- أدوات الذكاء الاصطناعي مثل نماذج اللغات الكبيرة (LLMs) وتقنيات معالجة اللغة الطبيعية (NLP) تُحسّن من اكتشاف الأدوية وتسرّع عمليات الموافقة التنظيمية.
- تساعد تقنية التوليد المعزز بالاسترجاع (RAG) في تقليل الأعباء الإدارية وزيادة الكفاءة.
- لقد ساهمت نماذج LLMs المدعومة بتقنية RAG في التعميم الواسع لتبني الذكاء الاصطناعي في علوم الحياة.
حتى الآن، تم تقويض المبررات التجارية بسبب الكم الهائل من العمل المطلوب للتحقق من صحة أنظمة الأتمتة الذكية وجعلها تعمل بكامل طاقتها لأغراض البحث والتطوير في علوم الحياة، مثل تحويل تقارير الأحداث الضائرة (AE).
يتم الآن إزالة هذه العقبات، وتعزيز الامتثال من خلال نماذج اللغات الكبيرة (LLMs) التي تقود الذكاء الاصطناعي التوليدي.
قد تمتلك شركات الأدوية فرصة لمرة واحدة في القرن مع هذه التكنولوجيا الذكية، ولكن فقط إذا تمكنت من توسيع نطاقها والتعامل مع الصعوبات الخاصة التي تواجهها الصناعة.
ما الذي يمكن أن يتاح؟
أصبح البحث السريع عن أدوية جديدة ممكنًا بفضل التعلم الآلي ونماذج اللغات الكبيرة، إلى جانب إجراء دراسات سريرية أكثر فعالية والحصول على موافقات أسرع من الجهات التنظيمية، مما ينتج عنه مواد تسويقية مركزة للغاية.
يتغير كل جانب تقريبًا في قطاع الأدوية بسبب الذكاء الاصطناعي التوليدي، الذي يغير أيضًا معايير عمليات الأعمال وقد يطلق قيمة تقدر بمليارات الدولارات.
وفقًا لتقديرات معهد ماكينزي العالمي (MGI)، يمكن أن تحقق هذه التكنولوجيا إيرادات تتراوح بين 60 مليار دولار و110 مليار دولار سنويًا لصناعات الأدوية والمنتجات الطبية.
يعود ذلك أساسًا إلى قدرة التكنولوجيا على زيادة الإنتاجية من خلال تسريع عملية العثور على مركبات قد تكون أدوية جديدة، وتسريع تطوير هذه الأدوية والموافقة عليها، وتعزيز تسويقها.
تكمن الإمكانيات في استخدام التعلم "في السياق"، والاستقراء السردي، واكتشاف البيانات تلقائيًا بطريقة يمكن للمشرعين فهمها. ناقش خبراء الذكاء الاصطناعي في شركة ArisGlobal، راميش راماني ورافكانث فاليجاري، التطبيقات المحتملة في شركة تصنيع أدوية.
الذكاء الاصطناعي لتحويل البيانات بكفاءة في سلامة الأدوية
عندما تكون هناك كميات كبيرة من البيانات بتنسيقات مختلفة وتأتي من مصادر متعددة، كما هو الحال في مراقبة السلامة على سبيل المثال، فإن ذلك يتطلب الكثير من العمل الإداري لتجميع أي اكتشافات ذات قيمة وجعلها مفيدة.
هنا تكمن الإمكانيات الكبيرة لتحويل العمليات التي تقدمها أحدث التطورات في التعلم الآلي والذكاء الاصطناعي. ليس فقط من حيث الكفاءة ولكن أيضًا الدقة المتزايدة بشكل ملحوظ - بشرط أن يفهم البرنامج ما يبحث عنه.
ولسد هذه الفجوات وجعل الأتمتة المتقدمة حقيقة آمنة وموثوقة في عمليات البحث والتطوير الحيوية المهمة - والأهم من ذلك، دون الحاجة إلى إشراف مستمر وشاق - يتم الآن تطبيق نماذج اللغات الكبيرة (LLMs)، ومخازن البيانات الضخمة التي تشير إليها أدوات الذكاء الاصطناعي التوليدي، وتقنيات معالجة اللغات الطبيعية المتقدمة مثل التوليد المعزز بالاسترجاع (RAG).
وببساطة، يتيح RAG لـ LLMs دمج البيانات السرية مع المعلومات المتاحة للجمهور، مما يسهل ضبط نماذج الذكاء الاصطناعي من خلال توفير قاعدة معرفة وسياق أوسع.
تحسين تجميع البيانات من خلال حلول LLM-RAG
كان عبء التدريب هو المشكلة مع حلول التعلم الآلي حتى الآن. ولكن الآن، يمكن لحلول تقنية واحدة التعامل مع جميع متغيرات البيانات الواردة بمساعدة LLMs، مما يلغي الحاجة إلى تعليم نماذج الذكاء الاصطناعي أو الخوارزميات ما يجب الانتباه له و/أو ما يعنيه شيء ما.
عندما يتعلق الأمر بتوجيه نموذج LLM عبر إجراء تشغيلي قياسي باللغة الإنجليزية البسيطة، يمكن أن تكون أنماط RAG مفيدة للغاية. بهذه الطريقة، سيكون النظام قادرًا على التعامل مع آلاف النماذج المختلفة دون الحاجة إلى إعدادات فريدة لكل منها.
لقد ثبت أن تطبيق تقنية LLM-RAG لتحويل مدخلات حالات الأحداث الضائرة يمكن أن يؤدي إلى كسب في الكفاءة يصل إلى 65% وجودة واستخراج بيانات بنسبة 90%+ ودقة في التجارب المبكرة. إنه يمتلك تأثيرًا مذهلاً. يعرض هذا النظام نفسه حاليًا اتساقًا بنسبة 80-85% في الملخصات التي ينشئها لتطوير قصة حالة السلامة. وهذا كله دون أي تعرض سابق، بدءًا من الصفر.
إنه يوفر بالفعل الأساس لشركات الأدوية لتبسيط بعض عملياتها المعتمدة على البيانات بشكل كبير.
لقد حلت محل المخاوف بشأن الامتثال أو الموثوقية التي عرقلت اعتماد الأتمتة الذكية في السابق، رغبة قوية في اعتماد إصدارات جديدة من التكنولوجيا تعالج هذه المشكلات مباشرة وتوفر تحسينات قابلة للقياس في الإنتاجية والكفاءة.
"لتعزيز زخم التغيير، يجب على المؤسسات إنشاء فرق من رواد التبني المبكر لتشكيل نشر حالات استخدام الذكاء الاصطناعي التوليدي وإثبات قيمتها." ماكينزي.
لا تكتفِ بقراءة أخبار العملات الرقمية فحسب، بل افهمها. اشترك في نشرتنا الإخبارية. مجانية.
إخلاء مسؤولية. المعلومات المقدمة ليست نصيحة تداول. Cryptopolitan.com لا تتحمل أي مسؤولية عن أي استثمارات تتم بناءً على المعلومات المقدمة في هذه الصفحة. نوصي بشدة بإجراء بحث مستقل و/أو الاستعانة بمستشار مؤهل قبل اتخاذ أي قرارات استثمارية.
عامر شيخ
عامر صحفي تقني يتمتع بخبرة تزيد عن ست سنوات في مجالي العملات المشفرة والتقنية. تخرج من جامعة ماج بشهادة ماجستير في إدارة الأعمال بتخصص التمويل والتسويق. يعمل حاليًا مع موقع كربتوبوليتان، حيث يتناول أحدث التطورات في أسواق العملات المشفرة وتوقعات الأسعار.
