Article · AI translation
本文由 Indegene Limited 的 Shravan K S 共同撰写。企业级人工智能正在为生命科学机构创造新的机会，帮助它们改进商业、医疗、市场准入及其他业务职能中的决策。但每个 AI 模型、仪表板和业务洞察的质量都取决于一件事：可信的数据。随着企业数据扩展到多个平台、管道和业务领域，保持一致的数据质量变得越来越困难。手动创建数据质量规则、分散的治理方式以及不断变化的业务定义，使企业难以大规模推行数据质量管理。本文探讨 Indegene 如何在 AWS 上的 NEXT 统一数据平台（NEXT UDP）中构建了一个可用于生产环境、由大型语言模型（LLM）驱动的数据质量代理。该代理生成考虑上下文的数据质量规则，对其进行验证，并在集中式、人工参与的治理机制下生成可直接运行的 SQL 和 Python 代码。这些能力共同帮助机构在企业规模上提高数据质量，同时减少建立和维护数据质量管理体系所需的工作量。关于 Indegene：Indegene Limited（BSE：544172，NSE：INDGN）是生命科学行业的战略运营合作伙伴，统筹产品生命周期中的商业、医疗、研发和安全运营。全球前 20 家生物制药公司均信赖 Indegene；它帮助这些公司在全球范围内运行复杂、受到严格监管的工作流程。Indegene 将深厚的生命科学专业知识与嵌入 AI 的平台和受治理的运营模式相结合，以提高关键业务运营的速度、一致性和合规性。通过将技术融入工作的执行和规模化过程，Indegene 帮助生命科学机构在受监管环境中取得可衡量的成果。为什么传统数据质量管理体系难以为继：大多数机构都建立了数据质量流程，但随着企业数据生态系统的发展，保持这些流程的有效性变得越来越困难。最大的挑战之一是技术规则与业务规则的责任归属存在分歧。数据工程师通常定义技术规则，以确认数据在结构上是否正确。例如，验证 HCP ID（医疗保健专业人员标识符）不为空、符合规定格式、具有唯一性，并且能够映射到有效的参考记录。业务团队则定义规则，以判断数据在其运营情境下是否合理。例如，确认某一区域内的产品市场份额合计为 100%，或某位 HCP 的处方活动与其专业领域和资格标准相符。由于技术规则通常保存在代码中，而业务规则存在于术语表、标准操作程序（SOP）和领域专家的知识中，因此很难让两类规则在不同数据集和平台之间保持一致，并接受统一治理。传统验证方法也有其固有局限。对空值、数据类型、唯一性或引用完整性的检查仍然必不可少，但它们无法涵盖特定于业务的上下文。验证产品层级、客户细分、区域匹配或商业业务规则，需要静态验证逻辑难以轻易表达的领域知识。创建和维护数据质量规则同样费力。每个新数据集都需要进行数据剖析、规则定义、SQL 开发、验证和持续维护。这些规则往往分散在 SQL 脚本、管道代码、电子表格、数据目录和特定工具的配置中。随着模式、业务定义或验证阈值发生变化，更新和治理这些规则所需的工作量会显著增加。此外，运营方面的影响也很大。由于许多活动需要反复手动执行，新数据集的接入变得更慢。在数百个数据集上维护质量规则会消耗宝贵的工程资源。 当验证规则难以理解、追溯或联系到业务背景时，业务用户就会失去信心。因此，数据质量往往成为定期开展的治理活动，而非持续、可扩展的能力。借助生成式 AI 重新思考数据质量 传统数据质量工具通常作为独立能力运行，与更广泛的企业数据生态系统脱节。随着组织扩大 AI 和分析的应用规模，数据质量需要融入数据平台本身，让治理、元数据、数据血缘和分析协同发挥作用。Indegene 通过 NEXT 统一数据平台（NEXT UDP）应对这一问题。该平台是专为生命科学行业构建的现代化 AI 驱动数据平台。NEXT UDP 将分散的商业、医学、临床和企业数据汇集到单一、受治理的环境中，使组织能够管理从数据摄取到分析的完整数据生命周期。NEXT UDP 提供多个可独立运行的 AI 智能体，例如数据摄取智能体、数据质量智能体、编排智能体、数据目录智能体和 SQL Bot 生成器智能体。您可以在数据管道中单独使用它们，也可以进一步定制，以实现智能体之间的通信。通过在统一平台中整合数据摄取、转换、数据质量、治理、元数据管理和分析，NEXT UDP 帮助组织：将分散的企业数据整合为可信的单一事实来源。在各业务领域统一数据质量和治理标准。提高元数据的可见性以及数据血缘和可追溯性。减少数据工程工作流程中的人工工作量。为企业分析和决策提供可信、可供 AI 使用的数据。