Sapio Sciences, המודעים למדע™ פלטפורמת אינפורמטיקה של מעבדת בינה מלאכותית, הכריזה היום על תוצאות מחקר חדש שבחן את סנטימנט המדענים סביב מחברות מעבדה אלקטרוניות (ELN) וכלי בינה מלאכותית בסביבות מעבדה מודרניות. המחקר חושף תסכול נרחב מתוכנת מעבדה קיימת, מה שמוביל לניסויים חוזרים, שימוש לא יעיל בנתונים ותלות גוברת ב-Shadow AI לא מורשה. 150 מדענים נסקרו ברחבי מעבדות בארה"ב ובאירופה במחקר ופיתוח ביו-פארמה, ארגוני מחקר חוזים, אבחון קליני וייצור תרופות.
למרות ההשקעות המשמעותיות שנעשו בטכנולוגיית מעבדה דיגיטלית, ELNs לעתים קרובות לא מצליחים לתמוך בעבודה מדעית יעילה. רק 62% מהמדענים אומרים שה-ELN שלהם מאפשר להם לעבוד ביעילות, ורק 5% מדווחים שהם מסוגלים לנתח תוצאות ניסויים ללא תמיכת מומחים.
בנוסף, כפילות היא בעיה מתמשכת. כמעט שני שלישים מהמדענים, 65%, אומרים שהם נאלצו לחזור על ניסויים מכיוון שתוצאות קודמות היו קשות לאיתור או שימוש חוזר, מה שהוביל לעלויות בלתי נמנעות ועיכובים בכל צוותי מעבדה.
המדע צמח מעל הדור השני של ELNs
הסקר מדגיש כמה דרכים שבהן ה-ELN של היום נופלים:
- קשיחות זרימת עבודה: רק 7% מהמדענים אומרים שניתן להתאים את ה-ELN שלהם למבחנים חדשים או לזרימות עבודה ניסיוניות ללא תמיכה של מומחים, מה שמגביל את יכולתם של המדענים להגיב במהירות ככל שהמחקר מתפתח. בנפרד, רק 5% מהמדענים אומרים שהם יכולים לנתח נתונים ניסויים ללא תמיכה נוספת.
- בעיות שמישות: 56% מהמדענים אומרים שה-ELN שלהם מורכב מדי ומאט אותם.
- העברת נתונים ידנית: 51% מבלים יותר מדי זמן בייבוא וייצוא נתונים, עלייה ל-81% בקרב מדענים בארה"ב ו-72% בייצור תרופות.
- קשיי תצורה: 71% מהמדענים טוענים שקשה להגדיר או להתאים את ELN, עם תסכול מעל הממוצע בייצור תרופות ב-84%.
מייק המפטון, מנהל מסחרי ראשי ב-Sapio Sciences, אמר:
"הסקר מראה בבירור חוסר התאמה הולך וגובר בין הפרקטיקה המדעית המודרנית לבין היכולות של ELNs מסורתיים. רוב ה-ELNs תוכננו ככלים שהתמקדו בתיעוד ניסויים, לא בתמיכה אקטיבית במדענים או בהנחיית הצעדים הבאים. כיום, מדענים עובדים עם נתונים מורכבים יותר ויותר וצפויים לעבור מתוצאות להחלטות מהר יותר מתמיד, אך עדיין מתפקדים רבים כמו ELN."
"כאשר מדענים לא יכולים לנתח נתונים או להתבסס בקלות על ניסויים קודמים ללא תמיכה נוספת, התסכול הופך לעלות אמיתית. שכפול ניסוי מיותר מבזבז ריאגנטים, זמן מכשירים ועבודה מומחים. במקביל, זה מגביל את הסקרנות ומאט את קצב הגילוי במחקר ופיתוח ביו-פארמה".
מגבלות ELN מעודדות שימוש בבינה מלאכותית בצל
המחקר גם מראה כיצד התסכולים הללו מעצבים מחדש את ההתנהגות במעבדה. כמעט מחצית מהמדענים שנשאלו, 45%, אומרים שהם משתמשים בכלי בינה מלאכותית פומבית דרך חשבונות אישיים כדי לתמוך בעבודתם, למרות סיכוני האבטחה, ה-IP והציות הקשורים ל-Shadow AI.
מדענים לא פונים לבינה מלאכותית ציבורית כי הם רוצים לעקוף את הממשל. הם עושים זאת מכיוון שכלי מעבדה קיימים אינם יכולים לעזור להם לנתח תוצאות או לקבוע את השלבים הבאים ביעילות. כשיכולת בינה מלאכותית אינה זמינה בסביבות מנוהלות, אנשים ימצאו אותה במקומות אחרים, גם כשהם מבינים את הסיכונים".
שון בלייק, קצין מידע ראשי, Sapio Sciences
מדענים רוצים AI שמאיץ את המדע, לא רק מתעד אותו
כשנשאלו מה הם רוצים מהדור הבא של ELNs, מדענים הדגישו באופן עקבי אינטראקציה, הדרכה ופרשנות במקום תיעוד ניסויים בלבד. 95% רוצים ממשקים מבוססי טקסט, בעוד 78% רוצים אינטראקציה קולית. כמעט כל המשיבים, 96%, אומרים ש-ELN עתידיים חייבים לעזור לפרש נתונים, לא רק ללכוד אותם.
מדענים רוצים גם יכולות בינה מלאכותית מובנות, ספציפיות לתחום, עם הביקוש משתנה לפי דיסציפלינה:
- חיזוי רטרו-סינתזה, רעילות ומסיסות: 83% ממעבדות האבחון ו-74% ממחקר ופיתוח ביו-פארמה
- סימולציות של כריכה מולקולרית: 71% ממחקר ופיתוח ביו-פארמה
- אופטימיזציה של רצף גנטי: 65% מה-CRO ו-63% ממעבדות האבחון
רוב בראון, ראש המשרד המדעי ב-Sapio Sciences, אמר:
"המחקר שלנו מראה בבירור שמכשירי ELN מהדור השני הגיעו לגבולות של מה שמדענים מצפים מהם. בעודנו מעצבים את הדור הבא של תוכנות מעבדה ב-Sapio, ההתמקדות היא בשיטות ניתוח ותכנון מדעיים המאפשרים בינה מלאכותית ששומרות על המדענים בשליטה תוך תמיכה אקטיבית בתהליכי עבודה, ניתוח והחלטות בשלב הבא".
הממצאים מצביעים על כך שמדענים אינם מחפשים לוותר על השליטה אלא לעבוד עם כלי בינה מלאכותית התומכים באופן אקטיבי בהיגיון ובפרשנות בתוך סביבות מעבדה מבוקרות.
