Sind Ihre Daten KI-fähig? 4 bewährte Methoden zur Bewertung und Schaffung der Grundlagen

Künstliche Intelligenz (KI) und generative KI (GenAI) bergen ein enormes Potenzial für die Biowissenschaften und die Pharmabranche – von effizienteren klinischen Studien über schnellere Zulassungsverfahren und verbesserte Forschung und Entwicklung bis hin zu vielem mehr. Wir sehen bereits, wie diese Technologie Prozesse wie die Wirkstoffforschung und die Gewinnung wissenschaftlicher Informationen transformiert.

Einem Bericht der International Data Corporation (IDC) zufolge geben etwas mehr als die Hälfte der mittelständischen Life-Sciences-Unternehmen an, dass ihr primäres Geschäftsziel darin besteht, neben KI auch digitale Transformationsprojekte zu ermöglichen.

Doch der Übergang von der Theorie zur Praxis hängt von Daten ab – insbesondere von der Verfügbarkeit hochwertiger Daten. Ohne ein adäquates Datenmanagement kann und wird generative KI keine Ergebnisse liefern. Deshalb müssen Unternehmen Daten mit einem „Data-First“-Ansatz in den Mittelpunkt stellen.

Das Potenzial von GenAI in den Bereichen Biowissenschaften und Pharmazie

Die Pharma- und Medizintechnikbranche kann von GenAI erheblich profitieren – laut einer Schätzung von [Name der Quelle einfügen] mit einem jährlichen wirtschaftlichen Wert von 60 bis 110 Milliarden US-Dollar. McKinsey. Wie?

Ein Beispiel dafür ist, dass GenAI die Produktivität steigern kann, indem es die Suche nach Wirkstoffen für potenzielle neue Medikamente beschleunigt. Natürlich bringen neue Wirkstoffe auch neue Nebenwirkungen mit sich, aber die Integration komplexer Zusammenhänge zwischen Wirkstoffen, Patientenbiologie, Nebenwirkungen und/oder Dosierung in KI-basierte Sprachmodelle kann helfen, Muster zu erkennen, die den F&E-Zyklus verkürzen.

Die Nutzung dieses Potenzials setzt jedoch qualitativ hochwertige Daten voraus. GenAI benötigt Zugriff auf gute Daten, um gute Ergebnisse zu erzielen. Stellen Sie sich vor, Sie erhalten ärztliche Beobachtungen oder Patientenfeedback in unterschiedlichen Formaten, Spalten oder Feldern. Dosierung, Verabreichungsform und Häufigkeit sind allesamt wichtige Faktoren.

Aus diesem Grund sind Datenmodellierung und -governance unerlässlich. Ohne diese grundlegenden Elemente werden die potenziellen Vorteile und der Wert von GenAI deutlich reduziert. Darüber hinaus könnte es Unternehmen verzögern, die angestrebten Effizienzsteigerungen der nächsten Generation zu erzielen.

Legt die Grundlage

Eine der größten Herausforderungen für Unternehmen heute besteht darin, dass Daten immer noch häufig als rein technische Angelegenheit und nicht als geschäftliche Aufgabe betrachtet werden. Die Art und Weise, wie Unternehmen ihre Daten sehen, entscheidet darüber, wie gut sie für ein KI-Projekt gerüstet sind. Die Antwort, die ihre Bereitschaft belegt, lautet: „Ja, Daten sind absolut eine geschäftliche Aufgabe.“

Es ist wichtig, wo die Daten gespeichert sind, aber noch wichtiger ist der Kontext, warum diese Daten existieren. Die Daten dienen dem Geschäftsbetrieb, von der Forschung und Entwicklung bis zur Vermarktung.

Um die richtige Grundlage zu schaffen, ist die Einbindung von Forschungs- und Entwicklungsabteilungen oder Unternehmensinhabern von Anfang an unerlässlich – nicht erst sechs Monate nach dem Start eines KI-Projekts. Zu diesen Akteuren könnten Wissenschaftler oder Ärzte gehören, die Wechselwirkungen von Substanzen untersuchen, welche die Grundlage für pharmazeutische Wirkstoffe bilden.

Ihre Zeit ist begrenzt; man kann sie nicht in letzter Minute bitten, Daten herauszugeben oder sie während der Bearbeitung zu bereinigen. Daten sind die Grundlage für intelligente Analysen und sollten daher mit höchster Priorität behandelt werden. Werden Daten vor Beginn eines KI-Projekts nicht bereinigt, kann dies zu schlechter Modellleistung, voreingenommenen Entscheidungen, Zeitverzögerungen, höheren Kosten, ineffektiven Erkenntnissen oder Compliance-Risiken führen.

Schritte zum Start Ihrer GenAI-Initiative

Definieren Sie zunächst klar das gewünschte Ergebnis, denn dieses zeigt, welche Datenobjekte und/oder Felder am wichtigsten sind. Ermitteln Sie anschließend, wie die Daten sich gegenseitig beeinflussen. Diese Liste von Regeln und Details bildet die Grundlage Ihres Wissensbestands. Daraus entsteht ein umfangreicher Katalog, den Sie in Ihre Bereinigungszyklen einbinden können, um wichtige Daten optimal zu pflegen.

