La Food and Drug Administration statunitense ha reso disponibile a tutti i suoi 16.000 dipendenti ELSA, una piattaforma di AI generativa, appoggiata a Halo, il data foundation governato che gira su Databricks. Il dato che ha fatto notizia è l’adozione: in circa due mesi si è passati da meno dell’1% all’85% dello staff che la usa quotidianamente. Ma la parte interessante per chi lavora con i dati è come ci sono arrivati.
Otto centri, otto silos
La FDA regola cibo, farmaci e dispositivi medici, e gestisce un volume enorme di documenti: un petabyte di materiale, centinaia di gigabyte in arrivo ogni giorno, migliaia di submission regolatorie al mese distribuite su otto centri. Ciascun centro — dai farmaci (CDER) ai biologici (CBER) ai dispositivi (CDRH) — aveva costruito le proprie capacità AI in autonomia: chatbot separati, data store separati, duplicazione di costi e nessuna visione unificata dei dati.
Il team IT ha avviato un consolidamento portando, nell’arco di tre-quattro mesi, dalle 50 alle 60 sorgenti dati di tutti gli otto centri su un’unica piattaforma Databricks. Il proof point è stato CDER, che aveva già cinque anni di lavoro su Databricks alle spalle. La condivisione di dati tra centri, che prima richiedeva quattro-cinque giorni, è stata drasticamente accelerata e lo streaming in tempo reale ha sostituito il batch. Unity Catalog ha risolto i timori sulla sicurezza, fornendo il livello di governance e l’access control granulare a livello di tabella necessari per dati sensibili e trade secret.
Dal chatbot agli agent
Con il data foundation governato al suo posto, l’uso è andato subito oltre il semplice question-and-answer. Medici, scienziati e personale amministrativo costruiscono i propri agent, con centinaia di nuovi agent creati ogni settimana: caricano procedure operative e documenti di centro nei workspace di ELSA e ottengono risposte grounded su questioni FDA-specifiche. L’architettura che lo consente stratifica dei server MCP sopra Unity Catalog, trasformando la creazione di agent in qualcosa alla portata di qualunque dipendente, non solo dei data scientist.
L’impatto è concreto. Un reviewer che valuta le domande sui farmaci deve capire gli starting material, informazione sepolta in tre-quattro milioni di pagine di submission. Usando le capacità di ML e NLP di Databricks tramite MLflow, il team ha estratto questi asset e li ha esposti in ELSA: ora una risposta grounded arriva in circa tre minuti, contro i giorni di prima.
In sintesi
- La governance con Unity Catalog e il consolidamento dei silos, non il modello in sé, sono stati l’abilitatore dell’adozione.
- I server MCP sopra un catalogo governato rendono la creazione di agent accessibile a utenti non tecnici.
- Ricerche regolatorie che richiedevano giorni ora si chiudono in minuti su dati grounded.
Fonte: How the FDA Built an AI Platform That 85% of Its Staff Now Use Daily — https://www.databricks.com/blog/how-fda-built-ai-platform-85-its-staff-now-use-daily
Hai qualcosa da aggiungere? Unisciti alla discussione.