درباره pharma 4.0

انقلاب چهارم صنعتی در داروسازی/

دکتر عزیز‌اله فیض‌الهی، (استاد دانشگاه، مدیر آزمایشگاه‌های کنترل کیفیت رازک):

چکیده

در طول دو قرن گذشته، داروها از فرآورده‌های خام گیاهی و گیاه‌شناختی به سمت محصولات دارویی و اشکال دارویی پیچیده‌تر و پیشرفته‌تر تکامل یافته‌اند. همزمان با تکامل داروها، روش‌های تولید آن‌ها نیز از فرآوری دستی در مقیاس کوچک با استفاده از ابزارهای ساده، به تولید در مقیاس بزرگ در قالب یک صنعت دارویی چند تریلیون دلاری پیشرفت کرده است. امروزه فناوری‌های تولید دارو همچنان در حال تحول هستند و فناوری‌هایی مانند اینترنت اشیا (IoT) ، هوش مصنوعی  (AI)، رباتیک و محاسبات پیشرفته در حال به چالش کشیدن رویکردها، شیوه‌های کاری و مدل‌های کسب‌وکار سنتی در تولید دارو به‌شمار می‌روند. به‌کارگیری این فناوری‌ها می‌تواند چابکی، کارایی، انعطاف‌پذیری و کیفیت تولید صنعتی داروها را به‌طرزی چشم‌افسا افزایش دهد. نحوه استقرار این فناوری‌ها در مسیر حرکت از جمع‌آوری داده‌ها تا بلوغ دیجیتال، که ویژگی شاخص pharma 4.0 است، نسل بعدی تولید دارو را تعیین خواهد کرد. تحقق مزایای این آینده، مستلزم داشتن یک چشم‌انداز روشن و درک موانع موجود در حوزه‌های مقرراتی، فنی و لجستیکی است که برای تحقق آن باید برطرف شوند.

مقدمه

اصطلاح Industry 4.0 یا pharma 4.0 که به چهارمین انقلاب صنعتی اشاره دارد؛ با سیستم‌های تولید یکپارچه، خودکار و خودسازمان‌ده شناخته می‌شود. برای تحقق pharma 4.0 در حوزه داروسازی و غلبه بر اینرسی موجود در زیرساخت‌ها، عملیات و مقررات فعلی تولید، به تفکری جدید نیازمند خواهد بود. اگرچه اجرای بسیاری از فناوری‌های پیشرفته و رویکردهای تولیدی موردنیاز برای ایجاد pharma 4.0 آسان نیست، اما ارزشمند است؛ زیرا این فناوری‌ها می‌توانند مزایایی مانند:

افزایش ظرفیت تولید، افزایش ایمنی تولید، بهبود کیفیت، افزایش ارزش، افزایش چابکی، انعطاف‌پذیری بیشتر، و کاهش ضایعات را به همراه داشته باشند.

یک.       pharma 1.0

اگر pharma 4.0 آینده است، pharma 1.0 نقطه آغاز صنعت دارویی مدرن محسوب می‌شود. استفاده از فرآورده‌های گیاهی و گیاه‌شناختی به‌عنوان دارو، در سراسر تاریخ تمدن بشر وجود داشته است. اما تنها در دو قرن اخیر شاهد تغییراتی چشمگیر در نحوه فرآوری و فرمولاسیون مواد برای کاربردهای پزشکی بوده‌ایم.

در pharma 1.0، فرآوری دستی مواد گیاهی، معدنی و حیوانی به‌تدریج از ابزارهای ساده دستی به سمت ماشین‌آلاتی در مقیاس تجاری حرکت کرد؛ ماشین‌آلاتی که قادر بودند مقادیری بیشتر از داروها را خرد، آسیاب، مخلوط و پرس کنند. در قرن نوزدهم، تولید دارو در مقیاس بزرگ‌تر با استفاده از ماشین‌آلاتی که با منابع انرژی غیرالکتریکی کار می‌کردند، از دو منبع اصلی شکل گرفت:

الف، داروخانه‌های منفرد ب، صنایع رنگ و مواد شیمیایی.

