Deep Learning ist ein äußerst flexibles und anpassungsfähiges Instrument der Künstlichen Intelligenz. Trifft es bei der Ausführung einer Aufgabe auf neue Datensätze, so kann es die Fähigkeit der Algorithmen, Muster und Beziehungen zwischen den Daten zu identifizieren und klassifizieren, deutlich steigern.
Daraus folgt, dass mit der Menge an Daten, mit denen das Deep-Learning-basierte Prognosemodell versorgt wird, auch die Zuverlässigkeit der Voraussagen zunimmt. Zudem erfolgt die Weiterentwicklung des Modells automatisch, sprich ohne Programmierung oder zusätzlichen Arbeitsaufwand.
Künstliche Knoten nach zerebralem Vorbild
Diese einzigartigen Fähigkeiten beruhen auf Architekturen mit künstlichen neuronalen Netzen (KNN), die das menschliche Gehirn zum Vorbild haben. KNN sind in Schichten (Layers) organisierte Ansammlungen miteinander verbundener, künstlicher Neuronen beziehungsweise Knoten. Jedes Neuron erhält eine Dateneingabe zur Analyse und führt automatisch verschiedene Berechnungen aus, ohne dass hierfür eine regelbasierte Programmierung erforderlich ist. Die resultierende Ausgabe wird dann zur weiteren Verarbeitung an einen anderen Knoten geschickt.
Jedes Mal, wenn das KNN eine neue Eingabe erhält, kann das System gegebenenfalls neue Korrelationen zwischen den Daten feststellen und diese in seinem Prognosemodell berücksichtigen. Besonders fortschrittliche KNN sind sogar in der Lage, Abhängigkeiten zu erkennen, die Sachverständigen entgehen, und können so unübertroffen genaue Voraussagen liefern.
Anwendungsmöglichkeiten hierfür finden sich in den unterschiedlichsten industriellen Prozessen, von der Arzneimittelherstellung über die petrochemische Verarbeitung bis hin zur Lebensmittelproduktion. KNN können beispielsweise lernen, relevante Informationen aus Nahinfrarotspektren (NIR) von gemahlenem Getreide zu extrapolieren, um die qualitätsbestimmenden physikochemischen Eigenschaften des Produkts vorherzusagen, wie zum Beispiel den Sedimentationswert nach Zeleny, den Feuchtigkeits- und den Proteingehalt.
Obwohl wir nicht sicher wissen können, wie das KNN diese Daten verarbeitet und zu seiner Voraussage kommt, können wir davon ausgehen, dass sich einige Knoten innerhalb des Netzes mit dem Zusammenhang von NIR-Spektrum und Feuchtigkeitsgehalt befassen, sobald der erste Datensatz vorliegt. Wieder andere Neuronen prüfen, wie die Ergebnisse des Sedimentationstests nach Zeleny mit bestimmten NIR-Wellenlängen und -Intensitäten zusammenhängen.
Auf einer weiteren Schicht kombinieren die Knoten die vorliegenden Informationen miteinander, bis ein umfassendes Prognosemodell vorliegt. Beim nächsten Datensatz erkennen bestimmte KNN-Knoten nun möglicherweise eine Korrelation zwischen NIR-Daten und Werten für den Proteingehalt, und eine andere Schicht ist in der Lage, das neu gewonnene Wissen in das Prognosemodell zu integrieren. So kann dessen Genauigkeit und Zuverlässigkeit immer weiter verbessert werden.
Zusammenhänge zwischen Daten erkennen
Das Beispiel macht deutlich, dass Deep Learning ein leistungsfähiges Tool für Unternehmen der Prozessindustrie ist, die in der Produktion auf inhärente Produktqualität (Quality by Design, QbD) und PAT setzen. Diese beiden betrieblichen Strategien beruhen in hohem Maße auf einem tiefgreifenden Prozessverständnis, dessen Ziel es ist, die Effizienz der Produktion generell zu maximieren. Erst wenn bekannt ist, wie kritische Prozessparameter (Critical Process Parameters, CPP) sich auf die kritischen Qualitätsattribute (Critical Quality Attributes, CQA) von Produkten auswirken, lassen sich die beteiligten Prozesse in Echtzeit steuern und so höhere Qualitätsstandards erzielen.
