AstraZeneca 使用 Amazon SageMaker 加快获得见解

作为以科学为导向的全球性企业，AstraZeneca 专注于研发、生产和销售可以拯救生命的肿瘤及罕见病药品，以及用于心血管系统、肾脏和代谢功能和呼吸道健康和身体免疫的生物制药，为 145 个国家/地区和 70 个市场的数百万患者提供帮助。AstraZeneca 分析匿名的患者数据以获得洞察，包括了解患者对特定疗法的情绪，以及慢性肾病、心力衰竭再入院和癌症分类等治疗领域的喂养进展模型。AstraZeneca 将这些见解提供给商业分析师，后者反过来利用这些见解改进业务流程，并提高对医疗保健系统的认识和理解。AstraZeneca 全球高级企业架构师 Cherry Cabading 表示：“我们专注于定位调整和营销，帮助我们的商业团队向医疗保健服务提供者传递正确的信息，以满足患者的需求。”

要传递这些见解，就需要分析大型数据集。但是和许多大型公司一样，AstraZeneca 的商业团队当时并没有灵活的 ML 环境来大规模处理数据。之前的 ML 解决方案需要耗费一个多月的时间和大量努力才能为数据科学家创建必要的环境，使他们能够访问必要的数据。时间和成本的效率都很低。Cabading 解释：“我们原先采用的技术堆栈缺乏自动为数据科学家团队创建环境的方法，而且我们甚至很难将它们组合在一起，因为当时市场上可用的各种 ML 工具之间没有凝聚性。”

2020 年，该公司的商业团队开始寻找一种能提供可延展性、灵活性和可扩展性的解决方案。Cabading 表示：“数据科学家需要一种建立、训练及部署 ML 模型的解决方案，然后将这些模型产业化，使其与我们的商业系统相结合。”通过使用 Amazon SageMaker，AstraZeneca 得以实现 ML 开发的标准化、统一化解决方案，避免耗费数月时间编写集成代码，同时也减少了成本。

2020 年，Cabading 和团队成员开始使用 Amazon SageMaker 部署架构、进行设计。就在团队准备实现 ML 运行时，AWS 发布了 Amazon SageMaker Studio，这是一个完全集成的 ML 开发环境，在一个统一的基于 web 的可视化界面下提供了准备数据和构建、训练和部署模型所需的一切。2021 年 7 月，AstraZeneca 开始使用 Amazon SageMaker Studio。“它包含部署、ML 运行、模型注册表、SageMaker Feature Store，还具有将模型部署至不同阶段或环境的能力，”Cabading 说道。“我们可以在 Amazon SageMaker Studio 中轻松自动化大部分 ML 开发流程，而不需要创建许多手动流程。”

AstraZeneca 的 ML 解决方案名为 Advanced Insights Generator（AIG），能够帮助分析人员进行商业建模。在美国商业领域，由 100 多名数据科学家组成的多个科学团队都使用 AIG。数据科学家请求获得他们想要访问的环境和数据，例如生物制药或肿瘤数据。而 Cabading 的团队使用 AWS Service Catalog 管理这些请求，它提供了一个单一位置，各个组织可以在此集中管理信息技术服务的目录。Cabading 说：“我们输入数据科学团队的名称，并勾选想访问的数据。”随后，一个新的环境就能够自行启动。与原先需要耗费一个月相比，现在整个过程只需要 5 分钟。因此数据科学家能够专注于更有价值的工作，并快速分享见解。

该商业团队可以使用 AIG 在不到两个半月的时间内生成见解，而在此之前，他们需要花费超过 6 个月时间。获得洞察的时间效率提高了将近 150%。“因为该解决方案将基础设施作为代码，所以很容易重复。我们不需要为这些项目白费力气做重复工作，”Cabading 表示。“我们可以在内外部最相关的各个合作伙伴之间共享这个解决方案。”