این حرکت از تولید در مقیاس آزمایشگاهی به تولید عمده و صنعتی دارو، زمینه شکل‌گیری صنعت داروسازی را در قرن نوزدهم فراهم کرد؛ صنعتی که در قرن گذشته رشدی بسیار چشم‌افسا داشته است. با این حال، برخی از ماشین‌آلات اولیه انقلاب صنعتی اول، مانند آسیاب‌های پنوماتیک و دستگاه‌های پرس قرص، هنوز هم به‌طور گسترده مورد استفاده قرار می‌گیرند.

دو.    pharma 2.0

انقلاب صنعتی دوم با ظهور برق، ماشین‌آلات الکترونیکی اولیه و خطوط مونتاژ با کنترل‌های از پیش تنظیم‌شده امکان‌پذیر شد. این فناوری‌ها به تولیدکنندگان امکان دادند پارامترهای پایه فرآیند را تنظیم کنند. در صنعت تولید دارو، این تحول به شکل استفاده از ماشین‌آلات الکترونیکی برای خرد کردن، آسیاب کردن، مخلوط کردن و پرس قرص ظاهر شد و امکان تولید در مقیاس بزرگ‌تر و ـ مهم‌تر از آن ـ پایش بیشتر فرآیندها و کیفیت را فراهم کرد. بااین‌حال، کنترل‌های فرآیندی معمولاً به تنظیمات از پیش تعیین‌شده و ثابت محدود بودند و عمدتاً امکان پایش عملکرد فرآیند و استفاده از راهبردهای کنترلی منفعل را فراهم می‌کردند. تحولات pharma 2.0 مستقیماً به توسعه ماشین‌آلاتی مانند دستگاه‌های مدرن پرس قرص منجر شد که می‌توانند با قابلیت اطمینان بالا بیش از یک میلیون قرص در ساعت تولید کنند. در واقع می‌توان استدلال کرد که بخشی قابل‌توجه از صنعت تولید دارو در حال حاضر نیز همچنان در چارچوب پارادایم pharma 2.0 فعالیت می‌کند.

سه.      pharma 3.0

انقلاب صنعتی سوم با توسعه و دسترس‌پذیری رایانه‌ها و فناوری‌های ارتباطی مانند رایانش شبکه‌ای، اینترنت و ارتباطات بی‌سیم امکان‌پذیر شد .این فناوری‌ها سطحی بالاتر از اتوماسیون فرآیندها و تجهیزات را فراهم کردند که در تولید دارو، مفاهیمی مانند:

