“Abbiamo dimostrato il valore di avere una piattaforma dati fondamentale e quella storia di successo è diventata contagiosa.”—Venu Boppana, Strategy & Innovation Leader (AI), Office of Digital Transformation, US FDA
Quasi tutti gli americani interagiscono con la FDA prima di colazione. L'agenzia regolamenta il cibo che mangiamo, i farmaci che assumiamo e i dispositivi medici su cui facciamo affidamento. Ogni 20 centesimi spesi da un consumatore statunitense riguardano qualcosa supervisionato dalla FDA. Dietro questa fiducia c'è un volume straordinario di dati: un petabyte di documenti, centinaia di gigabyte che arrivano ogni giorno, migliaia di richieste di autorizzazione normativa che affluiscono ogni mese in otto centri responsabili di farmaci, prodotti biologici, dispositivi, medicina veterinaria, prodotti del tabacco, sicurezza alimentare e ispezioni. Per tenere il passo con questa domanda, l'Office of Digital Transformation della FDA ha creato ELSA, una piattaforma di AI generativa disponibile per tutti i 16.000 dipendenti della FDA, e Halo, l'infrastruttura di dati governata sottostante, che è basata su Databricks.
La struttura organizzativa della FDA riflette l'ampiezza del suo mandato. Il CDER si occupa di farmaci. Il CBER copre i prodotti biologici. Il CDRH supervisiona i dispositivi. Ciascun centro, insieme a quelli che si occupano di medicina veterinaria, tabacco, ispezioni e sicurezza alimentare, aveva sviluppato le proprie funzionalità di AI in modo indipendente. Chatbot separati, data store separati, una significativa duplicazione dei costi e nessuna visione unificata dei dati necessari per alimentare l'AI in modo efficace.
La leadership IT ha riconosciuto la frammentazione e ha avviato un impegno di consolidamento. Nel giro di tre o quattro mesi, il team ha convogliato da 50 a 60 fonti di dati da tutti gli otto centri in un'unica piattaforma Databricks. La prova tangibile che ha reso possibile il consolidamento è stata il CDER, che aveva già trascorso cinque anni a costruire una piattaforma dati su Databricks. La condivisione dei dati tra i centri, che in precedenza richiedeva da quattro a cinque giorni, è stata drasticamente accelerata. Lo streaming di dati in tempo reale ha sostituito l'elaborazione batch. Quando gli altri centri hanno visto questi risultati, l'adozione è seguita rapidamente.
Unity Catalog ha risposto ai problemi di sicurezza che inizialmente avevano frenato alcuni centri. La FDA gestisce segreti commerciali e dati normativi sensibili che richiedono severi controlli di accesso. Unity Catalog ha fornito il livello di governance per dimostrare che i dati potevano essere protetti, che gli asset non sarebbero stati condivisi senza le dovute approvazioni e che era possibile applicare un accesso granulare a livello di tabella su tutta la piattaforma.
Con l'infrastruttura di dati governata attiva, la FDA ha distribuito ELSA a tutti i 16.000 dipendenti. Gli utenti possono scegliere tra molteplici modelli e svolgere il proprio lavoro attraverso un'unica interfaccia. Nel giro di circa due mesi dal lancio, l'adozione è passata da meno dell'1% all'85% del personale della FDA.
Ciò che ha sorpreso il team è stata la rapidità con cui l'utilizzo è andato oltre le semplici domande e risposte. Medici, scienziati e personale amministrativo stanno ora creando i propri agenti su scala, con centinaia di nuovi agenti sviluppati ogni settimana. Il personale prende le proprie procedure operative standard, le linee guida normative e i documenti specifici del centro, li carica nelle aree di lavoro all'interno di ELSA e crea agenti in grado di rispondere istantaneamente a domande ancorate ai dati e specifiche della FDA.
L'architettura che rende possibile tutto questo stratifica i server MCP sopra Unity Catalog. La combinazione di dati strutturati e governati e di strumenti accessibili ha trasformato la creazione di agenti in un'attività alla portata di qualsiasi membro del personale, non solo dei data scientist.
L'impatto è concreto. Un esempio: i revisori della FDA che valutano le domande di approvazione dei farmaci devono comprendere i materiali di partenza, ovvero gli input grezzi utilizzati nella produzione. Tali informazioni sono sepolte in un numero di pagine di documenti normativi compreso tra tre e quattro milioni. In precedenza, i revisori aprivano i singoli documenti, eseguivano ricerche per parole chiave e ricostruivano le risposte manualmente.
Utilizzando le funzionalità di ML e NLP di Databricks tramite MLflow, il team ha estratto asset di dati chiave (materiali di partenza, relazioni prodotto-fornitore-produttore) da milioni di pagine e li ha resi disponibili tramite ELSA. Ora un revisore inserisce il numero di una domanda, richiede i materiali di partenza e ottiene una risposta ancorata ai dati in circa tre minuti. Lo stesso compito in precedenza richiedeva giorni.
La FDA si sta ora concentrando sull'estensione di questo modello a tutta l'organizzazione. Gli strumenti MCP sviluppati per il CDER vengono adattati per altri centri, ciascuno con il proprio contesto di dati e requisiti normativi. L'obiettivo è liberare il personale di revisione dalla ricerca di informazioni, in modo che possa concentrarsi sulle proprie competenze principali: valutare se farmaci, dispositivi e prodotti biologici siano sicuri ed efficaci.
La base che ha reso possibile tutto questo non è stata l'AI in sé, ma la piattaforma di dati governata sottostante, il consolidamento che ha abbattuto i silos e i controlli di accesso che hanno conquistato la fiducia di otto centri indipendenti.
“Se riusciamo a fare in modo che il nostro personale di revisione non perda tempo a cercare informazioni e si concentri invece sul proprio lavoro principale, è lì che vedremo davvero il successo.”—Venu Boppana
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.