Der Blätterkatalog benötigt Javascript.
Bitte aktivieren Sie Javascript in Ihren Browser-Einstellungen.
The Blätterkatalog requires Javascript.
Please activate Javascript in your browser settings.
der Auftraggeber entsprechen Hierfür sichtet eine Person jedes erzeugte Massenspektrum und beurteilt ob die Peaks dem zu erwartenden Bild entsprechen oder ob es außergewöhnliche Peaks gibt Bei Microsynth fallen pro Tag bis zu 2 000 Messungen an die innerhalb weniger Stunden und vor dem Versand der Oligopeptide begutachtet werden müssen – eine wichtige Arbeit aber auch ein hoher Zeitund Kostenfaktor Die Verantwortlichen stellten sich deshalb die Frage ob eine KI die Qualitätskontrolle unterstützen oder sogar automatisiert übernehmen könnte Die Idee Eine KI prüft die Messergebnisse und „holt“ nur dann menschliche Unterstützung zu Hilfe falls die Kontrolle nicht den Erwartungen entspricht So würde die KI den Bewertungsprozess beschleunigen und die menschlichen Expertinnen und Experten hätten mehr Zeit für andere wertschöpfende Arbeiten Microsynth hat von den beauftragten Data Scientists ein positives Feedback zur Machbarkeit eines KI-Tools und eine Hausaufgabe bekommen Es bedarf Daten Damit die gewünschte KI später die Massenspektren eigenständig beurteilen kann benötigt sie Spektren verschiedenster Oligopeptide als Datenbasis So lernt sie was korrekte Ergebnisse sind und welche Ergebnisse von der Norm abweichen Die Erstellung der Datenbasis ist zwar mit Arbeit verbunden zahlt sich aber mit umso präziseren KI-Ergebnissen aus Naheliegend ist die Daten der vielen täglichen Messungen nun systematisch zu speichern und mit den Labels „korrektes Spektrum“ oder „auffälliges Spektrum“ zu versehen Möglicherweise kann aber auch ein von Google entwickeltes KI-Modell zur Vorhersage von Massenspektren unterstützen AUTOREN Dr Daniela Franz Dr Stefano Signoriello Patrick Kraus infoteam Software AG Bubenreuth Tel 09131 78 00-0 info@infoteam de www infoteam de 20 www labo de 4 2023 Labor 4 0 | Laborautomation und IT Praxisbeispiel für KI im Labor Vorhersage von Ereignissen Ergebnissen und Wahrscheinlichkeiten – Systeme künstlicher Intelligenz können anhand gespeicherter Daten aus der Vergangenheit sogenannte historische Daten lernen Muster und Zusammenhänge in den Daten zu erkennen Mit dem erworbenen „Wissen“ können solche Systeme nun Ereignisse Ergebnisse und Wahrscheinlichkeiten für die Zukunft vorhersagen Ein Beispiel hierfür ist Predictive Maintenance also vorausschauende Wartung Kunden eines Geräteherstellers meldeten immer wieder plötzliche Geräteausfälle Die betroffenen Geräte konnten so lange nicht genutzt werden bis ein Techniker vor Ort den Schaden behoben hatte Die Techniker stellten in allen Fällen die gleiche Ursache fest Eine stromführende Schraubverbindung lockerte sich aufgrund von Vibrationen sukzessive im laufenden Betrieb was wiederum zu steigenden Temperaturen an der Verbindung führte Die Folgen waren Stromunterbrechungen und thermische Schäden im Gerät In den Geräten hat der Gerätehersteller bereits eine Vielzahl von Temperatursensoren verbaut Sie schicken stetig Betriebsdaten von den weltweit im Einsatz befindlichen Geräten an den Gerätehersteller – sowohl in Phasen des störungsfreien Betriebs als auch in Phasen in denen sich die Schraubverbindung lockert und das Gerät letztlich ausfällt Anhand der historischen Daten konnten Data Scientists ein System künstlicher Intelligenz trainieren das die Gerätetemperatur in Abhängigkeit der Nutzungsform für den Normalbetrieb vorhersagt Diese von der KI vorhergesagte Temperatur vergleicht eine Software mit der tatsächlich gemessenen Temperatur und identifiziert signifikante Abweichungen anhand der Gerätenutzung und nicht durch Überschreiten eines festgelegten Grenzwerts Diese Ausfallvorhersage nutzt der Gerätehersteller indem er seinen Kunden einen optionalen Wartungsservice für störungsfreien Betrieb anbietet So schickt er frühzeitig bevor es zu einem Geräteausfall kommt seine Techniker zum Kunden die das Gerät warten und die Schraubverbindung fixieren Diese Wartung ist für die Gerätenutzer planbar und dank weniger ungeplanter Ausfälle steigen die Verfügbarkeit und Produktivität der Geräte ebenso wie die Zufriedenheit der Kunden als Gerätenutzer Quelle infoteam Software