تولید پیوسته  (Continuous Manufacturing) و کنترل فعال (Active Control) را امکان‌پذیر ساخت. رابط‌های انسان ـ رایانه به توسعه راهبردهای کنترلی پیشرفته‌تر و افزایش کیفیت محصول و فرآیند کمک کردند. حسگری و پایش از راه دور نیز نیاز به حضور اپراتورهای انسانی در سالن تولید را کاهش داد و ردیابی بهتر پارامترها و شاخص‌های مرتبط با تولید را امکان‌پذیر کرد. برخی صنایع اکنون به‌خوبی وارد pharma 3.0 شده‌اند؛ اما صنعت داروسازی از بسیاری جهات هنوز در حال گذار به این مرحله است. برای مثال، تولید پیوسته فناوری‌ای است که مواد تولیدشده در هر مرحله از فرآیند را مستقیماً و به‌صورت پیوسته به مرحله بعد منتقل می‌کند تا فرآوری بیشتر روی آن انجام شود. این فناوری در صنایع دیگر به‌طور گسترده پذیرفته شده است. بااین‌حال، به دلایل مختلف، صنعت داروسازی در پذیرش تولید پیوسته کندتر عمل کرده است. به همین ترتیب، صنعت داروسازی هنوز به قابلیت تولید پایدار در سطح شش سیگما ـ یعنی کمتر از ۳٫۴ خطا در هر یک میلیون فرصت ـ که در سایر صنایع رایج است، به‌طور پایدار دست نیافته است. انقلاب صنعتی سوم همچنین فناوری تحلیلی فرآیند پیشرفته (PAT) را وارد تولید دارو کرد؛ فناوری‌ای که هدف آن فراهم‌کردن داده‌های کیفیت فرآیند و محصول تقریباً در زمان واقعی است. pharma 3.0 همچنین فرآیندهای مدل‌محور یا کیفیت از طریق طراحی (Quality by Design; QbD) را توسعه داد که هدف آن کنترل پروفایل‌های هدف کیفیت محصول در محدوده‌ای مشخص از پارامترهای کیفیت است. بااین‌حال، برای دستیابی به ظرفیت کامل PAT و QbD، پیشرفت‌های فناورانه بیشتری لازم است تا دانش عمیق‌تر فرآیند و تحلیل‌های بلادرنگ حاصل شود و در نتیجه، آزمون آزادسازی بلادرنگ (Real-Time Release Testing; RTRT) در مقیاس وسیع‌تر و با سطوح بالای تضمین کیفیت محصول، به‌ویژه برای محصولات بیوتکنولوژیک، امکان‌پذیر شود. با توجه به اینکه تقریباً دو سوم کمبودهای دارویی ناشی از مشکلات کیفیت هستند، روشن است که برای بهبود کنترل فرآیند و قابلیت اطمینان، اقداماتی بیشتر موردنیاز است .بااین‌حال، pharma 3.0 درکی بسیار بهتر از نحوه ثبت، تحلیل و ایمن‌سازی حجم زیادی از داده‌های مرتبط با تولید دارو فراهم کرده است.

چهار.  pharma 4.0  

انقلاب صنعتی چهارم فناوری‌های پیشرفته تولید را در کنار یکدیگر قرار می‌دهد تا سیستم‌های تولید یکپارچه، خودکار و خودسازمان‌ده ایجاد شوند که بتوانند با حداقل وابستگی به دخالت انسان فعالیت کنند. تجربه به‌دست‌آمده از محیط خودکار و دیجیتال pharma 3.0، زمینه تحول گسترده به سمت pharma 4.0 را در تولید دارو فراهم می‌کند. در حالی که pharma 3.0 شاهد پیشرفت سریع عملیات و ابزارهای منفرد بود، pharma 4.0  نویدبخش پیشرفت در کل سیستم‌ها و زیرساخت‌های تولید است. در چنین محیطی، داده‌های عملکردی می‌توانند توسط الگوریتم‌ها تحلیل شوند و برای تصمیم‌گیری‌های حیاتی و بلادرنگ در سطح کسب‌وکار و عملیات مورد استفاده قرار گیرند؛ تصمیم‌هایی که مستقیماً بر خروجی تولید اثر می‌گذارند. مسیر حرکت از جمع‌آوری ساده داده تا بلوغ دیجیتال، مسیری است که طی آن داده‌ها از:

داده خام ← اطلاعات ← دانش ← خرد قابل اقدام

تبدیل می‌شوند. ابتدا داده خام از یک فرآیند تولیدی ثبت می‌شود؛ سپس با تحلیل داده‌ها اطلاعات به دست می‌آید؛ در مرحله بعد، با افزودن معنای زمینه‌ای ـ که ممکن است توسط هوش مصنوعی انجام شود ـ اطلاعات به دانش تبدیل می‌شود و در نهایت، با ایجاد بینش، به خرد قابل استفاده برای تصمیم‌گیری تبدیل می‌شود. این «خرد» است که سیستم‌های خودمختار و ماشین‌های سایبرفیزیکی (Cyber-Physical Systems; CPS) را تغذیه می‌کند؛ ماشین‌هایی که مکانیسم‌های آن‌ها توسط الگوریتم‌های رایانه‌ای کنترل می‌شوند و قادر به:

خودبهینه‌سازی، قضاوت و تصمیم‌گیری، حرکت از راه دور، و کنترل تطبیقی هستند.

