La inteligencia artificial (IA) ha traído muchos avances en diferentes campos, como el reconocimiento de voz, la comprensión de imágenes, la robótica y los vehículos autónomos, y ha abordado problemas que, según la creencia general, solo podía resolver la inteligencia humana. El ordenador para jugar al ajedrez llamado Deep Blue, el ordenador para responder preguntas llamado Watson y, recientemente, los coches sin conductor son ejemplos bien conocidos de diferentes máquinas de inteligencia artificial que llevan a cabo tareas humanas. La capacidad de «comprender» su entorno a través de cámaras digitales, o en otras palabras, de comprender imágenes, es uno de los principales requisitos de los vehículos autónomos. En esta publicación, mostramos cómo este aspecto aparentemente mágico de la IA se puede utilizar en la tecnología de inspección de productos farmacéuticos para garantizar la calidad.
CONTROL DE CALIDAD
El objetivo principal de la tecnología de inspección de productos farmacéuticos es garantizar la calidad del producto final, lo que se logra mediante una inspección meticulosa de cada producto. Hoy en día, hay una variedad de tipos de productos farmacéuticos disponibles, que van desde diferentes tamaños, formas y colores hasta diferentes opacidades, tal como se ilustra en la Imagen 1. La inspección visual de estos productos es una tarea importante y regulada, cuyo objetivo es evitar productos farmacéuticos defectuosos o de calidad deficiente mediante la detección de diversos defectos que surgen durante el proceso de producción. Los defectos que ocurren van desde críticos, que afectan el aspecto funcional del producto, como grietas, abolladuras, rayones y partículas extrañas, hasta defectos que simplemente afectan la apariencia visual del producto, como impurezas y manchas. La inspección visual automatizada se adapta a los requisitos de inspección de grandes cantidades y la variedad cada vez mayor de productos farmacéuticos, mediante máquinas especializadas y soluciones diseñadas para la detección de defectos. Sin embargo, para algunos problemas de inspección visual, diseñar soluciones complejas a veces puede resultar una tarea muy difícil o completamente imposible. La inspección visual de objetos translúcidos, como cápsulas transparentes y cápsulas blandas, entra en esta categoría. Debido a sus propiedades ópticas inherentes, que afectan a la complejidad visual general, la mayoría se inspeccionan manualmente por un operador humano.
Imagen 1: Tipos de productos farmacéuticos de diferentes tamaños, formas, colores y diferentes opacidades.
COMPRENSIÓN DE IMÁGENES
El avance tecnológico, es decir, el desarrollo de soluciones nuevas o la mejora de las existentes, se logra mediante el proceso de análisis crítico de las tecnologías emergentes. El sombrero mágico de la IA contiene muchos trucos diferentes. El truco más mágico de todos permite que una máquina de IA aprenda a comprender imágenes y se llama aprendizaje profundo (Deep Learning, DL). Aplicado en el contexto adecuado, el DL ha demostrado funcionar mejor que los enfoques existentes para resolver problemas muy complejos. Revelemos algo de la magia detrás de este truco aparentemente desconcertante de la IA y echemos un vistazo a cómo se puede obtener una solución basada en DL en el campo de la inspección de productos farmacéuticos en tres pasos importantes: especificar el problema de inspección con muestras físicas del producto, aprender a separar estas muestras e integrar la solución obtenida en una máquina de inspección.
1 ESPECIFICACIÓN DEL PROBLEMA – BASURA ENTRA, BASURA SALE
Existe un dicho muy conocido en el campo científico del Aprendizaje automático (Machine Learning) que dice «basura entra, basura sale», y se refiere a que, si se ha especificado mal un problema, la solución resultante será de baja calidad. El truco de magia de la IA no funcionará por sí solo: en realidad, nada funciona por sí solo.
Para obtener soluciones razonables a los problemas de inspección y control de calidad, el primer paso clave es involucrar al fabricante del producto farmacéutico y responder a la pregunta «¿qué está bien y qué está mal?». La respuesta se obtiene examinando manualmente y separando físicamente las muestras de un lote de producto que contenga muestras libres de defectos (buenas) y defectuosas (malas). Durante este proceso, los expertos en el campo de inspección, en colaboración con el fabricante del producto farmacéutico, tienen como objetivo determinar los defectos que ocurren habitualmente durante el proceso de producción o en una determinada etapa del proceso de producción. La especificación adecuada de las desviaciones aceptables y no aceptables del producto final esperado representa la base a partir de la cual se desarrolla una solución que sea capaz de cumplir con los requisitos de inspección y control de calidad.
