ترجمه مقاله استفاده از هوش مصنوعی در صنعت داروسازی (WORD+PDF)

به گفته پاسخ دهندگان، به دلیل ارزیابی اولیه احتمال موفقیت، آزمایش های لازم می تواند به 70٪ کاهش یابد. شرکت‌های کوچک در پیش‌آگهی‌های خود خوش‌بین‌تر هستند، زیرا مدل‌های کسب‌وکار آنها مبتنی بر خدماتی است که کارایی توسعه دارو را افزایش می‌دهد.

شرکت های بزرگ این توانایی را دارند که پایگاه های داده موجود را که قبل از استفاده انبوه از فناوری های جدید جمع آوری شده اند، دیجیتالی کنند. داده‌های جمع‌آوری و تحلیل‌شده با هوش مصنوعی به شرکت‌ها این امکان را می‌دهد تا نتیجه را در مراحل مختلف توسعه دارو، به‌ویژه در طول آزمایش‌های بالینی، برنامه‌ریزی و پیش‌بینی کنند. شرکت های بزرگ توانایی برنامه ریزی فروش و فعالیت های بازاریابی را دارند.

 

ثبت سفارش ترجمه تخصصی هوش مصنوعی

 

3.4. تدارکات

نرم افزار تدارکات مبتنی بر هوش مصنوعی کمی وجود دارد که با موفقیت در صنایع دارویی و سایر صنایع ادغام شده باشد. با اینحال، بسیاری از یکپارچه‌کننده‌های نرم‌افزاری با پتانسیل شرکت‌های داروسازی، مدیریت قرارداد هوشمند، مدیریت زنجیره تامین، و تصمیم‌گیری تدارکات مبتنی بر هوش مصنوعی را ارائه می‌کنند.

بگفته پاسخ دهندگان، راه حل های تدارکات مبتنی بر هوش مصنوعی ممکن است نسبت به متخصصان این صنعت برتری داشته باشند، همانطور که نماینده شرکت بزرگ 2 اشاره داشت:

« یک راه حل پیشرفته [هوش مصنوعی] داریم که خرید، فروش و تولید را به هم متصل می کند. من معتقدم که ما در این بازار اولین هستیم.»

 

راه حل های پیشنهادی قادر به حمایت از تصمیمات در زمینه سیاست تدارکات (کاهش کارِ دستی و کاستی های زنجیره تامین)، جستجوی تامین کنندگان (بهینه سازی جمع آوری و پردازش داده ها) و مقیاس بندی آسان هستند. برنامه‌های کاربردی هوش مصنوعی می‌توانند جایگزین بسیاری از فرآیندهای معمولی شوند و پشتیبانی تصمیم‌گیری را ارائه دهند و زمان کارکنان برای تصمیم‌گیری استراتژیک در مواجهه با عدم قطعیت را اختصاص دهند. با اینحال، در حال حاضر، راه حل های تدارکات هوش مصنوعی مبتنی بر سرعت پردازش داده ها است. راه حل های امیدوار کننده هوش مصنوعی توانایی پردازش داده های ساختاریافته و بدون ساختار در زمان واقعی را دارند و تجزیه و تحلیل هایی را برای پشتیبانی تصمیم ارائه می کنند.

مقاله مروری در مورد هوش مصنوعی

جدیدترین مقالات هوش مصنوعی

 

4.4 تولید

تعدادی نمونه از تولید موفق دارو با استفاده از قابلیت های هوش مصنوعی توسط شرکت های کوچک و متوسط ​​وجود دارد. در طول مرحله مقدماتی مطالعه، انتظار داشتیم که تولید قراردادی و ژنریک را به عنوان نمایندگان این نمونه ببینیم. با این حال، مصاحبه شوندگان تردید داشتند که در چنین مواردی به راه حل های هوش مصنوعی نیاز باشد. برای مثال، بنیانگذار شرکت کوچک 5 خاطرنشان کرد:

«تولید برای شرکت‌های کوچکی که در صنعت داروسازی این کشور فعالیت می‌کنند معمول نیست.”