ظهور pharma 4.0 ما را وادار می‌کند تصور کنیم یک محیط تولیدی کاملاً دیجیتالی و خودمختار چگونه خواهد بود و چه تأثیری بر عملیات و مقررات دارویی خواهد داشت.

اکنون در ادامه می‌رسیم به دیجیتالی‌سازی، اتوماسیون و یکپارچه‌سازی داده‌های بلادرنگ، که پارادایم‌های عملیاتی جدیدی را شکل خواهند داد که باید امکان دستیابی به کیفیتی بهتر از سطح شش سیگما را در تولید دارو ـ هم برای محصولات دارویی مولکول کوچک و هم مولکول بزرگ ـ فراهم کنند.

همه‌گیری کووید۱۹ نیاز به فناوری‌های تولیدی را که بتوانند نسبت به تغییرات سریع تقاضا واکنش نشان دهند و وابستگی به مداخله انسانی را کاهش دهند، برجسته کرد. برای مثال، عملیات خودکار و مبتنی بر رباتیک ممکن است در شرایطی ضروری باشند که چالش‌هایی مانع از کارکردن انسان‌ها در مجاورت یکدیگر می‌شوند. در این مقاله، چشم‌اندازی از آینده تولید دارو و برخی از چالش‌های بالقوه مقرراتی، فنی و لجستیکی که برای تحقق ارزش کامل pharma 4.0 باید برطرف شوند، ارائه می‌شود.

۲. نحوه به‌کارگیری فناوری‌های pharma 4.0 در تولید دارو

ویژگی شاخص محیط pharma 4.0، یکپارچه‌سازی اتصال‌پذیری، هوش مصنوعی و رباتیک برای ایجاد سیستم‌هایی است که با دخالت انسانی بسیار کم یا حتی بدون دخالت انسان فعالیت می‌کنند. سیستم‌های یکپارچه، خودمختار و رباتیک، داده‌های بلادرنگ و آنلاین را با فرآیندهای تولید صنعتی و هوش مصنوعی ترکیب می‌کنند تا تولید و مدیریت در سطح کل سازمان را بهینه کنند. منابع متعدد داده می‌توانند با یکدیگر یکپارچه شوند تا اطلاعات داخلی و خارجی را به هم متصل کنند. برای مثال، در تولید دارو، اطلاعات خارجی شامل متغیرهایی مانند:

تجربه بیمار، تقاضای بازار، موجودی تأمین‌کنندگان، و شرایط اضطراری بهداشت عمومی می‌تواند با اطلاعات داخلی مانند: مدیریت انرژی و منابع، نتایج مدل‌سازی و شبیه‌سازی، و داده‌های آزمایشگاهی ترکیب شود.

یکپارچه‌سازی منابع داده داخلی و خارجی، سطحی بی‌سابقه از پاسخ‌گویی، پایش، کنترل و پیش‌بینی بلادرنگ را امکان‌پذیر می‌کند. نتیجه، ایجاد یک اکوسیستم دیجیتالی، کاملاً متصل و به‌شدت کنترل‌شده و یک زنجیره ارزش دارویی است .در این مراحل، داده‌ها از سیگنال‌های خام ثبت‌شده از یک سیستم، به بلوغ کامل دیجیتال تبدیل می‌شوند. ابتدا داده‌ها از یک فرآیند تولید جمع‌آوری می‌شوند. سپس با دیجیتالی‌سازی و تحلیل داده‌ها در قالب Big Data، اطلاعات ایجاد می‌شود. در مرحله بعد، اطلاعات با کمک هوش مصنوعی و با تشخیص معنا و مفهوم موجود در داده‌ها به دانش تبدیل می‌شوند. در نهایت، از ترکیب بینش‌های حاصل از بلوغ دیجیتال، خرد قابل اقدام ایجاد می‌شود.

