行业洞察，深度好文，本文首次阅读预计超过5分钟，建议先分享再阅读，帮助您对实验室的理解更加“AI”化。

利用人工智能的第一步是确定需要通过AI解决的问题，以及哪些数据可用于为解决方案提供信息。人工智能特别适合数据丰富的流程，在这些流程中，了解已生成的数据可以随着时间的推移为该流程提供信息和改进。例如，仪器产生的各种信号可用于通知 AI 模型，这些模型会发出警告，并最终防止常见的运行故障。分析仪器会产生大量的信号数据，这些仪器读数不包含任何关于正在运行的内容的知识产权 （IP），但描述了运行前、运行中和运行后的仪器状况。当然，仪器分析得到是图谱数据也是科学数据，人工智能也可以在这方面提供帮助。异常检测等人工智能算法技术可以通过监测典型模式基线和峰检测的差异（如尖峰、基线噪声和保留时间漂移）来让色谱数据的处理更加轻松。AI提供的信息可以让仪器分析工程师根据AI算法的建议，判断系统中是否存在污染物、气泡，或者是否需要更换新色谱柱了。随着时间的推移，该算法会了解实验室特定的工作流程、方法和化合物如何影响各种色谱图特性，从而变得更加准确并改进其建议。

解决常见的色谱挑战是人工智能驱动的实验室改进的一个潜在应用，但还有许多其他机会。在分析工作流程中，有许多繁琐且容易出现人为错误的步骤需要遵循，这些步骤更适合 AI 驱动的自动化执行，例如数据复核审查和仪器维护。此外，复杂且高度手动的任务，例如为方法开发和数据分析设置运行，这些任务可能目前在第三方应用程序中完成，这些场景可以从 AI 解决方案中受益。

构建数据集的挑战在于要构建 AI、ML （机器学习）和高级分析解决方案，数据科学家需要大型数据集来训练他们的模型。鉴于科学中对生成可重复的高质量数据的关注，分析应用似乎是人工智能的一个明显机会。但不幸的是，现实情况是，训练人工智能模型所需的科学数据往往被孤立在不同的系统中。因此数据的“机器可操作性”就显得非常重要，因为数据需要可查找、可访问、可互操作和可重用。有的标准组织试图通过创建“标准化实验数据的格式”来打破这些孤岛，这样我们就可以提高数据可利用。现实情况是，统一的格式方案并不能解决实验室面临的所有挑战。

同时，随着实验室对人工智能驱动解决方案的需求不断增长，他们对完整的、情境化的数据集的需求也会越来越大。转换为通用格式后本身并不能使处理后的结果与相关的仪器信号数据进行聚合和关联，因为它通常不会与结果文件一起保存。鉴于分析技术和其他数据源（如实验室信息管理系统 （LIMS） 和电子实验室笔记本 （ELN））的多样性，实验室很难仅通过开放标准在其数据湖中的所有不同数据类型之间建立有意义的关联。

如果能够将数据来源自动从实验室系统引入数据湖，而不是进行手动数据转换和上传。同时能够有通用的格式和规则将数据原则上传、结构化、转换和存储数据。将不同的数据科学方法和工具结合起来，即仪器信号、科学原始数据和处理后的报告结果都可以上传和关联，从而在采集数据时提供完整的数据。强大的数据管道可确保数据完全结构化，并避免通常所说的数据沼泽 - 存在大量数据存储库但无法使用的不太理想的状态。

AI的基础是互联，连接对于实现未来AI实验室至关重要。如今，存在多种机制将数据从数据系统导出到开放标准，或将数据映射和解析到自定义数据管道中。虽然这些解决方案满足了当今许多客户的需求，但它们通常是不连贯的手动流程。我们未来的愿景是通过维护这些解决方案来消除实验室面临的负担，并通过自动化数据管道提供可用于人工智能的情境化数据。

我们才刚刚开始触及人工智能在改善实验室运营和帮助科学发现方面可以做些什么的表面。鉴于色谱分析在实验室的重要性和特别性，通过将色谱信号的采集和分析数据纳入实验室的数字战略，在改善实验室运营和获得见解方面具有巨大潜力。为了实现这一潜力，实验室需要专注于如何可视化相关的数据，使其可供科学家和数据分析师使用。强大、自动化的数据管道将为科学家带来数据科学，以便他们能够使用数据来解决重要问题。

全球信息学用户大会[inform 2024]正在火热报名中，点击下方图片或扫描图中二维码即可报名！