图 1：展示用例和 AI 智能体的 NEXT 统一数据平台仪表板 图 2：NEXT UDP 在 AWS 上的技术架构 Indegene 的生命科学客户需要一种能够在生产环境中可靠运行、满足严格治理要求，同时让团队在构建方式上保持灵活性的智能体。在 NEXT UDP 中，生成式 AI 为智能数据质量智能体提供支持，增强现有的数据质量流程。该智能体通过加快规则创建、简化验证，并帮助在企业规模上保持一致的治理，提高数据工程师和数据管理员的工作效率。Indegene 使用一系列 AWS 服务构建了数据质量智能体，其核心是 Amazon Bedrock、Strands Agents 和 Amazon Bedrock AgentCore。Amazon Bedrock 提供多种基础模型（FM）供选择，并以安全、隐私和负责任的 AI 控制措施为基础。这对生命科学组织至关重要，因为它们的数据通常包含敏感的医疗卫生专业人员和患者信息。Strands Agents 简化了智能体的构建和更新，其评估工具帮助 Indegene 测试规则的准确性，这在受到监管的生命科学环境中至关重要。该智能体运行在 Amazon Bedrock AgentCore 上；这是一个可使用任何框架或模型、大规模构建、连接和优化智能体的平台。该解决方案还沿用现有的 AWS 安全和审计控制措施，使 Indegene 能够专注于数据质量逻辑，而不必将精力放在智能体基础设施上。数据质量智能体有何独特之处？2 个支持感知上下文的数据质量能力的知识库 任何数据质量工具都能检查空值、重复值或无效的数据类型。AWS Glue 的一项功能 AWS Glue Data Quality 等服务已经能够根据数据统计信息推荐此类规则，而这些规则仍然是坚实的基础。更难的问题是判断数据对于其业务用途是否合理。为解决这一问题，数据质量智能体使用 2 个互补的知识库，将经过整理的领域知识与从受治理的使用过程中积累的经验相结合。 第1个是内部企业知识库：它整合了内部业务术语表、数据字典、标准操作程序（SOP）、监管指引、已批准的数据质量规则、已验证的脚本、数据剖析结果、历史异常以及主题专家（SME）的反馈。内容经过摄取和向量化后，通过检索增强生成（RAG）进行检索，以生成以企业标准和已验证成果为依据的数据质量规则。第2个是外部参考知识库：它使用经批准的标准化数据质量框架、网络搜索和受控网页抓取来构建，并定期更新。选定数据集后，智能体会分析表和列的元数据，并从可信来源检索相关的数据质量标准、参考值和验证最佳实践。例如，对于 NPI（美国国家医疗服务提供者标识符）列，它可以识别适用的质量标准，建议格式（要求的 10 位数字格式），并执行参考值验证检查。工作原理 图 3：数据质量智能体流程 数据质量智能体通过单一工作流程，帮助用户完成从数据剖析到规则创建和治理的各个环节：选择数据源：连接到 Amazon Redshift 或 Snowflake 等受支持的数据源。选择数据库和架构：浏览可用的表，以及每个表的规则数量和有效规则状态。剖析数据：该解决方案计算表的质量指标和列模式，供用户审查。检测异常：该解决方案根据历史基线标记异常，用户审查问题总数、严重问题和警告问题，以及受影响的记录。管理规则：审查表的现有规则，或开始创建新规则。选择规则模式：选择列级、表级或自定义查询。生成规则建议：智能体利用元数据、剖析结果、异常、现有规则和知识库上下文，推荐技术规则和业务规则，并为每条规则标注严重程度。审查、完善并应用：用户编辑或批准每项建议。生成并验证代码：智能体为已批准的规则生成 SQL 和 Python 代码，并通过验证步骤进行检查。存入中央规则存储库：已批准的规则可用于执行、监控和审计。基于 AWS 的生成式 AI 数据质量智能体解决方案架构 下图展示了 NEXT UDP 平台上数据质量智能体的端到端架构，涵盖从数据管理员提出请求到规则执行的全过程。图 4：NEXT UDP 上数据质量智能体的解决方案架构 数据管理员和数据质量分析师通过 Indegene 应用程序调用该解决方案。下表逐步说明解决方案的处理流程，并列出各层使用的 AWS 服务。表中还列出了该解决方案支持的其他选项，以便您根据数据量、现有工具和运营偏好进行调整。层 AWS／平台服务 其他支持选项 作用 API 和访问 AWS WAF、Amazon API Gateway、Amazon Cognito — 数据管理员和数据质量分析师通过 Amazon API Gateway 调用该解决方案。