이번 인터뷰에서 NewsMedical은 Cerba Research의 Coen Stalpers와 실험실 환경에서의 자동화 및 인공지능의 발전에 대해 이야기함.
인공지능(AI)이 현재 실험실 운영에서 어떤 역할을 하고 있는지 설명해줄 수 있음?
보통 우리는 비효율성과 품질을 개선하기 위해 프로세스를 자동화하는 것을 목표로 함. 이러한 작업의 개념적 특성 때문에 어디서 시작해야 할지 결정하기 어려운 경우가 많음. 이런 경우, 나는 자주 AI, 특히 ChatGPT를 사용하여 "이걸 어떻게 할 건가?" 또는 "저걸 어떻게 할 건가?"와 같은 질문을 던져 시작점을 생성함. 이 과정은 내 생각을 아이디어의 나무로 정리하는 데 도움을 주며, 가지와 잎을 추가하고 지속적인 프롬프트와 정제가 필요함. 최소한, 우리는 AI를 통해 목표를 명확히 하고 적절한 도구를 식별할 수 있음.
구체적인 예로, 데이터를 출력하는 기계가 있는데, 우리는 이를 분석 워크플로우에 통합해야 함. 방법이 불분명할 경우, AI가 예시와 제안을 제공할 수 있음.
AI가 생성한 제안을 비판적으로 평가하는 것이 중요하지만, 프로젝트 개념화에 유용한 지름길을 제공함. 예를 들어, 우리 실험실의 기계가 샘플을 읽고 한 번에 100개의 숫자를 생성하는데, 이전에는 수동으로 복사하고 붙여넣는 데 시간이 걸림. 간단한 스크립트가 이제 4시간이 걸리던 작업을 1분 만에 수행함.
이 접근 방식은 우리가 제안서를 개발할 수 있게 해주며, 완벽하지는 않지만 의사 결정자에게 제시할 수 있는 수준으로 acceptable함. 기본 개념이 설정되면, 이를 정제하고 전문화하여 더 매끄럽고 매력적으로 만들 수 있음.
어떤 실험실 프로세스가 AI 통합의 혜택을 가장 많이 받을 것인지 어떻게 식별했음?
현재 우리는 AI가 우리의 프로세스를 어떻게 향상시킬 수 있을지 탐색하고 있음. 예를 들어, 특정 목표를 달성하기 위해 다양한 측면을 분석함.
하지만 AI의 잠재적인 이점 중 하나는 이미지 분석 분야에서, 우리는 수백 개의 이미지를 생성하고 각 사진의 점수를 매기는 작업을 수행함. 이 과정은 배경과 전경을 구분하는 것을 포함하며, 인간의 입력 대신 AI를 사용하여 자동화할 수 있음. 정확한 방법은 아직 정의되지 않았지만, AI가 접근 방식을 안내할 수 있음.
AI 기술 구현 중 가장 큰 도전 과제는 무엇이었음?
가장 큰 도전 과제는 유용한 정보와 오해의 소지가 있는 콘텐츠를 구별하는 것임. 언어 모델로서 ChatGPT는 웹을 스캔하고 입력받은 내용을 바탕으로 교육된 추측을 함. 하지만 인터넷에는 신뢰할 수 없는 정보가 많음. 따라서 초기 응답이 완전한 정확성을 제공하기보다는 방향성을 제공할 가능성이 높다는 것을 이해하는 것이 중요함.
이를 탐색하기 위해 질문을 여러 번 재구성하고, 부정확해 보이는 요소를 식별하고, 추가적인 설명을 요청하는 것이 종종 필요함. 이 반복적인 과정은 정보를 정제하고 우리가 본질적인 도전 과제에도 불구하고 올바른 방향으로 나아가도록 도와줌.
AI가 실험실 프로세스의 효율성을 어떻게 개선했음?
