Všetci sme s úžasom sledovali, ako rýchlo sa vedcom podarilo vyvinúť vakcíny proti COVID-19. Proces, ktorý bežne trvá niekoľko rokov, sa vďaka prelomovým digitálnym technológiám podarilo skrátiť na 10 mesiacov. Výskumníci, ktorí na vývoji vakcín pracovali, však mali jednu dôležitú výhodu: vďaka uvoľneniu prísnych regulačných opatrení mohli narábať s dátami voľnejšie.
Práve obavy zo zneužitia dát spomaľujú vývoj nových liekov. Zo strany regulátorov či vlád sú tieto obavy určite opodstatnené – svetové médiá sú plné správ o úniku dát, kybernetických útokoch na kriticky dôležitú infraštruktúru či infiltrácii ransomvéru do medicínskych informačných systémov.
Na jednej strane existuje potreba ochrany dát a súkromia pacientov, no každému je jasné, že boj s pandémiou sa bez účinnej vakcíny jednoducho nedá vyhrať. Výzvou teda je, ako vyvíjať lieky a liečebné postupy rýchlo a bez ohrozenia bezpečnosti dát.
Existuje však potenciálna záchrana v podobe novej AI technológie známej pod názvom swarm learning Čo to presne znamená? Termín swarm learning/swarm intelligence by sme do slovenčiny mohli preložiť ako rojové učenie/rojová inteligencia alebo tiež kolektívna inteligencia.
Tento pojem sa bežne používa v zoológii. Ide o inteligenciu založenú na správaní živočíchov jedného druhu v roji (alebo kŕdli, stáde, skupine …), ktorá je vyššia ako inteligencia jednotlivcov. Jednoducho povedané – viac hláv znamená viac rozumu. Túto kolektívnu inteligenciu si môžeme predstaviť aj ako spoločné správanie prírodných alebo umelých decentralizovaných, samoorganizovaných systémov.
Prečo ju spomíname v súvislosti s AI? Rojové učenie sa čoraz častejšie začína používať v edge výpočtových systémoch. Edge computing označuje okraj sieťovej výpočtovej techniky. V praxi sú mnohé riadiace systémy postavené na lokálnych sieťach. Tieto siete môžu pozostávať z lokálnych obchodných sietí, priemyselných počítačov, programovateľných automatov (PLC) a dotykových obrazoviek, často označovaných ako rozhrania HMI.
„Či už sa jedná o autonómne vozidla, smart mestá, alebo systémy na detekciu podvodov, mnohí z nás sa už s termínom swarm learning stretli. My v HPE tomu pomáhame produktami určenými na umiestnenie na okraji (edge) a stavbou celej infraštruktúry tak, aby sa dáta zbytočne nepresúvali a radšej prinášali informácie, kde je to potrebné,“ uviedol Miroslav Kalinovský, Pointnext Solution Specialist zo slovenskej pobočky Hewlett Packard Enterprise.
Mnohé výhody pochádzajú z pripojenia lokálnych sietí k väčším verejným sieťam alebo serverom. V zdravotníctve sa edge systémy prevádzkujú v nemocniciach, ale napríklad aj v ambulanciách.
Rojové učenie je technika na používanie AI práve v edge systémoch. Pomáha decentralizovať analýzu dát z viacerých lokácií a zdieľať poznatky prostredníctvom samoučiaceho sa modelu, ktorý je v súlade s prísnymi dátovými reguláciami a naviac zaručuje bezpečnosť súkromia.
Táto technológia neuveriteľne zlepšuje zber a analýzu dát. S využitím „vytrénovanej“ umelej inteligencie sa vyvinula z centralizovaného na sofistikovanejší a bezpečnejší decentralizovaný rojový model.
Centralizácia dát na jednom mieste nie je najideálnejším riešením, hlavne ak je primárnym cieľom celospoločensky prospešná vec, akou je vývoj vakcíny. Jednotlivé zdravotnícke zariadenia, ktoré sa na výskume podieľajú, zbierajú dáta izolovane z rôznych zdrojov, ktoré nemusia byť prepojené. Ak dáta medzi sebou nezdieľajú, alebo sa slabo vzájomne koordinujú, výstupy nemusia byť kvalitné.
Niečo podobné sa deje aj v korporátnom svete: len ťažko sa dopracujete k dobrému výsledku, keď firemné tímy, ktoré pracujú na rovnakom projekte, medzi sebou nebudú komunikovať a dáta a informácie si každý z nich nechá pre seba. Hrozí, že sa veci budú robiť duplicitne a datasety budú zriedka štandardizované, pretože údaje sú štruktúrované pre konkrétnu výskumnú alebo výskumnú entitu.
Nevýhodou tohto systému práce s dátami sú nielen obavy z regulácií či únikov, ale aj ich nepresnosť a nekompatibilita. Doktor si predsa nemôže dovoliť len tak zdieľať dáta o svojich pacientoch, ktorí prekonali COVID-19, hoci by to mohlo výrazne pomôcť v ďalšom výskume.
Práve v takýchto prípadoch nastupuje rojové učenie v AI. Umožňuje totiž zdieľať iba dôležité prehľady. Ide o agilné a elegantné riešenie spracovania dát, ktoré navyše rešpektuje súkromie pacientov a je plne v súlade s platnými reguláciami.
Odrazí sa to v presnejšej diagnostike či kvalitnejšej liečbe, ktoré čerpajú poznatky z väčších datasetov o zdravotnej starostlivosti bez toho, aby bolo ohrozené súkromie pacientov. Vďaka decentralizovanému rojovému učeniu si výskumníci zároveň ponechajú kontrolu nad dátami, ktoré k nim prúdia z rôznych zdrojov.
