AI en de impact op laboratoria en LIMS-oplossingen

Darren Mahoney, drijvende kracht achter LabWare’s Analytics Product Development, is trendwachter en trendsetter. Hij schetst een toekomstbeeld, waarin AI en data-analyse laboratoriumprocessen op hun kop gaan zetten en wetenschappelijke processen een boost krijgen. Met AI kunnen onderzoekers zich richten op wat écht belangrijk is, en worden routineklussen uit handen genomen. Tien vragen aan Mahoney over de impact van AI en ML op de laboratoriumwereld en de consequenties voor de LIMS-oplossingen van de toekomst.

AI transformeert in hoog tempo verschillende sectoren. Hoe verwacht je dat AI laboratoria in het algemeen en LIMS-oplossingen in het bijzonder zal beïnvloeden?

Bij LabWare zien we dat AI/ML laboratoria op talloze manieren transformeert. Het eerste medicijn, ontdekt met behulp van Generatieve AI, is ondertussen al voorgelegd aan de FDA. Als we het over LIMS-oplossingen hebben, geeft AI de gebruiker extra functionaliteiten en mogelijkheden om knelpunten in het lab op te lossen. Dat betekent meer automatisering, zodat er minder tijd verspild wordt aan handmatige gegevensverwerking. Je krijgt meer tijd voor de verbetering van je processen.

AI gaat labgebruikers tijd en organisaties geld besparen. AI gaat automatisering naar een hoger plan tillen. Daardoor komt er meer tijd voor inhoudelijk werk en gaat er minder verloren aan eentonige klusjes. Bovendien draagt AI bij aan nieuwe ontdekkingen, dat maakt het werk interessanter.

Is de laboratoriumsector klaar om AI en ML te omarmen? En is er nog een lange weg te gaan?

De sector is 100% klaar om AI & ML te omarmen; het komt in bijna elk strategisch gesprek met onze klanten en collega’s ter sprake. De early adopters ontwikkelen en maken de voordelen ervan mee. We zitten nu op een kantelpunt waar de meerderheid overstapt van ‘dat willen we’ naar ‘dat gaan we doen’. We merken dat wetenschappers op zoek zijn naar manieren om zich meer op hun wetenschappelijke werk te kunnen concentreren, dat verklaart de grote interesse voor AI.

De omarming van AI zien we in meerdere sectoren: denk aan contractlabs, de voedings- en drankenindustrie en farmaceutische en biofarmaceutische laboratoria. Er zijn al veel toepassingen, denk aan het voorspellen van waterkwaliteit en eindproductresultaat, maar ook het automatiseren van audits in de farmaceutische sector.

Wanneer we het hebben over machine learning (ML) in laboratoriumomgevingen, bedoelen we dan primair machine learning (datagestuurde modellen) of instrument learning (optimalisatie van apparaten)? Hoe maakt LabWare onderscheid tussen deze twee?

Voor LabWare zijn beide belangrijk, maar als softwarebedrijf richten we ons primair op machine learning. Dit wordt toegepast op de gegevens die onze klanten genereren binnen onze systemen en hun labs. Binnen de sector is veel energie gestoken in het vastleggen van instrumentgegevens en deze te integreren in onze systemen. Gebruikers halen hier echt veel voordeel uit: ze kunnen deze gegevens gebruiken om het laboratoriumproces te optimaliseren.

Er zijn verschillende benaderingen van AI; sommige zijn taalgestuurd (zoals NLP-gedreven systemen), terwijl andere meer industrieel zijn. Welke vorm van AI implementeert LabWare primair in haar LIMS-oplossingen?

Onze initiële focus ligt duidelijk op automatisering en voorspellende analyses. Herhaalbare, betrouwbare en goed uit te leggen oplossingen zijn een absolute must. De opkomende AI-technologieën zijn boeiend voor iedereen binnen de tech-community. Met de eindgebruikers leren we van AI en ontwikkelen we samen Generatieve AI.

Er zit veel potentie in deze technologieën, maar dit moet nog verzilverd en tastbaar worden. Wat onze klanten verwachten is een concrete ROI [terugverdientijd, red.] en herhaalbare oplossingen. Dit is vanuit de techniek gedreven, we focussen daarom voornamelijk op industrieel georiënteerde AI/ML.

Wat zijn de belangrijkste vereisten voor een succesvolle implementatie van AI in een labomgeving? Welke factoren moeten aanwezig zijn voor een effectief AI-gedreven LIMS?