AI를 사용하여 이러한 개선을 안내하고 달성함으로써 개인 및 팀의 효율성을 극적으로 증가시킬 수 있음. AI로 프로세스를 표준화하면 일관성을 보장하여 생산성과 품질을 향상시킴. 이는 신뢰할 수 있는 고품질 결과로 이어지며, AI를 일상 운영에 통합하는 이점을 반영함.
AI는 반복적인 작업에 매우 유용함. 같은 작업을 매시간 여러 번 수행하는 대신, AI는 빈도를 줄이는 방법을 제안할 수 있음. 고정된 절차가 일반적인 실험실 환경에서 AI는 이러한 프로세스의 어떤 부분을 자동화할 수 있는지 식별할 수 있음.
AI가 프로젝트나 실험의 회전 시간에 미친 영향은 무엇임?
주요 영향은 실험실에서의 작업 시작부터 보고서 작성까지의 회전 시간임. 현재 이 과정은 최대 4주가 걸릴 수 있음.
AI를 활용하여 자동화된 워크플로우를 구축함으로써 우리는 시간을 몇 시간에서 몇 분 또는 며칠에서 몇 시간으로 줄일 수 있음. 이 변화는 모든 것을 수동으로 수행하던 전통적인 구글링에서 AI를 사용하여 빠르게 더 넓고 맥락화된 정보를 제공하는 것으로의 전환을 반영함.
예를 들어, 3년 전 여전히 습식 작업을 처리하던 실험실 기술자로서, 각 실험 후 원시 데이터를 분석 템플릿에 맞추는 것이 표준 절차였음. 이 작업은 일반적으로 매일 3~4시간의 작업이 필요했음. 이 작업은 상당한 병목 현상이었고 매우 지루했음.
그 이후로 이 프로세스를 자동화하여 단 2분과 3번의 클릭으로 간소화함으로써 수동 검토의 필요성을 크게 줄임. 시스템이 이제 데이터를 처리하고 워크플로우로 전달하며, 진행률 표시줄을 표시하여 시간을 몇 시간에서 몇 분으로 단축함.
시간 절약은 상당함. 각 기술자는 이제 매일 4~6개의 분석을 완료할 수 있으며, 10명의 기술자 팀과 함께 효율성 향상이 두드러짐. AI에 의해 구동되는 이 자동화는 워크플로우 최적화의 핵심이 되었음.
AI가 실험실에서 데이터 수집 및 분석을 어떻게 지원함?
AI는 아직 완전히 활용되지 않지만, 그 미래 잠재력은 상당함. 예를 들어, AI는 1년 동안 수집된 데이터에 대한 포괄적인 메타 분석을 수행하여 바쁜 실험실 환경에서 인간 분석이 놓칠 수 있는 트렌드를 발견할 수 있음. 비록 우리는 트렌드 시스템을 갖추고 있지만, 미세하거나 중요한 트렌드의 근본 원인을 파악하는 것은 어려울 수 있음.
현재 우리의 데이터 조직이 이를 쉽게 지원하지 않을 수 있지만, AI는 마치 천 명의 데이터 분석가처럼 작동할 수 있음. 방대한 양의 정보를 처리하고 해석하여 즉시 명확하지 않은 패턴과 상관관계를 발견할 수 있음. 이러한 능력은 실험실이 트렌드와 통찰력을 더 효율적으로 검토할 수 있게 하여 더 많은 정보에 기반한 결정과 가속화된 발전으로 이어질 수 있음.
AI 시스템이 산업 규정 및 표준을 준수하도록 어떻게 보장함?
프로세스를 자동화하려면 품질 기준과 사양을 표준화하고 정확하게 정의해야 함. 이는 서로 다른 개인 간의 작업 실행에서 불일치를 식별하고 해결하는 데 도움을 주어 모든 프로세스가 일관된 품질 기준을 준수하도록 보장함.
