正如近幾年來(lái)炙手可熱的“自動(dòng)駕駛”技術(shù)，通過(guò)各種傳感器如攝像頭、激光雷達(dá)、毫米波雷達(dá)等對(duì)外部環(huán)境進(jìn)行感知并采集數(shù)據(jù)，通過(guò)數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)預(yù)處理、難例挖掘、數(shù)據(jù)標(biāo)注以及模型訓(xùn)練這五大環(huán)節(jié)訓(xùn)練感知模型，讓汽車(chē)看清并識(shí)別路面障礙，進(jìn)而進(jìn)行路線規(guī)劃和動(dòng)態(tài)決策。

不少院長(zhǎng)表示，隨著近幾十年來(lái)醫(yī)療信息化的發(fā)展，各家醫(yī)院的平臺(tái)建設(shè)和數(shù)據(jù)互通共享已逐步走上正軌。然而，擁有醫(yī)療數(shù)據(jù)是一回事，能把數(shù)據(jù)價(jià)值釋放出來(lái)又是另一回事，能持續(xù)不斷且高效地實(shí)現(xiàn)數(shù)據(jù)價(jià)值最大化則又達(dá)到了一個(gè)新高度。

（圖片素材來(lái)源于網(wǎng)絡(luò)）

而在過(guò)去的二十年間，醫(yī)療信息化的快速發(fā)展，一方面要打破數(shù)據(jù)孤島，實(shí)現(xiàn)數(shù)據(jù)互聯(lián)互通，另一方面又要在高速推進(jìn)信息化建設(shè)的過(guò)程中避免流程操作的重復(fù)。我們不難發(fā)現(xiàn)，被寄于厚望的“數(shù)字化轉(zhuǎn)型”既不是快速見(jiàn)效的“救命稻草”，也不能拿來(lái)照搬“隨波逐流”，在醫(yī)院數(shù)字化轉(zhuǎn)型過(guò)程中必然會(huì)迎來(lái)業(yè)務(wù)流程重構(gòu)的“陣痛”。

以前，我們普遍運(yùn)用瀑布式開(kāi)發(fā)模式來(lái)推進(jìn)產(chǎn)品研發(fā)和運(yùn)維。瀑布模型是最典型的預(yù)見(jiàn)性的方法，嚴(yán)格遵循預(yù)先計(jì)劃的需求、分析、設(shè)計(jì)、編碼、測(cè)試的步驟順序進(jìn)行。瀑布式方法在需求不明并且在項(xiàng)目進(jìn)行過(guò)程中可能變化的情況下基本是不可行的。雖然敏捷軟件開(kāi)發(fā)以用戶(hù)的需求進(jìn)化為核心，采用迭代方法進(jìn)行解決了部分問(wèn)題，但依然無(wú)法有效解決內(nèi)容持續(xù)運(yùn)營(yíng)迭代的需求。

首先，我們來(lái)談?wù)?strong style="margin: 0px; padding: 0px; outline: 0px; max-width: 100%; box-sizing: border-box !important; overflow-wrap: break-word !important;">數(shù)據(jù)運(yùn)營(yíng)體系（DataOps），可以簡(jiǎn)單理解為大家熟知的數(shù)據(jù)治理的工程化，旨在支撐數(shù)據(jù)應(yīng)用大規(guī)模部署，本質(zhì)上是要實(shí)現(xiàn)對(duì)數(shù)據(jù)端到端的全程管理，包含源數(shù)據(jù)模型、元數(shù)據(jù)、主數(shù)據(jù)、自然語(yǔ)言處理、數(shù)據(jù)質(zhì)量管理、數(shù)據(jù)安全等方面。通過(guò)全過(guò)程的融合監(jiān)管一體化，實(shí)現(xiàn)數(shù)據(jù)運(yùn)營(yíng)的持續(xù)交付。這就好比汽車(chē)自動(dòng)駕駛背后的“實(shí)時(shí)導(dǎo)航地圖”，汽車(chē)在行駛過(guò)程中需要持續(xù)更新收集“路況信息”，不斷調(diào)整“地圖”，為精準(zhǔn)的路線規(guī)劃與導(dǎo)航打下數(shù)據(jù)基礎(chǔ)。

（圖片來(lái)源于網(wǎng)絡(luò)）

人工智能技術(shù)的成功，既要具備數(shù)據(jù)、算法、算力三要素，又要依托于強(qiáng)大的人工智能工程能力，才能讓復(fù)雜的人工智能技術(shù)大規(guī)模加速落地。人工智能模型運(yùn)營(yíng)體系（MLOps）是實(shí)現(xiàn)模型從設(shè)計(jì)、特征工程、模型訓(xùn)練、模型評(píng)估到部署應(yīng)用和持續(xù)優(yōu)化的一體化管理。我們?cè)侔涯抗廪D(zhuǎn)向汽車(chē)自動(dòng)駕駛，人工智能模型的“成熟度”——讓人工智能技術(shù)能夠大規(guī)?？焖俾涞厍页掷m(xù)調(diào)優(yōu)的能力將影響其訓(xùn)練效率、訓(xùn)練能力、訓(xùn)練準(zhǔn)確度等，最終決定汽車(chē)在復(fù)雜多變的路況下的應(yīng)變能力。

（圖片來(lái)源于網(wǎng)絡(luò)）

上述兩個(gè)運(yùn)營(yíng)體系都是基礎(chǔ)性工作，而將數(shù)據(jù)洞察轉(zhuǎn)化為業(yè)務(wù)智能需要研發(fā)運(yùn)營(yíng)體系（DevOps）建設(shè)，實(shí)現(xiàn)應(yīng)用開(kāi)發(fā)、應(yīng)用運(yùn)維和質(zhì)量保障部門(mén)之間溝通、協(xié)同和有機(jī)的整合。除了傳統(tǒng)的軟件功能版本更新迭代之外，更多的是業(yè)務(wù)內(nèi)涵的持續(xù)更新迭代。比如針對(duì)單病種的全過(guò)程質(zhì)量管理、臨床重點(diǎn)專(zhuān)業(yè)管理指標(biāo)、臨床輔助決策知識(shí)規(guī)則等內(nèi)容生產(chǎn)配置、版本更新，都需要自動(dòng)化管理、發(fā)布和更新，運(yùn)行性能監(jiān)測(cè)等。同樣的道理，對(duì)于汽車(chē)自動(dòng)駕駛來(lái)說(shuō)就是將“實(shí)時(shí)導(dǎo)航地圖”與“AI體系”的有機(jī)結(jié)合，確保一輛配置自動(dòng)駕駛模塊的智能汽車(chē)能夠順利投放量產(chǎn)并持續(xù)進(jìn)化迭代。

（圖片來(lái)源于網(wǎng)絡(luò)）