Nuestros sitios
Ver edición digital Suscríbete al NEWSLETTER
Compartir

Vacuna COVID-19: Dave Johnson, el hombre detrás de la ciencia de datos de Moderna

Sam Ransbotham, Shervin Khodabandeh 02 Dic 2021
Vacuna COVID-19: Dave Johnson, el hombre detrás de la ciencia de datos de Moderna

La empresa Moderna no creó algoritmos específicos para COVID-19, solo utilizaron misma línea de actividad que estaban realizando.


Sam Ransbotham y Shervin Khodabandeh entrevistaron a Dave Johnson, director de datos e inteligencia artificial de Moderna.

Ransbotham es profesor de sistemas de información en Boston College y editor invitado de estrategia empresarial de MIT Sloan Management Review. Por su lado, Khodabandeh es socio principal de BCG, y antiguo colaborador de la práctica de IA de BCG en América del Norte.

En esta conversación, hablan sobre el papel que tuvo la inteligencia artificial para ayudar a combatir la pandemia de COVID-19. En específico, lo que hizo Moderna, una empresa innovadora de biotecnología, para ayudar a resolver el problema crítico que enfrentó la sociedad en el último año.

La siguiente conversación es una transcripción de la entrevista, editada en extensión para mayor claridad.

Dave Johnson: Gracias por invitarme, chicos.

Sam Ransbotham: ¿Puedes describir tu función actual en Moderna?

Dave Johnson: Soy director de datos e inteligencia artificial en Moderna. En mi puesto, soy responsable de todas nuestras funciones de datos empresariales, desde la ingeniería de datos hasta la integración de la ciencia de datos. También administro el equipo de ingeniería de software creando aplicaciones personalizadas únicas para seleccionar y crear nuevos conjuntos de datos para luego tomar esos modelos de IA y construirlos en procesos. Por lo tanto, implementar un modelo de IA es una especie de extremo a extremo para crear, implementar y poner en producción un modelo.

Sam Ransbotham: ¿Cómo terminaste en ese papel? Sé que tienes la física en tu formación. No escuché nada de física en lo que acabas de decir.

Dave Johnson: Es un buen punto. Entonces tengo mi doctorado en física de la información, que es en realidad un campo estrechamente relacionado con la ciencia de datos. Se trata de los fundamentos de las estadísticas bayesianas y la teoría de la información, mucho de lo que está involucrado en la ciencia de datos. Mi investigación particular consistió en aplicar eso a un marco que deriva la mecánica cuántica de las reglas de la teoría de la información. Así que esa parte, tienes razón, no es particularmente relevante para mi trabajo diario.

Pero la parte de la teoría de la información y las estadísticas bayesianas están completamente en el objetivo de lo que hago. Además, pasé muchos años haciendo consultoría independiente en una capacidad de ciencia de datos de ingeniería de software y cuando terminé mi doctorado, me di cuenta de que la academia no era realmente para mí; Quería hacer aplicaciones y terminé con una consultora que trabajaba para grandes compañías farmacéuticas.

Así que pasé varios años haciendo eso y resultó ser una gran combinación de mis habilidades: comprensión de la ciencia, de los datos de la ingeniería de software… Así que hice un proyecto en particular durante varios años en investigación en una compañía farmacéutica en torno a la captura de datos de una manera estructurada y útil en el espacio preclínico para alimentar datos avanzados y modelos avanzados, así que, es mucho de lo que estoy haciendo hoy y hace unos siete años, me mudé a Moderna.

En ese momento, éramos una empresa en etapa pre clínica y el gran desafío que teníamos era producir suficiente ARNm a pequeña escala para ejecutar nuestros experimentos. Y lo que realmente estamos tratando de hacer es acelerar el ritmo de la investigación para que podamos obtener la mayor cantidad de medicamentos en la clínica lo más rápido posible.

Uno de los grandes cuellos de botella fue tener este ARNm para que el científico realizara pruebas. Entonces, lo que hicimos fue implementar una tonelada de automatización robótica, implementar muchos sistemas digitales y automatización de procesos y también algoritmos de inteligencia artificial.

