“Impact van AI wordt in de labwereld waanzinnig onderschat”

De unanieme conclusie van onze redactiecommissie was dat de kansen van AI worden onderschat. Wie AI op de juiste manier inzet voor bijvoorbeeld de data-interpretatie of workflow management, kan als lab stappen zetten. Je maakt mensen vrij voor belangrijkere, interessantere zaken in plaats van routine en je processen worden flexibeler en gaan beter lopen. En niet onbelangrijk: je gaat veel meer sturen op data, zonder diepgaande studies of gegraaf in archieven.

Aan de discussietafel:

• Taco van der Maten (marktontwikkelaar Malvern Palytical)
• Ineke Joosten (sr. onderzoeker Rijksdienst voor het Cultureel Erfgoed)
• Jules Hoenderop (consultant Roche Diagnostics)
• Bas van Driel (marketing & sales director Lavetan (GBA Benelux)).

AI is here to stay?

Dat blijkt al direct bij aanvang van de discussie. AI in het lab is geen toekomstmuziek meer. Het zit meer en meer in labapplicaties verweven. Labs werken al met apparatuur die steeds vaker (deels) AI gestuurd is. Taco trapt af, vanuit zijn ervaringen bij Malvern Panalytical die met AI Dynamische Lichtverstrooingsapparatuur, röntgenfluoriscentie en -diffractie-apparatuur slimmer en gebruiksvriendelijker maakt: “Veel bedrijven en researchers zijn volop bezig met de inzet van large language learning models – de zogenaamde agents of bots – die we meer en meer inzetten voor de interactie met de gebruiker voor bijvoorbeeld de interpretatie van spectra.”

Hoe werkt dat in de praktijk?

“Weet dat LLM’s niet goed kunnen rekenen”, vervolgt Taco. “Zij zijn wel goed in het vertalen van jouw vraag naar een rekenmachine. Wij begrijpen onze spectra heel goed. Zo kan de gebruiker met onze eigen software uitstekend laten kwantificeren wat er te zien is in samples van materialen. Die feedback gaat terug naar het LLM om de interactie tussen het apparaat en de gebruiker te regelen. Ik verwacht dat je steeds meer van dit soort koppelingen gaat zien van LLM’s aan andere modellen. Die gaan vervolgens de gebruiker weer antwoorden in begrijpelijke taal.”

AI maakt apparatuur slimmer en handiger?

“Ja, voor een ervaren gebruiker wordt het werken met een applicatie makkelijker. Voor een onervaren gebruiker geldt dat je veel dingen niet meer hoeft te leren. Want je kunt gewoon een sample erin stoppen. En daar wordt altijd een gehalte aangehangen. Dan krijg je stap voor stap adviezen, zoals ‘doe een extra meting met een ander sample’. En zo kom je tot het juiste spectrum.”

AI vult hier de hiaten in kennis en ervaring aan. Bas: “Vroeger moest je alles zelf bedenken. Nu zie je dat AI de routine overneemt en analisten de ruimte geeft om zich te focussen op interpretatie en strategie.” Taco: “Juist, nu zit dat in je interface. Over de data heen eigenlijk.”

En als AI gedreven software gaat hallucineren?

“Dat kan absoluut, en is te ondervangen met veel checks and balances”, stelt Taco. “Ik denk dat applicatieontwikkelingen met AI, net als het schrijven van teksten met AI, veel sneller kunnen in het lab. Je kunt gewoon heel concrete vragen stellen. Hoe ga ik het ijzergehalte in mijn bril meten? Nou, dat is een best complexe vraag. Wil je de glaselementen van je montuur meenemen? Ga ik het malen of niet? Als je veel ervaring hebt, zit die context al je hoofd, maar weet dat die ook steeds meer in de modellen komt. Je typt dan de vraag in je browser in, en je getrainde AI-tool gooit het antwoord eruit. Straks…”

Wie is eigenaar van zo’n AI-tool?

Bas ziet op dit punt wel beren op de weg: “Neem een automatische kolonieteller. Je kunt hem zo trainen dat die kolonies automatisch gaat herkennen. Maar wie is dan eigenaar van die data?” Taco: “Dat ben je zelf.” Bas: “Ja, daar moet je dus wel een goede afspraak over maken. En dat voor jezelf houden kan ook ontwikkelingen tegenhouden.”

Bas ziet hier een dilemma als dit in alle openheid gebeurt. “Stel, ik ga er heel veel tijd in steken om een toestel te trainen. En als de leverancier het dan vervolgens in de markt gaat zetten, profiteert iedereen van mijn inspanningen. Aan de ene kant is dat positief, want je deelt kennis met de gemeenschap.” Taco: “Je kunt het ook licenseren, dan levert het je op.”

Ineke: “Wie traint dat model dan? De maatschappij of de klant? Bas: “Jijzelf als lab. Je hebt nu een handmatige methode, en die train je zoals een analist kijkt naar een voedingsbodem. Je vergelijkt, past aan, en optimaliseert.” Ineke: “Doe je dat in een open of gesloten omgeving. Je traint hem in je eigen domein, lijkt me, niet openbaar op internet.” Bas: “Je traint een algoritme. Daar moet je afspraken over maken.”

Privacy is dus ‘een dingetje’?

Bas: “Soms worden projecten zelfs on hold gezet als er geen sluitende garanties zijn dat data privé blijven. Dat illustreert hoe belangrijk goede afspraken zijn! Jules: “Ja, die voorwaarden zijn gewoon essentieel. Hoe je met data omgaat. Dat is gewoon de discussie, altijd. Daar moet en mag geen discussie over zijn.”