اجزای اصلی یک سیستم سایبرفیزیکی شامل:

ابر عمومی (Public Cloud)، ابر خصوصی (Private Cloud) و سالن تولید  (Manufacturing Floor) است. ابر عمومی شامل خدمات کاربردی برای مشتریان خارجی است. ابر خصوصی با اطلاعات مربوط به قابلیت‌های سطح بالاتر، مانند: سیستم‌های پایش از راه دور، تولید، مدیریت انرژی، اطلاعات آزمایشگاهی، خدمات کنترلی، مدل‌سازی و شبیه‌سازی سروکار دارد. ابر عمومی و خصوصی وضعیت سیستم فیزیکی را به‌صورت دیجیتالی بازتاب می‌دهند و از این طریق، امکان بهینه‌سازی و پیش‌بینی بلادرنگ را فراهم می‌کنند. سالن تولید شامل تجهیزات، ابزار دقیق PAT و آزمون آزادسازی بلادرنگ (RTRT) است. PAT  کنترل فرآیند تولید را فراهم می‌کند و RTRT با استفاده از اطلاعات جمع‌آوری‌شده در طول فرآیند تولید، کیفیت محصول را تضمین می‌کند. عملیات فرآیند، از جمله:

تغذیه، گرانولاسیون مرطوب، خشک‌کردن در بستر سیال، آسیاب‌کردن، اختلاط، فشرده‌سازی، و پوشش‌دهی قرص از طریق شبکه محلی و اینترنت به ابر متصل می‌شوند.

داده‌های حاصل از یک فرآیند تولیدی از طریق دو فناوری کلیدی ثبت و ذخیره می‌شوند:

1. فناوری ذخیره‌سازی داده مانند رایانش ابری
2. فناوری ثبت داده مانند حسگرهای پیشرفته مورد استفاده در عملیات.

فناوری ذخیره‌سازی داده امکان ذخیره‌سازی بلندمدت داده‌های دیجیتالی ثبت‌شده توسط حسگرهای پیشرفته را فراهم می‌کند.

این محیط غنی از داده، زمینه را برای:

• Big Data  و شبیه‌سازی، هوش مصنوعی و کنترل تطبیقی، دوقلوهای دیجیتال، و سیستم‌های سایبرفیزیکی مانند اینترنت اشیا فراهم می‌کند.

ترکیب این فناوری‌ها امکان استفاده از رباتیک هوشمند، دقیق، بلادرنگ و مشارکتی و همچنین فناوری‌های واقعیت افزوده یا واقعیت مجازی را برای اجرای عملیات و کنترل تولید فراهم می‌کند. کل کارخانه هوشمند نیز به وسیله یک شبکه اینترنت بی‌سیم و امنیت سایبری مناسب پشتیبانی می‌شود.

۲.۱. دیجیتالی‌سازی و بلوغ دیجیتال

یکی از عوامل کلیدی در اجرای pharma 4.0، دیجیتالی‌سازی بخش‌های متعدد و پیچیده زنجیره ارزش دارویی همراه با امنیت سایبری تعبیه‌شده است. یک مفهوم اساسی در توسعه «کارخانه هوشمند»، اینترنت صنعتی اشیا (Industrial Internet of Things; IoT)  است. IoT  نوعی سیستم سایبرفیزیکی است که از دستگاه‌های محاسباتی، حسگرها، ابزارها و تجهیزات به‌هم‌پیوسته تشکیل شده که به‌صورت آنلاین و در قالب یک شبکه منسجم با یکدیگر یکپارچه شده‌اند. IoT  به دیجیتالی‌سازی داده‌ها نیاز دارد؛ یعنی تبدیل داده‌هایی که قبلاً به‌صورت دستی ثبت می‌شدند به داده‌هایی که توسط تجهیزات دیجیتال ثبت می‌شوند. در تولید دارو، این موضوع می‌تواند شامل اطلاعات مرتبط با زنجیره تأمین مانند: تغییرپذیری مواد اولیه، ردیابی جهانی مواد در بین تأسیسات مختلف، اطلاعات مربوط به سالن تولید، روش‌های اجرایی، دستورالعمل‌های کاری اپراتورها، پایش عملیات بلادرنگ از طریق ویدئو، آموزش مبتنی بر ویدئو، و متمرکزسازی داده‌های رویدادهای کیفیت برای بهبود تصمیم‌گیری باشد.