اکثریت قریب به اتفاق امکانات تولید دارو در شرکت های بزرگ متمرکز شده است. این شرکت ها ممکن است از برنامه های کاربردی مبتنی بر هوش مصنوعی برای توسعه برنامه های تولید بر اساس اطلاعات داخلی و خارجی موجود و ورودی استفاده کنند. توصیه ها بر شناسایی مناطق مشکل دار و عیوب، پیش بینی بار تجهیزات، بهینه سازی استفاده از تجهیزات و تعمیر و نگهداری تاثیر می گذارد. CSO شرکت بزرگ 5 اعلام داشت:

«ارزیابی تقاضا و تولید [دارو]... بر اساس پیش‌بینی‌های تحلیلگران و راه‌حل‌های IT ما [با استفاده از هوش مصنوعی] است».

بنابراین، همکاری اصلی در مرحله تولید عمدتا بین شرکت‌های بزرگ و توسعه‌دهندگان برنامه‌های هوش مصنوعی شخص ثالث متمرکز است.

تولید مبتنی بر هوش مصنوعی و سیستم‌های اتوماسیون یکپارچه رایج در تجزیه و تحلیل فوری وضعیت، تغییر در حجم کاری هنگام تغییر وظایف تولید و سایر شرایط پیش‌بینی نشده متفاوت است. هدف سیستم هوش مصنوعی تهیه توصیه‌ها یا تصمیم‌گیری مستقل برای افزایش کارایی در مواجهه با موارد عدم اطمینان است. چند ادغام هوش مصنوعی عمدتا برای هماهنگ کردن سیستم‌های تولید موجود اجرا می‌شوند. برای مثال، تشخیص تصویر پرسنل و تجهیزات متحرک، ایمنی شغلی را افزایش می دهد. موارد موفق هوش مصنوعی شامل تنظیم تغییرات برای تغییر تولید، در نظر گرفتن وضعیت نوار نقاله، در نتیجه کاهش تعداد زمان خرابی و مصرف منابع است. مصاحبه شوندگان همچنین خاطرنشان کردند که برنامه های کاربردی هوش مصنوعی را می توان به تدریج بر اساس سیستم های تولید موجود پیاده سازی کرد، بعنوان مثال، رئیس بخش شرکت بزرگ 1 اشاره کرد:

«نیازی به تغییر کل سیستم و آموزش مجدد وجود نداشت. بسته های جدید به تدریج یکپارچه شدند».

بنابراین، نیازی به پیکربندی مجدد دقیق فرآیندهای تجاری موجود نیست و به کنترل پذیری بیشتر و هماهنگی فرآیندهای تجاری کمک می کند.

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

 

بگفته نمایندگان شرکت های بزرگ، با کاهش نیاز به آموزش اولیه در شرکت جدید، فناوری می تواند گسترده تر شود. تقاضا برای یک سیستم جهانی وجود دارد که بتواند به طور مستقل آموزش داده شود و در عین حال ویژگی های یک تولید خاص را در نظر بگیرد.

5.4. کنترل کیفیت

هنگام بحث در مورد مفاهیم کیفیت و انطباق، سردرگمی وجود دارد. هر دو در صنعت توسعه دارو مهم هستند، اما تفاوت خاصی بین آنها وجود دارد. کیفیت تعداد پارامترهایی است که توسط مشتریان ارزیابی می شود و بر میزان رضایت از استفاده تاثیر می گذارد. انطباق، قوانین و الزاماتی است که برای تکمیل ثبت نام FDA باید رعایت شود.

 استفاده از نرم افزارهای کنترل کیفیت در شرکت های بزرگ رایج است، کمتر در شرکت های متوسط ​​و به ندرت در شرکت های کوچک یافت می شود. نماینده شرکت بزرگ 2 افزود:

«راه حل ما بازخورد کاربران را ردیابی می کند. در صورت نیاز می توانیم به ظهور روند پاسخ دهیم».

