KI in der Chemie- und Pharmaindustrie: 3 Themen, die Sie im Auge behalten sollten

Thema Nr. 1: Die prädiktiven Fähigkeiten von KI ermöglichen schnellere und effizientere Prozesse entlang der Unternehmenswertschöpfungskette

Die Analyse großer Datenmengen sowie die Unterstützung von Menschen bei der Interpretation dieser Daten stellen das Hauptaugenmerk von Machine-Learning-Anwendungen dar. Prädiktive Analysen können die pharmazeutische Industrie in verschiedenen Bereichen unterstützen, beispielsweise bei der Optimierung präklinischer R&D-Experimente, der schnellen Analyse von Ergebnissen in klinischen Phasen, der Straffung von Produktionsprozessen oder der Projektverwaltung auf Unternehmensebene.

KI zur Optimierung der präklinischen Forschung und Experiment-Anzahl

Unter den präsentierten Anwendungen wurde ersichtlich, dass Machine-Learning-Ansätze das Potenzial aufweisen, die präklinische Forschung zu optimieren. Diesbezüglich wurde aufgezeigt, dass die Anzahl der durchzuführenden Experimente bei der Testung von Verbindungen und Molekülen in neuen Formulierungen durch den Einsatz von KI reduziert werden kann. Dies führt zu einer effektiven Reduktion der benötigten Zeit und Kosten in den frühen Forschungsphasen. Gleichzeitig werden ausreichend Informationen bereitgestellt, um die vielversprechendsten Kandidaten für die weiteren Entwicklungsphasen auszuwählen.

KI für die Analyse medizinscher Bildgebung

Des Weiteren wurde demonstriert, wie Machine-Learning-Algorithmen zur Evaluierung medizinischer Untersuchungsergebnisse eingesetzt werden können. Dazu werden die Daten auf potenzielle Anomalien und Fehler analysiert. Bei Erkennung von Problemen erfolgt nicht nur eine direkte Benachrichtigung des Prüfers, sondern auch die Gewährleistung, dass lediglich genaue und gültige Untersuchungsergebnisse an die Ärzte zur weiteren Analyse und Berichterstattung weitergeleitet werden.

Lesen Sie auch: KI in der medizinischen Bildgebung, eine Revolution in der medizinischen Diagnose und Patientenversorgung

KI zur Evaluierung der Funktion von Werkzeugen und Maschinen

Im Rahmen der Produktionslinie besteht die Möglichkeit, KI für die prädiktive Analyse des Status von Werkzeugen und Maschinen einzusetzen. Durch den Einsatz von Sensoren in Kombination mit KI-Software ist eine Prognose des Zeitpunkts einer anstehenden Geräteüberprüfung möglich. Dies erlaubt eine präzisere und notwendige Wartung im Vergleich zu den derzeit weit verbreiteten präventiven Methoden, welche auf regelmäßigen Intervallen basieren. Letztere sind jedoch oft entweder zu lang oder zu kurz, abhängig von den spezifischen Fällen, für die Überprüfung und Verifizierung von Maschinen.

Thema Nr. 2: Die Herausforderung, regulatorische Rahmenbedingungen für die schnell fortschreitende Künstliche Intelligenz zu entwickeln

Die fortschreitende Entwicklung der KI stellt die Regulierungsbehörden vor die anspruchsvolle Aufgabe, regulatorische Rahmenbedingungen zu etablieren, die mit den schnellen Entwicklungen der KI, Schritt halten können.

Im Gegensatz zu herkömmlicher Software, die auf vordefinierten Anweisungen basiert und statisch bleibt, bis sie explizit aktualisiert wird, verfügen KI-Systeme über die Fähigkeit, aus Daten zu lernen und ihr Verhalten im Laufe der Zeit weiterzuentwickeln. Die adaptive Natur von KI-Systemen erschwert die Regulierung von Prozessen oder Geräten, die mit KI-Funktionen ausgestattet sind, da diese Systeme potenziell autonom und unvorhersehbar nach der Bereitstellung Änderungen vornehmen könnten. Dies impliziert, dass die Qualität der Ergebnisse nicht als alleiniges Kriterium zur Regulierung von KI-Systemen herangezogen werden kann. Die Erstellung von Regeln für ein sich entwickelndes System stellt eine anspruchsvolle Aufgabe dar, deren Bewältigung für die Regulierungsbehörden noch aussteht.

In der Diskussion um die Regulierung von Künstlicher Intelligenz wurden zwei Aspekte von KI-Lösungen besonders hervorgehoben, die für die Ausgestaltung von Vorschriften von Relevanz sind:

• Datenqualität: Die Qualität der Daten spielt eine entscheidende Rolle bei der Schulung von KI-Systemen. Nur durch die Verwendung hochwertiger Daten können solide und vertrauenswürdige Ergebnisse gewährleistet werden. Dieser Aspekt ist sowohl aus regulatorischer Sicht von Relevanz, um die Genauigkeit der Systeme sicherzustellen, als auch aus produktivitätsbezogener Sicht von Bedeutung, da hochwertige Eingabedaten zu effektiveren und leistungsfähigeren Modellen führen.
• Trainingsmethoden: Im Rahmen der Evaluierung von Trainingsmethoden für KI-Systeme ist von den zuständigen Regulierungsbehörden zu ermitteln, auf welche Weise die Systeme zu instruieren und zu evaluieren sind, um eine adäquate Funktionsfähigkeit zu gewährleisten und eine Abweichung vom definierten Ziel zu verhindern.