بلوغ کامل دیجیتال، یعنی فرآیند استخراج خرد از این داده‌های دیجیتالی‌شده، برای تبدیل عملیات واکنشی به یک اکوسیستم کاملاً یکپارچه و دیجیتال که قادر به تصمیم‌گیری پیش‌نگرانه و پیش‌بینانه است، ضروری خواهد بود. این یکپارچگی امکان اتصال بلادرنگ را هم در داخل یک تأسیسات تولیدی -برای مثال، استفاده از یادگیری ماشین در میان عملیات واحد- و هم در خارج از تأسیسات فراهم می‌کند. در این حالت، محصولات می‌توانند با استفاده از فناوری‌هایی که شرایط محیطی، ویژگی‌های کیفیتی، نحوه استفاده و عملکرد محصولات را ردیابی می‌کنند، اطلاعات خود را به تولیدکنندگان منتقل کنند.IoT  در کنار الگوریتم‌های هوش مصنوعی با تمرکز بر یادگیری ماشین و کنترل تطبیقی، می‌تواند تحولی اساسی در تولید و توسعه محصولات دارویی ایجاد کند. pharma 4.0 ممکن است مسئله اصلی تولیدکنندگان دارو را از کنترل فرآیندها به سمت ایجاد امکان درک انسانی از عملیات تغییر دهد. برای تسهیل تجسم و درک انسانی از عملیات تولید دیجیتالی‌شده، هر بخش از زنجیره ارزش می‌تواند به معماری‌های دیجیتال تقسیم شود؛ یعنی زیرساخت‌های سخت‌افزاری و نرم‌افزاری که از ثبت، ذخیره‌سازی و تحلیل داده‌ها پشتیبانی می‌کنند.

برای حل این مسئله، انواعی مختلف از معماری‌ها پیشنهاد شده‌اند؛ از جمله اکوسیستم‌های دیجیتال یا قطب‌نماهای دیجیتال، یعنی روش‌های مختلف سازمان‌دهی نحوه جمع‌آوری، ذخیره‌سازی و تحلیل داده‌ها که اهرم‌های مرتبط با محرک‌های کلیدی ارزش را مشخص می‌کنند. برای توسعه سیستم‌های هوشمند و مقرون‌به‌صرفه که داده‌های آنلاین را با سیستم‌های تولید و تقاضای مشتری ادغام می‌کنند، لازم است معماری‌های محاسباتی قدرتمندتر توسعه یافته و ارتباطات پرسرعت با هزینه پایین‌تر بهبود یابند .اگرچه ابزارهایی خاص که برای بهینه‌سازی محرک‌های کلیدی ارزش توسعه می‌یابند، ممکن است بسته به شایستگی‌های اصلی و مدل‌های کسب‌وکار شرکت‌های دارویی متفاوت باشند، توسعه سیستم‌های یکپارچه‌تر روندی مشترک خواهد بود. همین یکپارچگی دیجیتال در قالب IoT است که می‌تواند کاربردهای تحول‌آفرینی در داروسازی ایجاد کند، از جمله: سیستم‌های تولید بلادرنگ و برحسب تقاضا در مقیاس کوچک، اشکال دارویی واقعاً شخصی‌سازی‌شده، و سامانه‌های تشخیصی مبتنی بر زیست‌حسگرهای انقلابی

۲.۲. هوش مصنوعی

هوش مصنوعی شامل یکپارچه‌سازی داده‌های دیجیتال و تحلیل محاسباتی با هدف اتخاذ تصمیم‌هایی است که معمولاً توسط انسان انجام می‌شوند. وظایفی که بر هوش مبتنی بر رایانه تکیه دارند می‌توانند شامل: استدلال، حل مسئله، یادگیری، و تصمیم‌گیری باشند.

