L’intelligence artificielle arrive dans votre laboratoire. Êtes-vous prêts ?
La plupart des industries sont devenues expertes, sinon totalement efficaces, dans la collecte de données. Les instruments et équipements modernes permettent généralement d'exporter et de saisir des données sous une forme ou une autre. De nos jours, les systèmes sont beaucoup plus sophistiqués (et intégrés) que ceux qui permettent simplement la collecte de données.
Les outils Labs peuvent générer et collecter d’énormes quantités de données. Bien qu’aucun système ne soit parfait, nous avons atteint un point où la collecte de données n’est plus le goulot d’étranglement.
L’analyse des données et l’extrapolation est.
Toutes les données que nous sommes capables de collecter sont la clé d’une prise de décision éclairée. Mais comment l’utiliser et quels sont les exemples de la façon dont l’analyse des données peut améliorer les activités des laboratoires ?
Adopter l’analyse des données par l’IA
Au cours de la dernière décennie, l’analyse des données a été largement adoptée par les entreprises qui collectaient consciencieusement des données en attendant leur utilisation. Les analyses sont couramment utilisées, mais elles n’offrent qu’une approche « descriptive » rétroactive, basée sur les KPI.
Une analyse pilotée par l’IA transforme ces analyses descriptives en analyses prédictives et prescriptives. Quelle est la différence entre les types d’analyse ? En bref :
- L’analyse descriptive analyse ce qu'il s’est passé.
- L’analyse prédictive prévoit ce qui pourrait
- L’analyse prescriptive vous conseille sur ce que vous devez faire.
Le concept de l'IA consiste à remplacer un ensemble de règles définies par la capacité d'apprendre et de créer les règles les plus logiques par ses propres moyens. Avec LabVantage Analytics, par exemple, les activités de routine peuvent être effectuées par l’intelligence artificielle, ce qui rend votre système plus efficace.
Accès aux données et application
Alors, comment les entreprises peuvent-elles exploiter la richesse des données et des informations qu’elles ont collectées dans divers systèmes de gestion de laboratoire, et quelles sont les applications de ces données ?
Dans une publication précédente, nous avons abordé certains des cas d’utilisation de l’analyse prédictive et prescriptive dans divers secteurs. Un exemple spécifique au secteur manufacturier a été la réalisation d’analyses liées à la qualité combinant des données de laboratoire avec des données de processus de production pour identifier les facteurs de mauvaise qualité et recommander des stratégies d’intervention en temps réel pour réduire le coût de la mauvaise qualité.
Lors de nos conversations avec des laboratoires du monde entier sur la façon dont ils exploitent, et comment ils veulent exploiter, l’analytique, nous avons répondu à des questions sur des tâches spécifiques, notamment :
- approbation par exception
- test par saut de lot
- prédiction des défaillances des lots
- consommation de consommables.
Si vous gérez un laboratoire, les quatre améliorations du flux de travail basées sur l’IA (ci-dessous) pourraient vous inciter à passer à la version supérieure !
Le dénominateur commun : pas de règles
Toutes ces situations, et la plupart des autres utilisations de l’IA en laboratoire, reposent sur la capacité de l’IA à déterminer et à définir ses propres règles en fonction de la meilleure source de données disponible (et de la source la plus large de données). Non seulement cela permet aux laboratoires de gagner du temps, mais cela améliore également les résultats grâce à une prise de décision basée sur les données.
1. Approbation par exception avec l’IA
Une pratique courante dans les laboratoires QA/QC veut que tous les résultats soient examinés et approuvés avant d'être communiqués au consommateur d'informations. L’élimination de la nécessité d’examiner tous les résultats peut conduire à des gains d’efficacité considérables, à l’amélioration et au développement des capacités d’un laboratoire.
Dans un LIMS, cette tâche est effectuée soit entièrement manuellement, soit (dans les itérations plus récentes du LIMS) « par exception », ce qui signifie que seuls les résultats de test auxquels l’état est « Avertissement » ou « Échec » sont examinés manuellement.
Mais l’examen « par exception » nécessite l’élaboration d’un modèle de règles sur la façon de gérer des types d’échantillons dans des tests particuliers pour une application donnée.
L’ajout de l’intelligence artificielle (IA) à votre processus d’examen/approbation élimine votre besoin de définir des règles. En l'alimentant des données historiques de tous les clients, un LIMS intelligent apprend les règles par lui-même, ce qui permet à votre équipe de se concentrer sur d’autres tâches.
