Interview met Toni Manzano, Aizon: laten we praten over Kunstmatige Intelligentie in GXP omgevingen

icon.highlightedarticle.dark Management 27 februari 2023
Article image of: Interview met Toni Manzano, Aizon: laten we praten over Kunstmatige Intelligentie in GXP omgevingen

De agenda van Paperless Lab Academy®2023 Europe zit vol met actuele en trending onderwerpen voor de laboratoriumsector. Op het podium zullen prominente keynote speakers zijn die naar het congres komen om hun ervaring en kennis te delen over specifieke onderwerpen.

Een belangrijke bijdrage aan Agenda 2023 zal een presentatie zijn waar we allemaal reikhalzend naar uitkijken: “Artificial Intelligence in Action in the GXP Environment”. De presentatie zal worden gegeven door Toni Manzano, Chief Scientific Officer bij Aizon.

Ik had het genoegen en de eer om Toni te interviewen om wat inzichten te krijgen in zijn presentatie en om de discussie te starten voordat hij het onderwerp op het podium van de Paperless Lab Academy® behandelt.

■ Wat denk je dat er technologisch of conceptueel in de afgelopen 10 jaar is veranderd om tot de kunstmatige intelligentie te komen die we vandaag hebben?

Vanuit het huidige perspectief zou ik zeggen dat er technologisch niet veel is veranderd sinds de verstoring. 10 jaar geleden werd er veel gesproken over Big Data, niet echt over AI. Hoewel de term kunstmatige intelligentie al in 1950 werd bedacht (1).

Technologisch gezien werden alle tools die we nodig hebben voor AI 10 jaar geleden gecreëerd met de cloud, Big Data en computation. Die 3 concepten, 3 ingrediënten maakten het mogelijk voor AI.

Het was nodig om data van allerlei soorten te hebben en data-silo’s te doorbreken die voorkwamen dat de informatie waaruit kennis wordt gecreëerd, samenkwam. De cloud maakt het mogelijk om wereldwijd toegang tot data te democratiseren. Het overwint de beperkingen op locatie en maakt logistieke distributie van data over de hele wereld mogelijk door VPN en alle technologische barrières te overwinnen.

Naar mijn mening zijn dit de 3 ingrediënten die kunstmatige intelligentie mogelijk maken. In feite heeft AI al 2 winters gehad. Toen de wetenschappelijke gemeenschap zich realiseerde dat ze meer ruimte nodig had en deze niet vond, en toen ze zich realiseerde dat ze meer rekenkracht nodig had en die niet had. Dat is nu opgelost.

Van 10 jaar geleden tot nu is de technologie niet geëvolueerd, is deze niet zo drastisch veranderd als met de komst van de cloud.

■ De term kunstmatige intelligentie of iets dat te maken heeft met digitale tweelingen, augmented robotisering, augmented kennis zijn concepten die deel uitmaken van deze populaire gedigitaliseerde cultuur. Vandaag de dag verlaat niemand het huis zonder Google Maps of een soortgelijke app te vragen: Wanneer komt de volgende trein? Niemand die op zoek is naar een foto, zoekt de foto’s één voor één, we gebruiken zoekhulpmiddelen.

Als samenleving groeien we op het gebied van digitalisering en we groeien sneller dan de farmaceutische industrie. Maar als je kijkt naar de projecten die we bij Aizon hebben gedaan, hebben bedrijven een behoefte die alleen kan worden opgelost als je omgaat met de complexiteit en variabiliteit van de informatie; realistisch gezien moet je niet proberen te vereenvoudigen, je moet het accepteren. In dit geval kun je niet werken met klassieke statistieken omdat het erg complex is, dus moet je werken met kunstmatige intelligentie. Bij deze overgang is digitale volwassenheid ontstaan, maar in de farmaceutische industrie zijn we nog ver verwijderd van de volwassenheid die de samenleving vandaag de dag heeft.

