개요
의료 분야의 인공지능(AI)은 의료 시장의 세 가지 주요 범주, 즉 의료 응용(생명 과학), 의료 서비스 제공(제공자), 의료 서비스 이용(지불자) 분야에서 머신 러닝(ML)으로 학습된 알고리즘의 사용을 나타내는 포괄적인 용어입니다.
이러한 유형의 알고리즘 머신 러닝의 발전에 힘입어 이제 의료 분야의 인공지능 활용 사례가 과거의 반응형 AI를 넘어 확장될 수 있습니다. 이러한 발전은 의료 트랜스포메이션과 현대화를 이끄는 데 있어 중요한 역할을 할 수 있습니다.
의료 데이터를 분석하고 조치를 취하려면 데이터를 액세스 가능하고 실행 가능하도록 만들어야 합니다. 충분한 데이터로 모델을 학습시키면 머신이 새로운 설정에서 추론할 수 있습니다. AI 추론은 AI의 작업 단계입니다. 이 단계에서 모델은 학습한 내용을 실제 상황에 적용할 수 있습니다. 이 단계가 실현되어야만 의료 서비스를 더 광범위하고 효과적이며 효율적으로 적용할 수 있습니다.
AI는 크게 네 가지 유형으로 분류할 수 있습니다.
- 리액티브 AI: 개선을 위해 머신 러닝을 사용하지 않고 동일한 상황에 직면할 때마다 똑같은 방식으로 대응하는 인공지능입니다.
- 제한 메모리 AI(limited memory AI): 이 인공지능은 머신 러닝을 사용하여 과거 성과를 기반으로 알고리즘을 만듭니다. 이것이 바로 현재 AI 기술의 수많은 발전이 일어나고 있는 분야이며, 인공지능이 왜 AI/ML로 불리는지 알 수 있는 이유이기도 합니다. 또한 딥러닝이라는 머신 러닝 하위 집합에는 원시 데이터에서 더 많은 의미를 추출하기 위해 다양한 계층의 분석이 수반됩니다.
- 마인드 AI 이론: 감정을 이해하고 기억하며 해당 모델을 기반으로 사람들과 상호 작용할 수 있는 AI입니다. 마인드 AI 이론은 현재 대체로 초기 단계이거나 이론 단계입니다.
- 자기인식 AI 또는 강인공지능(true AI): 자기인식 AI는 자신의 감정을 인식하며 인간과 유사한 의식 수준을 가지고 있습니다. 자기인식 AI는 현재 이론 단계에 있습니다.
의료 분야의 AI는 제한 메모리 AI의 알고리즘과 애플리케이션 분야에서 이루어진 급속한 발전을 주로 지칭합니다.
의료 분야 AI의 장점
AI의 새로운 발전으로 의사를 비롯한 의료 종사자가 더 정확한 진단과 치료 계획을 제공할 수 있게 되면 환자의 치료 결과를 근본적으로 바꿀 수 있습니다. 또한 관리자는 의료 자원을 정확하게 할당할 수 있습니다.
이를 통해 의료 시장의 세 가지 요소(생명 과학, 의료 기관, 지불자)에 다양한 방식으로 이점을 제공할 수 있습니다. 최신 정보를 효율적으로 획득, 배포, 활용하면 임상의가 환자를 더 효과적으로 치료하고, 여러 소스에서 데이터를 신속하게 선별 및 추출하여 기존 상태를 더 효과적으로 관리하고, 새로운 상태 또는 질병 발병을 예측하거나 식별하는 데 도움이 될 수 있습니다.
데이터 프로세스의 분산화가 개선되면 관리자는 더욱 효율적으로 보험금 청구의 우선순위를 정하고 검증하며, 전반적인 보험금 청구 프로세스를 간소화하여 환자, 고객, 의료 기관에게 전달되는 정보의 정확성과 속도를 개선할 수 있습니다. 전반적으로 의료 알고리즘으로 데이터를 수집 및 분석하면 미래의 위험을 예측하는 데 도움이 될 수 있으며, 의료 관리자는 사회에 제공되는 의료 서비스를 관리하고 개선할 수 있는 역량을 강화할 수 있습니다.
의료 분야에서 AI가 환자, 의료 기관, 지불자에게 이점을 제공할 수 있는 방법들 중 몇 가지는 다음과 같습니다.
