleistungsorganisation kümmert sich WCG im Auftrag von Pharmaunternehmen und Geräteherstellern um alle Aspekte klinischer Studien, von Personal und IT bis hin zu Patienteneinbindung und Ethikprüfung, für Pharmariesen wie Merck und Roche sowie für Tausende Bietet wichtige Dienstleistungen für kleine und mittlere pharmazeutische Start-ups und Forschungsgruppen, die die behördliche Zulassung für neue Medikamente und Geräte anstreben.
Der einzige Service, den das Unternehmen nicht anbietet, ist die Durchführung tatsächlicher Versuche. „Das machen wir nicht“, sagte Art Morales, Chief Technology Officer und Data Officer des Unternehmens.
Im letzten Jahrzehnt hat WCG durch die Übernahme von 35 Unternehmen eine profitable Nische in der Branche für klinische Studien geschaffen. Jedes Unternehmen – einige von ihnen schon über 50 Jahre alt – ist auf bestimmte Aspekte des Prozesses klinischer Studien spezialisiert. Diese Unternehmen entwickeln ihre eigenen kundenspezifischen Softwareanwendungen, um ihre verschiedenen Geschäftsprozesse zu automatisieren, und stellen so eine sehr wertvolle Quelle für geistiges Eigentum dar.
Unterschiedliche Systeme zu haben ist aus Sicht jedes einzelnen Unternehmens sinnvoll, stellt jedoch eine Herausforderung für WCG dar, das eine einheitliche Sicht auf alle Tochterunternehmen behalten möchte.
Das Unternehmen versuchte zunächst, das Problem der Dateninkonsistenz manuell zu lösen. Ein Team von etwa fünf bis zehn Personen arbeitete zwei Jahre lang daran, Tippfehler, doppelte Eingaben und andere Datenfehler in den unterschiedlichen Systemen der 35 Tochtergesellschaften auszumerzen. Die bereinigten, standardisierten Daten werden im WCG Data Warehouse in der Cloud gespeichert und können dort mit verschiedenen leistungsstarken Analyse-Engines analysiert werden.
„Eine der großen Fragen, die wir haben, ist: Wie stellt man fest, dass ein ‚Knoten‘ in verschiedenen Organisationen derselbe ‚Knoten‘ ist?“ erklärte Morales. „In manchen Systemen ist möglicherweise eine Adresse vorhanden oder nicht, oder die Adresse ist möglicherweise nicht richtig geschrieben. Einige Daten fehlen möglicherweise einfach und es besteht wirklich große Unsicherheit
Aufgrund dieser Unsicherheit und der Notwendigkeit, etwas zu machen.“ Entscheidungen nacheinander treffen Der Prozess der manuellen Datenverwaltung ist mühsam und zeitaufwändig. Das Unternehmen gab Millionen von Dollar aus, um die Daten zu beherrschen, aber es gab immer noch Inkonsistenzen in den Daten.
Morales erkannte, dass es einen besseren Weg geben musste. Er hörte von Tamr, einem Data-Mastering-Tool, das maschinelles Lernen nutzt, um bekannte Entitäten in großen Datensätzen automatisch zu identifizieren.
Datenbeherrschung basierend auf maschinellem Lernen
Tamr ist ein Datenqualitätstool, das vor acht Jahren geboren wurde und aus der akademischen Forschung von Mike Stonebraker, einem berühmten Informatiker am MIT, hervorgegangen ist.
Laut Anthony Deighton, einem ehemaligen langjährigen Qlik-Manager und jetzt Chief Product Officer von Tamr, ist Stonebraker davon überzeugt, dass maschinelles Lernen notwendig ist, um seit langem bestehende Probleme mit der Datenqualität zu lösen, die in der Größenordnung von Big Data immer schlimmer werden.
Seit vielen Jahren ist die vorgeschriebene Lösung für dieses Dilemma ein Master Data Management (MDM)-Projekt. Anstatt sich darauf zu verlassen, dass jedes einzelne System sicherstellt, dass alles korrekt ist, verfügen einzelne Datensysteme über Verweise auf bekannte Kopien der Daten – sozusagen „Golden Records“.
