Gilead beschleunigt die Entwicklung des Unternehmenssuchtools, mit Machine Learning in AWS

Biotechnologieunternehmen Gilead Sciences Inc. (Gilead) wollte die Mitarbeiterproduktivität steigern und die internen Datenverwaltungsprozesse innerhalb seines Geschäftsbereichs Pharmazeutische Entwicklung und Herstellung (PDM) rationalisieren, um schnell mehr therapeutische Behandlungen für Menschen mit lebensbedrohlichen Krankheiten einführen zu können. Um auf dieses Ziel hinzuarbeiten, wollte das Unternehmen ein skalierbares Suchtool für Unternehmen entwickeln, das künstliche Intelligenz (KI) und Machine Learning (ML) nutzt, um prädiktive Analysen bereitzustellen und wichtige Dokumente, Wissen und Daten an einem zentralen Ort zu finden. Damit das Tool bei jeder Abfrage in natürlicher Sprache konsistent relevante Ergebnisse liefert, benötigte das Unternehmen eine Reihe von Lösungen, die sowohl strukturierte als auch unstrukturierte Daten aus bis zu neun Unternehmenssystemen und Dokumente aus Wissensspeichern organisieren.

Um den Projektzeitplan zu beschleunigen, entschied sich das PDM-Team von Gilead für Amazon Web Services (AWS) und übernahm Amazon Kendra, einen hochpräzisen intelligenten Suchdienst, der auf ML basiert. Während das PDM-Team Unterstützung von AWS erhielt, baute es innerhalb von 9 Monaten einen Data Lake und danach innerhalb von nur 3 Monaten ein Suchtool auf, wodurch das Projekt innerhalb des geschätzten Zeitrahmens von 3 Jahren abgeschlossen wurde. Seit der Einführung des Unternehmenssuchtools konnten Benutzer von PDM die manuellen Datenverwaltungsaufgaben und den Zeitaufwand für die Suche nach Informationen um etwa 50 Prozent erheblich reduzieren, was Forschung, Experimente und pharmazeutische Durchbrüche vorantreibt.

Gilead hat seinen Hauptsitz in Foster City, Kalifornien, und ist auf die Erforschung und Entwicklung antiviraler Technologien und Arzneimittel spezialisiert, darunter potenzielle Behandlungen für HIV und virale Hepatitis. Im April 2021 konzipierte das Datenwissenschaften-Team des Geschäftsbereichs der Fertigung von Gilead Morpheus, ein Suchtool für Unternehmen, das KI und ML nutzt, um schnell relevante Informationen und Erkenntnisse aus rund 250 000 Dokumenten und 1 TB unstrukturierter Daten zu gewinnen. Ein innerhalb von PDM gebildetes Projektteam aus Datenwissenschaftlern und Ingenieuren setzte sich zum Ziel, diese Idee zum Leben zu erwecken, damit seine Forscher und Wissenschaftler tiefere Einblicke in regulatorische, Compliance-, Lieferketten- und Herstellungsdaten gewinnen können, um ihre Fähigkeit zu beschleunigen, lebensrettende Medikamente zu Patienten zu bringen.

Das Morpheus-Team stand vor der großen Herausforderung, Daten aus vielen Unternehmenssystemen zusammenzuführen, um eine einzige KI- und ML-Strategie zur Wissensfindung zu implementieren. „Wir haben erkannt, dass wir die Möglichkeit hatten, im Bereich Wissens-KI bei Gilead innovativ zu sein, indem wir eine Infrastruktur entworfen und implementiert haben, die die Daten, das Wissen und die Informationen zusammenführt, die für den Aufbau einer KI-Suche in großem Maßstab erforderlich sind“, sagt Jeremy Zhang, Director of Data Science and Knowledge Management bei Gilead.

Um ein Suchtool für Unternehmen zu entwickeln, beauftragte die Einsatzgruppe von Morpheus das Amazon Machine Learning Solutions Lab, das die Teams einer Organisation mit ML-Experten zusammenbringt, um ML-Lösungen zu identifizieren und zu entwickeln, um die ML-Möglichkeiten der Organisation mit der höchsten Kapitalrendite zu nutzen. Durch die Zusammenarbeit mit dem Team von Amazon ML Solutions Lab vertiefte die Einsatzgruppe ihr Verständnis von bewährten Methoden für die Cloud und lernte, wie man Machbarkeitsnachweise entwirft und durchführt. Das Team erfuhr auch von Amazon Kendra. „Amazon Kendra ist eine schlüsselfertige KI-Lösung, die bei richtiger Konfiguration jede einzelne Domäne in der Organisation umfasst. Gleichzeitig ist sie ganz leicht implementierbar.“ sagt Zhang. Innerhalb von 4 Wochen beschloss das Team, die Entwicklung des Suchtools für Unternehmen vollständig auf AWS fortzusetzen.

