Formål

Formålet med netværket er at styrke samarbejdet mellem regionerne og sikre at konkrete erfaringer formidles og deles blandt regionerne så der skabes en mere effektiv og ensartet håndtering af AI-relaterede projekter. Håndteringen gøres operationel ved at opbygge et fælles framework, der beskriver diverse opmærksomhedspunkter, faldgruber og interessekonflikter.

(Fremhævede ord uddybes under definitioner)

Målgruppe:

• Data Scientists / Model udviklere
• Projektledere
• Projektejere
• Kliniske rekvirenter eller initiativtagere ("Ambassadører")
• IT medarbejder, der håndter databaser og drift m.m.
• BI/AI chefer
• Forskningsledere
• Jurister

Format og indhold

Netværkets primære aktivitet er fysiske netværksmøder, der samler fagprofessionelle fra målgruppen omkring konkrete emner i det fælles framework. De enkelte netværksmøder afholdes 2-3 gange årligt.

Derudover etables et kommunikationsforum for deltagerne, der muliggør kontakt til øvrige fagprofessionelle og giver overblik over igangværende AI-projekter.

Krav til deltagerne:

Være villige til at dele og formidle erfaringer inden for det fælles framework.

Løbende (fx kvartalvist) opdatere om igangværende aktiviteter

Udvise fortrolighed ifm med de oplæg, hvor dette påkræves af afsender/formidler.

Arbejde på at udbrede kendskabet til netværket for relevante interessenter.

Definitioner:

Konkrete erfaringer

"Hands on" erfaring ud fra realiserede projekter. Erfaringerne belyser oplevede problemstillinger OG er svargivende, men svarene kan dog have en diffus karakter.

AI-relateret

Ved AI forstås en bred vifte analytiske discipliner som fx machine learning metodikker (regressionsmodeller, beslutningstræer, neurale netværk, clustering og forecast-modeller). Disciplinerne er kendetegnet ved en hvis kompleksitet datamæssigt og/eller modelleringsmæssigt og vil ofte have en prædiktiv-karakter.

Projekt:

Ved et projekt forstås et projekt opdelt i faserne:

Initiering af projekt (formålsbeskrivelse, projektorganisation, interessent analyse, juridisk hjemmel m.m.)

Datafangst (strukturering af datakilder, datadokumentation, datamodellering)

Analytisk bearbejdning, model-udvikling, model-evaluering –dokumentation)

Produktionsætning ( IT-driftshensyn, procesintegration hos slutbruger herunder overvisning og instruktion)

Vedligehold og tilpasning (overvågning af model, dataskred og ændringer i registreringspraksis)

Fælles Framework

Med udgangspunkter i projektfaserne kan man opdele faserne i spor beskrivende Kompetencer, Datainfraskruktur, Processer og værktøjer hvorved der fremkommer en matrice som fx

For hver "kasse"/celle i matricen uddybes nærmere i form af evt. checkliste, obs-punkter og valgmuligheder. Dette er så grundlaget for et fælles videns grundlag på et operationelt plan.