빠른 진단
AI 알고리즘과 실시간 예측 분석을 통해 처리한 데이터 인사이트를 사용하여 진단 속도를 높일 수 있습니다. 즉, 환자가 더 빨리 치료 받고 더 나은 결과를 얻을 수 있으며 전체적으로 더 적은 의료 자원을 사용해 문제를 해결할 수 있습니다. 그러한 예로, 미국 최대 의료 서비스 기관 중 하나인 HCA Healthcare는 Red Hat 솔루션을 사용하여 생명을 위협할 수 있는 패혈증을 더 정확하고 신속하게 감지하는 실시간 예측 분석 제품 시스템을 구축했습니다.
청구 관리
의료비 청구 및 지불 절차에는 수천 시간의 업무 시간이 소요될 수 있습니다. 각 청구를 수동으로 수행하면 프로세스에 오류가 발생할 위험이 높아져 청구를 하는 환자나 결산하는 의료 기관 모두에게 바람직하지 않습니다. AI는 청구 관리 데이터 분석을 기반으로 서류 관리를 자동화하고 유용한 권장 사항을 제공하는 데 도움이 될 수 있습니다. 이를 통해 청구 처리를 가속화하여 직원 및 고객 경험을 개선할 수 있습니다.
사기, 낭비, 악용 방지
로보틱 프로세스 오토메이션(RPA)은 수동 작업보다 훨씬 더 빠르고 정확하게 문서를 처리할 수 있습니다. 이러한 알고리즘은 부정한 활동이나 낭비가 발생할 경우 플래그를 지정할 수 있고, 점차 알고리즘이 개선되면서 문제를 더 효과적으로 파악할 수 있습니다.
의료 서비스 이용 확대
AI 지원 진단을 사용하면 서비스를 받는 환자 그룹을 확장할 수 있습니다. 예를 들어, AI 지원 방사선 및 의료 영상을 통해 더 많은 전문가가 초음파를 판독할 수 있게 되어 소수의 전문가에게 집중되었던 업무상의 장애물을 해소하고 더 많은 환자가 의료 기술에 접근할 수 있는 환경을 조성합니다.
신약 개발
새로운 약물에는 적절한 투여량과 전달 특성을 파악하는 과정이 필요합니다. 컴퓨팅을 활용한 AI 툴은 시행착오 접근 방식을 개선하거나 대체할 수 있으며 더 빠르고 효율적인 모델로 전체 프로세스를 모니터링할 수 있습니다. 이를 통해 신약 개발 속도를 높일 수 있어 제약 회사와 최종 고객 모두 비용을 절감할 수 있습니다.
Red Hat 리소스
AI/ML 운영화의 과제
의료 분야의 AI는 수많은 장점을 제공할 수 있지만 구현 과정에서는 여러 가지 복잡한 과제에 부딪힐 수 있습니다. AI로 인해 의료 산업이 직면한 과제들 중 몇 가지는 다음과 같습니다.
데이터 관리 및 운영화 수집
의료 데이터를 수집, 분석, 적용하는 과정에서 많은 과제가 발생합니다.
AI가 관련 알고리즘을 올바르게 제공하기 위해서는 엄청난 양의 데이터를 실시간으로 처리해야 합니다. 따라서 데이터 수집 과제는 다면적입니다.
데이터 수집을 위한 하드웨어, 소프트웨어, 절차를 의료 워크플로우에 삽입해야 합니다. 의료 워크플로우는 특정 구조, 계층, 특정 수준의 수동 입력을 중심으로 구축됩니다. 건강 데이터는 다양한 네트워크 전반에 분산되어 있고 단일 데이터베이스로 중앙화되지 않으며, 경우에 따라 종이에서 디지털 형식으로 복사되지도 않습니다.
데이터 사이언티스트, IT 팀, 운영 팀, 의료 종사자, 의료 기관, ISV(독립 소프트웨어 벤더), 벤더 등 프로세스의 다양한 이해관계자를 조율하는 것은 이 프로세스에서 마찰을 줄이고 조직이 AI 및 ML 구현을 최대한 활용하는 데 있어 필수적입니다. 이러한 과제를 해결하기 위해 이해관계자는 벤더에 구애받지 않는 애자일 소프트웨어를 사용하여 문제를 가장 잘 설명하고 여러 ISV와 호환되는 깨끗하고 확장 가능한 데이터를 활용해야 할 수 있습니다.