AWS WAF 在请求到达 API 之前对其进行过滤，Amazon Cognito 使用 OAuth 2.0 对用户进行身份验证，并验证每个请求中的 JWT。数据源层 Amazon Redshift Snowflake 连接器、Amazon Simple Storage Service（Amazon S3）、JDBC/ODBC 数据源 为数据质量剖析和规则执行提供结构化和半结构化数据。元数据目录层 AWS Glue Data Catalog 用于自动发现架构的 AWS Glue 爬网程序 记录数据库、架构、表、列、数据类型和规则覆盖情况。 画像分析与异常检测层：AWS Lambda（Python），结果存储在 Amazon DynamoDB；AWS Glue 作业、Amazon Athena、Amazon Redshift SQL。基于 Python 的 AWS Lambda 画像分析流程计算列统计信息，例如空值率、不同值计数、数据类型符合性、模式、值范围以及表级信号。同一个 Lambda 使用与历史基线的统计比较进行异常检测，以标记意外变化，例如空值率骤升或基数变化。知识/RAG 层：Amazon Bedrock Knowledge Base，使用 Amazon Aurora PostgreSQL（pgvector）和 S3 存储知识文档，并通过 Amazon Bedrock AgentCore 的一项功能 AgentCore Gateway 将其作为工具提供；Amazon OpenSearch Serverless 用作向量存储，Amazon S3 Vectors 是 Amazon S3 的一项功能。从 Amazon Bedrock Knowledge Bases 检索内容（外部参考标准和企业内部知识）。AgentCore Gateway 将智能体连接到其知识库，并将知识库作为工具使用。LLM 智能层：在 Amazon Bedrock AgentCore 的一项功能 AgentCore runtime 上运行的 Strands Agents、Amazon Bedrock 上的 Claude Sonnet 4.5、Amazon Bedrock Guardrails、AgentCore memory，以及 Amazon Bedrock 中可用的其他基础模型。该层生成数据质量规则，并利用汇集的上下文和少样本提示，推荐技术检查（完整性、格式、唯一性）和制药行业特定的业务规则。Amazon Bedrock 提供多种基础模型供选择，以生成规则。AgentCore runtime 提供托管的会话隔离环境；AgentCore memory 保留审核人员的反馈，以改进未来的建议。编排与人工审核层：AWS Step Functions、AWS Lambda、Amazon Simple Queue Service（Amazon SQS）、Amazon Simple Notification Service（Amazon SNS）、Amazon EventBridge——协调画像分析、LLM 调用、规则生成、规则执行、状态更新和人工审核。规则元数据存储库：Amazon DynamoDB、Amazon Aurora / Amazon Relational Database Service（Amazon RDS）。存储规则 ID、名称、类型、列、状态、作者、创建日期、严重程度和版本详细信息。代码生成、验证和存储：Amazon Bedrock——Claude Sonnet 4.5 和 Amazon Bedrock AgentCore 的一项功能 AgentCore Code Interpreter，已批准的脚本存储在 Amazon S3 中——在存储前生成并检查 Python / SQL 代码。执行层：AWS Lambda、AWS Glue 作业、Amazon Athena、Amazon Redshift SQL。运行数据质量检查，并写入违规计数和详细异常。监控与仪表板层：Amazon CloudWatch、Amazon Bedrock AgentCore 的一项功能 AgentCore Observability，或应用程序 UI；Amazon Quick、Amazon OpenSearch Dashboards。数据质量仪表板显示已应用的规则及其状态，以及异常总数、严重异常数、已运行的检查数和问题详情。