Resultados para:
Todas las categorías
    Menu Cerrar
    Volver a todos

    Inteligencia Artificial: tendencias para laboratorios en 2023

    Podría decirse que la inteligencia artificial (IA) y el aprendizaje automático (ML por sus siglas en inglés) son dos de las tecnologías más importantes que afectan a los laboratorios de ciencias de la vida en la actualidad. A los efectos de este artículo, pensemos en la IA como el medio para extraer datos y el ML como una forma de analizarlos y aprender de ellos. Las aplicaciones están proliferando y, ya sea que los laboratorios estén secos o húmedos, los proyectos de IA y ML están en marcha o probablemente lo estarán pronto.

    Están surgiendo nuevas herramientas para respaldar la programación y planificación del control de calidad, así como para acelerar las pruebas de laboratorio. Otros admiten la preparación, el análisis y el modelado de conjuntos de datos. Aún otros apoyan el descubrimiento de objetivos farmacológicos.

    La incorporación de AI/ML en el flujo de trabajo solía requerir habilidades de codificación y una profunda familiaridad con los sistemas informáticos. Los gerentes de laboratorio aún necesitan saber cómo acceder y compartir datos en su sistema, pero las aplicaciones AI/ML que surgen hoy en día son casi plug-and-play. Implementar AI/ML en el laboratorio nunca ha sido tan fácil.

    Un requisito previo para la IA y el ML en laboratorios: la información en la nube

    Ya sea que estés comenzando desde cero o que ya uses algunas aplicaciones de IA/ML en tu laboratorio, ahora es el momento de trasladar tus operaciones informáticas a la nube si aún no lo ha hecho.

    “Los recursos de computación en la nube son la base que permite la consolidación de datos de varios silos basados ​​en instrumentos en un solo depósito desde el cual se puede acceder a la información histórica y en tiempo real… por equipos distribuidos”, dice Inga Broerman, vicepresidenta de marketing de BluLogix.

    Una de las formas de hacerlo es a través del software como servicio (SaaS). “SaaS es un servicio en línea basado en la nube que proporciona poder de cómputo bajo demanda para un determinado programa”, dice Broerman. “Sus ventajas son mayores para las instalaciones más pequeñas” que tienen una potencia informática limitada.

    Otra forma es trabajar con el departamento de IT de tu organización para migrar todas o parte de sus operaciones informáticas a la nube. Cualquiera que sea el enfoque que elijas, permitir que tus aplicaciones de IA/ML accedan a la amplia franja de datos que maneja su laboratorio permitirá análisis más completos y, por lo tanto, resultados más precisos.

    Comprar equipos e insumos para laboratorios


    Preludio de la industria 4.0: la AI/ML

    La proliferación de soluciones de IA/ML para laboratorios de ciencias de la vida se está acelerando y habrá un impulso significativo por parte de los usuarios que están ansiosos por expandir su propio acceso a los datos, dice Jo Varshney, DVM, PhD, fundador y director ejecutivo de VeriSIM Life. A medida que ellos y sus colegas rompan los silos que han atrapado sus datos, esos datos pueden tener un uso más generalizado en sus propios sitios y por equipos y sitios hermanos en toda su organización.

    Los laboratorios, en consecuencia, pueden modelar sistemas extremadamente complejos que eran difíciles de manejar antes de que se integraran la computación en la nube, la IA y el ML. Por ejemplo, Amanda Randles, PhD, profesora asistente en la Universidad de Duke, realiza muchos modelos y simulaciones basados ​​en la física en su laboratorio. “Estamos viendo que ML aumenta el tamaño de la simulación, impulsa las entradas a la simulación y analiza los resultados de la simulación. Estamos viendo un grupo de algoritmos de ML que pueden tomar datos dispares (datos de registros de salud electrónicos, simulaciones basadas en la física y dispositivos portátiles, por ejemplo) y conectarlos”.

    Con la afluencia de cantidades tan grandes de datos diferentes, los gerentes de laboratorio están comenzando a desempeñar un papel más importante en la gestión de datos, dice Randles. Los datos se almacenan cada vez más en lagos de datos en lugar de en silos.

    tendencias de la inteligencia artificial en 2023

    ¿Cuáles soluciones se plantean frente a los retos de formación?

    Sin embargo, grandes cantidades de datos crean un desafío de capacitación. “Incluso con un sistema informático grande, es difícil de hacer”, dice Randles. “Por ejemplo, estamos creando una simulación a gran escala utilizando algunas de las supercomputadoras más grandes del mundo. Estamos usando 5 petabytes de datos para cada paso de tiempo y estamos ejecutando un millón de pasos de tiempo, por lo que no es físicamente posible descargar todo eso (para entrenar la IA/ML). Por lo tanto, necesitamos una forma de acceder a esos datos mientras se generan y entrenar el modelo en medio de la simulación sin ralentizar la simulación”.