بیشتر اوقات، شرکت های متوسط ​​تحت تاثیر شرکا یا پروژه های بزرگ شروع به استفاده از چنین برنامه هایی می کنند. با اینحال، چنین برنامه هایی بندرت با هوش مصنوعی مرتبط می شوند. اکثر مصاحبه شوندگان اعلام می کنند که پیروی از قوانین FDA برای دریافت استانداردهای تولید دارو با کیفیت بالا کافی است. برای مثال، مستندسازی شفاهی و کتبی شکایات مصرف کنندگان ضروری است. این پارامتر در مرحله آزمایش محصول اهمیت ویژه ای دارد و برای بدست آوردن کیفیت بالا از اهمیت ویژه ای برخوردار است.

6.4. فروش و بازاریابی

فناوری های داده کاوی برای شرکت های بزرگ جهت بازاریابی و فروش مورد نیاز هستند. تعداد زیادی از رویدادهای معمول را می توان خودکار کرد: پر کردن تقویم، صورت‌حساب، و غیره. با این حال، این فعالیت‌ها می‌توانند بدون قابلیت‌های هوش مصنوعی خودکار شوند. هوش مصنوعی نیز بنوبه خود به کاربران اجازه می دهد تا فعالیت ها را با مجموعه ای از پارامترها شخصی سازی کنند، به عنوان مثال مکان شرکت، تعداد کارمندان، فعالیت آنها و زمان صرف شده در وب سایت تامین کننده. چنین داده‌هایی پرتره‌های منحصربه‌فرد از مشتریان با رفتارهای مشابه ارائه می‌کنند، پس از آن نرم‌افزار هوش مصنوعی اقداماتی را برای همکاری توصیه می‌کند. بعلاوه، داده های تخصصی به مدیران اجازه می دهند تا هنگام خرید یک مشتری یا شرکت خاص، فرآیند تصمیم گیری را بهتر درک کنند. یک مدیر فروش زمان اضافی به دست می آورد و ابزارهایی را برای ایجاد سرنخ و بستن معاملات ارائه می دهد.

در طول مصاحبه ها، زمینه های کاربرد هوش مصنوعی در فروش برای صنعت داروسازی مشهودتر شد. اولا، تقاضا برای پیش بینی بازار وجود دارد. پیش بینی ها بر اساس اطلاعات لحظه ای موجود و دریافتی است و مستقیما بر بارگذاری تولید و ذخیره سازی تاثیر می گذارد. ثانیا، نرم افزار مبتنی بر هوش مصنوعی، اثربخشی کانال های بازاریابی را ارزیابی می کند، آنها را با فروش مرتبط می کند و به آنها اجازه می دهد تا برنامه های بازاریابی شرکت را حتی در زمان واقعی تغییر دهند، همانطور که در بحث گروهی توسط مدیر عامل شرکت بزرگ 2 اشاره شد:

«در بیشتر موارد، روند فروش با پیش‌بینی‌ها مطابقت دارد.»

سوما، می توان اثربخشی همکاری با هر مشتری را ارزیابی کرد و برای حفظ آنها برنامه های فردی تدوین کرد. بعلاوه، شایان ذکر است که قابلیت های هوش مصنوعی برای افزایش کارایی نمایندگان پزشکی وجود دارد. رئیس بخش هوش مصنوعی شرکت بزرگ 1 خاطرنشان کرد:

«تیم فروش ما از معرفی نرم افزار جدید شاد بود. فروش حتی هدفمندتر و شخصی تر شد."

فرصت هایی برای ارزیابی احتمال موفقیت در جلسه و تهیه مواد و نمونه های فردی برای مشتری وجود دارد. چنین راه حل هایی معمولا در سیستم های مدیریت ارتباط با مشتری موجود شرکت ادغام می شوند.