Das PDM-Team von Gilead startete das Morpheus-Projekt mit dem Aufbau eines Data Lake mit Amazon Simple Storage Service (Amazon S3), einem Objektspeicherservice, der branchenführende Skalierbarkeit, Datenverfügbarkeit, Sicherheit und Leistung bietet. Dieser Data Lake fungiert als zentrales Repository zum Speichern aller unstrukturierten Daten von PDM in praktisch jeder Größenordnung. „Um ein Suchtool für Unternehmen auf AWS zu haben, mussten wir ein robustes Datenmanagement darum herum haben“, sagt Zhang. „Also haben wir in 9 Monaten einen Data Lake auf AWS erstellt – etwas, dessen Implementierung nach Meinung vieler viele Jahre hätte dauern müssen." Das Unternehmen nutzt den Data Lake nicht nur als Grundlage für seine KI und ML, sondern auch, um Analysen durchzuführen und detaillierte Einblicke aus Daten in Entwicklung und Fertigung zu gewinnen. Zuvor mussten die Teams von Gilead für Analysen Tickets an das IT-Team senden, und in einigen Fällen dauerte es bis zu 1 Jahr, bis die Anfragen fertig bearbeitet waren. Jetzt kann das Unternehmen Analysen und KI-Inferenzen innerhalb weniger Werktage bereitstellen.

Als nächstes konzentrierte sich das PDM-Team darauf, seine Suchen zu bereichern, indem es fehlende oder unvollständige Metadaten für sein Dokumenten-Tool mit Amazon SageMaker ausfüllte, das Benutzern hilft, ML-Modelle für praktisch jeden Anwendungsfall mit vollständig verwalteter Infrastruktur, Tools und Workflows zu erstellen, zu trainieren und bereitzustellen. Mit dieser Lösung hat Gilead seinen Forschern die Suche nach relevanten Informationen mit wenigen Schlüsselwörtern erleichtert. Das Unternehmen verwendet auch Amazon Textract, einen ML-Service, der automatisch Text, Handschrift und Daten aus gescannten Dokumenten extrahiert. Gilead verwendet Amazon Textract, um relevante Informationen in seinen Dokumenten zu erkennen, und hat die damit verbundenen Kosten im Vergleich zu seiner vorherigen Lösung zur optischen Zeichenerkennung um Größenordnungen pro Vorgang gesenkt. „Amazon Textract ist wirklich schön, nicht nur wegen der echten Kosteneinsparungen, sondern auch wegen seiner außergewöhnlichen technischen Fähigkeit, Informationen zu extrahieren“, sagt Zhang.

Das Team verwendet auch Amazon Kendra mit seiner Anwendung, um nach Ergebnissen aus seinem Data Lake zu suchen. Auf diese Weise konnte Gilead den Zeitaufwand für die systemübergreifende Suche nach relevanten Informationen um etwa 50 Prozent reduzieren, die Produktivität der Mitarbeiter steigern und die Workflows seiner Teams optimieren. „Die Verwendung von Amazon Kendra führt zu einem großen Gewinn an Effizienz. Damit hat unser Team die Anzahl der Orte reduziert, die Menschen aufsuchen müssen, um die richtigen Informationen zu finden“, sagt Zhang.

Im November 2021 konnte das Team seine Morpheus-Anwendung starten und die erste Phase seines Projekts mit einem Kernteam von 5 Mitarbeitern abschließen. Seitdem ist die Anwendung ein Katalysator für organisatorische Veränderungen. Innerhalb von 3 Monaten nach seiner Einführung haben über 100 Mitarbeiter das Suchtool für Unternehmen angenommen. „Morpheus hat uns von der Idee überzeugt, dass wir Bibliothekswissenschaft oder Ontologie betreiben müssen, um Wissen zu organisieren und zu finden“, sagt Zhang. „Und es ist zu einer einfachen Möglichkeit geworden, der Geschäftsleitung den Wert von KI und ML zu demonstrieren.“

Das Entwicklungs- und Fertigungsteam von Gilead arbeitet derzeit daran, seinen Data Lake zu verbessern, um GxP-Konformität zu erreichen, einschließlich der Einhaltung guter Herstellungspraktiken, und geht davon aus, dass die Umstrukturierung des Data Lake bis Juni 2022 abgeschlossen sein wird. Das Unternehmen plant außerdem, weitere KI- und ML-Technologien aufzubauen, um prädiktive Metadaten, personalisierte KI und Wissensgraphen bereitzustellen. „Morpheus gibt uns ein Bewusstsein dafür, wie die Verwendung eines Tools dieser Größe und Größenordnung der gesamten Organisation zugute kommt“, sagt Zhang. „Es hilft uns wirklich zu verstehen, wie Gilead Data Science nutzen kann, um die nächste Wertschöpfungswelle voranzutreiben, die wir aus KI und ML auf AWS ziehen können.“