河北慧日信息技术有限公司

正如近几年来炙手可热的“自动驾驶”技术，通过各种传感器如摄像头、激光雷达、毫米波雷达等对外部环境进行感知并采集数据，通过数据存储、数据预处理、难例挖掘、数据标注以及模型训练这五大环节训练感知模型，让汽车看清并识别路面障碍，进而进行路线规划和动态决策。

不少院长表示，随着近几十年来医疗信息化的发展，各家医院的平台建设和数据互通共享已逐步走上正轨。然而，拥有医疗数据是一回事，能把数据价值释放出来又是另一回事，能持续不断且高效地实现数据价值最大化则又达到了一个新高度。

（图片素材来源于网络）

而在过去的二十年间，医疗信息化的快速发展，一方面要打破数据孤岛，实现数据互联互通，另一方面又要在高速推进信息化建设的过程中避免流程操作的重复。我们不难发现，被寄于厚望的“数字化转型”既不是快速见效的“救命稻草”，也不能拿来照搬“随波逐流”，在医院数字化转型过程中必然会迎来业务流程重构的“阵痛”。

以前，我们普遍运用瀑布式开发模式来推进产品研发和运维。瀑布模型是最典型的预见性的方法，严格遵循预先计划的需求、分析、设计、编码、测试的步骤顺序进行。瀑布式方法在需求不明并且在项目进行过程中可能变化的情况下基本是不可行的。虽然敏捷软件开发以用户的需求进化为核心，采用迭代方法进行解决了部分问题，但依然无法有效解决内容持续运营迭代的需求。

首先，我们来谈谈数据运营体系（DataOps），可以简单理解为大家熟知的数据治理的工程化，旨在支撑数据应用大规模部署，本质上是要实现对数据端到端的全程管理，包含源数据模型、元数据、主数据、自然语言处理、数据质量管理、数据安全等方面。通过全过程的融合监管一体化，实现数据运营的持续交付。这就好比汽车自动驾驶背后的“实时导航地图”，汽车在行驶过程中需要持续更新收集“路况信息”，不断调整“地图”，为精准的路线规划与导航打下数据基础。

（图片来源于网络）

人工智能技术的成功，既要具备数据、算法、算力三要素，又要依托于强大的人工智能工程能力，才能让复杂的人工智能技术大规模加速落地。人工智能模型运营体系（MLOps）是实现模型从设计、特征工程、模型训练、模型评估到部署应用和持续优化的一体化管理。我们再把目光转向汽车自动驾驶，人工智能模型的“成熟度”——让人工智能技术能够大规模快速落地且持续调优的能力将影响其训练效率、训练能力、训练准确度等，最终决定汽车在复杂多变的路况下的应变能力。

（图片来源于网络）

上述两个运营体系都是基础性工作，而将数据洞察转化为业务智能需要研发运营体系（DevOps）建设，实现应用开发、应用运维和质量保障部门之间沟通、协同和有机的整合。除了传统的软件功能版本更新迭代之外，更多的是业务内涵的持续更新迭代。比如针对单病种的全过程质量管理、临床重点专业管理指标、临床辅助决策知识规则等内容生产配置、版本更新，都需要自动化管理、发布和更新，运行性能监测等。同样的道理，对于汽车自动驾驶来说就是将“实时导航地图”与“AI体系”的有机结合，确保一辆配置自动驾驶模块的智能汽车能够顺利投放量产并持续进化迭代。

（图片来源于网络）