Ein Beispiel für regulatorische Bemühungen, welche die genannten Aspekte berücksichtigen, ist die „Good Machine Learning Practice“ (GMLP) der Food and Drug Administration (FDA) für die Entwicklung medizinischer Geräte. Die GMLP der FDA stellt ein Rahmenwerk bereit, welches auf zehn Leitprinzipien basiert. Diese betonen die Bedeutung interdisziplinärer Expertise zur Gewährleistung robuster und sicherer Technik, die Notwendigkeit vielfältiger und repräsentativer Trainingsdaten sowie Transparenz bei KI-Modellen. Zudem wird die Durchführung von klinischen Tests in der realen Welt hervorgehoben. Des Weiteren betont die Leitlinie die Relevanz der Überwachung nach der Bereitstellung sowie der Feedback-Mechanismen, um eine fortlaufende Gewährleistung der Sicherheit und Wirksamkeit zu ermöglichen.

Im Kontext der starken Regulierung im Pharmabereich erscheint die Einführung von Vorschriften und Richtlinien zur Förderung und Kontrolle der Nutzung von KI-Systemen unabdingbar.

Erfahren Sie, wie unser Team Sie bei Ihren Projekten im Zusammenhang mit Künstlicher Intelligenz begleiten kann >

Thema Nr. 3: KI und Nachhaltigkeit

Es kann angenommen werden, dass künstliche Intelligenz das Potenzial besitzt, einen Beitrag zur Nachhaltigkeit in sämtlichen Industriesektoren, einschließlich der chemischen und pharmazeutischen Industrie, zu leisten. Die Optimierung von Prozessen eröffnet Unternehmen die Möglichkeit, umweltfreundlichere Praktiken zu implementieren und die Abfallmenge zu reduzieren. So kann KI beispielsweise bei der Auswahl nachhaltigerer Rohstoffe oder Lösungsmittel für chemische Reaktionen unterstützend wirken, den Energieverbrauch in Herstellungsprozessen optimieren und die Betriebsabläufe verfeinern, um Energieverschwendung zu minimieren.

Es ist jedoch zu berücksichtigen, dass auch die Nachhaltigkeit der Künstlichen Intelligenz selbst von Relevanz ist. Der Einsatz von KI-Technologien ist mit signifikant erhöhtem Energieverbrauch und Umweltbelastungen verbunden, da hierfür erhebliche Rechenleistung und die Speicherung großer Datenmengen erforderlich sind. Diese These wird durch den Artikel von Kate Crawford in Nature gestützt, in dem die Autorin unter Berufung auf Sam Altman (CEO von OpenAI) berichtet, dass neuere und leistungsstärkere KI-Systeme einen enorm hohen Energiebedarf haben werden.

Um Unternehmen bei der Einschätzung ihres Umweltfußabdrucks zu unterstützen, werden erste Bemühungen unternommen, die CO₂-Emissionen ihrer Rechenoperationen zu schätzen (vgl. z.B., ML CO₂ Impact oder CodeCarbon).

Die zunehmende Präsenz künstlicher Intelligenz in Arbeitsumgebungen macht es erforderlich, energieeffiziente Algorithmen zu entwickeln und in erneuerbare Energiequellen für die Stromversorgung von Rechenzentren zu investieren. Dadurch kann sichergestellt werden, dass die Vorteile von KI nicht zu einem nicht-nachhaltigen Umweltpreis erkauft werden.

Künstliche Intelligenz ist ein vielversprechender Ansatz, um die meisten unserer Industrien zu transformieren. KI ermöglicht verbesserte prädiktive Fähigkeiten, treibt die Notwendigkeit neuer regulatorischer Rahmenbedingungen voran und präsentiert sowohl Chancen als auch Herausforderungen für die Nachhaltigkeit. Ein weiterer Punkt wurde aus ethischer Perspektive erörtert. Es stellt sich die Frage, inwiefern eine Angst vor Künstlicher Intelligenz berechtigt ist. Wie kann jedoch gewährleistet werden, dass das Vertrauen in die Künstliche Intelligenz gerechtfertigt ist? Es stellt sich die Frage, ob Künstliche Intelligenz ein Niveau erreichen wird, das als „bewusst“ definiert werden kann. Diese Überlegungen müssen angestellt werden, während KI in alle Lebens- und Industriebereiche integriert wird. Dabei ist von entscheidender Bedeutung, dass Innovationen mit verantwortungsvollen Praktiken balanciert werden, um die potenziellen gesellschaftlichen Auswirkungen zu steuern. Alcimed bietet Ihnen Unterstützung bei der Erkundung der Möglichkeiten der Künstlichen Intelligenz in Ihrem Bereich sowie bei der Meisterung dieser schnell entwickelnden Technologie. Für weitere Informationen und bei etwaigen Rückfragen steht Ihnen unser Team jederzeit zur Verfügung.

Über den Autor, 

Lorenzo, Senior Consultant in Alcimeds Healthcare Team in Italien