Die Methode der Goldenen Schallplatte kann das Problem lösen, zumindest denken sie das. Die besten Pläne laufen jedoch Gefahr, zu Staub zu zerfallen, sobald sie in die Realität umgesetzt werden. Genau das passiert mit traditionellem MDM.
Es ist zwecklos, sich beim Bereinigen und Verwalten von Daten auf Menschen zu verlassen. Das wird nicht funktionieren.
Stonebrakers Einsicht in dieses Problem besteht darin, maschinelles Lernen zur Klassifizierung von Daten zu nutzen, so wie Google in den frühen Tagen des Internets maschinelles Lernen zur automatischen Klassifizierung von Websites nutzte und damit die Bemühungen von Yahoo, das Internet manuell zu kuratieren, zunichte machte.
Durch das Training von Maschinen zur Erkennung von Entitäten in Geschäftssystemen hat Tamr einen Weg gefunden, automatisch goldene Aufzeichnungen zu erstellen. Eine wichtige Schlussfolgerung des Teams war, dass Menschen, die gebeten wurden, die Konsistenz mit einer begrenzten Anzahl von Optionen zu bestätigen, viel besser abschnitten, als wenn ihnen Dutzende oder Hunderte von Optionen gleichzeitig präsentiert wurden.
Clinically Golden Record
WCGs Tamr-Studie beginnt im Mai 2021. Nach einer Schulungsphase beobachtet und lernt Tamr Software, wie Mitarbeiter mit Datenunterschieden umgehen.
Ein Team von WCG-Mitarbeitern arbeitete mit Tamr zusammen, um alle Datenquellen im Data Warehouse zu überprüfen und zu bereinigen. Die Software identifiziert „Cluster“, zwei oder mehr Begriffe, die in verschiedenen Anwendungen dasselbe bedeuten, und lädt sie als goldene Datensätze in das Cloud-Data-Warehouse von WCG.
Jede Datenquelle wird über Tamr ausgeführt, bevor die Daten in das Data Warehouse geladen werden. Die Größe der Datenquellen reicht von etwa 50.000 Datensätzen bis zu über 1 Million Datensätzen und kann etwa 200 Spalten pro Entität enthalten. Das Problem ist nicht die Quantität, sondern die Komplexität. Tamr-Tools beschleunigen nicht nur den Datenverwaltungsprozess um etwa das Vierfache, sondern erzeugen auch standardisiertere Daten, was eine größere Klarheit für den Geschäftsbetrieb bedeutet.
„Wenn Sie Daten bereinigen, können Sie jetzt sauberere Daten verwenden, um bessere betriebliche Erkenntnisse zu erhalten“, sagte Morales. „Wir können über Salesforce und unsere Anwendungen einen Abgleich durchführen, um zu wissen, dass dies die richtigen Dinge sind. Wenn die Daten früher nicht bereinigt wurden, konnten wir einen Abgleich von 50 Prozent erzielen. Jetzt können wir einen Abgleich von 80 Prozent erreichen. Also nutzen wir das, was wir tun.“ sehr klare betriebliche Vorteile. „
Tamr kann nicht alle Entitäten erfolgreich in Cluster einordnen, es gibt immer noch einige Randfälle, die menschliches Fachwissen erfordern. In diesen Fällen teilt die Software dem Bediener mit, dass sie wenig Vertrauen in die Übereinstimmung hat. Aber laut Morales ist Tamr sehr gut darin, offensichtliche Übereinstimmungen zu finden. Er sagte, die Genauigkeitsrate liege vom ersten Tag an bei etwa 95 %.
„Man muss akzeptieren, dass es bei jedem Data-Mastery-Projekt zu Abweichungen vom Typ I und Typ II kommen wird“, sagte er. „Es wäre schön, wenn man die Quelle dieser Fehler zurückverfolgen könnte … denn Menschen machen die gleichen Fehler.“
Darüber hinaus hilft Tamr WCG, seine Daten besser zu verstehen.
Morales sagte, der manuelle Ansatz des Unternehmens zur Datenverwaltung habe insgesamt Millionen von Dollar gekostet, während die Kosten für Tamr weniger als 1 Million Dollar betrugen. Verbesserungen der Datenqualität sind schwerer zu quantifizieren, aber wohl wichtiger.
Das obige ist der detaillierte Inhalt vonWie maschinelles Lernen bei der Durchführung klinischer Studien Millionen von Dollar einsparen könnte. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!