    Un enfoque aprovecha las unidades de procesamiento central (CPU) para crear la visualización y conectar los datos mientras las unidades de procesamiento de gráficos (GPU) construyen la simulación. Debido a que muchas de las CPU están esencialmente inactivas mientras que las GPU realizan el trabajo pesado de cómputo, este enfoque permite que el equipo de Randles acceda a los datos necesarios para entrenar la IA/ML con poca sobrecarga de cómputo.

    El aprendizaje federado es otro enfoque. En lugar de llevar datos de múltiples sistemas informáticos a una unidad central para su procesamiento, envía el algoritmo AI/ML a las muchas computadoras involucradas en el proyecto. Esencialmente, este método aprende de subconjuntos de datos independientes y luego consolida esos aprendizajes en un modelo o simulación.

    Mejoras en la automatización y la transparencia

    Otra tendencia creciente en el uso de AI/ML es llenar los vacíos de datos, lo que, según Varshney, puede ser muy útil. Esta aplicación no solo podría informar la investigación al hacer suposiciones basadas en datos, sino también identificar suposiciones que pueden necesitar una resolución antes (para el desarrollo de medicamentos) de que se desarrolle un paquete de nuevos medicamentos en investigación mucho más tarde. El uso de este enfoque para identificar los primeros procesos que no se pueden ampliar es otro ejemplo en el que la IA puede ahorrar tiempo y dinero a las organizaciones. “Los gerentes de laboratorio tienen mucha información sobre el activo”, señala. Aprovecharlo a través de AI/ML puede proporcionar una visión temprana de los riesgos plausibles que podrían surgir más adelante en el ciclo de desarrollo de un activo.

    Las soluciones de IA/ML más nuevas son transparentes y aclaran claramente cómo se derivaron sus conclusiones. VeriSIM Life, una empresa de desarrollo de fármacos, creó un índice traslacional que ayuda a comprender cómo las máquinas evalúan experimentos específicos. Luego, el índice puede recomendar experimentos posteriores con miras a minimizar los riesgos y la redundancia. "Queríamos crear un sistema de puntuación que se pudiera relacionar con los usuarios... para que no tengas que ser un experto en inteligencia artificial/aprendizaje automático", dice Varshney. “El objetivo es hacer de este el estándar de normalización para todos los aspectos preclínicos (de nuestro trabajo)”.

    Lo que queda por lograr es lo que Varshney llama “la integración adecuada de la inteligencia humana con la inteligencia artificial”. Ella está hablando de la incorporación de conocimiento inherente para mejorar la eficacia y permitir predicciones más precisas. “La IA es tan buena como los datos”, dice Varshney, “pero no se trata solo de los datos”.

    A medida que los gerentes de laboratorio incorporan aplicaciones de IA/ML en su flujo de trabajo, es importante comprender realmente las suposiciones y los sesgos integrados en los algoritmos para comprender cómo se derivan sus resultados. ¿Los datos que se analizan ahora coinciden con el tipo de datos con los que se entrenó la aplicación? ¿Son las entradas apropiadas para esta aplicación en particular? ¿Hay suficiente variedad en los datos de entrenamiento para que los resultados sean válidos? ¿Siguen siendo precisos los aprendizajes de la aplicación ML? ¿Tienen sentido para el contexto en el que se utilizan? ¿Existen condiciones o puntos de datos relevantes que deban incorporarse al algoritmo o considerarse durante el análisis?

    Estas preguntas muestran la necesidad de la interacción humana y la validación a lo largo de los ciclos de vida de las aplicaciones para que agreguen valor al laboratorio de manera constante. La implementación de aplicaciones de IA/ML en el laboratorio no es un esfuerzo de una sola vez. Incluso con las aplicaciones más poderosas e intuitivas que están surgiendo, la participación humana sigue siendo vital.

    Las herramientas de IA/ML están surgiendo para llenar los vacíos de datos, optimizar la toma de decisiones y agregar información a los análisis, lo que aumenta su valor para los laboratorios de ciencias de la vida. Pero, si bien son herramientas poderosas que pueden hacer mucho en un laboratorio, ni siquiera las mejores pueden reemplazar los conocimientos y el juicio humanos.

    Comprar equipos e insumos para laboratorios


    Fuente: LabManager. Artificial Intelligence Trends to Leverage in 2023

    Comentarios
    Deja tu comentario Cerrar