Dada a crescente concorrência, as maiores expectativas dos clientes e os crescentes desafios regulamentares, estes investimentos são cruciais. Mas para maximizar o seu valor, os líderes devem considerar cuidadosamente como equilibrar os fatores-chave de âmbito, escala, velocidade e colaboração humano-IA.
A promessa inicial de conectar dados
O refrão comum dos líderes de dados em todos os setores — mas especificamente daqueles dentro de organizações de ciências biológicas ricas em dados — é “Tenho grandes quantidades de dados em toda a minha organização, mas as pessoas que precisam deles não conseguem encontrá-los”. diz Dan Sheeran, gerente geral de cuidados de saúde e ciências biológicas da AWS. E num ecossistema complexo de cuidados de saúde, os dados podem vir de múltiplas fontes, incluindo hospitais, farmácias, seguradoras e pacientes.
“Enfrentar este desafio”, diz Sheeran, “significa aplicar metadados a todos os dados existentes e depois criar ferramentas para encontrá-los, imitando a facilidade de um motor de busca. Até o surgimento da IA generativa, criar esses metadados consumia muito tempo.”
Chefe world da prática digital e tecnológica da ZS, Mahmood Majeed observa que suas equipes trabalham regularmente em programas de dados conectadosporque “conectar dados para permitir decisões conectadas em toda a empresa oferece a capacidade de criar experiências diferenciadas”.
Majeed aponta para o exemplo bem divulgado da Sanofi de conectar dados com seu aplicativo de análise, plai, que agiliza a pesquisa e automatiza tarefas demoradas de dados. Com este investimento, a Sanofi relata a redução dos processos de investigação de semanas para horas e o potencial para melhorar a identificação de alvos em áreas terapêuticas como imunologia, oncologia ou neurologia em 20% a 30%.
Alcançando a recompensa da personalização
Os dados conectados também permitem que as empresas se concentrem em experiências personalizadas de última milha. Isso envolve adaptar as interações com os profissionais de saúde e compreender as motivações, necessidades e comportamentos individuais dos pacientes.
Os primeiros esforços em torno da personalização basearam-se em modelos de “próxima melhor ação” ou “próximo melhor envolvimento” para fazer isso. Esses modelos tradicionais de aprendizado de máquina (ML) sugerem as informações mais adequadas para as equipes de campo compartilharem com os profissionais de saúde, com base em diretrizes pré-determinadas.
Quando comparados com modelos generativos de IA, os modelos mais tradicionais de machine studying podem ser inflexíveis, incapazes de se adaptar às necessidades individuais dos fornecedores e muitas vezes têm dificuldade em se conectar com outras fontes de dados que poderiam fornecer um contexto significativo. Portanto, os insights podem ser úteis, mas limitados.