Kunstmatige intelligentie staat hoog op de agenda van labmanagers, maar de meeste organisaties zitten nog in de fase van experimenteren met kleine pilots. Zonder FAIR-data – vindbaar, toegankelijk, interoperabel en herbruikbaar – blijft de waarde van AI beperkt. Hendrik Attema en Rajiv Luthra van Wega Informatik leggen uit wat er nodig is om AI te laten renderen in het lab: van datakwaliteit en harmonisatie tot AI-agents, voorspellend onderhoud en de validatie van modellen.
AI krijgt momenteel veel aandacht, ook in de labwereld. “Het hoger management vindt dat er iets mee gedaan moet worden en dan worden wij er vaak bij geroepen.” Aan het woord is Hendrik Attema. Hij werkt als senior consultant en business developer voor het Zwitserse Wega Informatik en is betrokken bij de jonge Nederlandse vestiging. De onafhankelijke dienstverlener voor digitalisering, datastrategie en AI in life science, farma, gezondheidszorg en chemie legt zich toe op selectie, configuratie en implementatie van IT-oplossingen zoals LIMS die het lab efficiënter maken. “Meestal zit de inzet van AI nog in de fase van experimenteren en uitvoeren van kleine pilots”, zegt collega Rajiv Luthra, senior consultant en projectmanager op het hoofdkantoor in Basel.
Vindbaar, toegankelijk, interoperabel en herbruikbaar
Met AI gaan werken is voor veel organisaties geen appeltje-eitje, omdat ze hun data nog niet op orde hebben. Ze moeten namelijk eerst aan het FAIR-principe voldoen: findable, accessible, interoperable, reusable. Oftewel, data moeten vindbaar, toegankelijk, interoperabel (uitwisselbaar tussen verschillende systemen) en herbruikbaar (voor toekomstige toepassingen) zijn. Dat is nog lang niet altijd het geval, aldus Luthra. “Datasystemen zijn gefragmenteerd en op organisatieniveau niet consistent. Er wordt nog heel veel met Excel-lijsten gewerkt en de metadata, nodig voor het kunnen vinden van data, zijn vaak inconsistent. Die problemen waren al bekend, maar nu met AI komen ze in het volle licht te staan. Dat geeft momentum om ze ook echt aan te pakken en dat is nodig als je met AI-modellen aan de slag wilt in de bredere context van je organisatie. Zonder deze basis blijft de waarde van AI beperkt.”
Een LIMS komt het best tot zijn recht wanneer de onderliggende data op orde zijn. Daarom is het belangrijk om eerst te investeren in datakwaliteit, harmonisatie en masterdatamanagement, waarschuwt Attema. “Wanneer afdelingen zoals R&D, QC en QA niet met elkaar praten, of van mening verschillen over de data-inrichting, ontstaat fragmentatie. Dan loop je het risico dat ook een LIMS die fragmentatie overneemt.” Luthra: “Eerst moeten alle afdelingen op één lijn zitten over definitie en eigenaarschap van de data en het datamanagement in een geïntegreerd lab-ecosysteem.”
Rajiv Luthra | foto:wega
Data in context
Bij data draait het altijd om de context, verklaart Attema. “Wat betekent bijvoorbeeld een waarde van 7,4? Is het een pH-waarde? Zo ja, uit welke test, op welk sample, uit welke batch, uit welke fabriek? Als dat duidelijk is, zegt één waarde vaak nog niets, want je wilt vergelijken en trends ontdekken. Dan pas heb je het globale perspectief op die data.”
Dit voorbeeld betekent trouwens niet dat data per se gestructureerd moeten zijn; getallen die netjes in een tabel of lijst staan, vult Luthra aan. “AI kan namelijk ook omgaan met ongestructureerde informatie, zoals tekstnotities, zolang het die maar kan vinden en weet waar ze over gaan.”
Voor de eis van interoperabiliteit maakt AI het leven ook makkelijker. Datasets uit verschillende instrumenten en softwaresystemen hebben vaak een verschillend format, zegt Luthra. “Er was nog veel handwerk nodig om ze op één lijn te brengen. AI neemt dat werk nu over en kan steeds beter omgaan met verschillen tussen datasets.” Maar interoperabiliteit blijft belangrijk, vult Attema aan. “Een LIMS moet wel kunnen communiceren met een ERP-systeem. Er moet een ‘single source of truth’ zijn, waarin van elke waarde duidelijk is wat precies wordt bedoeld. Elke verandering in het LIMS moet meteen leiden tot een update van het ERP.”
Al met al komt er het nodige kijken bij het realiseren van FAIR-data. Niet voor niets hoorde Attema het eens omschrijven als ‘Future AI Readiness’.
Hendrik Attema:
“Wil je met AI aan de slag, zorg dan eerst voor goed geharmoniseerde data als fundament, zodat een LIMS optimaal tot zijn recht komt” | foto:wega
AI is bekend van de datascience-toepassingen: data analyseren, trends ontdekken en uitschieters signaleren. Dit is in een stroomversnelling gekomen dankzij slimmere algoritmes en exponentieel stijgende rekenkracht. Die hebben nu ook gezorgd voor de doorbraak van grote taalmodellen en generatieve AI, waarmee teksten en beelden kunnen worden geproduceerd.
