AstraZeneca 使用 Amazon SageMaker 加快了取得洞察的時間

作為一間以科學為主導的全球性公司，AstraZeneca 專注於發現、研發及商業化改變生命的藥物，這些藥物涵蓋腫瘤、罕見疾病以及心血管系統、腎臟和新陳代謝功能及呼吸健康和免疫學領域的生物製藥，進而為 145 個國家/地區和 70 個市場的數百萬患者提供支援。AstraZeneca 分析匿名患者資料，以取得洞察，包括了解患者對特定治療的情緒，以及饋送慢性腎病、心力衰竭再入院和癌症分類等治療領域的進展模型。AstraZeneca 將這些洞察提供給商業分析師，而後者則會利用這些洞察改善業務程序，提高對醫療保健系統的認知和接受度。AstraZeneca 全球資深企業架構師 Cherry Cabading 表示：「我們專注於目標定位與行銷，幫助我們的商業團隊向醫療保健供應商提供正確的資訊，以滿足患者需求。」

提供這些洞察需要對大型資料集進行分析。和許多大公司一樣，AstraZeneca 的商業團隊沒有一個敏捷的 ML 環境來大規模處理資料。其先前的 ML 解決方案需要耗費一個多月的大量努力，才能為資料科學家建立一個環境，讓他們能夠存取必要的資料。這無論在時間還是成本上來說，都極為低效。「我們以前使用的技術堆疊缺乏自動化管道，無法為資料科學家團隊產生環境，」Cabading 解釋道。「甚至很難將其結合使用，因為市場上可用的各種 ML 工具之間無法實現內聚。」

2020 年，商業團隊正在尋找一種能夠提供可擴充性、靈活性和可擴展性的解決方案。「資料科學家需要一個解決方案來建置、訓練和部署 ML 模型，然後將這些模型工業化，以便與我們的商業系統整合，」Cabading 說道。透過使用 Amazon SageMaker，AstraZeneca 能夠為 ML 開發實作一個標準一致的解決方案，從而省去數個月編寫自訂整合程式碼的時間，同時降低成本。

2020 年，Cabading 和團隊開始使用 Amazon SageMaker 架構和設計解決方案。就在團隊準備實作 ML 操作時，AWS 發佈了 Amazon SageMaker Studio，這是一個適用於 ML 的完全整合式開發環境，可在一個統一的 Web 視覺化介面下提供準備資料以及建置、訓練和部署模型所需的一切。AstraZeneca 於 2021 年 7 月開始使用 Amazon SageMaker Studio。「它包括部署、ML 操作、模型登錄檔、SageMaker Feature Store 以及將模型部署到不同階段或環境的能力，」Cabading 說。「我們可以直接在 Amazon SageMaker Studio 內自動進行大多數的 ML 開發程序，而不必建立許多人工作業程序。」

AstraZeneca 的 ML 解決方案稱為 Advanced Insights Generator (AIG)，可幫助分析師執行商業建模。在美國商業部門中，由 100 多名資料科學家組成的科學團隊開始使用 AIG。資料科學家會請求環境及他們想要存取的資料，如生物製藥或腫瘤資料。為了管理這些請求，Cabading 的團隊使用了 AWS Service Catalog，其中該解決方案為組織提供可以集中管理 IT 服務型錄的單一位置。「我們輸入資料科學團隊的名稱，並選中他們想要存取之資料的核取方塊，」Cabading 說道。然後，便會自動啟動一個新環境。整個程序只需要 5 分鐘，而之前卻要耗費一個多月的時間，因此，資料科學家可以專注於更有價值的工作並快速提供洞察。

使用 AIG，商業團隊可以在不到 2.5 個月的時間內產生洞察，而之前需要 6 個多月的時間，產生洞察的時間提高了約 150%。「因為該解決方案設有基礎設施即程式碼，所以很容易重複。我們不需要從頭開始設計這些專案，」Cabading 說道。「我們可以在不同的內部和外部合作夥伴之間共用解決方案，而這就是意義所在。」