La Inteligencia Artificial está llegando a su laboratorio. ¿Está listo?
La mayoría de las industrias se han vuelto expertas, si no completamente eficientes, en la recopilación de datos. Los instrumentos y equipos modernos suelen permitir alguna forma de exportación y captura de datos. Hoy en día, los sistemas suelen ser mucho más sofisticados (e integrados) que solo permitir la simple captura de datos.
Las herramientas de laboratorio pueden generar y recopilar cantidades masivas de datos. Si bien ningún sistema es perfecto, hemos llegado a un punto en el que la recopilación de datos no es el cuello de botella.
El análisis y la extrapolación de datos lo son.
Todos los datos que somos capaces de recopilar son la clave para una toma de decisiones informada. Pero, ¿cómo se hace uso de ellos y cuáles son algunos ejemplos de cómo el análisis de datos puede mejorar las operaciones del laboratorio?
Adopción del análisis de datos de IA
En la última década se produjo una amplia adopción del análisis de datos entre las empresas que estuvieron recopilando datos cuidadosamente, a la espera de su uso. El análisis se emplea comúnmente, pero solo ofrece un enfoque "descriptivo" retroactivo basado en KPI.
El análisis impulsado por la IA transforma este análisis descriptivo en análisis predictivo y prescriptivo. ¿Cuál es la diferencia entre los tipos de análisis? En pocas palabras es el siguiente:
- En el análisis descriptivo se analiza lo sucedido.
- En el análisis predictivo se pronostica lo que podría suceder
- En el análisis prescriptivo se aconseja lo que debe hacer.
El concepto detrás de la IA es reemplazar un conjunto definido de reglas con la capacidad de aprender y crear las reglas más lógicas por sí misma. Con LabVantage Analytics, por ejemplo, a las actividades rutinarias las puede llevar a cabo la inteligencia artificial, lo que hace que su sistema sea más eficiente y eficaz.
Acceso y aplicación de datos
Entonces, ¿cómo pueden las empresas aprovechar la gran cantidad de datos e información que han recopilado en varios sistemas de gestión de laboratorios y qué uso pueden darle a estos datos?
En una publicación anterior, discutimos algunos de los casos de uso que vemos con el análisis predictivo y prescriptivo en varias industrias. Un ejemplo específico del sector manufacturero fue la realización de análisis relacionados con la calidad, combinando datos de laboratorio con datos del proceso de producción para identificar los factores de mala calidad y recomendar estrategias de intervención en tiempo real para reducir su costo.
En nuestras conversaciones con laboratorios de todo el mundo sobre cómo aprovechan y cómo quieren aprovechar el análisis, hemos respondido preguntas sobre tareas específicas, entre las que se incluyen:
- aprobación por excepción;
- pruebas de omisión de lotes;
- predicción de errores por lotes;
- consumo de consumibles.
Si administra un laboratorio, las cuatro mejoras en el flujo de trabajo impulsadas por la IA (a continuación) podrían inspirarlo a realizar la actualización.
El denominador común: no hay reglas
Todas estas situaciones, y la mayoría de los demás usos de la IA dentro de un laboratorio, dependen de la capacidad de la IA para determinar y establecer sus propias reglas basadas en los mejores datos disponibles (y de la fuente más amplia). Esto no solo le ahorra tiempo a los laboratorios, sino que también mejora los resultados a través de la toma de decisiones basada en datos.
1. Aprobación por excepción con IA
Es una práctica estándar en los laboratorios de control de calidad que todos los resultados se revisen y aprueben antes de ponerlos a disposición del consumidor de información. Eliminar la necesidad de revisar todos los resultados puede conducir a una enorme eficiencia, mejorando y aumentando las capacidades de un laboratorio.
En un LIMS, esta tarea se realiza de forma totalmente manual o (en iteraciones más recientes de LIMS) "por excepción", lo que significa que solo se revisan manualmente los resultados de las pruebas a los que se les asigna un estado de "Advertencia" o "Error".
Sin embargo, la revisión "por excepción" requiere el desarrollo de una plantilla de reglas sobre cómo manejar los tipos de muestras en pruebas particulares para una aplicación determinada.
La incorporación de la inteligencia artificial (IA) a su proceso de revisión y aprobación elimina la necesidad de establecer reglas. Al introducir datos históricos de todos los clientes, un LIMS inteligente aprende las reglas por sí mismo, lo que permite a su equipo centrarse en otras tareas.
