Skip to content

Zašto pametni laboratorij prvo mora povezati svoje podatke?

Jednostavno rečeno

U laboratoriju se važne informacije često nalaze u različitim programima koji ne razmjenjuju podatke dovoljno dobro. Zbog toga se posao može usporiti, a detalje treba tražiti ili prepisivati. Kada su sistemi i koraci povezani, lakše je pratiti šta se dešava, a alati umjetne inteligencije mogu dobiti jasniju sliku i pružiti korisniju pomoć.

O umjetnoj inteligenciji u laboratorijima govori se sve više, ali samo uvođenje novog alata ne znači da će se posao odmah poboljšati. Da bi pametan sistem pružio korisnu pomoć, mora razumjeti šta se oko njega dešava: koji je korak završen, koje su informacije s njim povezane i šta bi trebalo uslijediti. Ako je ta slika rasuta po različitim programima i procedurama, umjetna inteligencija može biti prisutna u tehničkom smislu, a da pritom ne razumije kontekst potreban za korisne rezultate.

Upravo je to tema razgovora u podcastu GEN, u trećoj epizodi serijala posvećenog ovom pitanju. Denise Bell, potpredsjednica za upravljanje proizvodima i marketing u kompaniji LabVantage, govori o tome kako smanjiti rascjepkanost rada i izgraditi povezane laboratorijske procese koji se mogu proširivati. Važnost ove ideje ne svodi se na uvođenje dodatnih digitalnih alata. Ona počinje od načina na koji su povezani sistemi i koraci od kojih zavisi svakodnevni naučni rad.

Kada je slika rada rasuta po različitim sistemima

U laboratoriju informacija obično nije samo izdvojen broj. Može biti povezana s rezultatom nekog mjerenja, uzorkom ili procedurom koja joj je prethodila ili slijedi nakon nje. Da bi se informacija pravilno razumjela, potrebno je znati odakle potiče i gdje se uklapa u tok rada. Kada različiti sistemi čuvaju samo pojedine dijelove te slike, teže ih je povezati i razumjeti njihov odnos.

Ovaj problem opisuje se kao postojanje informacijskih ostrva: podaci postoje, ali su praktično zatvoreni u sistemima koji međusobno ne razmjenjuju dovoljno konteksta. To ne znači nužno da su podaci izgubljeni. Mogu biti sačuvani, ali se ne povezuju automatski s informacijama iz druge faze rada, niti im je uvijek lako pristupiti. Zbog toga osoba koja prelazi s jednog koraka na drugi može iznova tražiti podatke ili ih ručno prenositi, umjesto da ih pronađe u samom toku rada.

Takva razdvojenost utiče i na značenje podataka i na to koliko ih je lako koristiti. Rezultat prikazan na jednom mjestu možda sam po sebi ne pokazuje šta mu je prethodilo niti kako se odnosi prema postupku koji se odvija negdje drugo. Što je više potrebno sastavljati cjelinu iz odvojenih izvora, to razumijevanje ukupnog stanja više zavisi od usklađivanja sistema i ljudi. Zato povezivanje nije samo tehničko pitanje: ono pomaže da se sačuva naučni i operativni kontekst dok posao prelazi iz jedne faze u drugu.

Ručna predaja zadatka: mali korak koji može poremetiti tok rada

Jedan od znakova rascjepkanosti jeste ručno prenošenje zadatka ili informacije iz jedne faze u drugu. Takav prijenos može djelovati jednostavno, ali uvodi dodatnu tačku na kojoj je potrebna ljudska pažnja: prava informacija mora stići na pravo mjesto i biti shvaćena u kontekstu narednog koraka. Što se tok rada više oslanja na takve predaje, veća je mogućnost kašnjenja ili greške pri prenošenju detalja, na šta ukazuje razgovor.

To ne znači da je svaki ljudski doprinos nepoželjan niti da je moguće ili primjereno automatizirati svaki zadatak. Važno je prepoznati ponavljajuće aktivnosti koje razdvajaju sisteme, a same po sebi ne doprinose naučnom radu. Ako svaki put treba ponovo unositi podatke koji već postoje ili ručno provjeravati status prethodnog koraka, povezivanje procesa može smanjiti taj teret i učiniti tok rada jasnijim.

Kada je manje potrebe za ručnim prenošenjem informacija, tok rada može postati ujednačeniji i lakši za praćenje. Ipak, to se ne postiže samim dodavanjem funkcije umjetne inteligencije. Najprije treba utvrditi gdje se javljaju predaje, koje informacije treba prenijeti i koji sistemi treba da ih razmjenjuju. Bez takvog uvida, novi alat može se uvesti u proces koji je i dalje rascjepkan, pa će osnovni problem ostati prisutan uprkos promjeni korisničkog interfejsa.