분석에서 품질 문제를 초래할 수 있는 원치 않는 변동성을 줄이는 것이 중요함. Cerba에서는 이를 해결하기 위해 검증 전략을 구현하여 자동화된 프로세스가 예상 결과를 생성하도록 보장함. 여기에는 시스템의 견고성을 확인하기 위해 극단적인 데이터로 테스트하는 것이 포함됨.
자동화 시스템을 구축하고 검증할 때 우리의 목표는 정상적인 의도된 사용 하에 신뢰할 수 있는 결과를 생성하도록 보장하는 것임. 우리는 또한 이상치를 필터링하거나 플래그하는 것과 같은 잠재적인 문제를 고려함. 예상치 못한 결과에 대한 지속적인 모니터링과 근본 원인 분석을 통해 필요한 조정을 수행하고 시스템의 정확성과 신뢰성을 유지함.
우리의 검증 부서는 이 과정에서 중요한 역할을 하며, 시스템의 신뢰성과 일관성을 보장하기 위한 귀중한 통찰력을 제공함.
AI가 잠재적인 규정 준수 문제를 예측하고 예방하는 데 도움을 줄 수 있음? 그렇다면 어떻게?
프로세스를 자동화하고 표준화하며 시스템 작동에 대한 명확한 사양을 설정함으로써, 우리는 이러한 표준에서 벗어나는 모든 것을 즉시 플래그할 수 있음. 자동화된 시스템은 정의된 매개변수를 벗어날 때마다 지속적으로 경고하여 인간의 주의 산만이나 간과로 인한 오류의 위험을 줄임.
실험실 응용 프로그램을 위한 미래 AI 발전 중 가장 기대되는 것은 무엇임?
나는 특히 우리의 분석 데이터에서 장기적인 트렌드를 분석할 수 있는 잠재력에 대해 기대하고 있음. 현재 우리는 트렌드를 추적하고 데이터 내에서 잠재적인 상관관계를 식별하고 있음. 그러나 여러 해, 심지어 10년치 데이터를 AI 시스템에 입력하는 것은 수동 분류나 정리 없이 숨겨진 패턴을 발견하고 새로운 귀중한 통찰력을 제공할 수 있음.
이러한 패턴을 식별할 수 있는 능력은 분석 제어의 상당한 개선으로 이어질 수 있음. 예를 들어, 특정 행동에 따라 장기적인 효과를 예측할 수 있어 프로세스를 최적화할 수 있음. 방대한 양의 데이터를 고려할 때, 이 분석은 매우 실현 가능함.
AI 사용과 인간의 전문 지식 및 감독의 필요성을 어떻게 균형 잡음?
AI를 활용하여 그렇지 않으면 감지할 수 없는 패턴과 연결을 식별하는 것이 필수적임. 그러나 AI가 생성한 출력이 부정확할 수 있으므로 인간의 감독이 중요함. AI로부터 파생된 구성 요소를 철저히 이해하는 것이 필요함.
도메인 전문가는 AI를 효과적으로 활용하여 분야별 콘텐츠를 신속하게 생성할 수 있음. 그들은 이 출력을 쉽게 평가하고 관련 통찰력을 식별할 수 있음. 비지도 AI는 이상치를 강조하는 대시보드를 생성할 수 있음. 그런 다음 인간의 개입이 필요하여 이러한 이상치의 의미를 해석하고 매개변수를 조정함. 또는 이러한 이상치는 이전에 알려지지 않은 패턴을 드러낼 수 있음. 궁극적으로, 협력적인 인간-AI 접근 방식이 필요함.
AI 주도 프로세스에서 클라이언트 데이터의 개인 정보 보호 및 보안을 어떻게 처리함?
각 샘플은 고유한 번호가 할당되며, 이 번호는 해당 환자와 연결되는 키가 있음. 따라서 이 데이터를 적절하게 처리하기 위해 엄격한 주의가 필요함. 우리의 현재 절차는 데이터 무결성과 보안을 유지하기 위해 높은 기준을 준수하도록 설계됨.