2 APRENDER A SEPARAR – LO MALO DE LO BUENO
La pregunta «¿qué está bien y qué está mal?» la responden los humanos, utilizando sus ojos, su conocimiento y experiencia, y sus manos para separar físicamente las muestras de productos. Pero ¿cómo explicamos ahora a una máquina «cómo separar»? Aquí es donde entra en acción el truco mágico de aprendizaje de la IA.
Después de especificar el problema y dividir el lote del producto en muestras buenas (libres de defectos o aceptables) y malas (defectuosas o no aceptables), los expertos en el campo de la inspección capturan imágenes de muestras de productos mediante cámaras digitales utilizando una máquina de inspección de última generación. Además, se inspeccionan las imágenes de muestra recopiladas y se marcan todos los defectos visibles. En este paso se utiliza un enfoque basado en DL que analiza cada imagen capturada y «aprende» a separar las muestras buenas y malas. La propia fase de aprendizaje implica repetidas operaciones matemáticas y estadísticas para la construcción gradual de un hiperespacio complejo, a través del cual se logra la separación de las muestras. La Imagen 2 ilustra las similitudes y diferencias entre un enfoque humano y uno basado en DL para una tarea de separación. Sin embargo, puede que este enfoque por sí solo no siempre produzca el rendimiento requerido. Por tanto, se optimiza y rediseña la solución de forma más avanzada mediante el análisis de las muestras más problemáticas y los posibles casos de falla. En conjunto, estos pasos garantizan el desarrollo de una solución que sea capaz de abordar el problema de inspección especificado.
Imagen 2: Similitudes y diferencias entre un enfoque humano y uno basado en aprendizaje profundo para una tarea de separación.
3 INTEGRACIÓN DE SOLUCIONES: LA MÁQUINA DE IA
Llegados a este punto, se ha aprendido el conocimiento específico de «cómo separar» a partir de las muestras físicas divididas, utilizando un enfoque de IA para obtener una solución a un problema de separación. El paso siguiente es fusionar este conocimiento con una máquina de inspección para crear una máquina de IA.
La solución desarrollada se somete a pruebas rigurosas y solo después de una validación exitosa se integra en una máquina de inspección de última generación para productos farmacéuticos. Estas máquinas incluyen manipulación mecánica rápida, iluminación controlada, adquisición y análisis rápidos de imágenes y mecanismos confiables de detección y clasificación de defectos. Con soluciones especializadas de detección de defectos, estos sistemas de inspección altamente eficientes contribuyen al proceso de producción llevando a cabo un control de calidad exhaustivo de cada producto, separando los productos de calidad inferior y garantizando un grado de calidad confiable para el producto final.
HUMANO VS. MÁQUINA DE IA
Una máquina de IA de última generación imita a un ser humano reemplazando los ojos con cámaras digitales, las manos con manipuladores mecánicos y los conocimientos específicos con IA. Además de un rendimiento más rápido, estas soluciones totalmente automatizadas brindan un mayor grado de confiabilidad y objetividad en comparación con la inspección manual propensa a errores humanos, lo cual se vuelve cada vez más evidente en operaciones más largas. En la siguiente publicación se explica y comprueba lo preciso e imparcial que puede ser un sistema de visión artificial en comparación con el ojo humano para el control de calidad visual.
La inspección visual automatizada cumple los requisitos de inspección de grandes cantidades, mientras que la IA brinda la capacidad de resolver problemas de inspección complejos causados por la creciente variedad de productos farmacéuticos y de los que algunos solo se abordaban mediante inspección manual. En Sensum, desarrollamos y fabricamos máquinas automatizadas de última generación para la inspección visual, un proceso identificado como uno de los que requiere más mano de obra en la producción farmacéutica de cápsulas blandas y formatos farmacéuticos sólidos. Las máquinas Sensum ayudan a las empresas farmacéuticas a lograr una autonomía operativa y permiten a los operadores centrarse en tareas de mayor valor añadido. Además, debido a su naturaleza intrínsecamente no invasiva, ayudan a reducir la interacción humana innecesaria, lo que puede resultar en importantes beneficios para la salud, como se explica en la siguiente publicación.
En última instancia, estos sistemas y soluciones están diseñados para ayudar a los fabricantes farmacéuticos a garantizar la calidad del producto final, que se logra mediante la inspección meticulosa de cada producto. Aunque algunos de los trucos para resolver problemas de inspección complejos pueden parecer magia a primera vista, no olvidemos que el sombrero mágico de la IA, que contiene los trucos de magia, fue elaborado por un humano.
Este artículo fue publicado originalmente por Domen Rački, en uno de sus artículos en LinkedIn:
https://www.linkedin.com/pulse/artificial-intelligence-pharmaceutical-inspection-technology
Similar posts