Heiße KI -Werkzeuge

Undresser.AI Undress
KI-gestützte App zum Erstellen realistischer Aktfotos

AI Clothes Remover
Online-KI-Tool zum Entfernen von Kleidung aus Fotos.

Undress AI Tool
Ausziehbilder kostenlos

Clothoff.io
KI-Kleiderentferner

AI Hentai Generator
Erstellen Sie kostenlos Ai Hentai.

Heißer Artikel

Heiße Werkzeuge

Notepad++7.3.1
Einfach zu bedienender und kostenloser Code-Editor

SublimeText3 chinesische Version
Chinesische Version, sehr einfach zu bedienen

Senden Sie Studio 13.0.1
Leistungsstarke integrierte PHP-Entwicklungsumgebung

Dreamweaver CS6
Visuelle Webentwicklungstools

SublimeText3 Mac-Version
Codebearbeitungssoftware auf Gottesniveau (SublimeText3)

Heiße Themen



In den Bereichen maschinelles Lernen und Datenwissenschaft stand die Interpretierbarkeit von Modellen schon immer im Fokus von Forschern und Praktikern. Mit der weit verbreiteten Anwendung komplexer Modelle wie Deep Learning und Ensemble-Methoden ist das Verständnis des Entscheidungsprozesses des Modells besonders wichtig geworden. Explainable AI|XAI trägt dazu bei, Vertrauen in maschinelle Lernmodelle aufzubauen, indem es die Transparenz des Modells erhöht. Eine Verbesserung der Modelltransparenz kann durch Methoden wie den weit verbreiteten Einsatz mehrerer komplexer Modelle sowie der Entscheidungsprozesse zur Erläuterung der Modelle erreicht werden. Zu diesen Methoden gehören die Analyse der Merkmalsbedeutung, die Schätzung des Modellvorhersageintervalls, lokale Interpretierbarkeitsalgorithmen usw. Die Merkmalswichtigkeitsanalyse kann den Entscheidungsprozess des Modells erklären, indem sie den Grad des Einflusses des Modells auf die Eingabemerkmale bewertet. Schätzung des Modellvorhersageintervalls

Laienhaft ausgedrückt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Eingabedaten einer vorhergesagten Ausgabe zuordnet. Genauer gesagt ist ein Modell für maschinelles Lernen eine mathematische Funktion, die Modellparameter anpasst, indem sie aus Trainingsdaten lernt, um den Fehler zwischen der vorhergesagten Ausgabe und der wahren Bezeichnung zu minimieren. Beim maschinellen Lernen gibt es viele Modelle, z. B. logistische Regressionsmodelle, Entscheidungsbaummodelle, Support-Vektor-Maschinenmodelle usw. Jedes Modell verfügt über seine anwendbaren Datentypen und Problemtypen. Gleichzeitig gibt es viele Gemeinsamkeiten zwischen verschiedenen Modellen oder es gibt einen verborgenen Weg für die Modellentwicklung. Am Beispiel des konnektionistischen Perzeptrons können wir es durch Erhöhen der Anzahl verborgener Schichten des Perzeptrons in ein tiefes neuronales Netzwerk umwandeln. Wenn dem Perzeptron eine Kernelfunktion hinzugefügt wird, kann es in eine SVM umgewandelt werden. Dieses hier

In diesem Artikel wird vorgestellt, wie Überanpassung und Unteranpassung in Modellen für maschinelles Lernen mithilfe von Lernkurven effektiv identifiziert werden können. Unteranpassung und Überanpassung 1. Überanpassung Wenn ein Modell mit den Daten übertrainiert ist, sodass es daraus Rauschen lernt, spricht man von einer Überanpassung des Modells. Ein überangepasstes Modell lernt jedes Beispiel so perfekt, dass es ein unsichtbares/neues Beispiel falsch klassifiziert. Für ein überangepasstes Modell erhalten wir einen perfekten/nahezu perfekten Trainingssatzwert und einen schrecklichen Validierungssatz-/Testwert. Leicht geändert: „Ursache der Überanpassung: Verwenden Sie ein komplexes Modell, um ein einfaches Problem zu lösen und Rauschen aus den Daten zu extrahieren. Weil ein kleiner Datensatz als Trainingssatz möglicherweise nicht die korrekte Darstellung aller Daten darstellt. 2. Unteranpassung Heru.“

In den 1950er Jahren wurde die künstliche Intelligenz (KI) geboren. Damals entdeckten Forscher, dass Maschinen menschenähnliche Aufgaben wie das Denken ausführen können. Später, in den 1960er Jahren, finanzierte das US-Verteidigungsministerium künstliche Intelligenz und richtete Labore für die weitere Entwicklung ein. Forscher finden Anwendungen für künstliche Intelligenz in vielen Bereichen, etwa bei der Erforschung des Weltraums und beim Überleben in extremen Umgebungen. Unter Weltraumforschung versteht man die Erforschung des Universums, das das gesamte Universum außerhalb der Erde umfasst. Der Weltraum wird als extreme Umgebung eingestuft, da sich seine Bedingungen von denen auf der Erde unterscheiden. Um im Weltraum zu überleben, müssen viele Faktoren berücksichtigt und Vorkehrungen getroffen werden. Wissenschaftler und Forscher glauben, dass die Erforschung des Weltraums und das Verständnis des aktuellen Zustands aller Dinge dazu beitragen können, die Funktionsweise des Universums zu verstehen und sich auf mögliche Umweltkrisen vorzubereiten