■ Zoals u zegt, zijn we allemaal digitaal volwassener geworden als samenleving en gebruiken we elke dag digitale informatie, misschien zelfs onbewust of automatisch. Mijn telefoon verbindt zich met mijn auto en vertelt me meteen hoe lang het duurt om thuis te komen. Wat denkt u dat de obstakels zijn die het digitale volwassenheidsproces in de farmaceutische industrie belemmeren of vertragen?

In een recent onderzoek naar de gemiddelde leeftijd van CEO’s, besturen van de twintig grootste bedrijven, is de gemiddelde leeftijd 57.

Ik ben 51 en beschouw mezelf al lang als digitaal persoon, maar ik heb nu al moeite om bij te blijven.

Wanneer er geen urgentie is om optimaal te zijn in een bedrijf dat klassiek altijd achterliep op technologie, blijkt dat er geen behoefte is. Deze mensen hebben die behoefte ook niet, ze adopteren het deel dat ze kunnen vanuit een sociaal en persoonlijk oogpunt, maar zonder een strategie te ontwerpen om het in het dagelijkse industriële leven te brengen.

■ Een krachtige boodschap aan de besturen! Toni, help ons AI dan beter te begrijpen. Kunstmatige intelligentie gaat over de gegevens, maar hoe zit het met het algoritme dat je moet ontwerpen voor elk specifiek proces?

Weet je dat er elke dag 75 nieuwe gepatenteerde kunstmatige intelligentie-algoritmen zijn? Je kunt je niet voorstellen hoeveel ongepatenteerde algoritmen er elke dag zijn. laat me je uitleggen waarom er zoveel zijn.
Stel je een productielijn voor, een fermentator van 6000 liter. Het blijkt dat je voor elke fase van de fermentatie een ander model nodig hebt. Een model is de combinatie van gegevens en algoritme. Een enkel product in verschillende formaten, 20 modellen voor 24 uur fermentatie. Stel je dat vermenigvuldigd met alle bioreactoren voor alle lijnen. Ook heeft elke bioreactor een ander model nodig omdat elke bioreactor anders is.
AI kan je niet vertellen waarom, maar het kan je vertellen wat er gebeurt.

■ Met andere woorden, de nieuwe uitdaging is hoe AI te beheren, begrijp ik dat goed?

Inderdaad. Er zijn twee soorten data: de historische data die gebruikt wordt om het model te bouwen, en de real-time data die gebruikt wordt om het model te voeden dat de echte datawaarde genereert. Dan komt de nauwkeurigheid tussen de werkelijkheid en de voorspelling om te weten of uw model goed is of zelfs achteruitgaat.

■ Wie zit er achter al dit werk om het te laten gebeuren?

Het is een combinatie van datawetenschappers en vakdeskundigen in het proces. Zij werken samen om het algoritme te identificeren dat de beste benadering biedt. Het algoritme wordt gevoed met data, en zo wordt het model gecreëerd. Het model dat de werkelijkheid vertegenwoordigt is uiteindelijk een statistisch wiskundig model dat, na beoordeling door de vakdeskundige, als gereed voor productie kan worden beschouwd.

■ En dan is er nog het nalevingsgedeelte. Ik bedoel, is dit allemaal goedgekeurd?

We maken deel uit van een comité gecoördineerd door de AFDO, de Association of Food and Drug Officials (2), dat ook de FDA omvat, die het grootste belang heeft bij deze ontwikkeling.

In feite bouwt de FDA al kunstmatige intelligentie in haar eigen processen om twee redenen: ten eerste natuurlijk voor de patiënten, om een veiliger, hogere kwaliteit en efficiënter product te krijgen; en ten tweede omdat de instantie zelf beter moet coördineren om de hele farmaceutische industrie te bestrijken, die zich uitstrekt tot uitbestede CMO’s. Ze moeten hun monitoring- en controleproces automatiseren.

