Teknologi.info – Membeli obat baru di pasar sangatlah mahal, memakan waktu, dan juga riskan, setidaknya memerlukan miliaran dolar investasi. Melalui teknologi canggih khususnya di bidang analisis perusahaan dan data sciences yang sudah berkembang, perusahaan kesehatan dan farmasi dapat memperoleh wawasan yang lebih cepat dari volume data streaming yang luas yang berasal dari berbagai sumber termasuk proses Litbang itu sendiri, pengecer, pasien dan perawat.
Peningkatan fokus pada inovasi dan data ini digariskan sebagai salah satu tren utama dalam strategy paper yang ditulis oleh PwC. Menyebut 2017 sebagai tahun “New Health Economy”, PwC memprediksikan jika tahun ini adalah tahun dimana industri kesehatan dan life science akan memindahkan investasi mereka dan fokus pada inovasi, keterlibatan pasien, data, nilai bukti.
Studi kasus di bawah adalah penjelasan detil bagaimana Kinetica, sebuah GPU-accelerated database analisis, membantu GlaxoSmithKline, salah satu perusahaan healthcare global terdepan, menggunakan teknik machine learning, deep learning, dan pemrosesan bahasa alami (natural language processing – NLP) yang dilengkapi dengan alat analisis visual yang mudah digunakan untuk menjalankan simulasi ribuan data secara interaktif dengan data yang kompleks. Dengan memberikan solusi data dan analisis yang cepat dan berdayaguna, Kinetica mempercepat proses penemuan, pengembangan, dan uji coba obat sekaligus meminimalkan biaya, mengurangi risiko, dan pada akhirnya, menyelamatkan nyawa seseorang.
Garis besar studi kasus:
- Kinetica mengembalikan hasil dari pertanyaan-pertanyaan analitik dalam miliaran baris data dengan baik hanya dalam satu detik, membuat ini menjadi solusi yang ideal untuk riset tentang industri farmasi.
- GSK mendapatkan hasil 75 hingga 100 kali lebih cepat dengan Kinetica semenjak mereka pindah dari database tradisional ke database accelerated.
- Tim data science dan analisis GSK dapat masuk ke dalam GPU mereka yang sudah ada, tanpa diperlukan untuk menulis kode yang disesuaikan atau menggunakan software khusus untuk setiap kasus tertentu. Dengan Kinetica, GSK bisa membuka berbagai studi kasus yang inovatif.
- Dalam video ini, Mark Ramsey, Ph.D., Senior Vice President, R&D Data, GlaxoSmithKline menjelaskan bagaimana GSK menggunakan database analisis GPU-accelerated untuk mengubah cara data tersebut digunakan sebagai strategi dalam divisi litbang mereka. Dr. Ramsey bertanggung jawab untuk pengaturan dan penggunaan data informasi sebagai aset, melalui konsolidasi data, intelijen bisnis, big data, dan pengambilan informasi data GSK, salah satu perusahaan farmasi terbesar dunia.
GlaxoSmithKline (GSK) adalah perusahaan kesehatan global berdasarkan ilmu pengetahuan yang meneliti dan mengembangkan rangkaian produk inovatif di dalam tiga area: farmasi, vaksin, dan consumer healthcare. Portofolio produk mereka meliputi obat HIV/AIDS, tuberkulosis dan malaria, serta rangkaian consumer brands, meliputi Sensodyne, Aquafresh, Horlicks, Panadol, dan Tums.
Tantangan
Setelah melihat perhitungan GPU–accelerated yang menjanjikan, GSK melakukan investasi yang cukup besar di GPU-accelerated yang digunakan untuk kasus spesifik – simulasi bahan kimia. Sebelumnya, mereka menggunakan software khusus untuk menjalankan simulasi kimia (chemical simulations) pada 125,000 inti GPU. Karena kesulitan penulisan kode secara paralel untuk mendapatkan manfaat dari linkungan GPU, cluster ini tidak dimanfaatkan untuk penggunaan tambahan. Hal ini tidak efektif untuk GSK dalam memiliki sebuah platform karena hanya untuk satu kasus, jadi mereka mencari sebuah solusi yang memungkinkan mereka untuk menjalankan banyak kasus di dalam inti GPU milik mereka.
Solusi
Kinetica memungkinkan tim data science dan analisis GSK untuk masuk ke GPU milik mereka, tanpa perlu menuliskan kode tertentu atau menggunakan software khusus untuk setiap kasus tertentu. Dengan menggunakan Kinetica, GSK bisa membuka banyak kasus penggunaan yang canggih dan inovatif. Dengan memperbolehkan GSK berkomunikasi dengan cluster GPU yang sudah ada, seperti tipikal database yang saling berhubungan, pengguna dapat berinteraksi dengan menggunakan kata kunci bahasa tradisional seperti SQL. Saat ini, tim data science dan analisis GSK dapat menjalankan beban kerja yang membutuhkan lingkungan komputasi yang lebih intensif untuk dianalisis oleh Kinetica sambil tetap menjaga suasana berkomunikasi dengan lingkungan relasional tradisional. Berikut adalah rangkuman dari penggunaan Kinetica untuk beberapa kasus spesifik.
