SolarWinds首席极客Leon Adato
医疗行业从未像现在这样备受瞩目。在最近半年里,世界各地的医护人员都奋战在抗疫前线,守护着无数人的安全和健康。这也引发了人们更深的思考,在如今的困境之下以及未来,科技该如何更好地支持医疗行业高效运作?
比如,中国在疫情期间就有超过1000家医院上线了互联网医疗平台,借助互联网+医疗模式,很好地缓解了医院面临的巨大压力。国家也在全力支持数字医疗,并将互联网放在了《健康中国 2030”规划纲要》的核心位置。
医疗领域的下一个技术飞跃或许不是机器人或远程医疗,而是我们更熟悉的云服务。根据IDC预测,到2023年中国医疗云IT总支出将达到168.8亿元人民币,2018至2023年的年复合增长率高达27.3%。
而在各类云解决方案当中,混合云或许将成为医疗行业的首选。正如SolarWinds在其发布的《2020 IT趋势报告:IT通用语言》中所述,IT专业人员对新兴技术的关注有所降低(仅有27%的受访者关注),他们更多关注混合IT(41%)和安全(38%)。在客户期望和监管标准的双重推动下,超过44%的医疗行业从业者将在未来三至五年内采用混合云系统。这就给IT专业人员带来了新的挑战:他们能否在管理好越来越复杂的IT环境的同时,让其像手术室一样整洁和高效呢?
答案显然是肯定的。不过,为了应对这一难题,IT专业人员需要果断采取行动,借助合适的工具和正确的思维方式,在满足医疗行业不断增长的需求的同时确保行业合规。
合规性,是隐藏在云方案复杂性背后的一个更大的难题。
事实上,当前医疗行业进行数字化转型,主要就是为了遵守与服务质量和数据安全相关的行业标准。但是,随着数字化运营规模的不断扩大,IT专业人员面对的是多云、更海量的数据和数量多到难以追踪的联网设备,这让确保合规成了一项棘手挑战。然而,这又是一项“人命关天”的工作,即便是一两个小差错都会导致严重后果。
那么医疗行业的IT专业人员该怎么做?在我看来有两种方式。第一种是咬牙坚持,依靠自己把网络的每一个环节“打造”得合规。这么做的结果就是扩展速度会放缓,而且成本更高。而第二种方式,他们可以“购买”相应级别的合规。市场上有很多提供满足严格标准行业解决方案(例如数据安全和监视)的供应商。事实上,这是可行性更高的一种方式,因为这些合作伙伴在合规方面更专业也更有经验,可以帮助IT专业人员完成合规工作,让他们更能专注于随时随地为医务人员提供稳定且高效的云服务。
当我们谈到合规的话题时,必然会涉及云计算中的网络和数据安全问题。医疗行业数据泄露事件频发,因此随着云的日益普及,IT专业人员更有必要重新思考网络安全问题。董事会在进行与网络安全有关的决策时,不应该被成本、时间和复杂性左右。随着医疗行业数字化程度的不断提高,即便是经验最丰富的医疗机构高管也会遇到以前从未处理过的威胁和危险。
目前,对网络严加监控仍是唯一能够确保足够安全的明智且有效的方法,尤其是当医务人员现在都会涉及远程诊疗。医疗行业仍在以惊人的速度进行技术变革,不断引入包括全新且更复杂的物联网解决方案、AI和机器学习等在内的各种技术。SolarWinds等行业供应商提供的网络监控工具,既能确保合规又能帮助IT获得更大的网络可见性,以下是一些实用方案:
IT专业人员在管理混合基础设施时应做好会失败的打算,因此除了确保网络安全之外,冗余和预防措施(例如备份和灾难恢复)也十分重要。在医疗行业尤其如此,医疗设备故障造成的损失是无法以时间和金钱衡量的。
IT必须整合并存储所有与基于云的基础设施相关联(甚至位于内部)的关键任务系统和服务配置数据。该存储库可以在发生中断后几分钟内将虚拟网络快速恢复到最佳状态。这是最简单,也最容易被忽视的备份方法之一。而且这对于使用云供应商解决方案的用户来说不难实现。在实际操作中,这种方法还让IT专业人员能够在一定程度上保证运营的合规,甚至可以进行故障排除或启动完整的系统恢复。
医疗行业在数字化转型和混合基础设施的部署方面仍处于初期阶段。但如今,医疗行业的挑战日益增加,资源却在不断减少,这势必会加速行业变革。IT专业人员应对伴随网络和合规所产生的复杂挑战做好准备。
好文章,需要你的鼓励
微软近年来频繁出现技术故障和服务中断,从Windows更新删除用户文件到Azure云服务因配置错误而崩溃,质量控制问题愈发突出。2014年公司大幅裁减测试团队后,采用敏捷开发模式替代传统测试方法,但结果并不理想。虽然Windows生态系统庞大复杂,某些问题在所难免,但Azure作为微软核心云服务,反复因配置变更导致客户服务中断,已不仅仅是质量控制问题,更是对公司技术能力的质疑。
Meta研究团队发现仅仅改变AI示例间的分隔符号就能导致模型性能产生高达45%的巨大差异,甚至可以操纵AI排行榜排名。这个看似微不足道的格式选择问题普遍存在于所有主流AI模型中,包括最先进的GPT-4o,揭示了当前AI评测体系的根本性缺陷。研究提出通过明确说明分隔符类型等方法可以部分缓解这一问题。
当团队准备部署大语言模型时,面临开源与闭源的选择。专家讨论显示,美国在开源AI领域相对落后,而中国有更多开源模型。开源系统建立在信任基础上,需要开放数据、模型架构和参数。然而,即使是被称为"开源"的DeepSeek也并非完全开源。企业客户往往倾向于闭源系统,但开源权重模型仍能提供基础设施选择自由。AI主权成为国家安全考量,各国希望控制本地化AI发展命运。
香港中文大学研究团队开发出CALM训练框架和STORM模型,通过轻量化干预方式让40亿参数小模型在优化建模任务上达到6710亿参数大模型的性能。该方法保护模型原生推理能力,仅修改2.6%内容就实现显著提升,为AI优化建模应用大幅降低了技术门槛和成本。