Pasamos de unos 30 ARNm producidos manualmente en un mes determinado a una capacidad de alrededor de mil en un período de un mes sin muchos más recursos y mucha mejor consistencia en la calidad, etc. Entonces, a partir de ahí, crecí con la empresa y en este rol que tenemos ahora, donde estoy aplicando esas mismas ideas a la empresa en general.

Shervin Khodabandeh: Eso es genial, Dave. ¿Puedes hablar un poco sobre el espectro de casos de uso a los que se está aplicando la IA aquí y que realmente está marcando la diferencia?

Dave Johnson: Para nosotros, lo que hemos visto mucho está en el espacio de la investigación en particular. En Moderna, eso se debe a que es allí donde digitalizamos al principio. Vemos que incorporar sistemas y procesos digitales para capturar datos buenos y homogéneos que puedan alimentarse es obviamente un primer paso realmente importante, pero también sienta las bases de procesos que luego son susceptibles de estos mayores grados de automatización.

Ahí es donde vemos mucho de ese valor, es en esta producción preclínica: tenemos una especie de alto rendimiento, tenemos muchos datos, podemos comenzar a automatizar esos pasos y juicios que antes realizaban humanos. Un ejemplo es nuestro diseño de secuencia de ARNm. Estamos codificando una proteína, que es una secuencia de aminoácidos, pero hay una gran degeneración de posibles secuencias de nucleótidos que podrían codificar eso, por lo que, a partir de una secuencia de aminoácidos, debes averiguar cuál es la forma ideal de obtener allí. Entonces, lo que tenemos son algoritmos que pueden hacer esa traducción de una manera óptima.

Y luego tenemos algoritmos que pueden tomar uno y luego optimizarlo aún más para mejorarlo para la producción o para evitar cosas que sabemos que son malas para este ARNm en producción o expresión. Podemos integrarlos en estos sistemas en vivo que tenemos, de modo que los científicos solo presionen un botón y el trabajo esté hecho por ellos. Y no saben lo que sucede detrás de escena, pero entonces, ¡puf! Les sale esta secuencia mejor y luego también lo hemos visto con pasos de control de calidad.

También estamos trabajando en este momento con nuestros socios clínicos en el espacio de operaciones clínicas en términos de una planificación óptima de los ensayos. Estamos trabajando en este momento en torno a la planificación de nuestro centro de llamadas.

Ahora que estamos lanzando nuestra vacuna en todo el mundo, llegan más y más llamadas telefónicas y a medida que esperamos lanzarla en nuevos países, tenemos que comenzar a planificar nuestros recursos para eso. Estamos analizando modelos de aprendizaje automático para ayudar a predecir el pronóstico de estas llamadas, de modo que podamos contratar el personal de manera adecuada. Así que lo vemos en una variedad de áreas diferentes.

Sam Ransbotham: Mencionaste presionar el botón; los científicos presionan el botón y se realizan algunas pruebas. ¿Qué piensan estos científicos? O sea, de repente se ha llevado algo que solía ser algo que ellos hacían, y está haciendo que la IA lo haga. ¿Cuál es la reacción? ¿Están emocionados, desanimados? ¿En un punto medio?

Dave Johnson: Yo diría más cerca del lado emocionado. Por lo general, somos una empresa que cree en dar mucha responsabilidad a las personas y las personas trabajan muy duro. Eso lleva a que la gente haga mucho trabajo. Entonces, lo que sucede a menudo es que la gente se nos acerca y nos dice: “Mira, estoy haciendo esta actividad una y otra vez. Realmente me encantaría recibir ayuda para automatizar este proceso”. Y entonces, en ese caso, están encantados. No quieren mirar una pantalla de datos una y otra vez. Quieren hacer algo perspicaz y creativo, ahí es donde realmente nos asociamos con ellos y quitamos ese componente de lo que hacen.

Shervin Khodabandeh: Dave, quiero aprovechar eso, porque creo que estás apuntando a algo bastante interesante. Además del impacto financiero que muchos obtienen de la inteligencia artificial, la productividad, la eficiencia y todo eso (mencionaste algunos de ellos), hay un impacto en la cultura organizacional general y los equipos son más colaborativos, más moral, más felices, más seguro, etc. ¿Son esas algunas de las cosas que ustedes también están viendo?