Že ničomu z toho nerozumiete a vás sa to netýka? Nie tak celkom. Každý z nás je generátorom obrovského množstva dát a v súčasnosti sú práve dáta najcennejšou komoditou. Obzvlášť to platí pre zdravotníctvo. Predstavte si, koľko dát o pacientoch musia denne spracovať zdravotnícke zariadenia a ako veľmi kvalita dát ovplyvňuje diagnostiku a liečbu.
Dáta k zdravotníkom môžu prichádzať z obrovského množstva zdrojov: zo smart hodiniek, telefónov, zariadení, ktoré monitorujú náš zdravotný stav v nemocnici alebo telemetrických systémov zbierajúcich informácie o pacientoch . Všetky tieto zariadenia považujeme za edge – fungujú totiž „na okraji siete“ a spracované dáta posielajú do „centrály“.
Expert na zdravotníctvo z Hewlett Packard Enterprise (HPE) Rich Bird vysvetľuje, že edge computing je prakticky všade okolo nás. „Ak hovoríme o edge zariadeniach, ktoré posielajú dáta do cloudu, máme tým na mysli celé spektrum. Edge má pacient na zápästí, edge je technológia aplikovaná v nemocnici. Spojeniu týchto dvoch svetov veľmi pomohla telemedicína,“ hovorí. „Za uplynulý rok sme zaznamenali neuveriteľný pokrok v telemedicíne. Začalo sa jej venovať oveľa viac IT profesionálov a rozvoj technológií v tejto oblasti je bezprecedentný,“ dodáva Bird.
Pandémia prinútila zdravotnícke organizácie prehodnotiť prístup k tradičným spôsobom poskytovania starostlivosti. Dramaticky sa zmenila nemocničná starostlivosť, klinické nastavenia a spôsob fungovania výskumných zariadení. Nástroje na správu dokumentácie a pracovných postupov sa stali hlavnými aplikáciami, ktoré poskytovatelia používajú na zaznamenávanie a sledovanie informácií.
Zdravotnícki pracovníci do dokumentov tiež pridávajú svoju interpretáciu, odbornosť a znalosti, čo umožňuje zahrnúť získané poznatky do veľkých datasetov, ktoré treba spracovať. Rich Bird hovorí, ako by mohlo využitie rojového učenia vyzerať v praxi: „Predstavte si, že idete k doktorovi a on si ešte predtým, ako vojdete do ordinácie, stiahne do svojho počítača aktuálne poznatky od všetkých doktorov z celého sveta. Takže nevyužijete len skúsenosti jedného doktora, ktorého máte pred sebou, ale kolektívnu skúsenosť, ktorá bola vytvorená, zozbieraná a zdieľaná vďaka rojovému učeniu,“ vysvetľuje Bird.
Ideálnou technológiou pre využitie rojového učenia je AI. Správne vytrénovaný AI systém a strojové učenie dokážu z obrovských datasetov vyťažiť viac ako tradičné techniky modelovania dát. Tie majú totiž len obmedzený prístup k tréningovým dátam. „Krása umelej inteligencie spočíva v tom, že namiesto posúvania údajov umiestnite algoritmus presne na miesto, kde sa dáta nachádzajú,“ hovorí Hartmut Schultze, biznisový architekt a špecialista na životný cyklus dát z HPE.
Je to jeden zo základných princípov rojového učenia: v sieti vyhľadáva rovnakých alebo podobných partnerov, ochraňuje dáta a poskytuje bezpečnú manipuláciu s nimi priamo v zdrojovom edge zariadení.
Na efektívnom nasadení a využívaní rojového učenia sa musí podieľať celá organizácia, nie je to len IT špecialistoch. „Aj nemocnica alebo medicínsky výskumný ústav sú riadené centrálne,“ hovorí Schultze. „Preto odporúčam postupovať podľa natívnych štruktúr v cloude. Kontajnerizácia je kľúčom k správnej abstrakcii dát, na ktorej sa zhodne celý váš tím. Napríklad každá orchestrácia je štandardizovaná na Kubernetes. Nezáleží na tom, či beží na edge zariadení alebo na zariadení IoT, v cloude alebo v nemocnici,“ dodáva.
Buďte pripravení, že na začiatku budete čeliť mnohým výzvam, napríklad problémom interoperability medzi hlavnými globálnymi aplikáciami, ako sú Epic, Cerner a Meditech. Problémom je, že každá z nich má dáta uložené v proprietárnych systémoch. „Keď navrhujeme systémy na rojové učenie, musíme tiež navrhnúť súbor dohodnutých zásad pre formáty, v ktorých sú údaje zdieľané,“ konštatuje Rich Bird z HPE.
Ľudia sú na dáta o zdravotnom stave nesmierne citliví. Zdieľajú ich veľmi neradi a ak už so zdieľaním súhlasia, jedine v anonymizovanom formáte. Pre lekárov a výskumníkov je to veľká výzva: ako vyťažiť z takýchto dát čo najviac? Odpoveďou je štandardizácia dát, ktorá pre každú zúčastnenú stranu odstraňuje prekážky pri ich ďalšom využívaní a zároveň neohrozuje dátovú bezpečnosť a súkromie pacientov.
Technológie na využitie rojového učenia sú už dostupné. Väčším problémom pri ich nasadení sú regulačné rámce a obavy vlád zo zneužitia osobných údajov. Nemenej zložitý je aj schvaľovací proces zo strany zodpovedného regulátora pri nasadení takejto technológie, neraz trvá aj mesiace. Pandémia nám však ukázala, že ak ide o život, nadbytočné regulácie a byrokracia musia ísť bokom, aby nekládli prekážky rýchlemu a kvalitnému výskumu.
Viac o produktoch a službách HPE na Slovensku sa dozviete na https://www.doveryhodneit.sk/produkty-a-riesenia/