Um aus den PAT-gelenkten Inline-Messungen relevante Informationen über die chemische und physikalische Zusammensetzung des Produkts zu extrahieren, werden die Beziehungen zwischen CPP und CQA analysiert. Dies geschieht mittels multivariater Analyse (MVA) und Chemometrie: Es werden mathematische und statistische Methoden auf die Daten angewandt.
Durch Anwendung von Deep Learning auf PAT lassen sich nicht nur Prognosealgorithmen einfacher generieren, weil hierfür kein Programmieren notwendig ist; das resultierende Modell kann sich vielmehr sogar automatisch verbessern, wenn mehr und mehr neue Produkte entwickelt werden. Je mehr Prozess- und Qualitätsdaten dem System zur Verfügung stehen, desto besser kann es auch weniger offensichtliche Zusammenhänge zwischen den Daten erkennen.
Auf diese Weise lässt sich eine zukunftssichere Produktion aufbauen, in der Prozesseffizienz und Produktqualität kontinuierlich steigen, ohne dass der Modellierungsalgorithmus neu programmiert werden muss.
Ein wachsender Trend
Die Möglichkeiten, die sich hierdurch ergeben, sind in Kreisen der Chemometriker und Prozessexperten natürlich nicht unbemerkt geblieben. So ist die Anzahl der Studien zu Deep-Learning-Modellierungsansätzen in der chemischen Verarbeitung und der Bioverarbeitung in den vergangenen 20 Jahren stetig gestiegen.
Wichtiger ist aber, dass diese Forschungsprojekte die Tauglichkeit von Deep Learning für Qualitätsvoraussagen bestätigen und die möglichen Auswirkungen auf PAT-gelenkte Prozesse in der Fertigung aufzeigen. Wenn dieser Ansatz weiter an Bekanntheit gewinnt und ausreift, kann sich die Deep-Learning-fähige PAT-gelenkte Produktion in vielen Industriezweigen mit Chargen- und kontinuierlicher Fertigung zu einem De-facto-Standard entwickeln.
Mit der Etablierung der Deep-Learning-Technologie gewinnen auch PAT-Wissensmanagement-Plattformen an Bedeutung. Da noch größere Datenmengen erzeugt werden und KNN diese analysieren, ohne einen Einblick in den Prozess der Prognoseerstellung zu gewähren, müssen Hersteller genau wissen, was in der Fabrikhalle vor sich geht, wie die multi- und univariaten Echtzeitdaten aussehen und wie sich die KNN-Modelle weiterentwickeln.
Der PAT-Wissensmanager ermöglicht die Überwachung und schnelles Eingreifen, wenn Abweichungen auftreten oder das Prognosemodell nicht den Eingangsdaten entspricht. Das ist beispielsweise der Fall, wenn die KNN Korrelationen identifiziert haben, die unrealistisch oder irrelevant sind.
Uneingeschränkte Kontrolle für Hersteller
Eine der fortschrittlichsten PAT-Wissensmanagement-Plattformen auf dem Markt ist synTQ von Optimal, das sich weltweit bei einigen der größten Unternehmen der Bereiche Pharmazie und Life Sciences bewährt hat. Durch die Wahl einer solchen Softwarelösung können sich Hersteller auf eine Plattform verlassen, die die neuesten Technologien und Methoden wie Deep Learning integrieren kann, sobald diese verfügbar sind.
Darüber hinaus bietet synTQ eine robuste und benutzerfreundliche Schnittstelle, über die sowohl die Weiterentwicklung von Produkten als auch die Ausweitung der Produktion jederzeit geordnet gesteuert werden können. So behält der Hersteller die uneingeschränkte Kontrolle, während Anlageneffizienz und konsistente Produktqualität kontinuierlich zunehmen.
Parallel zur Verbreitung von Deep-Learning-Anwendungen für Qualitätsvoraussagen und dem damit verbundenen Wettbewerbsvorsprung können PAT-Wissensmanagement-Softwareprodukte wie synTQ den Schlüssel zur erfolgreichen Umsetzung entsprechender Strategien und Produktivitätssteigerungen liefern.