安全与治理：AWS Identity and Access Management（AWS IAM）、AWS Key Management Service（AWS KMS）、AWS Secrets Manager、AWS CloudTrail、AWS Config、Amazon GuardDuty、AWS Security Hub、Amazon Inspector、虚拟私有云（VPC）终端节点——身份验证、加密、密钥管理、审计和威胁检测。数据质量智能体如何构建上下文：在推荐任何验证规则之前，数据质量智能体会从 6 个不同来源汇集上下文，每个来源回答关于数据的不同问题：上下文来源；提供的内容；回答的问题。表/列元数据（目录）：来自 Data Catalog 的模式和数据类型；这些数据是什么？数据画像：根据实际数据计算的列级统计信息，例如空值率、不同值计数、值范围、频繁出现的值和检测到的模式；数据目前是什么样的？异常检测结果：将最新画像与历史基线进行比较后标记的意外变化，例如空值突然增多、不同值发生变化或出现超出范围的值；哪些方面发生了变化或看起来有问题？ 现有生效的数据质量规则：从规则库检索到的、已在表或列级别应用的规则。已有规则有哪些，以免重复或冲突？外部参考知识库：普遍认可的公开数据质量标准和验证最佳实践（例如，国家医疗服务提供者标识符等标识符的格式和结构规则）。该字段适用哪些行业标准？企业内部知识库：组织特有的数据质量规则模式、以往审核人员的反馈，以及经整理的业务和技术规则库。该组织如何定义质量？这些来源共同使智能体能够像经验丰富的数据管理员一样推理，让每项建议都以数据的实际含义、标准要求、企业对质量的定义以及已实施的规则为依据。解决方案的功能：数据质量智能体生成多类检查，并让数据管理员掌控结果。异常检查生成：该解决方案生成异常检查，以发现技术上有效、却不符合医药市场运行规律的数值。这些异常包括负数的转换百分比、同一市场内合计不等于100%的市场份额、不一致的药品排名（例如，排名第1的药品份额低于排名第2的药品）、超出规定量表范围的评分，以及过小或与受访者人数不符的样本组规模。借助RAG生成感知上下文的规则：数据质量智能体以3种模式生成规则建议：规则类型；说明。列级：针对用户选择的单个特定列生成数据质量规则。智能体读取该列的元数据和数据剖析信号，建议数据类型验证、空值与必填字段检查、长度与范围验证、模式与格式验证以及唯一性检查等。表级：根据表的元数据及各列之间的关系，为整张表生成数据质量规则，涵盖记录一致性、重复检测、跨列验证、参照完整性检查以及整表业务一致性。自定义查询：根据自然语言输入生成基于SQL的规则。用户用通俗英语描述业务验证要求，智能体生成相应的SQL；随后可以通过对话进一步完善，也可以直接编辑，以支持标准列级和表级检查之外的复杂验证。“创建新质量规则”界面提供专门的列级、表级和自定义查询模式。该平台既支持技术验证，也支持针对具体业务的质量检查。对于技术规则，智能体生成检查以确认数据在结构上健全，包括必填字段的空值检查、数据类型验证、数值和日期的范围验证、标识符和代码等格式化字段的模式验证、重复检测，以及相关表之间的参照完整性检查。对于业务规则，智能体生成生命科学领域的检查，以确认数据符合实际业务运作方式，包括账户归属一致性（例如，医疗服务提供者是否关联到正确的组织）、细分逻辑、资格条件，以及市场份额和产品份额验证（例如，某地区内的份额不超过100%）。实际用例：假设有一张HCP产品绩效表，包含HCP_ID、Specialty、Territory_ID、Product_ID、Prescription_Volume、Market_Share_Pct、Switch_Pct、Rating_Scale和Reporting_Month列。利用表的数据剖析结果和2个知识库，数据质量智能体会按以下方式生成并执行检查：已执行的异常检查。负数的转换百分比。市场份额合计不符。处方量突然增加或减少。 产品排名不一致。评级量表数值无效。生成的技术规则。HCP_ID 不得为空或重复。Prescription_Volume 必须为数值且不得为负。Market_Share_Pct 和 Switch_Pct 必须介于 0 和 100 之间。Reporting_Month 必须符合规定的日期格式。Territory_ID 和 Product_ID 必须与各自的参考表匹配。生成的业务规则。对于每个地区和报告月份，所有产品的市场份额合计必须为 100%。