7.4. ذخیره سازی و تحویل

مرحله ذخیره سازی و تحویل شامل مقدار زیادی کارِ دستی است، به این معنی که فرصتی برای بهینه سازی و کاهش هزینه ها وجود دارد. وظیفه اصلی مدیریت موجودی برای هر صنعتی افزایش بهره وری مجتمع های انبار و کاهش هزینه های فرآوری کالا است.

مدیریت موجودی در درجه اول برای تولیدکنندگان بزرگ قابل توجه است. با این حال، راه حل ها مشابه راه حل های دیگر صنایع هستند. سیستم‌های مدیریت انبار مدرن هوش مصنوعی مبتنی بر رویکردهای Pickby-Light، Pick-by-Voice و Pick-by-Vision هستند. رایج ترین سیستم مبتنی بر Pick-by-Voice است که به پرسنل اجازه می دهد از پیام های صوتی بدون سفارش کاغذی یا الکترونیکی استفاده کنند. این مزیت است زیرا هندزفری است و امکان افزایش تمرکز روی وظایف انبار را فراهم می کند، همانطور که مدیر عامل شرکت متوسط 3 اشاره کرد:

«ادغام‌های موفق [هوش مصنوعی] راه‌حل‌های انبار در صنعت کم است. با این حال، این روند در حال افزایش است.»

کاهش بیشتر در نیروی کار انبار ممکن است به واسطه ترکیبی از قابلیت های هوش مصنوعی و کنترل ربات برای آماده سازی سفارشات رخ دهد. نمایندگان شرکت های بزرگ مصاحبه شونده در مورد امکانات مدیریت فرآیندهای ناهمزمان پیچیده در انبارهای رباتیک فکر مثبت داشتند. چنین سیستم هایی با موفقیت در تعادل بار در طول روز کنار می آیند، آنها ربات ها را برای جمع آوری سفارشات خاص، نظارت بر سطح شارژ ربات و اصلاح شرایط اضطراری می فرستند. با اینحال، تجربه استفاده از چنین سیستم هایی برای صنعت داروسازی اندک است.

5. حمایت از فرآیندهای تجاری

1.5. مهارت مدیریت داده ها

یکی از جنبه های کلیدی MDM برای همه شرکت کنندگان کسب و کار، در دسترس بودن داده های قابل اعتماد برای پردازش است. شرکت ها مجبورند قبل از استفاده از منابع قابل توجهی برای پاکسازی داده ها استفاده کنند. به گفته نمایندگان شرکت های کوچک 3 و 4 و همچنین نمایندگان شرکت متوسط ​​4، 80 درصد از زمان صرف تمیز کردن و تنها 20 درصد صرف اعمال الگوریتم ها می شود.

شرکت‌های بزرگ توانایی ایجاد، دیجیتالی کردن و رمزگذاری داده‌هایی را دارند که قبلا جمع‌آوری شده‌اند، از جمله تصاویر آسیب‌شناسی، نتایج کارآزمایی‌های بالینی و موارد دیگر. با این حال، چنین فعالیتی لزوما با هدف به دست آوردن مزایای آنی نیست. از یک سو، همانطور که مدیرعامل شرکت کوچک 2 اشاره کرد،

«می‌تواند در پروژه‌های آتی یا در توسعه کل صنعت سرمایه‌گذاری شود».

از سوی دیگر، داده های قابل اعتماد و ساختار یافته می تواند مبنایی برای همکاری با شرکت های کوچک و متوسط ​​باشد. به عنوان مثال، نظری از معاونت شرکت بزرگ 4 را ببینید:

«ما داده‌ها را برای آینده جمع‌آوری کرده و به آنها ساختار می‌دهیم... تجربه و قابلیت‌های ما این امکان را می‌دهد.»

