编者按：今天我们听到Lumiata首席技术官Miguel Alvarado的消息，他正在使用谷歌云人工智能提供智能健康分析，以提高医疗保健领域的风险意识和成本管理。

Lumiata建立在更智能、更具成本效益的医疗保健愿景之上，人工智能在实现这一目标方面发挥着核心作用。我们提供先进的机器学习应用程序，提高医疗机构管理支出预测、止损、疾病预测等的能力，而且是现成的。

我们最近推出了Lumiata AI平台，面向寻求应用机器学习来提高支付能力和医疗质量的医疗机构小心。我们的平台在两个方面帮助医疗机构。首先，他们可以简化他们的数据，以获得一个全面的纵向人员记录（LPR），用于个性化分析，使用不同的信号，包括索赔、资格、实验室、药房、EHR/EMR、非结构化数据等。其次，他们通过Lumiata AI Studio获得工具并访问预先培训的模型，医疗数据科学家可以使用这些工具来构建和部署用于预测医疗成本和事件等用例的机器学习模型。

需要强大的基础设施才能为我们的客户提供易用性和简单性。经过仔细的评估，我们选择了谷歌云来帮助我们提供有意义的人工智能功能，以改变医疗保健组织。谷歌云的安全基础设施、各种直观的人工智能工具，我只是数据，以及像Anthos这样让多云环境变得非常简单的技术，是我们做出这一决定的一些关键因素。

当我们转向谷歌云并构建我们的平台时，我们在这一过程中学到了一些经验教训，可以帮助其他需要帮助的人在商业中部署人工智能的过程中，

关于人工智能的第一个误解，可能是最常见的误解是，大数据分析工具有哪些，它是一种"只起作用"的银弹。事实是，人工智能必须有目的地从数据中提取出最大的价值和见解。它需要对当前的问题及其带来的独特挑战有深刻的理解。我们致力于帮助医疗机构使用人工智能来了解个人并提供个性化体验，以提高医疗服务的可负担性和质量。谷歌通过部署人工智能来解决这一学习问题，这是一种独特的务实方法，与我们的信念相呼应，即尽管人工智能功能强大且经常具有变革性，但它并非神奇。

从组织的各个层面的利益相关者那里反复、试验并从错误中学习也需要耐心。操作ML基础设施和实时生产模型是困难的。

您应用于传统软件的CI/CD理念也可以应用于模型。这些实践也被称为"MLOps"——可能不是人工智能最吸引人的部分，但它们是成功部署的重要组成部分。我们是代表我们的客户来做ML操作的。通过Lumiata的MLOps框架，模型可以被自动监控、验证和测试，从而不断优化模型性能。

其次，我认为机器学习模型本身受到了不成比例的关注，这使得人们很容易低估围绕它们的支持组件的范围，从而使模型性能不断优化他们工作。例如，有数据训练模型，也有基础设施连接一切，这两个领域谷歌比任何人都有更深厚的根基。医疗机构坐拥大量数据，但其对数据科学和分析团队的可见性和访问能力有限。这阻碍了他们运用人工智能有意义地解决相关问题的能力。BigQuery是谷歌的无服务器数据仓库，通过提供对大量数据的访问而完全没有操作障碍，使我们能够解决用户面临的这一挑战。

除了数据之外，构建、部署和维护机器学习模型还需要强大的计算能力。我们的客户通常很难从他们的技术同行那里得到认可，淘客助手怎么用，以扩展他们的机器学习基础设施需求。借助Google Kubernetes引擎，我们的平台可以帮助他们轻松灵活地满足机器学习的计算需求。

底线是，即使是最复杂的机器学习模型也只是一个更大系统的一个组成部分。构建一个AI部署系统，使其在现实世界中发挥作用，需要软件工程能力、DevOps文化以及工具开发人员快速自动化、测试、部署和测量结果所需的工具。

小型公司通常受益于戴着许多帽子的通才，而更大的公司可以聘请一系列的专家。无论哪种方式，学科之间的参与都是关键：例如，鼓励机器学习专家参与测试和自动化等开发活动是至关重要的。还有一个比例的问题；工程人才和人工智能愿景都是至关重要的，但前者通常比后者需要更多的人才。没有什么可以替代至少一个合格的声音来推动先进模型的发展，北京大数据研究院，这些模型优化了多个变量，或者提供了透明的推理（有时称为"可解释性"）以及他们的预测；但要将这样一个愿景以稳健的方式投入生产，需要更多的工程师团队，有效方法

人工智能在医疗领域的应用受到限制，部分原因是人才缺口。招募和留住顶尖人才来构建人工智能架构可能是一项挑战。我们努力通过我们的平台减轻客户的这一挑战，自动化机器学习管道的许多方面，从而使他们能够更快地部署AI。

最后，准备好在部署投入生产后继续测试您的部署。实时监控有助于确保模型按预期运行并保持一致。