por Molly Just-Behr
“Mostramos o valor de ter uma plataforma de dados fundamental, e essa história de sucesso se tornou contagiosa.”—Venu Boppana, Líder de Estratégia & Inovação (AI), Escritório de Transformação Digital, US FDA
Quase todos os americanos interagem com a FDA antes do café da manhã. A agência regula os alimentos que comemos, os medicamentos que tomamos e os dispositivos médicos dos quais dependemos. Cada 20 centavos gastos por um consumidor nos EUA tocam em algo que a FDA supervisiona. Por trás dessa confiança está um volume extraordinário de dados: um petabyte de documentos, centenas de gigabytes chegando diariamente, milhares de submissões regulatórias fluindo todos os meses em oito centros responsáveis por medicamentos, produtos biológicos, dispositivos, medicina veterinária, produtos de tabaco, segurança alimentar e inspeções. Para acompanhar essa demanda, o Escritório de Transformação Digital da FDA construiu a ELSA, uma plataforma de AI generativa disponível para todos os 16.000 funcionários da FDA, e a Halo, a base de dados governada por trás dela, que roda no Databricks.
A estrutura organizacional da FDA reflete a amplitude do seu mandato. O CDER lida com medicamentos. O CBER cobre produtos biológicos. O CDRH supervisiona dispositivos. Cada centro, junto com aqueles que cobrem medicina veterinária, tabaco, inspeções e segurança alimentar, construiu suas próprias capacidades de AI de forma independente. Chatbots separados, armazenamentos de dados separados, duplicação significativa de custos e nenhuma visão unificada dos dados necessários para alimentar a AI de maneira eficaz.
A liderança de IT reconheceu a fragmentação e iniciou um esforço de consolidação. Dentro de três a quatro meses, a equipe reuniu de 50 a 60 fontes de dados de todos os oito centros em uma única plataforma Databricks. O ponto de prova que tornou a consolidação possível foi o CDER, que já havia passado cinco anos construindo uma plataforma de dados no Databricks. O compartilhamento de dados entre centros, que antes levava de quatro a cinco dias, foi drasticamente acelerado. O streaming de dados em tempo real substituiu o processamento em lote. Quando os outros centros viram esses resultados, a adoção aconteceu rapidamente.
O Unity Catalog abordou as preocupações de segurança que inicialmente fizeram alguns centros hesitarem. A FDA lida com segredos comerciais e dados regulatórios confidenciais que exigem controles de acesso rígidos. O Unity Catalog forneceu a camada de governança para provar que os dados podiam ser contidos, que os ativos não seriam compartilhados sem as aprovações adequadas e que o acesso granular no nível da tabela poderia ser aplicado em toda a plataforma.
Com a base de dados governada estabelecida, a FDA implantou a ELSA para todos os 16.000 funcionários. Os usuários podem escolher entre múltiplos modelos e realizar seu trabalho por meio de uma única interface. Em cerca de dois meses após o lançamento, a adoção passou de menos de 1% para 85% da equipe da FDA.
O que surpreendeu a equipe foi a rapidez com que o uso foi além de simples perguntas e respostas. Médicos, cientistas e equipe administrativa agora estão criando seus próprios agentes em escala, com centenas de novos agentes construídos por semana. Os funcionários pegam seus procedimentos operacionais padrão, diretrizes regulatórias e documentos específicos de cada centro, carregam-nos em workspaces dentro da ELSA e constroem agentes que podem responder instantaneamente a perguntas fundamentadas e específicas da FDA.
A arquitetura que torna isso possível sobrepõe servidores MCP ao Unity Catalog. A combinação de dados estruturados e governados com ferramentas acessíveis transformou a criação de agentes em algo que qualquer membro da equipe pode fazer, não apenas cientistas de dados.
O impacto é concreto. Um exemplo: os revisores da FDA que avaliam solicitações de medicamentos precisam entender os materiais de partida, os insumos brutos usados na fabricação. Essa informação está enterrada em três a quatro milhões de páginas de submissões regulatórias. Anteriormente, os revisores abriam documentos individuais, faziam pesquisas por palavras-chave e reuniam as respostas manualmente.
Usando os recursos de Databricks ML e NLP por meio do MLflow, a equipe extraiu ativos de dados importantes (materiais de partida, relações produto-fornecedor-fabricante) de milhões de páginas e os expôs por meio da ELSA. Agora, um revisor insere o número de uma solicitação, pergunta pelos materiais de partida e obtém uma resposta fundamentada em cerca de três minutos. A mesma tarefa antes levava dias.
A FDA agora está focada em estender esse modelo por toda a organização. As ferramentas MCP construídas para o CDER estão sendo adaptadas para outros centros, cada um com seu próprio contexto de dados e requisitos regulatórios. O objetivo é liberar a equipe de revisão de buscar informações para que possam se concentrar em sua experiência principal: avaliar se medicamentos, dispositivos e produtos biológicos são seguros e eficazes.
A base que tornou tudo isso possível não foi a AI em si, mas a plataforma de dados governada por trás dela, a consolidação que quebrou os silos e os controles de acesso que conquistaram a confiança em oito centros independentes.
“Se conseguirmos fazer com que nossa equipe de revisão não perca tempo procurando informações e, em vez disso, se concentre em seu trabalho principal, é aí que realmente veremos o sucesso.”—Venu Boppana
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.