Maar dat is zeker geen reden om AI links te laten liggen: “Ik denk uiteindelijk dat laboratoria die hun digitale transformatiestrategie onvoldoende scherp hebben, de boot gaan missen.” Waarom? “Laat ik het nog scherper formuleren. Degene die dit onderschatten, zwaar onderschatten, verliezen op termijn hun concurrentievoordeel.”

Wat zijn quick wins van AI voor laboratoria?

Bas ziet kansen op het gebied van de dienstverlening: “In veel organisaties is de kennis wel aanwezig, maar niet altijd direct toegankelijk. Met AI kun je sneller de juiste informatie boven tafel krijgen, zodat klanten direct geholpen worden. Dat is eigenlijk een redelijk simpele toepassing. Via AI kan iedere Customer Service medewerker dat intikken of desnoods de klant zelf. En die krijgt gelijk een antwoord. Je wilt niet weten hoeveel tijd er verloren gaat met zoeken naar het juiste antwoord, de context, enzovoort. Dus daar kun je heel veel winst behalen.”

En intern? Jules: “Los van elke keer diezelfde vraag sneller beantwoorden, kan er zo veel sneller en continu ingespeeld worden op de klantbehoeften, continu. Overal in de organisatie – bedenk dat er overal capaciteitsgebrek is – dankzij AI kun je met minder mensen veel meer doen.

Kan AI het onderhoud faciliteren?

Taco: “AI is handig voor voorspellend onderhoud. We zitten met onze XRD’s veel in de zware industrie. Stel er is een uitval van een apparaat van ons voor de kwaliteitscontrole van een product dat een miljoen per dag kan kosten. We kunnen inmiddels voorspellen wanneer die apparaten gaan uitvallen en regelen daarom ook al de reserveonderdelen. Dat is helemaal handig als in hartje Afrika is.”

Jules beaamt dat dit ook in medische laboratoria uitkomst kan bieden: “Dat is ook waar wij op inzetten. Aan de hand van voorspelling regelen welke kritische onderdelen je op tijd in huis krijgt, zodat je die op voorhand kan vervangen, om stilstand te voorkomen.”

Kun je met AI in de toekomst kijken?

Bas denkt diep na. “Het zou je als lab kunnen helpen voorbereid te zijn op een piek in labaanvragen, bijvoorbeeld bij een uitbraak. Als een bepaalde ziekte in Zuid-Europa een probleem is, en dit hoogstwaarschijnlijk in Noord-Europa gaat komen, is het wel zo fijn als je als lab voorbereid bent. Natuurlijk ook afhankelijk van je kwalificaties en de regelgeving, vergroot je zo de kans om dat onderzoek te mogen doen.”

En fraude sneller aan het licht brengen?

Ineke: ‘Ik zit even te denken aan historisch monumentenonderzoek en vervalsingen. Dat is hot tegenwoordig: ‘vervalsingen van kunstvoorwerpen’. Moderne kunst schijnt heel veel vervalst te zijn, dat is minder bekend dan van oude kunst. Die kennis om die vervalsingen aan het licht te brengen, is er wel, maar AVG-technisch [privacy wetgeving, red.] ligt dat ingewikkeld. Dat wordt heel geavanceerd gedaan; een paneeltje nemen dat de juiste oudheid heeft, of een beeld namaken met de juiste corrosie. Met die moderne schilderijen spelen dingen als oude verf niet, maar ik denk dat je daar met AI heel veel dingen samen kunt pakken, zeg maar. Een soort fingerprinting. Je kunt al die facetten, in zijn dimensies veel beter overzien.”

Jules: “Je zou met al je data tot een profiel met kenmerken kunnen komen met wat iemand zou kunnen doen als ie kunst kopieert.” Ineke: “Precies, het zou handig zijn al je dat kunt verwerken in een soort tool, bijvoorbeeld bij de douane. Wat we dan absoluut niet willen, is dat die kennis ‘out in the open’ is, want dan kan weer gebruikt worden door die vervalser. Dus dat is altijd een beetje een wisselwerking.”

Bas: “Met AI kun je marktontwikkelingen koppelen aan mogelijke risico’s, zoals prijsschommelingen die het risico op fraude verhogen. Dat helpt om klanten gerichter te adviseren over passende analyses. Het gaat er niet om dat AI de mens vervangt, maar dat het de expertise van de analisten versterkt. Met AI zou je dat soort risicoprofielen kunnen opstellen. Nu moet je je daarvoor enorm gaan inlezen. Taco: “Dat is een hele andere dimensie dan alleen een analyse.” Bas: Ja, maar dat kun je wel gebruiken om een klant te adviseren een bepaald analysepakket samen te stellen.”

De risico’s van AI?

De potentie die AI heeft voor het lab, blijkt wel uit deze voorbeelden. Ga je als lab AI gebruiken, dan is het heel belangrijk – en dat geldt al voor het gebruik van een AI-programma als ChatGPT – dat je de software, bij gebruik van AI-programma’s zo instelt, dat je gegevens niet op straat komen te liggen. Dit om te voorkomen dat derden jouw octrooigevoelige informatie zo naar binnen kunnen halen.

Nog wat tips van Taco: “Op het moment dat je bedrijfsinformatie kopieert en deelt – Ja, dat gebeurt – wordt vaak gedacht dat het gewoon lokaal bij je staat. Dat is een ding, alles is op een gegeven moment traceerbaar, dus zorg dat er geen concurrentiegevoelige informatie en al helemaal geen geheime informatie naar buiten kan en je dit ook niet kunt afleiden uit bepaalde formuleringen. Daar moet je je wel bewust van zijn.”

Daar moet dus bedrijfsbeleid op zijn. “Ja, exact. Dus maak een extractie van de large language learning module die je uitsluitend voor jezelf gaat gebruiken.”