Die Entwicklung von Künstlicher Intelligenz (KI) in der pharmazeutischen Industrie hat einen enormen Einfluss auf die Forschung und Entwicklung. Luca Zanotti Fragonara, Leiter des Competence Centers für fortgeschrittene Technologien und Senior Associate Partner bei PQE Group, untersucht die Evolution der KI von ihren Anfängen bis zu ihrem transformierenden Einfluss auf die pharmazeutische Industrie, wobei er hervorhebt, wie Fortschritte im maschinellen Lernen, tiefen Lernen und Verstärkungslernen die Forschung und Entwicklung umgestalten.
Künstliche Intelligenz hat seit der Entwicklung des Logic Theorist, eines wegweisenden Computerprogramms der RAND Corporation zur Nachahmung menschlicher Problemlösungsfähigkeiten im Jahr 1956, einen langen Weg zurückgelegt. Trotz verschiedener Definitionen wird allgemein anerkannt, dass die Technologie die Entwicklung von Computersystemen umfasst, die in der Lage sind, menschliche Intelligenz durch Lernen, Mustererkennung und Entscheidungsfindung nachzuahmen. In den letzten zehn Jahren hat die Verwendung von KI in der pharmazeutischen Industrie aufgrund von Fortschritten in Bereichen wie Compliance, fortgeschrittener Fertigung, Entscheidungsfindung und Supply Chain Management stark zugenommen und dabei kritische Bereiche wie personalisierte Medizin, predictive Wartung und effiziente Produktion vorangetrieben.
Trotz der Popularität und des Wachstums von KI in den letzten zehn Jahren wird die Technologie oft missverstanden. Unterkategorien wie maschinelles Lernen, tiefes Lernen und Natural Language Processing (NLP) sind eigenständige, aber miteinander verbundene Kategorien innerhalb der breiteren KI-Sphäre, von denen jede ihren eigenen Anwendungsbereich, Techniken und Anwendungsmöglichkeiten hat. Während maschinelles Lernen auf Inputs von Experten angewiesen ist, um manuell Merkmale aus den Daten zu erzeugen, nutzt tiefes Lernen tiefe neuronale Netzwerke, um hierarchische Darstellungen von Daten direkt aus Rohdaten zu lernen. Dieser einzigartige Ansatz zur Datenverarbeitung macht tiefes Lernen zur idealen Methode, um komplexe strukturierte Daten ohne menschliches Eingreifen zu verarbeiten, was besonders nützlich für die pharmazeutische Industrie ist, da diese Technologie Muster und Korrelationen in umfangreichen biomedizinischen Datensätzen erkennen kann.