2. Test par saut de lot optimisé par l'IA
Le test par fréquence, périodique, ou par saut de lot est une technique d'échantillonnage qui vous permet d'économiser du temps et de l'argent en réduisant le nombre de tests effectués sur certains échantillons. Il est couramment utilisé lorsqu’il existe un historique établi de qualité des produits, par exemple, des articles provenant d’un fournisseur de confiance.
La technique intègre des tests rigoureux des nouveaux produits, ainsi que des produits de nouveaux fournisseurs. Cela permet également d’améliorer les tests futurs si un lot ne répond pas aux critères.
Cependant, les tests par saut de lot sont également basés sur des règles ! Les règles, principalement des limites de plage de spécification, doivent être développées manuellement et créées dans le système.
L'ajout d'une intelligence artificielle (IA) à votre test par saut de lot du processus supprime la nécessité de mettre en place ces règles. En l'alimentant de données historiques (dont celles provenant d’autres organisations), une plateforme d’analyse pilotée par l’IA développe les règles par elle-même, ce qui évite à votre équipe d’avoir à élaborer manuellement des paramètres et des règles.
Avec les bonnes données en main (pensez au « nombre d’échecs » ou aux « marchandises endommagées à l’arrivée »), un LIMS intelligent peut prédire si les lots entrants échoueront à leur test avant l’exécution du test en recherchant des modèles dans les données historiques.
3. Automatisation de l’IA pour la maintenance prédictive
Pour de nombreuses organisations, la valeur de la capacitré à prévoir les besoins de maintenance plutôt que de répondre aux pannes d’équipement est énorme.
Si vous pouvez prévoir les défaillances de votre instrument, vous pouvez également prendre des mesures pour les contrer ou les atténuer. Dans certains cas, la réponse appropriée peut être d’accélérer les calendriers de maintenance pour éviter les pannes d’instruments. Dans d’autres cas, il s’agit d’un système d’alerte précoce pour le remplacement futur de l’équipement.
Autrefois (il y a environ 2 ans), ce phénomène n'aurait peut-être pas eu l'impact potentiel qu'il a aujourd'hui, les chaînes d'approvisionnement étalant les livraisons de certains équipements sur plusieurs mois. Ajoutez à cela la nécessité de rechercher le bon instrument avant l’achat, et vous pouvez vous retrouver avec un retard important. Il est de loin préférable de savoir à l'avance qu'un problème va se poser, plutôt que de subir le choc (et d'éventuelles interruptions prolongées) d'un problème qui surviendrait sans aucune préparation.
4. Prédire la consommation de consommables
Au cours des deux dernières années, les consommables, ou plutôt l’incapacité des chaînes d’approvisionnement à les approvisionner de manière fiable, sont devenus un thème dominant dans pratiquement tous les secteurs de l’industrie. La précision de l’approvisionnement est devenue une priorité absolue pour les laboratoires et les organisations qui s’inquiètent des interruptions de service ou de production.
La plupart des systèmes LIMS modernes peuvent vous alerter lorsque vous devez réapprovisionner votre laboratoire.
Mais comme pour les autres améliorations non pilotées par l'IA, il s'agit d'un mécanisme d'alerte basé sur des règles définies par l'utilisateur qui est « derrière l'effet »... il regarde en arrière et vous informe lorsqu'il atteint un certain seuil défini. Si votre seuil est inférieur à X, par exemple, il génère un message. Lorsque le seuil est inférieur à Y, il informe le service des achats et fait correspondre le produit.
Mais la plupart des laboratoires disposent déjà de données (remontant souvent à de nombreuses années) qui peuvent servir de base à une plateforme d’IA pour élaborer les règles, en fonction de l’utilisation réelle .
Cependant, un système LIMS amélioré par l’IA va encore plus loin. Supposons par exemple que vous ayez besoin de 100% de sel pur pour une recette de gâteau, mais qu'il n'y en ait pas. Vous avez cependant du sel 90%, ce qui convient également à votre gâteau. Mais la recette demande 100% de sel, c’est ainsi que cela a toujours été fait, donc personne ne savait que quelque chose d’autre pourrait fonctionner. Dans ce cas, les données peuvent vous orienter vers cet ingrédient alternatif au lieu d’attendre que les problèmes de chaîne d’approvisionnement soient résolus afin de vous procurer la version à 100 %.
De nouvelles utilisations de l’IA en laboratoire continuent d’émerger, alimentant la transformation de l’IA d’une technologie expérimentale en un élément central des opérations de laboratoire.
Quelle serait votre application rêvée pour l’IA en laboratoire ? Quelles tâches souhaitez-vous décharger et automatiser ? Faites-le nous savoir sur LinkedIn !