데이터는 다양한 소스에서 수집된 정보와 상호 운용 가능하고 사용 가능한 형식으로 수집 및 분석되고 변환되어야 합니다. 데이터가 수집되는 네트워크의 지점에서, 때로는 엣지 기기를 통해 데이터를 전송하려면 대량의 대역폭이 필요합니다. 의료 시스템에서 수집되는 데이터, 특히 의료 영상, 의료 사물인터넷(IoMT), 그리고 엣지 분야의 데이터가 폭발적으로 증가함에 따라 스토리지 공간이 놀라운 속도로 확장되고 있습니다.
클라우드 컴퓨팅은 이러한 과제를 해결할 수 있는 고성능과 용량을 모두 제공하지만, 특히 농어촌 지역과 같이 강력한 IT 및 의료 인프라가 제공되지 않는 곳에서는 실용적이지 않은 경우가 많습니다. 이러한 주요 과제를 해결하려면 네트워크 엣지에서의 운영을 강화하고 의료 현장에서 데이터를 분석하는 비용 효과적인 솔루션이 필요합니다.
AI를 더 빠르게 확장하는 방법
AI 워크로드를 규모에 맞게 성공적으로 배포하려면 여러 연계 요소가 얼마나 효율적이고 효과적으로 연동하는지가 관건입니다. 특히 대규모 AI 모델들(예: LLM)과 이 모델들의 더 복잡한 추론 기능을 지원할 수 있는 추론 서버는 엔터프라이즈 AI 워크로드를 확장하는 데 필수적입니다.
다음은 확장 속도를 높이기 위해 리소스를 더 효율적으로 사용하는 AI 툴들입니다.
- llm-d: LLM 프롬프트는 복잡하고 비정형적입니다. 일반적으로 대량의 데이터를 처리하려면 방대한 컴퓨팅 리소스와 스토리지가 필요합니다. 개발자는 llm-d와 같은 오픈소스 AI 프레임워크를 통해 분산 추론과 같은 기술을 사용하여 LLM과 같이 정교하고 규모가 큰 추론 모델에 대해 증가한 수요를 충족할 수 있습니다.
- 분산 추론: 분산 추론은 추론 작업을 상호 연결된 일련의 기기 그룹 전체에 분산하여 AI 모델이 더 효율적으로 워크로드를 처리할 수 있도록 하는 것을 말합니다. ‘백지장도 맞들면 낫다’라는 속담을 소프트웨어 분야에 적용한 것과 같습니다.
- vLLM: 가상 대형 언어 모델(Virtual Large Language Model)을 의미하며, vLLM 커뮤니티에 의해 유지 관리되는 오픈소스 코드 라이브러리입니다. vLLM은 대규모 언어 모델(LLM)이 계산을 더욱 효율적이고 대규모로 수행할 수 있도록 돕습니다.
Red Hat AI가 이러한 툴과 기능을 통합하여 고객이 AI를 규모에 맞게 사용할 수 있도록 지원하는 방법을 알아보세요.
Red Hat의 지원 방식
Red Hat AI는 AI 여정의 초기 단계에 있는 기업이든, 확장할 준비까지 마친 기업이든 상관없이 AI 여정에 오른 기업이라면 모두 도울 수 있는 제품 및 서비스 플랫폼입니다. 고유한 엔터프라이즈 활용 사례에 대한 생성형 AI와 예측 AI를 둘 다 지원할 수 있습니다.
Red Hat AI를 통해 Red Hat® AI Inference Server를 사용하여 하이브리드 클라우드 전반에서 모델 추론을 최적화함으로써 더 신속하고 비용 효율적으로 배포할 수 있습니다. vLLM 기반의 추론 서버는 GPU 활용도를 극대화하고 응답 시간을 향상합니다.
Red Hat AI Inference Server에는 모델 유연성을 허용하고 팀 간 일관성을 촉진하는, 제3사를 통해 검증되고 최적화된 모델 컬렉션인 Red Hat AI 리포지토리가 포함되어 있습니다. 기업은 제3사 모델 리포지토리에 액세스하여 시장 출시 시간을 단축하고 AI 도입 성공에 필요한 경제적 장벽을 낮출 수 있습니다.
데이터 주권 전략 준비: Red Hat Sovereignty Readiness Assessment 툴 소개
Red Hat Sovereignty Readiness Assessment 툴은 웹 기반 셀프 서비스 평가로, 7가지 주요 영역에서 조직의 디지털 통제에 대한 명확하고 객관적인 기준을 제공합니다.
