AstraZeneca Mempercepat Waktu untuk Mendapatkan Wawasan Menggunakan Amazon SageMaker

Sebagai perusahaan global berbasis sains, AstraZeneca berfokus pada penemuan, pengembangan, dan komersialisasi obat-obatan penting dalam onkologi, penyakit langka, dan biofarmasi untuk sistem kardiovaskular serta fungsi ginjal dan metabolisme, serta kesehatan pernapasan dan imunologi, dengan mendukung jutaan pasien di 145 negara dan 70 pasar. AstraZeneca menganalisis data pasien yang dianonimkan untuk mendapatkan wawasan termasuk mempelajari sentimen pasien tentang perawatan tertentu dan memberikan model perkembangan di bidang terapeutik seperti penyakit ginjal kronis, rawat inap ulang pasien gagal jantung, dan klasifikasi kanker. AstraZeneca memberikan wawasan tersebut kepada analis komersial, yang selanjutnya akan menggunakannya untuk meningkatkan proses bisnis dan mendorong kesadaran dan penyerapan dengan sistem perawatan kesehatan. “Kami berfokus pada penyelarasan target dan pemasaran, membantu tim komersial kami memberikan informasi yang tepat kepada penyedia layanan kesehatan untuk memenuhi kebutuhan pasien,” ujar Cherry Cabading, Arsitek Perusahaan Senior Global (Global Senior Enterprise Architect) di AstraZeneca.

Untuk memberikan wawasan tersebut diperlukan analisis set data yang besar. Dan seperti banyak perusahaan besar, tim komersial AstraZeneca tidak memiliki lingkungan ML yang gesit untuk memproses data dalam skala besar. Solusi ML sebelumnya membutuhkan lebih dari satu bulan upaya intensif untuk membangun lingkungan bagi ilmuwan data yang akan memberi mereka akses ke data yang diperlukan. Hal ini tidak efisien baik dari segi waktu maupun biaya. “Sebelumnya, kami menggunakan sejumlah teknologi yang tidak memiliki cara otomatis untuk menghasilkan lingkungan bagi tim ilmuwan data,” jelas Cabading. “Sangat sulit untuk menyatukannya karena tidak ada kohesi di antara berbagai alat ML yang tersedia di pasar.”

Pada 2020, tim komersial sedang mencari solusi yang akan memberikan ekstensibilitas, fleksibilitas, dan skalabilitas. “Para ilmuwan data memerlukan solusi untuk membangun, melatih, dan men-deploy model ML, kemudian mengindustrialisasi model tersebut untuk diintegrasikan dengan sistem komersial kami,” ujar Cabading. Dengan menggunakan Amazon SageMaker, AstraZeneca dapat menerapkan solusi standar dan terpadu untuk pengembangan ML, dengan menghindari penulisan kode integrasi khusus selama beberapa bulan sekaligus mengurangi biaya.

Pada tahun 2020, Cabading dan tim mulai menyusun dan merancang solusi menggunakan Amazon SageMaker. Saat tim bersiap untuk mengimplementasikan operasi ML, AWS merilis Amazon SageMaker Studio, lingkungan pengembangan terintegrasi penuh untuk ML yang menghadirkan semua yang diperlukan untuk menyiapkan data dan membangun, melatih serta men-deploy model dalam satu antarmuka visual berbasis web yang terpadu. AstraZeneca mulai menggunakan Amazon SageMaker Studio pada Juli 2021. “Ini mencakup deployment, operasi ML, registri model, SageMaker Feature Store, dan kemampuan untuk men-deploy model ke tahapan atau lingkungan yang berbeda,” ujar Cabading. “Daripada harus membuat banyak proses manual, kami dapat mengotomatiskan sebagian besar proses pengembangan ML hanya dengan Amazon SageMaker Studio.”

Solusi ML AstraZeneca, yang disebut Advanced Insights Generator (AIG), membantu analis melakukan pemodelan komersial. Di sektor komersial AS, AIG digunakan dengan tim sains yang terdiri lebih dari 100 ilmuwan data. Ilmuwan data meminta lingkungan dan data yang ingin mereka akses, seperti data biofarmasi atau onkologi. Untuk mengelola permintaan tersebut, tim Cabading menggunakan AWS Service Catalog, yang menyediakan satu lokasi sebagai tempat organisasi dapat mengelola katalog layanan teknologi informasi secara terpusat. “Kami memasukkan nama tim ilmu data dan memilih kotak centang untuk data yang ingin mereka akses,” ujar Cabading. Kemudian, lingkungan baru secara otomatis diluncurkan. Seluruh proses memerlukan waktu 5 menit, dibandingkan dengan sebelumnya yang memerlukan waktu lebih dari satu bulan, sehingga ilmuwan data dapat fokus pada pekerjaan yang lebih penting dan memberikan wawasan dengan cepat.

Dengan menggunakan AIG, tim komersial dapat menghasilkan wawasan dalam waktu kurang dari 2,5 bulan dibandingkan dengan sebelumnya yang memerlukan waktu lebih dari 6 bulan, peningkatan kecepatan sekitar 150 persen untuk mendapatkan wawasan. “Karena solusi memiliki infrastruktur sebagai kode, ini mudah untuk diulang. Kami tidak perlu lagi menciptakan roda penggerak untuk proyek-proyek tersebut, ” ujar Cabading. “Kami dapat membagikan solusi ini ke seluruh partner internal dan eksternal karena hal ini sangat rasional.”