HCP 的产品资格必须与其专业领域相符。只有符合资格的 HCP 才能纳入目标细分群体。AI 辅助严重程度建议：该解决方案根据数据集上下文、规则类型和业务影响建议严重程度。严重程度类别有助于区分以下情况：严重问题，例如商业指标无效、标识符错误或违反业务规则。基础验证，包括符合模式要求、空值检查和长度验证。复杂验证，涉及高级 SQL 逻辑、多列规则或特定领域的业务检查。信息：验证仅为提高认知和透明度而开展。除非发现问题，否则无需采取行动。SQL/Python 代码生成及 ETL 集成：规则获批后，LLM 会生成等效的 SQL、Python 和 PySpark 代码。代码存储前会自动进行验证，包括语法检查、与目标模式核对，以及在相应语言支持的情况下使用样本数据试运行。这意味着现有的抽取、转换和加载（ETL）及编排工具可以将这些代码作为当前数据管道的一部分运行。AI 辅助验证：使用一个 LLM 作为验证代理，审查另一个 LLM 生成的数据质量（DQ）规则和脚本，以减少幻觉并改进治理。此外，Amazon Bedrock 提供安全、隐私和负责任 AI 控制措施。提示词和输出不会用于训练模型，也不会与模型提供商共享。Amazon Bedrock 符合 HIPAA 适用资格，并纳入 SOC、ISO 和 GDPR 等合规计划的范围，这有助于 Indegene 满足其生命科学客户的要求。Amazon Bedrock Guardrails 为模型输入和输出增加可配置的防护措施。它可检测并掩盖个人身份信息（PII），阻止有害内容和提示词注入攻击，并使用上下文依据检查来标记检索到的知识无法支持的回答。人工监督仍是核心：数据质量代理旨在增强现有的数据质量流程。每条生成的规则都会获得一个置信度分数。只有高置信度、低风险的规则会自动获批，而关键规则和业务规则始终会交由主题专家（SME）审查。每项决定都会记录在规则存储库中，使规则管理保持受治理、可追溯，并与企业标准一致。带来运营成效和业务价值：在生产环境中，Indegene 为生命科学客户部署的 NEXT UDP 中，数据质量代理已将每个数据集定义和实施数据质量规则所需的工作量从约 30 小时缩减至约 4 小时。这相当于工作量减少约 85%，或生产率提高约 7 倍。现在，接入一张新表需要 2–4 小时，而此前需要 2–5 个工作日。数据工程师和数据管理员现在将时间用于审查和批准规则，而不是从头编写规则。主要成果包括：通过 AI 生成的规则、SQL 和 Python 减少人工工作量。更快地接入新表、模式和业务领域。规则更加一致，依据获批标准、企业知识和现有规则制定。通过审查、完善和批准的工作流程，促进业务团队与技术团队之间的协作。通过自动分析和异常检测，更早发现数据质量问题。 表 1：性能与规模指标影响* 企业级数据剖析：25–50 个模式；500–2,000 个表；10,000–50,000 个列。表数据剖析：45–90 秒（约 100 万行）；2–5 分钟（约 1,000 万行）。AI 规则生成：每个表 20–45 秒。SQL 生成：每条规则 3–8 秒；10–15 条规则需 20–60 秒。规则执行：20–30 秒（标准规则）；1–3 分钟（复杂 SQL）。集中式规则库：1,000–10,000 条规则。每次执行的数据质量检查：每个领域 100–500 项，可扩展至 1,000 项以上。*根据 Indegene 的生产部署情况估算。表 2：规则质量与验证。指标；影响*；含义。规则建议准确率：80–90%；建议在技术上有效，且能正确应用于相应列或表。规则接受率：60–75%；未经任何修改即获批准的建议。规则调整率／人工覆盖率：20–35%；审核人员编辑逻辑或阈值后获批准的建议。SQL 有效性：90–97%（基于模式）；80–90%（自定义 SQL）；生成的 SQL 首次尝试即通过验证。严重程度建议准确率：75–85%；建议的严重程度与审核人员最终确定的严重程度一致。业务相关性（领域专家评分）：4.0–4.5／5；领域专家对推荐规则的业务实用性评分。幻觉率：<5–8%；引用不存在的列或错误业务逻辑的建议。*根据 Indegene 的生产部署情况估算。表 3：运营效率。指标；影响*。手动编写 SQL 规则：端到端工作量减少 60–80%，包括审核和调整。新表接入：2–5 个工作日 → 2–4 小时。规则复用：40–60% 的新规则由现有已批准规则改编而来。大语言模型成本优化：使用 Amazon Bedrock 提示缓存处理已缓存的上下文，输入 token 成本最多降低 90%。