Um das Projektrisiko zu senken, sollten Sie umgehend mit der Datenbereinigung und Simulation beginnen. Zu den bewährten Vorgehensweisen gehören:

1. Beginnen Sie mit dem gewünschten Ergebnis vor Augen: Um beispielsweise die Einreichung von Unterlagen bei Aufsichtsbehörden zu verbessern, konzentriert sich die Organisation auf die erforderlichen Felder, Informationsquellen, Formate und letztendlich auf die Art und Weise des Ausfüllens. Der Soll-Zustand gibt die Richtung vor, die die Organisation anstrebt.
2. Bewerten Sie die Qualität Ihrer Daten: Da der Soll-Zustand nun bekannt ist, helfen Datenprofilierungstools dabei, Abweichungen zwischen Ist- und Soll-Zustand zu identifizieren. Sobald die Abweichungen bekannt sind, stellt sich die Frage: „Welche Regeln können wir entwickeln, um die Behebung dieser Abweichungen zu automatisieren?“ Dies reduziert den Zeitaufwand erheblich. Alle Abweichungen, die sich nicht durch Regeln beheben lassen, erfordern manuelle Eingriffe. Der Aufwand hierfür muss quantifiziert werden, indem die Anzahl der Datensätze, die durchschnittliche Bearbeitungszeit und die verfügbare Zeit berücksichtigt werden. Diese Analyse liefert die Information darüber, wie viele Ressourcen im KI-Datenteam benötigt werden.
3. Laufende Datenbereinigung: Denken Sie an das alte Sprichwort: „Gib einem Mann einen Fisch, und er hat für einen Tag zu essen; lehre ihn fischen, und er hat sein Leben lang zu essen.“ Dasselbe gilt für die Datenqualität. Unternehmen sollten saubere Daten nicht als Mittel zum Zweck betrachten. Der wahre Gewinn liegt in den Regeln zur automatisierten Datenbereinigung und darin, dass das Unternehmen nun die kontinuierliche Bereinigung und die Entwicklung neuer Standards vorantreibt. Diese Regeln stellen das geistige Eigentum jedes Unternehmens an seinen Arbeitsweisen dar. Solange Unternehmen neue Wirkstoffe und klinische Studien einführen, werden Daten in unterschiedlichen Formaten generiert. Das Unternehmen sorgt dafür, dass daraus gelernt wird und eine Wissensbibliothek – sprich: Regeln – entsteht. Ihre KI wird es Ihnen danken.
4. Datenamt: Daten-Governance ist für die Ermöglichung von GenAI-Innovationen von entscheidender Bedeutung, da sie sicherstellt, dass Organisationen Verzerrungen vermeiden, verantwortungsvolle Datenpraktiken anwenden und den Datenschutz gewährleisten. Wenn GenAI und Daten-Governance Hand in Hand gehen, können sie Datenschutz und Compliance sicherstellen, selbst im streng regulierten Umfeld der Life-Sciences- und Pharmabranche.

Auf dem Weg zu KI-fähigen Daten

Die Pharma- und Medizintechnikbranche hat sich der Verbesserung und Rettung von Leben verschrieben, weshalb die Qualität ihrer Daten von entscheidender Bedeutung ist. GenAI erzielt enorme Fortschritte bei der Entwicklung neuer Therapien, weshalb die verwendeten Daten makellos – sowohl sauber als auch relevant – sein müssen.

Qualitativ hochwertige Daten bilden die Grundlage für verlässliche und unvoreingenommene Ergebnisse. Werden Maßnahmen zur Datenqualität und -verwaltung hingegen verzögert oder ignoriert, birgt dies erhebliche Risiken, darunter Beeinträchtigungen der Effektivität, der Compliance oder ethische Probleme.

Deshalb ist ein datenorientierter Ansatz so wichtig. Da KI den Life-Sciences-Sektor weiterhin grundlegend verändert, werden Datenqualität und eine solide Datenarchitektur es diesen Organisationen ermöglichen, die Möglichkeiten von KI voll auszuschöpfen.

Bedenken Sie jedoch, dass GenAI menschliche Mitarbeiter nicht ersetzen kann. Die Einbindung von Menschen ist nach wie vor unerlässlich, GenAI kann Ihre Bemühungen aber deutlich unterstützen.

Über den Autor:

Ricardo Rosales ist Senior Vice President & Managing Director Americas bei Syniti. Seit 18 Jahren beschäftigt er sich intensiv mit Daten. In dieser Zeit leitete er Datenkonvertierungen und die Daten-Governance für globale Implementierungen und erwarb sich einen Ruf für die erfolgreiche Sanierung selbst schwierigster und scheinbar aussichtsloser Projekte.

Als Senior Vice President & Managing Director für Amerika verantwortet Rosales die Markteinführung in den USA, Kanada und Lateinamerika. Zu seinen Aufgaben gehören Vertrieb, Partnerschaften und die Sicherstellung des Kundenerfolgs. Er ist Mitglied verschiedener Kundenbeiräte und fungiert als Führungskraft für viele wichtige Syniti-Kunden.

Lesen Sie den vollständigen Artikel im CDO Magazine.