شرکت های کوچک یکی از مصرف کنندگان اصلی داده های ساختاریافته بوده و علاقه مند به دسترسی به آن هستند. نمایندگان شرکت های کوچک ادعا می کنند که دسترسی به چنین داده ها یکی از جدیدترین دلایل نوآوری در صنعت داروسازی است. علاوه بر این، شرکت‌های کوچک با کتابخانه‌های باز کار می‌کنند که قبلا برای تجزیه و تحلیل با روش‌های سنتی غیرقابل دسترسی بودند. در چنین مواردی، شبیه سازی ممکن است همچون "بیرون کشیدن یک سوزن از انبار کاه" باشد. با اینحال، شرکت های کوچک آمادگی بیشتری برای پذیرش چنین ریسکی دارند. شرکت های متوسط ​​داده ها را برای اهداف خود جمع آوری و ترکیب می کنند. نماینده شرکت متوسط 4 خاطرنشان کرد:

«ما در مورد شرکت هایی که خدماتی برای دسترسی به داده های جمع آوری شده ارائه می دهند مطمئن نیستیم. ما بیشتر به خودمان متکی هستیم.»

چنین داده هایی می توانند به طور خطی با یکدیگر ناسازگار باشند. بنابراین، شبکه های عصبی عمیق برای جستجو و استخراج الگوها مورد نیاز است. به گفته پاسخ دهندگان، چنین اقداماتی برای انسان غیرقابل درک است و استفاده از سایر منابع فناوری اطلاعات سال ها طول خواهد کشید. شرکت های متوسط ​​نیز ممکن است یک مدل کسب و کار را بر اساس شکل گیری و کسب داده ها انتخاب کنند. در این صورت، شهرت شرکت نقش مهمی در توسعه کسب و کار خواهد داشت.

به طور کلی، این درک در بازار وجود دارد که "داده ها پول جدید هستند." شرکت های مختلف داده ها را برای نیازهای خود و برای صنعت تولید، پردازش و استفاده می کنند. مشاغل در هر اندازه به همکاری علاقه مند هستند و محدودیت اصلی اعتماد بین شرکت کنندگان است. با این وجود، به گفته اکثر پاسخ دهندگان، تعداد و اندازه چنین پروژه هایی سالانه در حال افزایش است.

2.5. انطباق

مسائل مربوط به انطباق در بین شرکت های شرکت کننده صرفنظر از اندازه آنها نسبتا مشابه بود. نمایندگان اکثر شرکت ها تایید کردند که در حال حاضر هیچ داروی کاملا توسعه یافته مبتنی بر هوش مصنوعی وجود ندارد. مثلا:

«در حال حاضر ممنوع است.» شرکت کوچک 2 و شرکت متوسط ​​3.

یا

«همیشه انسانی وجود دارد که نتایج را در هر مرحله با استفاده از تکنیک های استاندارد ارزیابی کند و به عنوان واسطه بین [AI] و دارو عمل کند.» شرکت بزرگ 3.

در حال حاضر، آزمایشات عامل اصلی کشف و توسعه هر دارویی هستند. رعایت قوانین سختگیرانه در صنعت داروسازی برای تایید امکان انتقال از یک مرحله به مرحله دیگر ضروری است. شرکت‌های مورد بررسی اظهار می‌کنند که کمبود داروهای پیچیده وجود دارد که هوش مصنوعی نقش عمده‌ای را در این قضیه ایفا کرده است. انتقال به مرحله جدید توسعه یا آزمایش دارو مستلزم تایید نیروهای داخلی شرکت و هم شرکت کنندگان خارجی است که در اکثر موارد مورد استفاده قرار می گیرد.

3.5. قانونی

هیچ یک از شرکت کنندگان در مطالعه نقش مهم برنامه های کاربردی هوش مصنوعی را برای تغییر رویه های قانونی صنعت کانونی بیان نکردند. این مسئله تا حد زیادی به دلیل این واقعیت است که استانداردهای صنعتی مستلزم تایید اجباری داده های بدست آمده با استفاده از روش های کلاسیک است.