Bij LabWare starten we altijd vanuit de echte problemen en uitdagingen waarmee onze klanten worden geconfronteerd. Daardoor richt iedereen zich op het gezamenlijk oplossen van een probleem, in plaats van zich te veel te richten op één specifieke technologie of techniek.

Welke infrastructuur- en datamanagement functionaliteiten zijn nodig om AI in LIMS-oplossingen te integreren?

De infrastructuur en functionaliteiten die je qua gegevensbeheer nodig hebt, hangen af van hoe complex een organisatie de AI- en ML-oplossingen wil implementeren. Veel ML-projecten zijn goed te implementeren met minimale upgrades aan de infrastructuur. Klanten die geïnteresseerd zijn in neurale netwerken en generatieve AI-oplossingen hebben wellicht geavanceerdere hardware nodig.

Welke vaardigheden en training hebben laboratoriummedewerkers, naast technologie, nodig om effectief te werken met AI-geoptimaliseerde LIMS?

Laboratoriumworkflows moeten naadloos werken voor laboratoriumpersoneel. Wat de technologie op de achtergrond ook is, AI/ML moet geïntegreerd in het systeem efficiencyvoordeel opleveren voor je laboratoriummedewerkers. De gebruikerservaring is doorslaggevend om vertrouwen op te bouwen in AI-modellen. Laboratoriumtechnici hoeven AI niet te doorgronden, zolang ze maar begrijpen en vertrouwen hoe het hun dagelijkse taken ondersteunt.

Hoe zorgt LabWare ervoor dat AI-gedreven inzichten toegankelijk en nuttig zijn voor laboratoriummedewerkers? Welke strategieën worden gebruikt om AI-functionaliteiten om te zetten in praktische laboratoriumverbeteringen?

Dit is eigenlijk precies wat ons team bij LabWare al jaren doet. Natuurlijk zijn er situaties waarin AI en machine learning inzichten opleveren die niet voor de hand liggen. Daarom steken we veel energie in de uitlegbaarheid van onze oplossingen – dat is echt belangrijk voor gebruikers. Zeker als een AI-inzicht niet direct duidelijk wordt met de gebruikelijke tools. Doordat we altijd de gebruiker en het probleem centraal stellen, kunnen we deze technologieën echt omzetten in praktische verbeteringen voor het lab.

Dit begint allemaal met regelmatige projectscoping en een goed gedefinieerde, duidelijk te begrijpen doelstelling. AI is hierin niet anders. De bekendheid met AI varieert sterk onder mensen. Naarmate het onderwerp is verschoven van de academische wereld naar alledaagse praktijk, is de bewustwording toegenomen. Met meer kennis en een open dialoog kunnen we beter met die verwachtingen omgaan. Voor sommigen blijft het echter voelen als ‘tovenarij’.

Om AI en ML in laboratoria uit te leggen en een gemeenschappelijke taal te creëren, houden we sinds een paar jaar op onze klantconferenties meerdere ‘Tech Talks’. Dit soort sessies helpt om de ‘buzz’ om te zetten in echte resultaten. We zeggen niet voor niets: Results Count.

Hoe transformeert LabWare’s AI-gestuurde datavisualisatie ruwe gegevens in bruikbare inzichten voor laboratoriumpersoneel?

Het draait hier niet om de AI zelf, maar vooral om de mensen bij LabWare: hoe goed werken en luisteren ze? Hoe beter wij begrijpen wat labmedewerkers nodig hebben, hoe beter we de juiste visualisatie bieden. Hier gaat het om: de juiste data, de juiste visualisatie op het juiste moment. Daar bouwen we vervolgens machine learning-tools omheen.

Let wel: dit is vaak een stapsgewijs proces. Het kost tijd en bijsturing om het echt goed te laten werken. Onze klanten profiteren daarnaast van de bredere ontwikkelingen in het ecosysteem.

Hoe hebben LabWare’s AI-gestuurde oplossingen laboratoria geholpen om verbeterpunten te identificeren en operationele kosten te verlagen?

Onze klanten profiteren concreet van data-analyse en machine learning binnen LabWare, zonder datamigratie. Dit bespaart tijd en moeite, geeft minder fouten en is goedkoper. Onze producten ‘Data Science Engine’ en ‘Lab Intelligence’ bieden bijvoorbeeld geautomatiseerde inzichten en trendanalyses. Dit zorgt voor efficiëntere processen.