Dave Johnson: Claro. Creo que una de las señales seguras de eso es que tenemos muchos clientes habituales. Si hacemos algún algoritmo en particular para alguien, esa persona regresa con el siguiente o su equipo regresa una y otra vez. No pensamos en la IA en el contexto de reemplazar a los humanos. Siempre lo pensamos en términos de esta colaboración hombre-máquina, porque son buenos en cosas diferentes.

Los seres humanos son realmente buenos en creatividad, flexibilidad e intuición, mientras que las máquinas son realmente buenas en precisión y dan exactamente el mismo resultado cada vez y lo hacen a escala y velocidad. Lo que encontramos con los proyectos más exitosos es donde juntamos los dos: hacer que la máquina haga las partes del trabajo en las que es buena y dejar que los humanos se hagan cargo del resto.

Sam Ransbotham: Con esta libertad, ¿qué ha hecho la gente?

Shervin Khodabandeh: Tengo dos tomas de eso, lo que la gente ha hecho con esa libertad.

Sam Ransbotham: Sí, de hecho, hay al menos un producto en el mercado ahora, ¿no es así? Creo que escuché algo en las noticias.

Dave Johnson: Hay uno, sí. Sabes, siempre me gusta bromear de que el trabajo es como un gas que siempre se expande para llenar el recipiente. Entonces, si le quitas algo del plato a alguien, hay toda esta montaña de trabajo del que ni siquiera se dieron cuenta de que no se estaba haciendo. Y así, la gente siempre se siente aliviada de seguir adelante y encontrar la próxima montaña para escalar y la próxima cosa que hacer.

Sam Ransbotham: Pero, ¿qué son este tipo de cosas? ¿Cómo elige la gente cómo expandirse para llenar ese espacio?

Dave Johnson: Bueno, si piensas en los ejemplos como los pasos de control de calidad preclínicos que hemos automatizado, la realidad es que con un operador estirado sobre una gran cantidad de trabajo, es realmente difícil para ellos hacer la inspección realmente a profundidad de estas muestras. Y así, al eliminar la mayor parte de ese trabajo (80%, 90%, para que el algoritmo lo haga), lo que pueden hacer es simplemente hacer un trabajo mejor y más completo en la inspección de las muestras que quedan.

También significa que no contrataremos a un montón de personas solo para mirar pantallas de datos. Por lo tanto, es una ganancia inmediata para las personas que están allí y luego una especie de ganancia a largo plazo en nuestros planes de recuento de personas.

Algunas personas dicen que la IA en la farmacéutica es como, “Solo quiero un algoritmo que pueda predecir a partir de la estructura de una molécula pequeña la eficacia en humanos”, así es todo el proceso de descubrimiento de fármacos.

Eso simplemente no va a suceder; eso es completamente irreal. Así que solo pensamos en el hecho de que hay innumerables procesos, es un proceso muy complicado llevar algo al mercado y hay numerosas oportunidades en el camino. Incluso dentro de un caso de uso específico, rara vez se utiliza un algoritmo de IA. A menudo es “Para esta parte del problema, necesito usar este algoritmo y para esto necesito usar otro”.

Shervin Khodabandeh: Dave, quiero preguntarte algo sobre la base de talentos y la gente. Comentaste que Moderna es el tipo de empresa a la que le gusta dar a las personas mucha libertad: un equipo ambicioso, inteligente y altamente motivado que trabaja para hacer lo mejor que puede. ¿Cómo traes y cultivas ese talento, y cuáles son algunas de las lecciones aprendidas en términos de cómo construir un equipo de alto rendimiento?

Dave Johnson: Es una buena pregunta. No sé que, si miramos a la empresa en su conjunto, hay un lugar en particular donde contratamos personas. Conseguimos gente de biotecnología de cinco personas a farmacias de 100.000 y en cualquier lugar intermedio, dentro de la industria y fuera de la industria.

