A AstraZeneca acelera o tempo de obtenção de insights com o uso do Amazon SageMaker

Como uma empresa global movida pela ciência, a AstraZeneca concentra-se em descobrir, desenvolver e comercializar medicamentos inovadores para oncologia e doenças raras, além de biofármacos para o sistema cardiovascular e funções renais e metabólicas, atuando também em saúde respiratória e imunologia. A empresa ajuda milhões de pacientes em 145 países e 70 mercados. A AstraZeneca analisa dados anonimizados dos pacientes para obter insights que incluem aprender sobre o sentimento do paciente passando por tratamentos específicos e alimentar modelos de progressão em áreas terapêuticas como doença renal crônica, reinternação por insuficiência cardíaca e classificação de câncer. A AstraZeneca fornece esses insights a analistas comerciais que, por sua vez, os utilizam para melhorar os processos de negócios e expandir o conhecimento e a adoção entre os sistemas de atendimento de saúde. “Nosso foco é alinhamento e marketing para ajudar nossas equipes comerciais a fornecer as informações corretas aos prestadores de serviços de saúde, para que eles possam atender às necessidades dos pacientes”, diz Cherry Cabading, arquiteta corporativa sênior global da AstraZeneca.

O fornecimento desses insights exige a análise de grandes conjuntos de dados. Assim como muitas grandes empresas, a equipe comercial da AstraZeneca não dispunha de um ambiente ágil de ML para processamento de dados em grande escala. Sua solução de ML anterior precisava de mais de um mês de esforço intensivo para criar um ambiente no qual os cientistas pudessem ter acesso aos dados necessários, um processo ineficiente tanto em duração como em custo. “Antes, nós usávamos uma pilha de tecnologia que não tinha uma maneira automatizada de criar ambientes para a equipe de cientistas de dados”, explica Cabading. “Era difícil até mesmo unir os componentes, pois não havia coesão entre as diversas ferramentas de ML disponíveis no mercado.”

Em 2020, a equipe comercial buscou uma solução que fornecesse capacidade de extensão, flexibilidade e escalabilidade. “Os cientistas de dados precisavam de uma solução para criar, treinar e implantar modelos de ML que pudessem, então, ser industrializados para integração com nosso sistema comercial”, continua Cabading. Usando o Amazon SageMaker, a AstraZeneca conseguiu implementar uma solução padrão unificada para desenvolvimento de ML para evitar passar meses escrevendo código de integração e reduzir os custos.

Em 2020, Cabading e a equipe começaram a arquitetar e projetar a solução usando o Amazon SageMaker. Exatamente quando a equipe estava se preparando para implementar as operações de ML, a AWS lançou o Amazon SageMaker Studio, um ambiente de desenvolvimento de ML completamente integrado que tem todos os componentes necessários para preparar dados e criar, treinar e implantar modelos em uma única interface visual na Web. A AstraZeneca começou a usar o Amazon SageMaker Studio em julho de 2021. “Ele inclui a implantação, as operações de ML, o registro do modelo, o SageMaker Feature Store e a capacidade de implantar modelos em estágios ou ambientes diferentes”, conta Cabading. “Em vez de criar diversos processos manuais, podemos automatizar a maior parte do processo de desenvolvimento de ML simplesmente com o Amazon SageMaker Studio.”

A solução de ML da AstraZeneca, chamada de Advanced Insights Generator (AIG – Gerador avançado de insights), ajuda os analistas a realizar modelagem comercial. No setor comercial dos EUA, o AIG é usado por equipes formadas por mais de cem cientistas de dados. Os cientistas de dados solicitam um ambiente e os dados que desejam acessar, como dados biofarmacêuticos ou oncológicos. Para gerenciar essas solicitações, a equipe de Cabading usa o AWS Service Catalog, que fornece um único local no qual as organizações podem manter centralmente catálogos de serviços de tecnologia da informação. “Nós inserimos o nome da equipe de ciência de dados e marcamos a caixa de seleção correspondente aos dados que desejam acessar”, explica Cabading. Em seguida, o novo ambiente é automaticamente iniciado. O processo todo leva cinco minutos, comparado a mais de um mês anteriormente. Assim, os cientistas de dados podem se concentrar em tarefas mais valiosas e entregar insights rapidamente.

Usando o AIG, a equipe comercial pode gerar insights em menos de 2,5 meses, comparado a 6 meses anteriormente, uma melhoria de aproximadamente 150% na duração do processo. “A solução tem infraestrutura como código e, portanto, pode ser facilmente repetida. Não precisamos reinventar a roda para esses projetos”, conta Cabading. “Podemos compartilhar essa solução com diferentes parceiros externos e internos, ou seja, o que fizer mais sentido.”