Intelligence artificielle et apprentissage automatique : Une nouvelle frontière

Home » Blog » Intelligence artificielle et apprentissage automatique : Une nouvelle frontière

Intelligence artificielle et apprentissage automatique : Une nouvelle frontière

Alors que le monde de tous les jours est immergé dans la technologie et que nous devenons de plus en plus dépendants des ordinateurs pour nous aider dans nos tâches quotidiennes, le domaine des sciences de la vie suit la même voie en utilisant l’intelligence artificielle (IA). Les entreprises biologiques, en particulier celles qui fournissent des produits destinés à la vente, comme les équipements médicaux, ou celles du secteur des services, commencent à s’appuyer sur l’IA pour accroître l’efficacité de leurs performances.

En fait, les entreprises qui ont participé à l’enquête annuelle McKinsey Analytics 2020 sur l’état de l’IA[1] ont fait état d’une augmentation de 60 à 80 % de leur chiffre d’affaires, tant dans les services de marketing que dans ceux des ventes et des services, grâce à l’adoption de pratiques d’IA. Les utilisateurs d’IA les plus performants ont déclaré que l’IA fournit des résultats plus efficaces et efficients lorsqu’il existe des stratégies bien conçues et exécutées pour adopter la technologie, un personnel correctement formé et éduqué pour superviser la gestion de l’IA, et que des mises à jour et des données appropriées sont fournies à l’IA pour lui permettre de travailler de manière optimisée.

Le pour et le contre de l’intelligence artificielle

L’un des avantages les plus importants de l’adoption de programmes d’IA est le niveau de personnalisation autorisé pour les besoins individuels d’une entreprise. Les besoins en matière de données et de production d’une entreprise de recherche médicale sont très différents de ceux d’un laboratoire de systèmes environnementaux. L’IA permet aux entreprises de personnaliser leurs exigences spécifiques, que ce soit sur le front numérique de la gestion et du stockage des données ou dans le domaine physique des machines utilisées pour la production et la fabrication. La plupart des entreprises qui utilisent l’IA jugent également préférable et possible de former leurs propres techniciens informatiques pour mettre en œuvre, gérer et dépanner le système, ce qui s’avère plus rentable que de faire appel à des experts externes.

Malgré tous les avantages liés à l’adoption de pratiques d’IA, il existe toujours des risques à laisser des systèmes générés par ordinateur prendre en charge la production et l’application d’aspects vitaux d’une entreprise des sciences de la vie. La cybersécurité, le respect des réglementations et la protection de la vie privée restent les principaux risques liés à un programme d’IA. La prise en compte de ces risques semble placer les entreprises biologiques dans deux camps différents : 1. celles qui sont prêtes à prendre des risques et à s’efforcer de les atténuer pour utiliser l’IA ou 2. celles qui ne sont pas à l’aise avec le niveau de risque et qui choisissent donc de ne pas utiliser l’IA.

Les entreprises qui choisissent de mettre en œuvre des systèmes d’IA constatent généralement que les avantages l’emportent sur les risques si elles consacrent le temps et les ressources nécessaires pour comprendre le fonctionnement du système et les avantages qu’il peut offrir.

Les niveaux d’intelligence artificielle

Dans sa forme la plus élémentaire, l’intelligence artificielle peut effectuer des tâches simples et suivre des hypothèses logiques de base telles que “Si X est vrai, alors Y devrait se produire”. Cependant, à mesure que la technologie progresse, cette application simpliste devient rapidement obsolète. Des études ont montré que le cerveau humain peut interpréter des équations plus compliquées que celles qu’un système d’IA de base peut gérer[2].

L’apprentissage automatique (ML) fait passer l’intelligence artificielle au niveau supérieur. En construisant des modèles basés sur des données empiriques, l’apprentissage automatique peut s’attaquer à des problèmes plus complexes et multidimensionnels. Ainsi, grâce à la mise en œuvre du ML, nous pouvons réaliser de nouvelles technologies telles que les voitures à conduite autonome et les systèmes intelligents à commande vocale comme Alexa et Siri.