2. Pruebas de omisión de lotes impulsadas por la IA
Las pruebas de frecuencia, periódicas o de omisión de lotes son una técnica de muestreo que le ahorra tiempo y dinero al reducir el número de pruebas realizadas en algunas muestras. Se usa comúnmente cuando existe un historial establecido de calidad del producto; por ejemplo, artículos de un proveedor confiable.
La técnica incorpora pruebas rigurosas de nuevos productos, así como de productos de nuevos proveedores. También impulsa las futuras pruebas si un lote no cumple con las especificaciones.
Sin embargo, las pruebas de omisión de lotes también se basan en reglas. Las reglas, en su mayoría límites de rango de especificación, deben desarrollarse y crearse manualmente en el sistema.
Al agregar inteligencia artificial (IA) a sus pruebas de omisión de lotes, el proceso elimina la necesidad de configurar esas reglas. Al introducir datos históricos (incluso de otras organizaciones), una plataforma de análisis impulsada por IA desarrolla las reglas por sí misma, lo que libera a su equipo de la necesidad de crear manualmente parámetros y reglas.
Con los datos correctos en la mano (piense en "cantidad de fallas" o "mercancías dañadas a su llegada"), un LIMS inteligente puede predecir si los lotes entrantes no pasarán la prueba antes de su ejecución mediante la búsqueda de patrones en los datos históricos.
3. Automatización de la IA para el mantenimiento predictivo
Para muchas organizaciones, el valor de poder predecir las necesidades de mantenimiento en lugar de responder a las fallas de los equipos es enorme.
Si puede predecir cuándo fallará su instrumento, también puede tomar medidas para contrarrestarlo o mitigarlo. En algunos casos, la respuesta adecuada podría ser acelerar los programas de mantenimiento para evitar fallas en los instrumentos. En otros casos, se trata de un sistema de alerta temprana para la futura sustitución de equipos.
Hubo un tiempo (hace unos 2 años) en que esto no tenía el impacto potencial que tiene ahora, con cadenas de suministro que alargaban las entregas de algunos equipos durante meses. Si a esto le añadimos la necesidad de investigar el instrumento adecuado antes de comprarlo, esto puede suponer un retraso significativo. Es mucho mejor tener un aviso de que surgirá un problema, en lugar de la conmoción (y las posibles interrupciones prolongadas) de que ocurra sin ningún tipo de preparación.
4. Predicción del consumo de consumibles
Los consumibles, o mejor dicho, la incapacidad de las cadenas de suministro para suministrarlos de manera confiable, se han convertido en un tema dominante en prácticamente todos los sectores industriales en los últimos dos años. Marcar la precisión de las adquisiciones se ha convertido en una prioridad absoluta entre los laboratorios y las organizaciones preocupadas por las interrupciones del servicio o la fabricación.
La mayoría de los LIMS modernos pueden avisarle cuando necesite reabastecer su laboratorio.
Pero al igual que con las otras mejoras no impulsadas por IA, se trata de un mecanismo de alerta basado en reglas definidas por el usuario que está "detrás del efecto". Mira hacia atrás y le informa cuando alcanza un cierto umbral definido. Si el umbral está por debajo de X, por ejemplo, genera un mensaje. Cuando el umbral cae por debajo de Y, notifica la compra y empareja el producto.
Pero la mayoría de los laboratorios ya tienen datos (que a menudo se remontan a muchos años atrás) que pueden informar a una plataforma de IA para desarrollar las reglas, en función del uso real.
Sin embargo, un LIMS mejorado por IA lleva esto un paso más allá. Por ejemplo, supongamos que necesita un 100 % de sal pura para una receta de pastel, pero no hay ninguna disponible. De todas maneras, tiene un 90 % de sal, que también es adecuada para su pastel. Pero la receta requiere un 100 % de sal, así es como siempre se ha hecho, por lo que nadie sabía que algo más podría funcionar. En este caso, los datos pueden indicarle este ingrediente alternativo en lugar de esperar a que se resuelvan los problemas de la cadena de suministro para obtener la versión del 100 %.
Siguen surgiendo nuevos usos de la IA en el laboratorio, lo que impulsa la transformación de la IA de una tecnología experimental a un elemento central en las operaciones del laboratorio.
¿Cuál sería la aplicación soñada para la IA en el laboratorio? ¿Qué tareas desea descargar y automatizar? ¡Cuéntenos en LinkedIn!
