L’intelligence artificielle (IA) a apporté de nombreuses avancées dans différents domaines, tels que la reconnaissance vocale, la compréhension des images, la robotique et les véhicules autonomes, abordant des problèmes dont on pensait que seule l’intelligence humaine pouvait résoudre. L’ordinateur jouant aux échecs et nommé Deep Blue, l’ordinateur de réponse aux questions baptisé Watson et, récemment, les voitures autonomes, sont des exemples bien connus de différentes machines IA effectuant des tâches humaines. La capacité de « comprendre » leur environnement via des appareils photo numériques ou en d’autres termes, de comprendre des images, est l’une des principales exigences des voitures autonomes. Dans cet article, nous démontrons comment cet aspect apparemment magique de l’IA peut être utilisé dans la technologie d’inspection pharmaceutique à des fins d’assurance qualité.
ASSURANCE QUALITÉ
L’objectif principal de la technologie d’inspection pharmaceutique est l’assurance qualité du produit final, obtenue grâce à une inspection méticuleuse de chaque produit. De nos jours, une grande variété de types de produits pharmaceutiques sont disponibles, de différentes tailles, formes, couleurs et opacités, comme l’illustre la Figure 1. L’inspection visuelle de ces produits est une tâche importante et réglementée, dans laquelle le processus d’inspection vise à éviter les produits pharmaceutiques défectueux ou de qualité inférieure en détectant les défauts survenant au cours du processus de production. Les possibles défauts vont des défauts critiques, qui affectent l’aspect fonctionnel du produit, comme les fissures, les bosses, les rayures et les particules étrangères, aux défauts qui affectent simplement l’apparence visuelle du produit, comme les impuretés et les taches. L’inspection visuelle automatisée répond aux exigences d’inspection de grandes quantités et d’une variété toujours croissante de produits pharmaceutiques, au moyen de machines spécialisées et de solutions techniques de détection des défauts. Cependant, pour certains problèmes d’inspection visuelle, l’ingénierie de solutions complexes peut parfois s’avérer une tâche très difficile, voire totalement impossible. L’inspection visuelle des objets translucides, tels que les capsules transparentes et les gélules, entre dans cette catégorie. En raison de leurs propriétés optiques inhérentes, qui affectent la complexité visuelle globale, celles-ci sont généralement inspectées manuellement par un opérateur humain.
Figure 1 : Types de produits pharmaceutiques de différentes tailles, formes, couleurs et opacités.
COMPRENDRE LES IMAGES
Le progrès technologique, c’est-à-dire le développement de nouvelles solutions ou l’amélioration de solutions existantes, est réalisé via le processus d’analyse critique des technologies émergentes. Le chapeau magique de l’IA contient de nombreuses astuces différentes et la plus magique de toutes, le Deep Learning (DL), permet à une machine IA d’apprendre à comprendre les images. Bien appliqué, le DL s’est avéré plus performant que les approches existantes pour résoudre des problèmes très complexes. Révélons un peu la magie derrière cette astuce déconcertante de l’IA et voyons comment une solution basée sur le DL dans le domaine de l’inspection pharmaceutique peut être obtenue en trois étapes critiques, à savoir : spécifier le problème d’inspection avec des échantillons physiques de produits ; apprendre à séparer ces échantillons ; et intégrer la solution obtenue dans une machine d’inspection.
1 SPÉCIFICATION DU PROBLÈME : TELLES ENTRÉES, TELLES SORTIES
Il existe un dicton bien connu dans le domaine scientifique du Machine Learning, à savoir « telles entrées, telles sorties », qui fait référence au fait que si un problème est mal spécifié, la solution qui en résultera sera de mauvaise qualité. Le tour de magie de l’IA ne fonctionne pas tout seul : rien ne fonctionne vraiment tout seul.
Afin d’obtenir des solutions raisonnables aux problèmes d’inspection et de contrôle qualité, la première étape cruciale consiste à impliquer le fabricant du produit pharmaceutique et à répondre à la question « qu’est-ce qui est bon et qu’est-ce qui est mauvais ? ». La réponse est obtenue en examinant manuellement et en séparant physiquement les échantillons d’un lot de produits, composé d’échantillons sans défaut (bons) et défectueux (mauvais). Au cours de ce processus, les experts du domaine d’inspection, en coopération avec le fabricant du produit pharmaceutique, visent à déterminer les défauts qui surviennent fréquemment au cours du processus de production ou à une certaine étape du processus de production. La spécification appropriée des écarts acceptables et non acceptables par rapport au produit final attendu constitue la base à partir de laquelle une solution est développée, capable de répondre aux exigences d’inspection et de contrôle qualité.