کاربرد هوش مصنوعی در تولید دارو از هم‌اکنون آغاز شده است. نمونه‌هایی از این کاربردها عبارت‌اند از:

• استفاده از فناوری بینایی ماشین برای جایگزین‌کردن بازرسی بصری انسانی بسته‌بندی، درپوش‌ها و ویال‌ها، نگهداری پیش‌بینانه تجهیزات برای کاهش اختلالات، ریسک‌ها و زمان توقف تولید، کنترل کیفیت خودکار که برنامه‌ریزی یکپارچه آزمون‌های تحلیلی را امکان‌پذیر می‌کند، تضمین مستمر کیفیت فرآیند، و افزایش یکپارچگی داده‌ها  (Data Integrity)

هوش مصنوعی شامل طیفی از زیررشته‌هاست که بسته به ویژگی‌ها و وظایف موردنظر، رویکردهای متفاوتی برای طراحی هوش رایانه‌ای اتخاذ می‌کنند. این رویکردها شامل پردازش مجموعه‌داده‌های بزرگ و ناهمگون با استفاده از الگوریتم‌های خاص هستند. در حوزه هوش مصنوعی و با توجه به پیشرفت فناوری‌های در دسترس و برنامه‌نویسی نرم‌افزاری، یادگیری ماشین (ML) و شبکه‌های عصبی مصنوعی (ANN) به‌عنوان دو روش پیشرفته‌تر برای پیش‌بینی و مدیریت ریسک ظهور کرده‌اند. در سلسله‌مراتب هوش مصنوعی:

ML زیرمجموعه‌ای از AI است و ANN زیرمجموعه‌ای از ML محسوب می‌شود.

یادگیری ماشین عمدتاً شامل توانایی رایانه برای یادگیری یک وظیفه از طریق پایش داده‌ها و استفاده از ابزارهای آماری برای استخراج دانش عمومی از این داده‌هاست؛ دانشی که از طریق توسعه روابط ریاضی حاصل می‌شود و بدون ورودی یا دستور خارجی شکل می‌گیرد. الگوریتم‌های یادگیری ماشین، بسته به نحوه استفاده از داده‌های ورودی، می‌توانند در سه گروه قرار گیرند:

۱. یادگیری نظارت‌شده  (Supervised Learning)

در یادگیری نظارت‌شده، روش‌هایی مانند  ANN، رگرسیون چندمتغیره و تحلیل طبقه‌بندی وجود دارند که از داده‌های ورودی و نتایج برای یادگیری ارتباط میان آن‌ها استفاده می‌کنند. روش‌های یادگیری نظارت‌شده معمولاً با طراحی و کنترل فرآیند مرتبط هستند.

۲. یادگیری بدون نظارت  (Unsupervised Learning)

یادگیری بدون نظارت بدون استفاده از نتایج از پیش مشخص‌شده، از داده‌های ورودی استنباط انجام می‌دهد. روش‌هایی مانند: کاهش ابعاد، و تحلیل خوشه‌ای برای شناسایی روندها و ناهنجاری‌های مرتبط با یک عملیات مفید هستند.

۳. یادگیری تقویتی (Reinforcement Learning)

یادگیری تقویتی، اقدامات را با نتایج تأخیری مرتبط می‌کند تا تصمیم‌ها با نتایج مطلوب آینده ارتباط پیدا کنند.

این روش می‌تواند در شرایطی که دینامیک‌های پیچیده وجود دارند مورد استفاده قرار گیرد؛ برای مثال: عملیات کارخانه یا لجستیک. اگرچه هر سه رویکرد یادگیری ماشین می‌توانند عملیات تولید دارو را بهبود دهند، روش‌های یادگیری نظارت‌شده معمولاً دارای ریسک و عدم‌قطعیت کمتر در نظر گرفته می‌شوند و تاکنون بیشترین کاربرد را پیدا کرده‌اند.

ادامه دارد…