Deze AI-technologieën liggen ten grondslag aan AI-agents voor uiteenlopende toepassingen. Attema kent al diverse praktijkvoorbeelden. “Zoals handgeschreven veldnotities verwerken om ze in het LIMS op te nemen, of een overzicht maken van de audits voor samples en resultaten uit een specifieke batch. Je hebt daarvoor geen complexe rapportgenerator of SQL-specialist meer nodig. Ook zijn er al AI-agents die recepten vinden voor een product waarvoor je alleen de specificaties hoeft op te geven; of een handleiding van 500 pagina’s doorspitten om antwoord te geven op al je LIMS-vragen.”
“AI helpt om workflows voor het vervelende, administratieve werk te automatiseren”
Rajiv Luthra, Wega Informatik
Dashboard voor voorspellend onderhoud
Luthra ziet ook al heel andere toepassingen. “Als je verschillende datasystemen wilt integreren, moet je duizenden regels code schrijven. Dat kun je AI nu laten overnemen. Je definieert alleen de begin- en eindtoestand en laat vervolgens AI de integratiecode schrijven.” Het kan ook helpen om meer grip te krijgen op de complete labsoftware, door het beheer van de technische softwarelagen over te nemen, zodat gebruikers zich kunnen concentreren op de analytische en wetenschappelijke lagen. “AI kan je bijvoorbeeld helpen om een dashboard te produceren dat de relevante informatie weergeeft. Dat kan het leven van analytici en wetenschappers makkelijker en productiever maken.”
Of neem het voorspellend onderhoud van instrumentatie. “Het kostte veel werk om daar een overzicht van te maken dat gebruikmaakte van goed gedefinieerde data over de conditie van instrumenten. Met AI kun je veel sneller zo’n dashboard creëren en daarvoor ook ongestructureerde data gebruiken, om te voorspellen wanneer een instrument moet worden gekalibreerd of geservicet.”
AI-agents valideren
Grote uitdaging is het valideren van AI-agents: aantonen dat hun resultaten betrouwbaar en traceerbaar zijn en de uitkomst bij herhaling weer hetzelfde is, oftewel dat ze deterministisch zijn. Attema: “In onze projecten zien we dat, zeker in sterk gereguleerde omgevingen, dit heel belangrijk is voor de accreditatie. Voor alleen verwerking en presentatie van data is validatie relatief eenvoudig aan te tonen, maar als de AI echt intelligent wordt en conclusies gaat trekken, dan wordt het lastiger.”
Op dat vlak is AI nog niet rijp voor validatie, vult Luthra aan. “Dan moet je altijd nog een mens in de loop houden. Je moet AI-systemen zo deterministisch mogelijk maken, maar ze zullen voor een deel non-deterministisch blijven. AI kan 80% van het werk gevalideerd uitvoeren, maar voor de laatste 20% is toch een mens nodig: is dit compleet, kunnen we dit helemaal vertrouwen? Ik denk niet dat we op het punt komen dat we 100% kunnen automatiseren.” De regulerende instanties, zoals de Amerikaanse FDA en de Europese toezichthouders, waren ook nog niet klaar voor het certificeren van AI-systemen, maar Luthra ziet verandering. “Ze kunnen er niet meer omheen. Voor de Europese AI Act was het eerste concept duidelijk geschreven door mensen die er geen verstand van hadden, maar die is inmiddels verbeterd.”
“Voor de laatste 20 procent is toch een mens nodig”
Tot slot gevraagd naar de toegevoegde waarde voor een labmanager, zegt Luthra: “AI helpt om workflows voor het vervelende, administratieve werk te automatiseren. Er komen multi-agent AI-systemen die fungeren als een soort interface tussen de mens en alle informatiesystemen. Maar AI kan ook helpen na te denken over procesoptimalisatie. Als je daar ideeën over hebt, kun je AI vragen om een eerste beoordeling of suggesties voor nieuwe tools en instrumenten. Traditioneel zou je leveranciers moeten vragen naar hun aanbod en dat moeten proberen te begrijpen. Die informatie kan AI nu ook evalueren.”
Attema besluit: “Voor wetenschappers in het lab is dat al interessant en voor contractresearch-labs nog veel meer, want daar draait alles om doorlooptijden en productiviteit. AI is geen doel op zich, maar een tool voor het verbeteren van businessprocessen. Of je nu analyseresultaten aan de klant wilt leveren of je wetenschappelijke bevindingen wilt publiceren, uiteindelijk helpt AI organisaties om hun time-to-market significant te verkorten en efficiënter te opereren.”
AI in je lab - dit moet je weten
AI negeren is je bestaansrecht riskeren. Laboratoria die inzetten op AI hebben de toekomst. Dat was de conclusie van de door LABinsights gehouden paneldiscussie over de rol van kunstmatige intelligentie in de laboratoria. De hoogtepunten van dit rondetafelgesprek.