2 APPRENDRE À SÉPARER – LE MAUVAIS DU BON
À la question « qu’est-ce qui est bon et qu’est-ce qui est mauvais ? », les humains répondent en utilisant leurs yeux, leurs connaissances et leur expérience, ainsi que leurs mains pour séparer physiquement les échantillons de produits. Comment expliquer à une machine cette connaissance du « comment séparer » ? C’est ici que le tour d’apprentissage magique de l’IA entre en action.
Une fois le problème spécifié et le lot d’échantillons de produits divisé en échantillons bons (sans défaut ou acceptables) et mauvais (défectueux ou non acceptables), les experts du domaine d’inspection capturent des images d’échantillons de produits via des caméras numériques à l’aide d’une machine d’inspection de pointe. Les échantillons d’images collectés sont ensuite inspectés et tous les défauts visibles sont marqués. À ce stade, une approche basée sur le DL est utilisée et examine chaque image capturée pour « apprendre » la séparation des bons et des mauvais échantillons. La phase d’apprentissage elle-même implique des opérations mathématiques et statistiques répétées pour la construction progressive d’un hyperespace complexe, par lequel la séparation des échantillons est réalisée. La Figure 2 illustre les similitudes et les différences entre une approche humaine et une approche basée sur le DL pour une tâche de séparation. Cependant, étant donné que cette approche à elle seule ne donne pas toujours les performances requises, une ingénierie et une optimisation plus approfondies de la solution sont mises en place, les échantillons les plus problématiques et les cas de défaillance potentiels étant en outre analysés. Ensemble, ces étapes garantissent le développement d’une solution capable de résoudre le problème d’inspection spécifié.
Figure 2 : Similitudes et différences entre une approche humaine et une approche basée sur le Deep Learning pour une tâche de séparation.
3 INTÉGRATION DE LA SOLUTION – LA MACHINE AI
À ce stade, les connaissances spécifiques sur « comment séparer » ont été acquises à partir d‘échantillons physiques divisés, en utilisant une approche d’IA afin d’obtenir une solution à un problème de séparation. L’étape restante consiste à fusionner ces connaissances avec une machine d’inspection, pour donner naissance à la machine IA.
La solution développée est soumise à des tests rigoureux et n’est intégrée qu’après une validation réussie dans une machine d’inspection de pointe pour les produits pharmaceutiques. Ces machines intègrent une manipulation mécanique rapide, un éclairage contrôlé, une acquisition et une analyse d’images rapides ainsi que des mécanismes fiables de détection et de tri des défauts. Grâce à des solutions spécialisées de détection des défauts, ces systèmes d’inspection très efficaces facilitent le processus de production en effectuant un contrôle qualité soutenu sur chaque produit, en triant les produits de qualité inférieure et en garantissant un niveau de qualité fiable pour le produit final.
HUMAIN CONTRE MACHINE IA
Une machine IA de pointe imite un humain en remplaçant ses yeux par des caméras numériques, ses mains par des manipulateurs mécaniques et ses connaissances spécifiques par l’IA. En plus de performances plus rapides, ces solutions entièrement automatisées offrent un degré plus élevé de fiabilité et d’objectivité par rapport à l’inspection manuelle sujette aux erreurs humaines, ce qui devient de plus en plus évident lors de cycles opérationnels plus longs. Lisez, dans l’article suivant, les risques de l’inspection manuelle et découvrez à quel point un système de vision industrielle peut être comparé avec précision et impartialité à un œil humain pour le contrôle qualité.
L’inspection visuelle automatisée répond aux exigences d’inspection de grandes quantités, tandis que l’IA permet de résoudre les problèmes d’inspection complexes d’une variété toujours croissante de produits pharmaceutiques, dont certains n’étaient auparavant résolus que par une inspection manuelle. Chez Sensum, nous développons et fabriquons des machines automatisées de pointe pour l’inspection visuelle, un processus qui a été identifié comme l’un des plus exigeants en main-d’œuvre dans la production pharmaceutique de gélules et de formes posologiques solides. Les machines Sensum aident les entreprises pharmaceutiques à atteindre une autonomie opérationnelle et permettent aux opérateurs de se concentrer sur des tâches à plus forte valeur ajoutée. De plus, en raison de leur caractère non invasif inhérent, elles contribuent à réduire les interactions humaines inutiles, ce qui peut se traduire par des avantages significatifs pour la santé, comme expliqué dans l’article suivant.
En fin de compte, ces systèmes et solutions sont conçus pour aider les fabricants pharmaceutiques à garantir la qualité du produit final, grâce à une inspection méticuleuse de chaque produit. Et même si certaines astuces permettant de résoudre des problèmes d’inspection difficiles peuvent paraître magiques à première vue, n’oublions pas que les tours de magie de l’IA ont été conçus par un humain.
Cet article a été initialement publié par Domen Rački, dans l’un de ses articles sur LinkedIn :
https://www.linkedin.com/pulse/artificial-intelligence-pharmaceutical-inspection-technology
Similar posts