Creo que para nosotros, siempre se trata de encontrar a la persona adecuada para el trabajo, sin importar de dónde vengan y sus antecedentes. Creo que lo importante para nosotros es asegurarnos de establecer las expectativas de manera adecuada a medida que las incorporamos, y decimos: “Mira, esta es una empresa digital. Somos realmente atrevidos. Somos ambiciosos. Tenemos estándares de calidad realmente altos”. Y si establecemos esas expectativas realmente altas, comienza a auto-seleccionar a muchas de las personas que quieren pasar por ese proceso.

Sam Ransbotham: Quiero regresar un poco… Mencionaste algo de la infraestructura, yo diría que pusiste en marcha la que de repente el mundo se benefició hace unos meses. ¿Cómo supo la gente configurar esas cosas en primer lugar? Mencionaste poder escalar de, creo, 30 a mil diferentes… ¿Cómo sabías que esa era la dirección?

Dave Johnson: Es un gran punto. Durante todo el desarrollo de la vacuna COVID-19, estamos inmensamente orgullosos del trabajo que hemos realizado y estamos inmensamente orgullosos del esfuerzo sobrehumano que realizó nuestra gente para llevarla al mercado tan rápidamente. Pero una gran parte se basó en lo que dijiste: esta infraestructura que habíamos implementado donde no creamos algoritmos específicamente para COVID-19; simplemente los sometimos a la misma línea de actividad que hemos estado haciendo.

Lo hicimos girar lo más rápido que pudimos. Cuando pensamos en todo lo que hacemos en Moderna, pensamos en la capacidad de esta plataforma. Nunca íbamos a hacer una sola droga; ese nunca fue el plan. El plan siempre fue crear una plataforma completa alrededor del ARNm porque, dado que es un producto basado en información, todo lo que hace es cambiar la información codificada en la molécula y tiene un medicamento completamente diferente. Sabíamos que si puedes conseguir uno en el mercado, puedes conseguir cualquier número en el mercado.

Entonces, todas las decisiones que tomamos sobre cómo diseñamos la empresa y cómo diseñamos la infraestructura digital se basaron en esta noción de plataforma de que no vamos a construir esto para empezar: vamos a construir una solución que atienda esto y esa es justo la razón por la que creamos este primer equipo preclínico en el que podemos analizar bastantes de estos. Por eso creamos estos algoritmos para automatizar actividades. Cada vez que vemos algo en lo que sabemos la escala y hacerlo paralelo va a mejorar las cosas, hacemos el proceso.

Lee también: Desgaste mental y secuelas covid-19, retos de la seguridad y salud en el trabajo

Sam Ransbotham: La prueba ciertamente está en el pudín. Una cosa que me parece fascinante es lo normal que es todo esto. Supongo que me sorprende lo mucho que parece ser parte de tu… ¿Puedo usar la palabra “ADN” aquí?

Dave Johnson: Está totalmente bien.

Sam Ransbotham: ARN.

Shervin Khodabandeh: ARNm. Es parte de su mRna.

Dave Johnson: No, es cierto. Fuimos fundados como una biotecnología digital y muchas empresas dicen cosas y ponen lemas en las cosas, pero realmente lo decimos en serio. Y hemos impulsado esto durante muchos años, y lo hemos construido durante muchos años.

Shervin Khodabandeh: Es la plataforma que construiste y ahora está funcionando.

Dave Johnson: Es el enfoque de plataforma que adoptamos también para nuestros proyectos de ciencia de datos e inteligencia artificial. Escucho muchas luchas de gente alrededor “Genial, construí un modelo y un cuaderno de Júpiter. Ahora, ¿qué hago con él?” A medida que resuelven esta limpieza y conservación de datos para que incluso estén en un estado útil, no saben a dónde ir para implementarlos.

Y adoptamos el mismo enfoque de plataforma para nuestras actividades de ciencia de datos. Dedicamos mucho tiempo a la curación de datos y su ingestión para asegurarnos de que los datos sean buenos para ser utilizados de inmediato. Y luego implementamos una gran cantidad de herramientas e infraestructura para que esos modelos estén en producción e integrados. Entonces, esta mentalidad de plataforma está tan arraigada en nuestra forma de pensar.