User Defined Fuctions (UDFs) Aktifkan Analisis Beban Kerja yang Mendalam Secara Keseluruhan
Salah satu area yang sangat menarik bagi tim Ramsey dan GSK adalah machine learning dan tipe algoritma. Dengan Kinetica, salah satu hal yang mereka inginkan sebelumnya adalah memiliki user-defined functions (UDFs). UDFs memungkinkan pengguna untuk menambahkan sedikit muatan ke dalam kata kunci mereka, kemudian biarkan mesin optimasisasi Kinetica menyebar ke seluruh area GPU.
Selain itu, GSK akan mengaplikasikan model baru dan menghilangkan waktu untuk transformasi data, lalu memindahkanya kembali secara bolak balik antara database dan sistem data science terpisah. Dengan user-defined function Kinetica, GSK dapat mengemas sebuah analisis sebagai perantara untuk sampai ke mesin optimisasi yang sedang berjalan, dan membiarkan Kinetica bekerja untuk mereka.
Ketika mereka sedang melakukan machine learning atau sedang mengerjakan simulasi kimia, GSK bisa “mempercepat’ hal itu dengan menjalankan pekerjaan tersebut di GPU complex. Kinetica memungkinkan GSK untuk menggunakan platform GPU untuk lebih dari satu kasus, karena setiap kasus yang digunakan tiba-tiba bisa menjadi lebih ke kata kunci daripada sebuah software yang disesuaikan. Kinetica memberikan GSK lapisan abstraksi antara GPU hardware dan muatan kerja yang mereka sediakan ke platform.
Fast Data
GSK memiliki miliaran set data mentah, dan mereka ingin melakukan agregasi dan memasukan kata kunci di dataset tersebut. GSK memiliki 125,000 inti GPU dan perusahaan tidak ingin menambah pekerjaan karyawan mereka untuk memikirkan cara menulis kata kunci secara paralel ke semua inti GPU. “Saya tidak ingin menjelaskan cara untuk menuliskan kata kunci ke dalam 125k inti. Nima Negahban, Chief Technology Officer dan Co-Founder Kinetica dan tim Kinetica sudah mengatasi masalah tersebut,” kata Ramsey.
Arsitektur Kinetica membuat hal tersebut mungkin untuk data science GSK dan tim analisis untuk mengunduh data terkait yang mereka miliki ke lingkungan Kinetica, menambahkan kata kunci, dan mendapatkan hasilnya dengan cepat. GSK melihat hasil 75 hingga 100 kali lebih cepat dengan Kinetica; mereka telah memindahkan lingkungan database tradisional ke sistem accelerated database.
Memikirkan Tentang Streaming
Dengan hadirnya perangkat digital dan inisiatif yang akan datang, GSK berencana untuk menggunakan teknologi streaming di masa depan. Saat ini, GSK berfokus pada bidang machine learning dan area fast data, di mana mereka dapat mengambil kata kunci secara lambat maupun dengan super cepat, serta melakukan analisis dan aktifitas machine learning dan menerapkannya dengan cara yang sangat efisien.
GPU-Database Membawa Solusi Tercanggih ke Industri Farmasi dan Kesehatan
GPU-accelerated database membentuk kembali industry farmasi dan kesehatan. Membawa obat baru ke pasar yang mahal, memakan waktu, dan proses yang riskan, membutuhkan investasi miliaran dolar. Dengan GPU-accelerated database, perusahaan farmasi dan kesehatan bisa mendapatkan wawasan yang cepat dari berbagai volume streaming data. Kinetica dapat membantu para peneliti untuk menggunakan teknik algoritma seperti machine learning, deep learning, dan natural language processing (NLP) dengan visual alat analisa yang mudah digunakan ke alat yang dapat memberikan simulasi ribuan set data kompleks secara interaktif.
Kinetica memberikan hasil berupa analisis yang mendalam dari miliaran baris data dengan baik dalam satu detik, membuatnya solusi yang ideal untuk riset farmasi. Dengan memberikan data yang cepat dan bermanfaat dan analisis yang solutif, Kinetica mempercepat penemuan obat, pengembangan obat, dan proses percobaan klinis dengan biaya yang lebih sedikit, menurunkan resiko, dan yang paling utama, menyelamatkan nyawa.
