هوش مصنوعی در حال تغییر شیوه انجام بسیاری از فعالیتهای پژوهشی و تجاری است و حوزه داروسازی و محصولات سلامت و بهداشت نیز از این روند مستثنی نیست. توانایی این فناوری در پردازش حجم زیادی از دادهها، مقایسه اطلاعات، انجام شبیهسازی و ارائه پیشنهاد میتواند بخشی از فرایند طراحی و توسعه محصولات جدید را سریعتر و سادهتر کند. دکتر محمدرضا شاهینی، قائممقام مدیرعامل گروه دانشبنیان داروسازی پارس حیان، با اشاره به همین ظرفیتها معتقد است هوش مصنوعی میتواند به یکی از ابزارهای مهم محققان در مسیر توسعه محصولات سلامت تبدیل شود.
شاهینی در تشریح نگاه خود به این فناوری میگوید توسعه فناوری در سالهای اخیر وارد مرحلهای شده است که ترکیب فناوریهای مختلف میتواند قابلیتهای تازهای ایجاد کند. به اعتقاد او، اگر فناوریهای جدید با هوش مصنوعی و دادههای کلان ترکیب شوند، امکانات قابلتوجهی در اختیار محققان قرار خواهد گرفت و میتوان از این ظرفیت برای سرعتبخشیدن به فرایند طراحی و توسعه محصولات استفاده کرد.
او هوش مصنوعی را چیزی فراتر از یک موتور جستوجو میداند. به گفته شاهینی، هوش مصنوعی میتواند ماشین را قادر کند تا در برخی فرایندها نوعی تفکر شبیه به انسان داشته باشد و بر اساس اطلاعاتی که در اختیارش قرار میگیرد، پاسخ و تحلیل ارائه دهد. از نگاه او، یکی از مهمترین ویژگیهای این فناوری، قابلیت یادگیری است؛ قابلیتی که میتواند در فرایند تحقیق و توسعه اهمیت زیادی داشته باشد.
شاهینی توضیح میدهد که در تعامل با هوش مصنوعی، یادگیری اهمیت زیادی دارد و همین قابلیت یادگیری است که میتواند پژوهشگر را در مسیر توسعه محصول توانمندتر کند. هوش مصنوعی میتواند بخشی از فرایندهایی را که نیازمند بررسی حجم زیادی از اطلاعات هستند، انجام دهد و با شبیهسازی شرایط مختلف، به محقق کمک کند تا گزینههای بیشتری را در مدتزمان کوتاهتری بررسی کند.
به گفته او، یکی از کاربردهای مهم هوش مصنوعی در این حوزه، کمک به طراحی محصولات جدید است. پژوهشگر در مراحل اولیه توسعه یک محصول ممکن است با گزینههای متعدد برای انتخاب ماده اولیه، ترکیب مواد، ویژگیهای محصول و شرایط مصرف مواجه باشد. بررسی همه این گزینهها به روش سنتی میتواند زمان زیادی نیاز داشته باشد، درحالیکه هوش مصنوعی میتواند در مرحله بررسی اولیه، اطلاعات مختلف را کنار هم قرار دهد و مقایسه گزینهها را سادهتر کند.
شاهینی برای توضیح این موضوع به نمونهای از کاربرد هوش مصنوعی در محصولات بهداشتی اشاره میکند. او از هوش مصنوعی گوگل درباره این موضوع پرسیده است که چه نانوذراتی در کرمهای ضدآفتاب مورد استفاده قرار میگیرند. پاسخهایی که هوش مصنوعی در اختیار او قرار داده، نمونهای از این موضوع است که چگونه میتوان از ابزارهای هوشمند برای جمعآوری و دستهبندی اطلاعات درباره مواد مورد استفاده در یک محصول بهره گرفت.
این فرایند تنها به شناسایی مواد محدود نمیشود. شاهینی در ادامه درباره ایمنی نانوذرات مورد استفاده در کرمها نیز از هوش مصنوعی سؤال کرده است. هوش مصنوعی در پاسخ، اطلاعات و مستنداتی درباره ایمنی این مواد ارائه کرده و از جمله، ایمنی دیاکسیدتیتانیوم را بر اساس مستندات موجود تأیید کرده است.
از نگاه شاهینی، چنین قابلیتی میتواند در مراحل اولیه تحقیق و توسعه بسیار کاربردی باشد. پژوهشگر میتواند درباره یک ماده مشخص، ویژگیهای آن، کاربردهای احتمالی، محدودیتها و اطلاعات مربوط به ایمنی آن سؤال کند و مجموعهای از اطلاعات اولیه را در مدت کوتاهی به دست آورد. البته این پاسخها باید در ادامه با منابع علمی معتبر، دادههای آزمایشگاهی و ارزیابی متخصصان بررسی و تأیید شوند و نمیتوان خروجی هوش مصنوعی را بهتنهایی مبنای تصمیم نهایی درباره ایمنی یک محصول قرار داد.
یکی دیگر از کاربردهایی که شاهینی به آن اشاره میکند، مقایسه مواد مختلف با یکدیگر است. او از هوش مصنوعی خواسته است چند نانوذره مختلف را برای استفاده در کرمهای ضدآفتاب مقایسه کند. هوش مصنوعی نیز با بررسی ویژگیهای مختلف این مواد، گزینههای متفاوتی را پیشنهاد داده و حتی انتخاب ماده مناسب را برای انواع مختلف پوست، از نظر میزان حساسیت یا رنگ پوست، مورد بررسی قرار داده است.