Sam Ransbotham: Regresemos a principios de la carrera de COVID por una vacuna. ¿Cómo fue ser parte de ese equipo y de ese proceso? O sea, ¿cómo fueron las emociones cuando los algoritmos… o cuando la gente encuentra algo que parece funcionar o que parece prometedor? ¿Eso conduce a un apetito masivo por más inteligencia artificial y más algoritmos? Cuéntanos un poco sobre esa historia.

Dave Johnson: Creo que si miras cómo se sentía la gente en general en ese momento, era un verdadero sentido de honor y orgullo. Nos sentimos en una posición única. Pasamos una década llegando a este punto y poniendo toda esta infraestructura en su lugar y colocando cosas en la clínica antes de esto para llegar a este momento.

Así que nos sentimos realmente honrados de estar en esa posición y para aquellos de nosotros en el lado digital que hemos contribuido a esto y lo hemos construido, esta es la razón por la que lo hicimos. Por eso estamos aquí: para ayudar a traer tantos pacientes estas vacunas de la manera más rápida y segura posible en todo el mundo. Pero siempre existía la pregunta: “¿Funcionaría esto en el mundo real?” Y ahí es donde llegó la prueba en los datos clínicos, y todos estábamos esperando ansiosamente como todos los demás, para ver esa lectura.

Shervin Khodabandeh: ¿La IA siempre estuvo al frente y en el centro de Moderna, o se ha vuelto más crítica como pilar del crecimiento y la innovación a lo largo del tiempo?

Dave Johnson: Creo que siempre ha estado ahí, aunque probablemente no lo llamábamos así en los primeros días; Obviamente, se ha convertido en un término de marketing mucho más candente de lo que solía ser. Pero la noción de algoritmos que se hacen cargo de la toma de decisiones y la capacidad de ciencia de datos estuvo absolutamente siempre ahí.

Pensamos mucho en cómo construimos este panorama digital, así que recopilamos datos estructurados en todos estos pasos, sabiendo muy bien que lo que queremos hacer es convertirlos en algoritmos para hacer cosas. Así que fue muy útil para eso. Pero creo que también ha adquirido un mayor enfoque porque hemos visto su poder, muy recientemente, obviamente. Hemos visto cómo esta infraestructura digital y cómo estos algoritmos realmente pueden ayudar a impulsar las cosas. Y así ha obtenido ese tipo de enfoque e importancia renovados en la empresa.

Tendemos a no ser una empresa de medias tintas, así que cuando decidimos que vamos a hacer algo, lo vamos a hacer. Ha sido un mensaje muy contundente de nuestro liderazgo senior, sobre “Este es el futuro de la empresa: inyectar tecnología digital e inteligencia artificial en todo lo que hacemos. En términos inequívocos, esto está sucediendo”. Hasta el punto de que, cuando pensamos en el hecho de que estamos creciendo muy rápido como empresa, simplemente nos duplicamos; Probablemente vamos a duplicarnos de nuevo: estamos incorporando a mucha gente nueva de fuera de la empresa, para crecer, que no necesariamente están familiarizados con esta cultura digital que hemos tenido.

Entonces, en lo que estamos trabajando en este momento es en el desarrollo de lo que llamamos una academia de inteligencia artificial, que pretendemos que sea una capacitación muy completa y profunda para nuestra empresa, de personas que usarían e interactuarían con modelos de inteligencia artificial diariamente a los líderes senior que serían responsables [de] una cartera de proyectos potenciales en sus áreas. Y eso solo muestra el nivel de compromiso serio que tenemos al respecto. Nos basamos en este concepto de tener una empresa más pequeña que sea muy ágil y pueda moverse con rapidez. Vemos lo digital como un habilitador clave para eso y la IA como un habilitador clave para eso. Así que la esperanza es que nos ayude a competir de una manera que otras empresas no pueden. Y esa es ciertamente la intención aquí.

