人工智能即将进入您的实验室。您准备好了吗？
大多数行业已经熟练地（即使并非完全高效）收集数据。现代仪器和设备通常允许某种形式的数据导出和捕获。如今，系统通常比简单的数据捕获要复杂（和集成度高）得多。
实验室工具可以生成和收集大量数据。虽然没有一个系统是完美的，但我们已经达到了新的制高点，数据采集不再是瓶颈。
数据分析和推断也是如此。
我们能够采集的所有数据皆是做出明智决策的关键。但是，您如何利用数据？数据分析如何改善实验室操作的一些示例？
接受 AI 数据分析
过去几十年间，在尽职收集数据、等待使用的公司中，数据分析得到了广泛的接受。通常使用分析，但它们仅提供追溯性、KPI 驱动的“描述性”方法。
AI 驱动分析将这些描述性分析转换为预测性分析和指导性分析。分析类型之间有何区别？简而言之：
- 描述性分析主要分析发生的事情。
- 预测分析主要预测可能发生的事情
- 指导性分析主要建议您应该做的事情。
人工智能背后的概念是用自己习得和创建最合乎逻辑的规则的能力，来取代一组定义的规则。例如，借助 LabVantage Analytics，人工智能可以执行日常活动，使您的系统更加高效和有效。
访问和应用数据
那么，公司如何利用自身在各种实验室管理系统中收集的大量数据和信息，以及这些数据的应用是什么？
在上一篇文章中，探讨了我们在各个行业中看到的预测性分析和指导性分析的一些用例。制造业特定用例是执行与质量相关的分析，将实验室数据与生产过程数据相结合，以识别质量差的驱动因素，并推荐实时干预策略以降低劣质成本。
在我们与全球实验室就其如何利用以及他们希望如何利用分析的对话中，我们回答了特定任务的有关问题，包括：
- 例外批准
- 跳批检测
- 批次失败预测
- 耗材消耗。
如果您管理一间实验室，则 AI 驱动的四项工作流程改进（如下）可能会促使您进行升级！
共同点：无规则可循
所有这些情况，以及大多数其他基于实验室的 AI 用途，均依赖于 AI 根据最佳可用（和最广泛的）数据来源确定和设置自身规则的能力。这不仅节省了实验室的时间，而且还通过数据驱动的决策改善了结果。
1. 使用 AI 进行例外批准
QA/QC 实验室的标准做法是，所有结果在发布给信息使用者之前，均需经过审查和批准。无需审查所有结果，既可以提升效率，提高和增强实验室的能力。
在 LIMS 中，这项任务完全人工执行，或者（在 LIMS 的最新版本中）“异常”执行，这意味着只有那些被分配了“警告”或“失败”状态的测试结果才会人工审查。
但是，基于“例外”的审查需要开发一种规则模板，用于处理给定应用程序的特定测试中的样本类型。
将人工智能 (AI) 添加至您的审核/批准流程中后，您无需设置规则。通过输入来自各个客户的历史数据，智能化 LIMS 可以自行学习规则，从而使您的团队能够专注于其他任务。
2. AI 支持的跳批检测
频率、定期或跳过批次检测是一种采样技术，通过减少对某些样本进行的检测次数来节省时间和金钱。当存在已建立的产品质量历史记录时，通常使用它，例如受信供应商提供的商品。
这项技术包括对新产品以及新供应商的产品进行严格检测。如果批次不符合规范，它还可以促使开展后续检测。
然而，跳批检测也是基于规则的检测！规则，即主要是质量标准范围限制，必须在系统中人工开发和创建。
将人工智能 (AI) 添加至跳批检测过程中，无需设置这些规则。通过输入历史数据（包括其他组织提供的数据），AI 驱动的分析平台可以自行制定规则，从而减轻团队人工制定参数和规则的需要。
有了正确的数据（请试想“失败次数”或“抵达时损坏的货物”），智能 LIMS 可以通过在历史数据中寻找模式来预测来料批次是否会在检测执行之前通过检测。
3. 用于预测性维护的 AI 自动化
对于许多组织而言，能够预测维护需求而不是响应设备故障的价值巨大。
如果您可以预测仪器何时出现故障，您还可以采取措施来消除或缓解故障。在某些情况下，正确的响应可能是加快维护计划以防止仪器故障。在其他情况下，这也是后续设备更换的早期预警系统。
曾几何时（大约 2 年前），这可能并没有像现在这样产生潜在影响，因为供应链将一些设备交付时间延长了数月。加之在购买之前需要研究正确的仪器，但在今天这可能会造成严重的延误。提前预判问题会出现，要比在没有任何准备的情况下发生令人震惊的事件（以及潜在的长时间中断）要好很多。
4. 预测耗材消耗
在过去两年中，耗材，或者更确切地说，供应链无法可靠地供应耗材，已成为几乎所有行业领域的主旋律。对于担心服务或生产中断的实验室和组织而言，提高采购准确性已成为重中之重。
大多数现代 LIMS 系统均可以在您需要为实验室补料时发出提醒。
但与其他非人工智能驱动的改进一样，这是一种用户定义的规则型警报机制，属于“滞后效应”......它会回顾并在达到某个定义的阈值时发出通知。例如，如果您的阈值低于 X，则它会生成一则消息。当阈值低于 Y 时，它会通知采购并匹配产品。
但大多数实验室已经拥有数据（通常可以追溯到许多年前），可以根据实际使用情况为人工智能平台制定规则提供信息。
然而，AI 增强的 LIMS 系统更进一步。例如，假设您需要 100% 的纯盐来制作蛋糕食谱，但无料可用。但您确实有 90% 的盐，这也适合你的蛋糕。可是食谱要求100%的盐，这是该食谱一直以来的做法，所以没有人意识到其他方法可能也奏效。在这种情况下，数据可以为您指出这种替代成分，而不是等待供应链问题解决以采购完全适配的 100%。
AI 在实验室中的新用途不断涌现，推动了人工智能从实验技术向实验室操作核心要素的转变。
您梦想中的 AI 在实验室中的应用是什么？您希望卸载和自动化哪些任务？请在 LinkedIn 上告诉我们！