L’apprentissage automatique repose sur un processus en quatre étapes dans lequel les données sont d’abord acquises à des fins de modélisation et de formation. Ensuite, les données sont normalisées pour construire et utiliser le modèle à travers lequel de multiples itérations sont exécutées. Enfin, des modèles et des prédictions sont établis en interprétant et en déterminant les modèles révélés par les résultats des exécutions du modèle.

Apprentissage automatique avancé

La technologie progressant chaque jour de manière exponentielle, l’apprentissage automatique avancé, également connu sous le nom d’apprentissage profond, devient non seulement possible, mais commence également à être appliqué aux domaines des sciences de la vie tels que la recherche sur les cultures et les produits pharmaceutiques. L’apprentissage profond (DL) est le processus par lequel une IA va au-delà de l’interprétation et de l’analyse d’ensembles de données et commence à formuler de nouvelles solutions et de nouvelles façons d’aborder les problèmes scientifiques. Ces programmes d’apprentissage profond ont déjà prouvé leur utilité dans le domaine des sciences de la vie. Par exemple, un programme d’IA appelé DeepMind a résolu le mystère de la prédiction du repliement tridimensionnel des protéines, une question scientifique restée sans réponse pendant plus de cinquante ans.

Les implications de ce type de technologie pour les domaines des sciences de la vie permettent une recherche et un développement assistés par l’intelligence artificielle, un apprentissage automatique actif lors de la mise en œuvre des processus de production, et l’accès à un niveau d’efficacité que les humains seuls ne pourraient atteindre. En plus de la capacité de calcul de l’apprentissage automatique pour aider la recherche, les systèmes de gestion des informations de laboratoire (LIMS) peuvent travailler de manière cohérente avec l’intelligence artificielle, notamment dans le but de gérer efficacement les données pour des flux de travail complexes.

Dans l’ensemble, les entreprises des sciences de la vie qui choisissent de mettre en œuvre des pratiques d’IA sont récompensées par les résultats, en particulier à la lumière de la pandémie de COVID-19.

Comment la pandémie de COVID-19 a changé notre attitude à l’égard de l’IA

Depuis 2020 et la fermeture d’innombrables entreprises en raison de la pandémie de COVID-19, l’IA est plus facilement acceptée dans les domaines de la production et du développement[3]. La nécessité de maintenir la production des entreprises essentielles, en particulier dans les secteurs médical, pharmaceutique et énergétique, est apparue clairement lorsque la pandémie a contraint les travailleurs à rester chez eux et que la production a ralenti, voire s’est arrêtée, pour la plupart des entreprises.

Avec l’avènement de l’IA et des machines de production automatisées capables d’apprendre des programmes et d’exécuter des fonctions de production historiquement mises en œuvre par des êtres humains, le besoin de corps vivants dans les ateliers de production a considérablement diminué. En outre, le stockage et la gestion des données peuvent être gérés à distance grâce à un LIMS relié au cloud, de sorte que la gestion des données sur site et la nécessité d’un stockage manuel encombrant des données ont été éliminées. Cela permet aux entreprises de réduire leurs coûts et de maintenir un taux de production élevé malgré les urgences qui peuvent obliger les gens à ne pas se rendre physiquement au travail.

La pandémie de COVID-19 a également mis en lumière la nécessité de processus tels que l’identification précise des maladies, la prévision des épidémies, tant sur le plan géographique que temporel, ainsi que le développement et la fabrication rapides de vaccins efficaces. L’utilisation de l’intelligence artificielle permet de répondre à tous ces besoins et d’atteindre un degré d’efficacité supérieur à celui qui est actuellement atteint.

Non seulement des programmes d’IA simples sont mis en œuvre, mais l’apprentissage automatique – un niveau supérieur d’intelligence artificielle capable de calculer des algorithmes plus complexes et d’utiliser un raisonnement prédictif – est également devenu une technologie en plein essor avec de nombreuses utilisations prometteuses.

