数据在不同辖区之间碎片化
关键的公共卫生信息分散在地方和州级系统之中，而不是以一个统一的协同视图存在。
无需集中化数据的 AI 原生公共卫生系统
公共卫生依赖及时、准确的数据，但这些数据分散在地方和州级系统之中，而且往往过于敏感而无法共享。Onai 让各机构能够借助先进 AI 一起协作和分析数据，同时让数据保持私密并处于其自身控制之下。
问题
公共卫生系统天然就是分布式的
地方和州级机构会收集关于疾病、结果和人群的关键数据，但这些数据分散在不同辖区、不同系统和不同格式之中。
为了有效行动，各机构需要跨区域组合数据、实时分析趋势，并在不同组织之间协调响应。
而今天，这通常意味着必须集中化数据，从而带来延迟、运营复杂性以及重大的隐私顾虑。
结果是，调查更慢、洞察更少，协作也比本应有的更加困难。
实时行动很困难
当团队无法快速跨多个数据源开展工作时，趋势分析与协同响应就会被拖慢。
中心化会带来风险
在各机构最需要速度的时刻，把敏感记录汇集到一处会引入延迟、运营负担以及隐私顾虑。
我们的方法
让数据留在原处，让它在任何地方都可用
Onai 让公共卫生数据继续保留在收集它们的系统和辖区中，同时仍然可以通过 AI 被共同使用。
数据留在各自机构本地。AI 驱动的计算在分布式系统上运行。洞察在不暴露底层记录的前提下被共享。
这使各机构能够像一个协调一致、具有智能的网络一样运作，而无需建立中央数据仓库。
本地数据控制
每个机构都保留对其收集和治理的数据的控制权。
分布式 AI 计算
查询和 AI 辅助分析在整个网络上运行，而不是依赖一个单一中心系统。
共享洞察而不暴露原始记录
各机构能够获得有用的输出和协同智能，而无需泄露敏感的底层记录。
这带来了什么
一个能力更强的公共卫生网络
调查
AI 辅助调查
调查人员可以获得 AI 工具，加快查询、病例分析和决策过程，而无需暴露敏感数据，也无需依赖中心化系统。
洞察
更强的流行病学洞察
流行病学专家可以利用有效上被统一的数据集，跨辖区分析趋势，从而获得更深入、更及时的人群健康理解。
协作
机构之间的真实协作
地方和州级部门可以无缝合作，而不必标准化或集中化其底层数据系统。
系统在实践中
AI 驱动的分布式公共卫生基础设施
Onai 为 Guardian 提供支持，这是一个旨在跨辖区实现安全、AI 驱动的公共卫生工作流的系统。
Guardian 以分布式网络的方式运行：每个机构保留对自身数据的控制权，AI 模型和查询在整个网络上运行，而洞察可以在不暴露敏感记录的情况下生成。
这种架构支持一种新的公共卫生模式：更快、更智能，并且从设计上就保护隐私。
控制
每个机构保留自己的数据
Guardian 的构建方式，使各机构能够在不放弃其辖区控制权的前提下参与网络。
智能
查询和模型在网络中运行
AI 工作流可以跨越分布式系统运行，同时尊重每个参与组织的边界。
洞察
结果在不暴露记录的情况下生成
各机构可以基于共享智能采取行动，而无需建立一个集中式的敏感数据仓库。
可视化
跨机构共享的智能层
网络可视化将分布式公共卫生机构呈现为节点，这些节点通过共享智能层相互连接。数据保留在本地，而计算和洞察在网络中流动。
适用对象
为负责群体层面响应的团队而构建
公共卫生机构
那些需要协作、共享洞察并快速响应，同时又不能牺牲保密性的地方和州级部门。
调查人员
从事病例调查的团队，他们能够从 AI 辅助工作流以及更快获取相关信息中获益。
流行病学专家
那些需要跨越碎片化数据源理解群体层面趋势的研究人员与分析师。
适合当今世界的公共卫生系统
Onai 使各机构能够作为一个相互连接、由 AI 驱动的网络运作，在保留信任的同时提升速度、洞察和结果。
如果你有兴趣合作，请通过 [email protected] 联系我们。