Sam Ransbotham: Muchas gracias por hablar con nosotros hoy. Realmente lodisfrutamos… O sea, mencionaste que Moderna contrata gente inteligente y lo sabemos por un tamaño de muestra de uno, eso es claramente cierto. Gracias por tomarte el tiempo de hablar con nosotros hoy.

Shervin Khodabandeh: Muchas gracias.

Shervin Khodabandeh: No está prestando atención a las palabras de moda y esto aquello y lo otro. Él solo dijo: “Sí, comenzamos de esta manera. Por eso lo estamos haciendo. No habríamos existido sin la inteligencia artificial, los datos digitales y el análisis. Por supuesto que es real. Ahí es donde estamos”. Dijo que Moderna es una empresa digital. Eso es lo que él dijo.

Sam Ransbotham: Es solo parte de su proceso. Algunas de las preguntas, ni siquiera se le ocurrió que era inteligencia artificial; así es como hacen las cosas. Me pregunto si esa es la nueva… industria tras industria, ¿veremos los enfoques tipo Moderna entrar en industrias y simplemente ser dominantes? Los vestigios del histórico “Oh, hemos existido durante 100 años” son casi una desventaja frente a una ventaja.

Shervin Khodabandeh: Creo que este contraste, Sam, al que estabas tratando de llegar, es: “¿Cómo es que es tan fácil para ustedes, y qué pasa con el pre/post y la transformación?” Él dice: “Bueno, en realidad comenzamos de esta manera. Dijimos que queríamos ser una empresa pequeña”.

Sam Ransbotham: Comenzaron a publicar.

Shervin Khodabandeh: Sí, “Empezamos a publicar. Queríamos ser ágiles, queríamos ser pequeños, queríamos hacer mucho más con todo lo que teníamos, por lo que tenía que estar centrado en la plataforma, centrado en los datos, centrado en la IA, y así es como creamos el empresa. Entonces, la IA está en todas partes. ¿Por qué te sorprende, Sam, que la IA esté en todas partes? Por supuesto, está en todas partes. Lo hacemos para la planificación y las pruebas y la secuencia y… Es bastante energizante e intrigante cómo es una mentalidad muy diferente hacia la IA.

Sam Ransbotham: Correcto. Y sé que no queremos que todo sea IA. Hay muchas cosas que están sucediendo allí que no son inteligencia artificial, por lo que no quiero pintarlas completamente como IA, pero ciertamente fue una gran parte de la historia de la velocidad aquí, y es bastante fascinante.

Allison Ryder: Gracias por acompañarnos en este episodio extra de Me, Myself and AI. Volveremos en otoño con nuevos episodios para la temporada 3. Mientras tanto, mantente en contacto con nosotros en LinkedIn. Creamos un grupo llamado IA para líderes específicamente para miembros de la audiencia como usted. Puede ponerse al día con los episodios anteriores del programa, conocer a los creadores y presentadores del programa, decirnos qué desea escuchar en la temporada 3 y discutir temas clave sobre la implementación de la IA con otras personas de ideas afines.

Síguenos en Google News
Te recomendamos
Foto perfil de Sam Ransbotham, Shervin Khodabandeh
Sam Ransbotham, Shervin Khodabandeh Sam Ransbotham (@ransbotham) es profesor en el departamento de sistemas de información de Carroll School of Management en Boston College, así como editor invitado de la iniciativa Big Ideas de Inteligencia Artificial y Estrategia Comercial de MIT Sloan Management Review. Shervin Khodabandeh es socio senior y director gerente de BCG y director adjunto de BCG GAMMA (la práctica de IA de BCG) en América del Norte. Puede ser contactado en shervin@bcg.com.Me, Myself, and AI es un podcast colaborativo de MIT Sloan Management Review y Boston Consulting Group y está alojado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky y los productores coordinadores son Allison Ryder y Sophie Rüdinger
Descarga GRATIS nuestro especial
descargable
Descarga AQUÍ el artículo completo Especial Foro MIT 2023 ¡Descárgalo GRATIS!
Suscríbete al Newsletter
¡SUSCRÍBETE!
LEE MÁS CONTENIDO
¿QUÉ TEMA TE INTERESA?