La recherche pharmaceutique comme modèle d’application de l’apprentissage automatique

La recherche pharmaceutique n’a jamais été aussi cruciale, en particulier à la lumière de la récente pandémie de COVID-19 et des maladies et affections qui frappent encore l’humanité sans solution de traitement efficace. En moyenne, la fabrication d’un nouveau médicament coûte environ 2 milliards de dollars et il faut dix à quinze ans pour le développer et le mettre sur le marché [4]. Cette statistique ne tient même pas compte du fait que seul 1 composé sur 5 000 à 10 000 produit au cours de la phase de recherche et de développement passe aux essais cliniques et que 90 % des médicaments testés lors des essais cliniques échouent en raison de leur inefficacité ou de leurs risques pour la santé.

En plus des obstacles que la découverte de médicaments doit surmonter, le marché pharmaceutique est saturé de composés connus qui ont fait leurs preuves pour des maladies courantes, mais qui ne sont pas efficaces contre des maladies plus complexes et difficiles. Cependant, l’exploration du domaine des composés médicamenteux nouveaux et originaux n’est pas un domaine dans lequel beaucoup sont prêts à investir en raison du taux d’échec élevé.

Le retour sur investissement de l’apprentissage automatique pour le secteur pharmaceutique

C’est là que l’apprentissage automatique peut aider le secteur pharmaceutique à se développer à pas de géant. Alors que les limites humaines font que le test de milliers de composés, que ce soit dans des environnements hypothétiques ou empiriques, peut prendre des années et donc coûter des milliards de dollars, le même processus, s’il est géré par l’IA, peut réduire considérablement le temps et les coûts d’environ la moitié[5]. Traditionnellement, la découverte d’un composé efficace au stade de la recherche et du développement prend environ six ans et 1 milliard de dollars. Cependant, ce délai pourrait être réduit à seulement trois ans et coûter environ 600 millions de dollars grâce à la ML[6].

Les programmes d’IA seraient capables de trier et d’écarter les candidats improbables plus rapidement que les humains et pourraient même découvrir de nouveaux composés et penser à de nouvelles façons d’aborder la solution d’une maladie que le cerveau humain n’a pas encore été en mesure de débloquer. Ces programmes pourraient également communiquer directement avec un système de gestion des informations de laboratoire afin de cataloguer et d’analyser les données sur les candidats médicaments improbables, potentiels et efficaces, afin d’éviter les erreurs de gestion des données.

La technologie AI/ML appliquée aux laboratoires des sciences de la vie

Le LIMS fait office de référentiel central pour les données produites dans le laboratoire, fournissant un mécanisme direct qui permet à l’IA/ML d’exploiter les données de qualité, ce qui permet aux responsables de prendre des décisions basées sur des idées. “Pour les laboratoires, notamment ceux des entreprises biopharmaceutiques, les algorithmes peuvent accélérer le développement des produits. Ceci, à son tour, améliore le développement de nouveaux médicaments critiques pour les patients “[7].

La gestion automatisée des données des flux de travail complexes dans STARLIMS peut contribuer à l’analyse des données dont ont besoin les entreprises des sciences de la vie pour se lancer dans le nouveau monde de la recherche assistée par l’IA/ML.


[1] The State of AI in 2020. https://www.mckinsey.com/business-functions/mckinsey-analytics/our-insights/global-survey-the-state-of-ai-in-2020

[2] Ahmad, A. S. and Sumari, A. D. W. 2017. Cognitive artificial intelligence: brain-inspired intelligent computation in artificial intelligence. In 2017 Computing Conference, pp. 135-141. IEEE.

[3] The Increasing Use Of AI In The Pharmaceutical Industry (forbes.com)

[4] Harnessing Data Science And AI For Drug Development Innovation. https://www.pharmaceuticalonline.com/doc/harnessing-data-science-and-ai-for-drug-development-innovation-0001

[5] Ibid (ref 4).

[6] Ibid (ref 4).

[7] LIMS Trends 2020: Digital Transformation Drives Changes in Laboratories. https://solution4labs.com/en/blog/lims/lims-trends-2020