计算优化：采用元数据优先的数据剖析，计算量减少约 45–51%。*根据 Indegene 的生产部署情况估算。表 4：人工数据质量工作与智能体辅助数据质量工作的比较。活动；传统数据质量方法；生成式 AI 驱动的数据质量方法；影响*。规则发现：人工审查模式、数据剖析报告、样本数据和文档。现有工具可以生成基本的数据剖析检查，但往往会遗漏特定领域的业务逻辑；智能体使用元数据、数据剖析结果、表上下文、现有规则模式及可选的业务描述，推荐技术性及生命科学领域特定的数据质量规则；速度提高 80–85%。技术规则生成：手动创建空值、数据类型、范围、唯一性和完整性规则；自动生成规则，并由人工审核；速度提高 80–85%。业务规则定义：验证通常基于技术元数据，对产品、细分市场、客户或资格判定逻辑的理解有限。业务背景高度依赖与领域专家的讨论，以及将其手动转化为验证逻辑；使用检索增强生成（RAG）检索业务术语表、数据字典、现有规则和历史异常模式，生成结合上下文的建议；速度提高 70–75%。规则编写及 SQL／Python 开发：工程师针对每个数据集或业务需求手动定义验证规则，并进行编码、调试和测试；在列级、表级和自定义查询级别自动生成规则，并为选定的数据质量检查生成 SQL／Python。用户可以审核、调整并应用建议；生成首份可运行代码的速度提高 80–85%。规则验证：人工验证规则，需要多次执行查询并逐步调整；智能体自动对规则评分、调整和优化；速度提高 80–85%。规则复用：人工复制、修改和复用；将已批准的规则和反馈加入智能体的知识库；现有领域中新数据集的接入速度提高 50%。异常检测：人工分析数据剖析结果和记录；自动检测异常，并提供结合业务背景的解释；速度提高 80–85%。严重程度分类：人工确定规则的严重程度和业务影响，这可能导致优先级排序不一致。 根据规则类型、数据集背景和业务影响推荐严重程度。基于背景一致判定严重程度。治理与可追溯性：规则通常分散在工具、脚本、电子表格或目录中，使治理和追溯变得困难。各团队的审批和审查流程不尽相同。建立集中、带版本控制且明确归属的规则库，维护工作量减少85%。人工投入：主题专家和工程师推动每个步骤；主题专家专注于审查和审批，由智能体负责发现和生成。生产力和可扩展性更高，生产力约为原来的7倍。*根据Indegene的生产环境部署情况估算。展望未来：随着企业数据生态系统持续扩大，依靠手动创建规则和分散的治理流程，维持一致且可扩展的数据质量变得越来越困难。生成式AI提供了增强这些工作流程的机会，可以加快规则生成、纳入业务背景，并支持受治理的决策。NEXT统一数据平台中的生成式AI驱动的数据质量智能体展示了大型语言模型、RAG和集中式规则治理如何协同简化数据质量管理，同时让人类继续掌控审查和审批。未来的改进将继续以此为基础，包括：提供AI辅助的修复建议，帮助用户解决未通过的数据质量检查；开展根因分析，识别反复出现的异常模式，支持更快地调查重复发生的数据质量问题。随着这些能力不断发展，重点始终不变：通过AI辅助自动化帮助组织提高数据质量，同时保持治理、透明度和业务监督。要了解更多信息，请参阅以下资源：Indegene在生命科学领域的业务；《医疗保健与生命科学中的生成式AI》；AWS Skill Builder课程：《使用Amazon Bedrock构建生成式AI应用程序》；GitHub代码库：《AWS上的医疗保健与生命科学智能体示例》。关于作者：Bhagyashree Chandak。Bhagyashree是AWS India的解决方案架构师，致力于将复杂的业务挑战转化为实用、可用于生产环境的解决方案。她与客户密切合作，了解其目标和需求，然后结合实际实施经验设计创新架构。她专长于迁移与现代化、数据与分析以及生成式AI，帮助组织实现平台现代化，并利用数据和AI取得可衡量的业务成果。Shravan K S。Shravan是Indegene的数据分析高级经理，也是一名经验丰富的生成式AI架构师，在生命科学和医疗保健领域的分析、数据平台及系统集成方面拥有18年以上经验。他曾领导交付安全、可扩展的解决方案，涵盖生成式AI、数据工程、平台现代化和新兴的智能体AI系统。他擅长通过SAFe敏捷方法推动转型，并通过云原生架构和AI驱动的数据运营推进创新。他持有AWS、Snowflake、Databricks和Dataiku的高级认证，并将前沿技术与制药和医疗保健分析领域的实际成果相结合。