Por que a IA em saúde depende de uma estratégia de dados sólida

A inteligência artificial é tão eficaz quanto os dados por trás dele. Sem dados encontrados, acessíveis, interoperáveis ​​e reutilizáveis-conhecidos como dados justos-as organizações de saúde correm ineficiências, imprecisões e insights gerados por IA não confiáveis.

Para desbloquear o potencial total da IA, uma estratégia de dados bem estruturada construída sobre os princípios justos deve vir primeiro. Somente a IA não pode resolver todos os desafios de dados; O sucesso depende de uma forte fundação de dados, de acordo com Aashima Gupta (foto, à esquerda), diretor global de soluções de saúde do Google Cloud.

“Há muito hype de IA, [and] Há muita lavagem de IA “, disse ela. Mas, voltando à Enterprise, tem diversos pontos de partida: assuntos de dados, a estratégia de dados é importante e eu diria que não há gen ai ou estratégia de IA agêntica se você não tiver a estratégia de dados. ”

Gupta e Ted Slater (à direita), gerenciando diretor de engenharia de conhecimento de informática científica na Epam Systems Inc., conversou com o TheCube’s Rebecca Knight no A cobertura do Google Cloud de TheCube no Himss25durante uma transmissão exclusiva no TheCube, o estúdio de transmissão ao vivo da Siliconangle Media. Eles discutiram o papel dos dados justos na adoção da IA. (* Divulgação abaixo.)

O papel dos dados justos na adoção de IA

As organizações que buscam integrar a IA nas operações de saúde devem primeiro se concentrar em garantir que os dados sejam estruturados para a usabilidade a longo prazo. Os dados devem ser fáceis de localizar e acessíveis a humanos e máquinas, de acordo com Slater. A interoperabilidade continua sendo um desafio importante porque Muitos sistemas operam em silosimpedindo a troca de dados suave.

“Se você não consegue encontrar dados, não pode usá -los”, disse Slater. “Se você encontrar, mas não pode acessá -lo, ainda está com problemas.

Além de estruturar dados para a IA, as organizações também devem considerar o custo de não implementar estratégias de dados justos. Sem uma abordagem estruturada, os dados podem rapidamente se tornar fragmentados e difíceis de redirecionar, levando a ineficiências e atrasos caros, de acordo com Slater.

“A questão certa é: ‘Quanto custa não ter dados justos?'”, Ele disse. “Se você não pode usar seus dados para as coisas que você precisa por agora [or] Se as coisas surgirem exigindo que você reformule tudo, isso simplesmente não vai funcionar. Custa muito dinheiro para fazer isso acontecer. ”

Etapas práticas para integrar princípios de dados justos

Para implementar efetivamente os princípios de dados justos, as organizações devem se concentrar na validação precoce e nas aplicações práticas, em vez de buscar a perfeição. Uma abordagem em fases pode ajudar a demonstrar valor mais rapidamente, incentivando a maior adesão das partes interessadas, de acordo com Slater.

“Uma das coisas que fica cara é esperar muito para verificar seus dados”, disse ele. “Quanto mais você espera, mais caro é. Quase ninguém possui dados 100% justos, portanto, verifique se você está fazendo justo na medida em que suporta suas operações.

Equilibrar estratégias de dados de longo prazo com aplicações práticas imediatas também é crítica, de acordo com Gupta. Demonstrar os benefícios dos dados justos no início do processo pode ajudar a sustentar o impulso e garantir o investimento contínuo em iniciativas de dados estruturados.

“Muitas vezes, as pessoas estão construindo essa estratégia de dados por anos – construa e elas virão”, disse ela. “Embora isso seja importante, também é fundamental para equilibrar. [You] Mostre o valor muito mais rápido ao adotar a abordagem justa. Se for uma estratégia de cinco anos e você não divulgou nenhum caso de uso, as pessoas perderão a visão. Sempre equilibre os casos de uso de curto prazo com uma estratégia de dados de longo prazo. ”

Com o surgimento da IA ​​agêntica, a abordagem do gerenciamento de dados está mudando. Tradicionalmente, as organizações coletavam, normalizavam e transformavam dados antes de criar aplicativos de IA. Agora, os agentes da IA ​​são cada vez mais capazes de processar dados em vigor, reduzindo a necessidade de extensos esforços de pré-processamento e transformação, de acordo com Gupta.

“Com a IA Agentic, estamos vendo uma mudança”, disse ela. “Costumava ser: ‘Pegue todos os seus dados, mapeie -os, transforme -os, harmonize -os, normalize -os, coloque -os na nuvem e depois construa ai.’ Com a IA Agentic, é muito mais processamento de dados local – os dados permanecem no local.

Aqui está a entrevista completa em vídeo, parte de Siliconangle e A cobertura do Google Cloud de TheCube no Himss25:

https://www.youtube.com/watch?v=d6njxwiko_e

(* Divulgação: o TheCube é um parceiro de mídia pago para a cobertura do Google Cloud no HIMSS25. Nem o Google LLC, o patrocinador da cobertura de eventos do TheCube, nem outros patrocinadores têm controle editorial sobre o conteúdo do TheCube ou Siliconangle.)

Foto: Siliconangle