AI is een verhaal van vele vendoren en modellen, weet Cognizant. In de kritieke omgeving van de levenswetenschappen werkt het bedrijf aan de implementatie van zowel klassieke als generatieve kunstmatige intelligentie. Wat werkt voor de farmaceutische industrie, kan meteen een handige leidraad zijn voor andere organisaties die zoeken naar een manier om AI op een toekomstbestendige manier te omarmen.
Dr. Pierre Marchand startte zijn carrière in AI nog voor het cool was. “Ik werk al m’n hele leven rond data analytics en data science, in onder andere de bankenwereld, de maakindustrie en de chemische sector”, zegt hij. “Als je dertig jaar in het vak zit, dan begin je het grote plaatje te zien.” Een half jaar geleden maakte de expert de sprong naar Cognizant, waar hij vandaag als Chief Data Strategist aan de slag is.
Duidelijke visie in een cruciale sector
Die zet was niet toevallig. Met de opkomst van generatieve AI wilde Marchand opnieuw in het midden van de actie staan. “Cognizant praatte al over Gen AI voor de concurrentie”, weet hij. “Het bedrijf neemt een leidersrol op zich en omarmt het juiste plan van aanpak.”
We praten met Cognizant in de context van AI in de levenswetenschappen en de farmaceutische industrie. In die sector zijn organisaties van enterprise-niveau actief waar de bedrijfsvoering doorspekt is van een wetenschappelijke aanpak, en concurrentie scherp is. Langs de ene kant heeft AI een enorm potentieel om de ontwikkeling en de productie binnen de farmacie te versnellen, langs de andere kant is vertrouwen in AI en bescherming van gevoelige data haast nergens crucialer. Wat goed genoeg is voor de levenswetenschappen, zal haast zeker goed genoeg zijn voor andere sectoren, dus we zijn benieuwd naar de rol die AI er vandaag speelt.
Klassiek of generatief?
Marchand benadrukt dat AI in de levenswetenschappen en farmacie niets nieuw is. “Klassieke AI wordt al door alle belangrijke spelers binnen de sector omarmt, verspreid over vele processen.” Traditionele of klassieke AI maakt gebruik van duidelijkere regels, opgesteld door experts. De algoritmes optimaliseren vandaag al allerhande taken, en hebben als grote voordeel dat ze niet mysterieus zijn. De opgeleverde resultaten zijn het gevolg van een begrepen programmatie.
De revolutie en hype vandaag betreft generatieve AI. Die verschilt van klassieke AI omdat de intelligentie niet afkomstig is van duidelijke algoritmes, maar van een neuraal netwerk getraind op basis van grote hoeveelheden data. Tijdens de training ontwikkelt het netwerk zich tot een slim en bruikbaar AI-model, maar wat er onder de motorkap gebeurt is minder transparant. Dergelijke neurale netwerken hebben het potentieel om processen te revolutioneren, maar hebben belangrijke beperkingen.
Data voor de zwarte doos
“Om een generatief AI-model te trainen, heb je enorme hoeveelheden kwalitatieve data nodig”, zegt Marchand. “Die zijn niet altijd beschikbaar. Over sommige zeldzame ziektes zijn bijvoorbeeld maar beperkt gegevens beschikbaar, waardoor voorspellingen nauwkeurigheid verliezen. Wanneer data schaars of niet gebalanceerd is, faalt de betrouwbaarheid van generatieve AI.”
Wanneer data schaars of niet gebalanceerd is, faalt de betrouwbaarheid van generatieve AI.
Dr. Pierre Marchand, Chief Data Strategist Cognizant
Die betrouwbaarheid is een ander heikel punt. Marchand verwijs naar het black box-dilemma. De neurale netwerken achter generatieve AI werken, maar het is vaak niet duidelijk waarom bepaalde invoer tot specifieke uitvoer leidt. “Dat gebrek aan transparantie hindert de acceptatie van door AI gegenereerde resultaten”, weet hij. “Zeker in de wetenschappelijke wereld, waar beslissingen een impact hebben op het leven van mensen.”
Van argwaan naar vertrouwen
“Zonder integriteit is er geen vertrouwen”, weet de AI-goeroe. “Niemand wil een corrupte boekhouder aannemen. Integriteit komt van traceerbaarheid. Als mens wil je kunnen nagaan waar een antwoord vandaan komt. Specifiek voor AI helpt het als je kan nakijken waarom een model een bepaald antwoord geeft. Dat creëert vertrouwen.”
“In de meeste gevallen zien we dat mensen antwoorden één of twee keer helemaal nakijken en dat het vertrouwen dan langzaamaan verschijnt. Niemand wil zijn job riskeren door een voorspelling van AI zomaar aan te nemen, maar wanneer je echter de kans krijgt om te testen en zelf te onderzoeken, begint het vertrouwen wel te groeien.”
Eerst testen, dan gebruiken
In de farmaceutische sector is het sowieso niet mogelijk om een suggestie zomaar aan te nemen, hoe goed die ook is. “Wanneer generatieve AI een nieuwe molecule voorstelt voor een bepaalde behandeling, dan is dat bijna alsof een nieuwe nog nooit gehoorde muzieknoot wordt voorgesteld”, illustreert Marchand. “De suggestie is spannend, maar moet nog rigoureus getest worden om zowel de veiligheid als werkzaamheid te garanderen. De weg van AI-inzichten tot bruikbare toepassingen is geplaveid met uitgebreide validering, en dat haalt de snelheid van implementaties omlaag.”