این قابلیت میتواند زمینه را برای طراحی محصولات متناسب با گروههای مختلف مصرفکنندگان فراهم کند. محصولات بهداشتی الزاماً برای همه افراد با ویژگیهای یکسان تولید نمیشوند و تفاوتهایی مانند نوع پوست، میزان حساسیت و ویژگیهای ظاهری میتواند در انتخاب مواد مؤثر باشد. هوش مصنوعی میتواند با تحلیل همزمان این متغیرها، گزینههای مختلف را در کنار یکدیگر قرار دهد و به پژوهشگر برای تصمیمگیری در مراحل اولیه کمک کند.
شاهینی یکی دیگر از کاربردهای عملی هوش مصنوعی را در فرایند خرید مواد اولیه میداند. به گفته او، این فناوری میتواند هنگام انتخاب یک ماده، شاخصهایی را که باید برای خرید مورد توجه قرار گیرند، مشخص کند. برای مثال، در خرید یک نانوماده، تنها نام ماده اهمیت ندارد و ویژگیهایی مانند خلوص، شکل، اندازه و گروههای عاملی نیز میتوانند در انتخاب ماده مناسب نقش داشته باشند.
به گفته او، هوش مصنوعی میتواند فهرستی از این شاخصها را در اختیار خریدار قرار دهد تا فرایند مقایسه مواد و تأمینکنندگان با دقت بیشتری انجام شود. این فناوری حتی میتواند تولیدکنندگان و شرکتهایی را که امکان تأمین ماده موردنظر را دارند نیز معرفی کند و به این ترتیب، بخشی از فرایند جستوجوی تأمینکننده را کوتاهتر کند.
بااینحال، در این مرحله نیز نقش هوش مصنوعی بیشتر بهعنوان یک ابزار کمکی قابل تعریف است. مشخصات اعلامشده از سوی تولیدکننده، کیفیت واقعی ماده، نتایج آزمونهای کنترل کیفیت و انطباق محصول با استانداردهای موردنظر باید بهصورت مستقل بررسی شود. هوش مصنوعی میتواند مسیر جستوجو را کوتاه کند، اما نمیتواند جایگزین کنترل کیفیت و ارزیابی تخصصی شود.
شاهینی در بخش دیگری از توضیحات خود، کاربرد هوش مصنوعی را به مرحله پس از تولید نیز گسترش میدهد و از استفاده این فناوری برای تحلیل فروش و بازاریابی سخن میگوید. به گفته او، دادههای فروش محصولات را میتوان در اختیار هوش مصنوعی قرار داد تا الگوهای فروش در مناطق مختلف مورد بررسی قرار گیرد.
او نمونهای از این کاربرد را تحلیل حجم فروش برخی محصولات در استانها و شهرهای مختلف عنوان میکند. چنین تحلیلی میتواند مشخص کند یک محصول در کدام مناطق فروش بیشتری دارد، در چه شهرهایی تقاضای پایینتری مشاهده میشود و چه تفاوتهایی میان بازارهای مختلف وجود دارد. این اطلاعات میتواند برای برنامهریزی فروش، توزیع کالا و طراحی فعالیتهای بازاریابی مورد استفاده قرار گیرد.
از این منظر، هوش مصنوعی میتواند در بخشهای مختلف چرخه یک محصول حضور داشته باشد؛ از زمانی که پژوهشگر به دنبال شناخت مواد و طراحی یک محصول جدید است تا مرحله انتخاب مواد اولیه و تأمین آنها و در نهایت تحلیل عملکرد محصول در بازار.
شاهینی تأکید میکند که ترکیب هوش مصنوعی با دادههای کلان میتواند این ظرفیت را بیش از پیش افزایش دهد. هرچه دادههای دقیقتر و بیشتری در اختیار سامانههای هوشمند قرار گیرد، امکان تحلیل روابط میان متغیرهای مختلف نیز افزایش پیدا میکند. در حوزه محصولات سلامت و بهداشت، این دادهها میتوانند شامل اطلاعات مربوط به مواد، ویژگیهای محصولات، نتایج آزمایشها، مشخصات مصرفکنندگان و دادههای بازار باشند.
با این حال، استفاده مؤثر از هوش مصنوعی نیازمند شناخت درست قابلیتها و محدودیتهای آن است. پاسخ یک سامانه هوشمند میتواند نقطه شروع مناسبی برای یک بررسی علمی باشد، اما اعتبارسنجی اطلاعات، بررسی منابع و انجام آزمایشهای لازم همچنان بر عهده متخصصان است. بهخصوص در حوزه سلامت، تصمیمگیری نهایی درباره ایمنی و عملکرد یک محصول نمیتواند صرفاً بر پایه یک پاسخ تولیدشده توسط هوش مصنوعی انجام شود.
در مجموع، نمونههایی که شاهینی مطرح میکند نشان میدهد هوش مصنوعی میتواند از یک ابزار ساده برای جستوجوی اطلاعات به یک دستیار پژوهشی و تحلیلی تبدیل شود؛ دستیاری که میتواند اطلاعات را جمعآوری و مقایسه کند، برای انتخاب مواد گزینه پیشنهاد دهد، در شناسایی تأمینکنندگان کمک کند، برخی فرایندهای شبیهسازی را انجام دهد و در نهایت دادههای فروش و بازار را تحلیل کند.
از نگاه قائممقام مدیرعامل گروه دانشبنیان داروسازی پارس حیان، این قابلیتها میتواند فرایند توسعه محصولات جدید را تسریع و بخشی از کار محققان را سادهتر کند. آینده این حوزه نیز احتمالاً نه در جایگزینشدن هوش مصنوعی با پژوهشگران، بلکه در همکاری میان توان تحلیلی این فناوری و دانش تخصصی انسان شکل خواهد گرفت؛ جایی که ماشین حجم عظیم دادهها را بررسی میکند و متخصص، بر اساس شواهد و تجربه، تصمیم نهایی را میگیرد.