Četiri vrste sistema u jedinstvenom okruženju za rad

U razgovoru se govori o povezivanju četiri vrste sistema u jedinstveno okruženje za obavljanje laboratorijskog rada. Prvi je sistem za upravljanje laboratorijskim informacijama, poznat pod skraćenicom LIMS, koji služi za organizaciju informacija i laboratorijskih procesa. Drugi je elektronski laboratorijski dnevnik ELN, digitalni prostor za bilježenje naučnog rada. Sistem za izvođenje laboratorijskih procedura, LES, usmjeren je na korake u njihovom izvođenju, dok se sistem za upravljanje naučnim podacima, SDMS, bavi organizacijom tih podataka.

Svaki od ovih sistema ima drugačiju ulogu. Zato jedinstveno okruženje ne znači da njihove funkcije postaju iste niti da jedan sistem zamjenjuje sve ostale. Ideja je da komponente rade zajedno, umjesto da ih korisnici doživljavaju kao nepovezana ostrva. Kada su bilježenje rada, informacije o njemu, koraci izvođenja i podaci međusobno povezani, lakše je sagledati kako se pojedini dijelovi procesa odnose jedni prema drugima.

Prednost ovakvog povezivanja jeste to što se kontekst rada ne zaustavlja na granici pojedinog programa. Informacija potrebna za određeni dio procesa može biti povezana s odgovarajućim korakom, a poznavanje stanja procesa može pomoći da se odredi šta slijedi. To opisuje pravac o kojem se govori u izvoru, a ne obećanje da će svako povezivanje automatski ukloniti greške. Kvalitet organizacije, dizajna i primjene i dalje je važan u svakom digitalnom okruženju.

Zato je važno uskladiti tok rada kroz različite laboratorijske funkcije. Umjesto da se o svakom sistemu razmišlja kao o zasebnom alatu, treba postaviti nekoliko pitanja: kojim redom se zadaci obavljaju, šta svaki dio procesa treba da zna i gdje informacije treba prenijeti kako ne bi izgubile svoje značenje? Odgovori na ta pitanja pomažu da se osmisli povezano okruženje za rad i pokažu mjesta na kojima se može smanjiti ručno prenošenje podataka i ponavljanje pretrage.

Zašto je umjetnoj inteligenciji potreban kontekst?

Alat umjetne inteligencije može obrađivati informacije koje su mu dostupne, ali korisnost njegove pomoći zavisi i od toga koliko je jasno na šta se te informacije odnose. Ako dobije podatke koji nisu smisleno povezani s tokom rada, njegova sposobnost da pruži odgovarajuću podršku može biti ograničena. Kada su, međutim, podaci povezani s koracima i funkcijama iz kojih potiču, alat bolje prepoznaje okolnosti rada kojem treba pomoći.

Zato se u razgovoru mogućnost korištenja umjetne inteligencije povezuje s načinom na koji su organizirani laboratorijski procesi. Naučni kontekst pokazuje kako je neka informacija povezana s radom iz kojeg je nastala, dok operativni kontekst određuje njeno mjesto u nizu zadataka. Kada su oba prisutna, alati umjetne inteligencije imaju bolju osnovu za pružanje pomoći nego kada rade s rasutim informacijama čije veze nisu jasne.

Ovdje je posebno važna i pouzdanost. Laboratoriju nije dovoljan odgovor koji samo zvuči pametno; potrebna mu je pomoć čija se osnova može razumjeti u okviru procesa u kojem se koristi. Izvor ne navodi brojčane pokazatelje tačnosti ili pouzdanosti, niti opisuje rezultate određene studije. Umjesto toga, iznosi opće načelo: povezivanje sistema i usklađivanje toka rada pružaju kontekst potreban da bi se digitalna pomoć mogla lakše koristiti i proširivati.

Proširivanje primjene ne znači samo pokretanje alata na jednoj lokaciji ili u okviru jednog zadatka. Kada je temelj rada povezan, lakše je razmišljati o njegovoj primjeni u drugim funkcijama i procesima jer informacije manje zavise od privremenih rješenja između sistema. Ipak, sama povezanost ne garantuje uspjeh. Ona stvara povoljnije uslove, dok izbor odgovarajuće primjene i način na koji se ona uvodi i dalje zahtijevaju pažljivo planiranje.

Odakle laboratorij može početi?

