Τον Ιούνιο, η Microsoft διέθεσε νέα μαθήματα για το Azure Machine Learning (ML) στο Udacity, παρέχοντας στους ενδιαφερόμενους εργαλεία ανοιχτού κώδικα και frameworks όπως το PyTorch για την δημιουργία σύνθετων λύσεων ML. Την περασμένη εβδομάδα στο Ignite, ο Microsoft Power BI CVP Arun Ulag ανέφερε τη σημασία των υπηρεσιών Azure ML στην κατασκευή end-to-end συστημάτων.
Σήμερα, η εταιρεία βιοφαρμακευτικών προϊόντων AstraZeneca διέθεσε πληροφορίες για το πώς χρησιμοποιεί το Azure ML και το PyTorch για την επιτάχυνση της έρευνας στην ανάπτυξη νέων φαρμάκων.
Η ομάδα πιστεύει ότι η μηχανική μάθηση είναι το κλειδί στην ανάλυση δεδομένων για την εύρεση σχετικών συνδέσεων, γι ‘αυτό χρησιμοποίησε μια προσέγγιση βασισμένη σε γραφήματα γνώσης για να κατανοήσει τη σχέση μεταξύ των δικτύων των επιστημονικών δεδομένων με βάση τα συμφραζόμενα.
Τα μέλη της επεξεργασίας της φυσικής γλώσσας (NLP από το natural language processing) προτίμησαν το PyTorch framework για την κατασκευή διαφόρων μοντέλων, ακολουθώντας τις τελευταίες έρευνες.
Σε συνδυασμό με το Azure ML, δημιούργησαν συστήματα προτάσεων που μπορούν να χρησιμοποιηθούν για τη χαρτογράφηση κόμβων στο γράφημα γνώσεων σε αριθμητικά δεδομένα. Αυτά τα συστήματα στη συνέχεια χρησιμοποιούνται για να εκπαιδεύσουν τη χρήση μοντέλων συγκεκριμένων περιπτώσεων με συνεκτικό τρόπο, μέσω των προηγμένων δυνατοτήτων υπολογισμού του Azure ML.
Ένα πρόσφατο έγγραφο της AstraZeneca συγκρίνει την απόδοση του μοντέλου υπό διαφορετικές συνθήκες. Η εταιρεία κάνει χρήση του χώρου αποθήκευσης Azure Blob για να χειριστεί τις τεράστιες ποσότητες των απαιτούμενων δεδομένων.
Παρομοίως, η διαχείριση κύκλου ζωής end-to-end για όλη τη διαδικασία της μηχανικής εκμάθησης διευκολύνεται επίσης μέσω του Azure ML, όπως φαίνεται στο παραπάνω σχήμα, επιταχύνοντας τις επαναλήψεις και την διαδικασία ανάπτυξης μοντέλων.
Τα μοντέλα που κατασκευάστηκαν χρησιμοποιώντας αυτές τις προσεγγίσεις χρησιμοποιούνται τελικά για να ανακαλύψουν και να προτείνουν “πιθανούς νέους και νέους στόχους φαρμάκων” με ταχύτερο και πιο ακριβή τρόπο.
Μελλοντικά η εταιρεία σχεδιάζει να συνεχίσει να επεκτείνει το γράφημα γνώσεων της – εφαρμόζοντας την μηχανική μάθηση μέσω των προαναφερθεισών πλατφορμών, με τον τελικό στόχο την κατασκευή νέων φαρμάκων στη βιομηχανία υγειονομικής περίθαλψης με πιο αποτελεσματικό τρόπο.