Zu den häufigsten Herausforderungen, mit denen Algorithmen für maschinelles Lernen in C++ konfrontiert sind, gehören Speicherverwaltung, Multithreading, Leistungsoptimierung und Wartbarkeit. Zu den Lösungen gehören die Verwendung intelligenter Zeiger, moderner Threading-Bibliotheken, SIMD-Anweisungen und Bibliotheken von Drittanbietern sowie die Einhaltung von Codierungsstilrichtlinien und die Verwendung von Automatisierungstools. Praktische Fälle zeigen, wie man die Eigen-Bibliothek nutzt, um lineare Regressionsalgorithmen zu implementieren, den Speicher effektiv zu verwalten und leistungsstarke Matrixoperationen zu nutzen.

Übersetzer |. Rezensiert von Li Rui |. Chonglou Modelle für künstliche Intelligenz (KI) und maschinelles Lernen (ML) werden heutzutage immer komplexer, und die von diesen Modellen erzeugten Ergebnisse sind eine Blackbox, die den Stakeholdern nicht erklärt werden kann. Explainable AI (XAI) zielt darauf ab, dieses Problem zu lösen, indem es Stakeholdern ermöglicht, die Funktionsweise dieser Modelle zu verstehen, sicherzustellen, dass sie verstehen, wie diese Modelle tatsächlich Entscheidungen treffen, und Transparenz in KI-Systemen, Vertrauen und Verantwortlichkeit zur Lösung dieses Problems gewährleistet. In diesem Artikel werden verschiedene Techniken der erklärbaren künstlichen Intelligenz (XAI) untersucht, um ihre zugrunde liegenden Prinzipien zu veranschaulichen. Mehrere Gründe, warum erklärbare KI von entscheidender Bedeutung ist. Vertrauen und Transparenz: Damit KI-Systeme allgemein akzeptiert und vertrauenswürdig sind, müssen Benutzer verstehen, wie Entscheidungen getroffen werden

Maschinelles Lernen ist ein wichtiger Zweig der künstlichen Intelligenz, der Computern die Möglichkeit gibt, aus Daten zu lernen und ihre Fähigkeiten zu verbessern, ohne explizit programmiert zu werden. Maschinelles Lernen hat ein breites Anwendungsspektrum in verschiedenen Bereichen, von der Bilderkennung und der Verarbeitung natürlicher Sprache bis hin zu Empfehlungssystemen und Betrugserkennung, und es verändert unsere Lebensweise. Im Bereich des maschinellen Lernens gibt es viele verschiedene Methoden und Theorien, von denen die fünf einflussreichsten Methoden als „Fünf Schulen des maschinellen Lernens“ bezeichnet werden. Die fünf Hauptschulen sind die symbolische Schule, die konnektionistische Schule, die evolutionäre Schule, die Bayes'sche Schule und die Analogieschule. 1. Der Symbolismus, auch Symbolismus genannt, betont die Verwendung von Symbolen zum logischen Denken und zum Ausdruck von Wissen. Diese Denkrichtung glaubt, dass Lernen ein Prozess der umgekehrten Schlussfolgerung durch das Vorhandene ist

MetaFAIR hat sich mit Harvard zusammengetan, um einen neuen Forschungsrahmen zur Optimierung der Datenverzerrung bereitzustellen, die bei der Durchführung groß angelegten maschinellen Lernens entsteht. Es ist bekannt, dass das Training großer Sprachmodelle oft Monate dauert und Hunderte oder sogar Tausende von GPUs verwendet. Am Beispiel des Modells LLaMA270B erfordert das Training insgesamt 1.720.320 GPU-Stunden. Das Training großer Modelle stellt aufgrund des Umfangs und der Komplexität dieser Arbeitsbelastungen einzigartige systemische Herausforderungen dar. In letzter Zeit haben viele Institutionen über Instabilität im Trainingsprozess beim Training generativer SOTA-KI-Modelle berichtet. Diese treten normalerweise in Form von Verlustspitzen auf. Beim PaLM-Modell von Google kam es beispielsweise während des Trainingsprozesses zu Instabilitäten. Numerische Voreingenommenheit ist die Hauptursache für diese Trainingsungenauigkeit.