AI 구현의 투자 수익(ROI)을 어떻게 측정함?
우리는 AI로 상당한 자동화를 달성함. 명확한 예로, 데이터를 A 지점에서 B 지점으로 파이핑하는 경우, 처리 시간이 몇 시간에서 몇 분으로 줄어듦. 이 프로세스의 빈도를 결정함으로써—하루에 4번 또는 주에 20번—상당한 시간 절약을 계산할 수 있음. 이는 단일 분석을 나타내며, 모든 분석을 고려할 때 ROI는 더욱 분명해짐.
실험실에 로봇을 통합하는 것은 다른 시나리오를 제시함. 장비에 대한 초기 투자가 상당하며—종종 수백만 유로에 달함—장기적인 이점은 상당함. 운영자의 직접적인 작업 시간은 약 10분으로 줄어들며, 로봇이 대부분의 작업을 처리함. 또한 로봇은 플라스틱이나 시약과 같은 소모품의 사용을 크게 줄임. 예를 들어, 우리는 최근에 동일한 작업을 수행할 때 40개의 피펫 팁 상자 대신 4개의 피펫 팁 상자만 필요한 새로운 피펫팅 프로토콜을 로봇 플랫폼에서 개발함. 이는 소모품 사용을 10배 줄이는 것을 의미함.
AI 응용 프로그램의 성공을 평가하기 위해 어떤 성과 지표를 사용함?
자동화를 통해 절약된 시간은 종종 성과를 평가하는 주요 지표이지만, 품질 수준도 고려하는 것이 중요함. 항상 주요 초점은 아니지만, 자동화와 AI는 처리량을 향상시킬 수 있음.
더 넓은 관점에서 보면, 자동화는 운영자가 다른 중요한 이니셔티브에 집중할 수 있도록 해줌. 물질 전송, 200개의 샘플의 적정, 수동 데이터 입력과 같은 일상적인 작업이 자동화 시스템에 의해 처리되므로, 개인은 깨끗한 실험실 환경을 유지하거나 민첩한 방법론 또는 식스 시그마 방법론을 구현하는 데 집중할 수 있음. 이러한 변화는 그들이 반복적인 작업에 얽매이지 않고 개선 및 혁신에 우선순위를 두도록 해줌.
AI가 실험실 운영에 미친 영향을 강조하는 정량적 또는 정성적 결과를 공유할 수 있음?
우리의 자동화된 프로세스는 작업량의 로그를 유지하여 A 지점에서 B 지점으로의 데이터 전송을 정량화할 수 있음. 표준화를 위해 데이터 내용 전송을 줄이는 것은 단일 개인에게 약 3~4시간의 작업에 해당함. 이 활동을 추적함으로써, 이는 하루에 약 4번 발생하며, 약 16시간의 시간 절약을 계산할 수 있음. 이는 결과의 품질을 저하시키지 않으면서도 시간의 상당한 감소를 나타냄.
또한 로봇은 이전에 노동 집약적이었던 적정 작업을 수행할 수 있음. 비록 산업 결과는 아직 대기 중이지만, 우리는 로봇의 정확성에 대해 높은 신뢰를 가지고 있음. 작업일 전이나 주말 동안 적정을 수행함으로써 팀은 실험 작업에 집중할 수 있는 하루를 시작할 수 있음. 이전 배치의 결과를 분석하는 동안 새로운 적정이 시작되는 병렬 처리 방식은 처리량을 두 배로 늘림. 이 접근 방식은 인력을 늘리지 않고도 분석 출력을 두 배로 늘릴 수 있게 해줌.
AI와 자동화의 가치는 분명하지만, 이 잠재력을 실현하려면 개념을 탐색하고 자원을 투자하는 데 시간이 필요함. 인간 프로세스에서 자동화로의 전환이 예상되는 이점과 원하는 결과를 산출하고 있는지 확인하는 것이 중요함.