U razgovoru se razmatraju praktični načini za početak primjene umjetne inteligencije, ali dostupni opis ne donosi konkretan spisak koraka. Iz samog problema ipak se može izvesti opći pravac, bez pripisivanja gošći detaljnih preporuka koje nisu navedene: najprije treba razumjeti postojeće tokove rada, a ne pretpostaviti da će kupovina novog alata sama riješiti sve prepreke u radu.

Laboratorij može prikazati put zadatka od početka do kraja i provjeriti gdje se informacije bilježe, gdje se ponovo unose i na kojim mjestima kontekst nestaje pri prelasku iz jednog sistema u drugi. Takva provjera pomaže da se utvrdi priroda problema: nedostaju li informacije, teško im je pristupiti ili nije jasno kako se postojeći podaci povezuju s korakom koji od njih zavisi? Kada se tačno utvrdi gdje nastaje zastoj, razgovor o povezivanju postaje konkretniji.

Zatim je korisno posmatrati sisteme prema njihovoj funkciji, a ne samo prema nazivu. Koje informacije čuva sistem za upravljanje laboratorijskim podacima? Kako se elektronski laboratorijski dnevnik povezuje s koracima izvođenja? Gdje se nalaze naučni podaci koje treba razumjeti i tokom procesa? Ne postoji jedan odgovor koji odgovara svakom laboratoriju, ali ovakva pitanja pomažu da se odredi koje informacije sistemi treba da razmjenjuju kako bi se smanjile praznine.

Vrijedi razlikovati i dva povezana, ali ne ista cilja: poboljšanje toka rada i uvođenje umjetne inteligencije. Pregled procesa može pokazati da neke zadatke najprije treba bolje organizirati ili povezati. Kada se razjasne odnosi između podataka i koraka, lakše je procijeniti gdje pametni alati zaista mogu pomoći, umjesto da se koriste samo zato što je tehnologija dostupna. Tako umjetna inteligencija postaje dio razumljivog procesa, a ne sloj odvojen od njega.

Povezanost je temelj, a ne čarobni prečac

Izraz jedinstveno okruženje može stvoriti utisak da je rješenje jednostavno, ali povezivanje ne znači samo smjestiti sve na jedno mjesto. Važnije je da se informacije mogu pratiti i razumjeti dok prelaze između zadataka i sistema. Ako se alati objedine, a ne riješi način na koji razmjenjuju podatke i kontekst, rascjepkanost može ostati prisutna i u novom rasporedu.

Razgovor ne obećava da će umjetna inteligencija ukloniti sve greške ili skratiti svaku proceduru. U središtu su koraci koji prethode njenoj uspješnoj primjeni: smanjivanje rascjepkanosti, usklađivanje rada, manje ručnog prenošenja i povezivanje osnovnih laboratorijskih alata. Ti koraci stvaraju uslove da digitalna pomoć bude bolje prilagođena stvarnom radu laboratorija, ali ne zamjenjuju razumijevanje njegovih potreba ni procjenu toga šta mu odgovara.

Očuvanje konteksta nije važno samo za alate. I ljudima koji rade u laboratoriju treba jasniji uvid u vezu između informacija i pojedinih koraka, kao i tok rada koji smanjuje potrebu za prelaskom između odvojenih izvora. Kada je proces bolje povezan, lakše je pratiti rad i razumjeti gdje se svaka informacija uklapa. U tom smislu, umjetna inteligencija je dio šire promjene u organizaciji procesa, a ne zamjena za njihovo uređivanje.

Zaključak

Glavna poruka razgovora s Denise Bell u trećoj epizodi podcasta GEN jeste da je potrebno urediti temelje na kojima će umjetna inteligencija raditi u laboratoriju. Nepovezani sistemi mogu držati informacije na različitim mjestima i uskratiti im dio konteksta, dok ručno prenošenje podataka oduzima vrijeme i otvara mogućnost greške. Prema iznesenom pristupu, usklađivanje toka rada i povezivanje sistema LIMS, ELN, LES i SDMS u jedinstveno laboratorijsko okruženje može pružiti jasniji naučni i operativni kontekst.

Izvor ne donosi brojčane podatke ni kvantitativne rezultate, niti navodi detaljan plan primjene, ali iznosi jasno načelo: razmišljanje o umjetnoj inteligenciji ne treba početi samo od izbora alata. Potrebno je razumjeti tokove rada, smanjiti informacijska ostrva i olakšati prijenos podataka. Ti koraci stvaraju osnovu za korisniju pomoć koja se može primijeniti u većem obimu. Kada se ta osnova pažljivo izgradi, važnije pitanje više nije samo da li umjetna inteligencija postoji u laboratoriju, nego kako je uključiti tamo gdje može razumjeti rad i pružiti mu podršku.