■ Uw presentatie heeft als titel “Artificial Intelligence in Action in the GXP Environment”. Zult u met een use case op het podium komen en aan het publiek uitleggen wat er vandaag de dag gebeurt op het gebied van naleving en de FDA-situatie?

Ik zal zeker use cases inbrengen, anders is het te abstract. Ik denk dat het nodig is om enkele use cases te presenteren, zodat mensen kunnen zien welke toepassingen vandaag de dag draaien met AI. De FDA-vraag is cruciaal, en het publiek moet begrijpen dat er expliciete steun is.

Een ander punt is dat veel mensen in het publiek niet weten waar ze moeten beginnen. De boodschap zal zijn dat zonder de juiste data, zonder betrouwbare data, je geen AI kunt draaien. AI is puur statistiek, niets meer dan statistiek, en je kunt geen resultaat vertrouwen waarvan de uiteindelijke statistieken gebaseerd zijn op onbetrouwbare data.

■ Pure statistiek? Ik vermoed dat het meer is dan dat, gezien de complexiteit en multivariable die u eerder heeft uitgelegd. Hoe begint u?

De eerste stap die we nemen wanneer we zeker zijn van de data, is om uit te zoeken welke van de honderden variabelen echt het probleem uitleggen.

■ Hoe kunt u er zeker van zijn dat de data juist is? Hoe kunt u de kwaliteit controleren?

Een uitstekende vraag. Datakwaliteit kan alleen worden gevalideerd als u veel gegevens heeft. Dat is de eerste premisse. Alleen wanneer u een goede hoeveelheid informatie heeft, kunt u bepalen welke informatie geldig is en welke niet. Met behulp van algoritmen kunt u aan de ene kant de uitschieters identificeren en aan de andere kant de echt representatieve samples. Dus het data cleaning-proces begint automatisch. Dit gebeurt alleen wanneer u een grote hoeveelheid informatie heeft.

■ Dank u, Toni, voor de waardevolle boodschappen die u heeft overgebracht in dit interview. We kijken ernaar uit u te ontmoeten in april op de 10e editie van de Paperless Lab Academy® en dieper in te gaan op het onderwerp “AI in GXP-omgevingen, compliance en de FDA-aanpak van AI”.

Isabel Munoz Willery, eigenaar en organisator van Paperless Lab Academy®

________________________________________________________________________

In de jaren ’50 was er een generatie wetenschappers, wiskundigen en filosofen die het concept van kunstmatige intelligentie (of AI) cultureel hadden geassimileerd in hun geest. Een van die personen was Alan Turing, een jonge Britse polymath die de wiskundige mogelijkheid van kunstmatige intelligentie verkende. Turing suggereerde dat mensen beschikbare informatie en reden gebruiken om problemen op te lossen en beslissingen te nemen, dus waarom zouden machines hetzelfde niet kunnen doen? Dit was het logische kader van zijn artikel uit 1950, “Computing Machinery and Intelligence”, waarin hij besprak hoe intelligente machines te bouwen en hun intelligentie te testen.

Over The Association Of Food And Drug Officials (AFDO). De Association of Food and Drug Officials (AFDO) is een goed erkende nationale organisatie die staat-, territoriale- en lokale regelgevende instanties vertegenwoordigt. Het belangrijkste doel van de vereniging is om op te treden als leider en bron voor staat-, territoriale- en lokale regelgevende instanties bij het ontwikkelen van strategieën om problemen op te lossen en de volksgezondheid en consumentenbescherming te bevorderen met betrekking tot de regulering van voedsel, medische producten en cosmetica. afdo.org

Geschreven door

Logo van:Interview met Toni Manzano, Aizon: laten we praten over Kunstmatige Intelligentie in GXP omgevingen

Paperless Lab Academy® conferences

Paperless Lab Academy®: the annual congress you should attend to keep up to date with the digital transformation of laboratories and quality processes. Lees meer