De weg van AI-inzichten tot bruikbare toepassingen is geplaveid met uitgebreide validering.
Dr. Pierre Marchand, Chief Data Strategist Cognizant
Toch speelt generatieve AI vandaag al een rol in de sector. “Atomwise gebruikt generatieve AI om moleculaire activiteit te voorspellen”, weet Marchand. “Het bedrijf omarmt deep learning-modellen om zo mogelijk geneesmiddelen te ontdekken. Insilico Medicine doet iets gelijkaardigs. Tempus zet generatieve AI in om op basis van patiëntendata behandelingen op maat voor te stellen. Deep Genomics probeert met de hulp van deep learning-modellen om te voorspellen hoe genetische mutaties tot ziektes kunnen leiden.
De mogelijkheden zijn vrijwel grenzeloos. Op termijn verwacht Cognizant dat generatieve AI doorheen de hele waardeketen van de farmaceutische industrie ingezet zal worden. De technologie kan experts bijstaan bij de ontdekking van nieuwe werkzame moleculen en ander onderzoek en ontwikkeling, de opstelling en verwerking van klinische proeven, maar ook klassiekere domeinen zoals de contentcreatie en verkoop en marketing van afgewerkte geneesmiddelen. Het uiteindelijke doel blijft wel duidelijk: steeds betere resultaten boeken bij patiënten.
Papers met fruitsap
Cognizant werkt met die en andere bedrijven om AI op een structureel gezonde manier te integreren. Dat vereist een doordachte aanpak, want het veld evolueert snel. Marchand: “Om bij te blijven, moet je wetenschappelijke papers verorberen als ontbijt. Iedere week vindt er een tsunami aan vooruitgang plaats. Zo’n tempo van ontwikkeling heb ik in heel m’n carrière nog niet meegemaakt. Het is bijna te veel, maar wie bij wil blijven, moet afzien.”
Marchand en zijn collega’s nemen die lijdersrol (pun intended) op zich, zodat ze klanten kunnen bijstaan. In de praktijk ziet hij dat de meeste organisaties hun generatieve AI-reis beginnen met wat hij employee GPT noemt. Een interne versie van GPT-4 of een soortgelijk model krijgt een heleboel data voorgeschoteld en kan nu vragen beantwoorden en werknemers bijstaan. “Dat is goed als een proof of concept, maar niet waar de echte waarde zit”, waarschuwt de expert.
Samen sterk
“De echte waarde komt wanneer je AI kan inzetten om betere interne processen uit te dokteren.” Om dat te doen, moet je het snel evoluerende AI-veld juist benaderen. “AI is geen verhaal van één vendor. Vroeger kon je investeren aan de hand van het magische kwadrant van Gartner. Je koos rechtsboven wat binnen je budget paste, en wachtte op je promotie. Dat gaat niet met generatieve AI, want het speelveld verandert iedere dag.”
De oplossing ligt volgens Marchand en Cognizant in een bredere flexibele aanpak. “Voor optimale resultaten heb je niet één AI-model nodig, maar meerdere”, weet hij. “Voor een chatbot kan je bijvoorbeeld de conversatie starten met de technologie van OpenAI. Wanneer het gesprek richting een medisch onderwerp evolueert, is MedPalm dan weer beter geschikt.”
Verschillende modellen hebben verschillende zaken bij te dragen. “Orkestratie is belangrijk. AI werkt best binnen een model waar verschillende modellen als een geheel kunnen samenwerken. Daarvoor moeten de modellen wel beroep kunnen doen op een gedeeld geheugen: je wil je probleem niet opnieuw uitleggen wanneer je van OpenAI naar MedPalm wordt gestuurd.”
Het brein achterna
Cognizant bouwde daarom Neuro R AI. Dat is een framework dat model-agnostisch is. Het laat bedrijven toe om modellen te combineren tot een geheel, maar ook om ze in te wisselen voor nieuwe en betere versies. Het framework zorgt ervoor dat het meest geschikte model in de juiste context wordt ingezet, terwijl een combinatie van lange- en kortetermijngeheugen voor consistentie zorgt. Wanneer Marchand het uitlegt, moeten we denken aan ons eigen brein, en hoe dat uit gespecialiseerde delen bestaat die toch als een geheel samenwerken.
lees ook
Digital twins als sleutel voor meer efficiëntie en snellere innovatie: wat jij kan leren van de levenswetenschappen
“Neuro AI beperkt zich bovendien niet tot enkel generatieve AI”, merkt Marchand op. “Het raamwerk kan nieuwe generatieve AI perfect combineren met klassieke AI en analytics.” Voor Marchand was Neuro AI één van de redenen om naar Cognizant te stappen. Het veld evolueert bliksemsnel, maar de agnostische orkestratie-aanpak ziet hij op basis van zijn ervaring als de juiste.
We leven doorheen een turbulente tijd. Generatieve AI schudt de wereld door elkaar en gaat een grote impact hebben in zowat alle sectoren, niet alleen levenswetenschappen. Iedereen wordt echter met gelijkaardige uitdagingen geconfronteerd. De haast niet bij te houden evolutie van AI op dit moment is een belangrijke, net als de kwestie van vertrouwen. Er zijn nog wel wat open vragen, maar voor de implementatie van AI zien Marchand en Cognizant al wel een duidelijke oplossing. Meerdere modellen, algoritmes en types AI moeten samenwerken voor het beste resultaat, en daar is een agnostisch framework voor nodig.