4.5. تجزیه و تحلیل و گزارش

تجزیه و تحلیل مبتنی بر هوش مصنوعی به شرکت‌ها اجازه می‌دهد تا جریان داده‌های بروزشده دائمی از عملیات داخلی و خارجی را مطالعه کنند. داده های پردازش شده می تواند پشتیبانی تصمیم را در شرایط نامشخص تکمیل کند. بارها در بحث به آن اشاره شد. مثلا:

«یادگیری ماشینی برای حل چنین مشکلاتی ارائه شده است.»

یا

«وظیفه راه حل ما یافتن الگوها و صدور توصیه هاست، یعنی تحلیل و برنامه ریزی به شکل مستقیم.»

تجزیه و تحلیل های هوش مصنوعی فرصتی را برای شناسایی روابط بین رویدادهایی که قبلا برای انسان غیرقابل دسترسی بودند، فراهم می کند. چنین اطلاعاتی برای کار با مشتریان جدید و فعلی، ارائه پیشنهادات و توصیه‌های فردی و پیش‌بینی در تمام مراحل، بویژه در طول تحقیق و توسعه، تولید و فروش، ضروری است. به گفته پاسخ دهندگان، چنین تحلیل هایی همچنین در ایجاد ترکیب بهینه از تحولات، پیش بینی روندها در بازار، توزیع بودجه شرکت، تغییر سریع استراتژی شرکت و موارد دیگر نقش دارند.

5.5. امور مالی و کنترل

گرایش های هوش مصنوعی در امور مالی و کنترل عمدتا در سازمان های مالی بزرگ سراسر جهان شکل می گیرند. صنعت داروسازی تا حدی آنها را با نیازهای خود تطبیق می دهد. از یک طرف، تقاضا برای مدل سازی پویا فرآیندهای برنامه ریزی، پیش بینی و بودجه وجود دارد. از سوی دیگر، مزایای هوش مصنوعی برای فعالان بازار کاملا روشن نیست. ابزارهای پردازش مالی خودکار قابل اعتماد بدون هوش مصنوعی رایج و برای ادغام در دسترس هستند. فناوری‌های پیشرفته می‌توانند کارمندان بخش‌های مالی را از کارهای روزمره رها کنند و زمان بیشتری را برای تولید ایده‌ها فراهم کنند. نمایندگان داروسازی مصاحبه شده تاثیر ناچیز هوش مصنوعی در امور مالی و کنترل فرآیندهای تجاری در ده سال آینده را پیش بینی می کنند. با این حال، شرکت های بزرگ به استفاده بالقوه از هوش مصنوعی در تشخیص انحرافات مالی در مراحل اولیه و همچنین کلاهبرداری و عملیات مخرب اشاره کرده اند.

6.5. منابع انسانی

فرآیندهای تجاری شرکت های دارویی به روش های مختلفی تغییر می کند. به عنوان مثال، شرکت های بزرگ تقاضا برای مشاغل مرتبط با استخدام انبوه ایجاد می کنند. شرکت ها ممکن است برای تهیه و بهبود پرسشنامه، رفع تبعیض و ارزیابی جذابیت اطلاعات برای نامزدها و دیگران، راه حل هایی را طلب کنند. بعنوان مثال به کامنت زیر از نماینده شرکت بزرگ 5 مراجعه کنید:

«یافتن استعدادها بدون شک مهم است، اما راه حل هوش مصنوعی تا چه حد بهتر است؟»

شکل گیری حقوق نیز مورد تقاضای شرکت های بزرگ است. با استفاده از منابع مختلف، یک پایگاه داده مربوطه می تواند تشکیل شود و هوش مصنوعی سیستمی را برای پرداخت و ایجاد انگیزه در پرسنل ارائه می دهد. چنین راه حل هایی به مدیران اجازه می دهد تا عدم تطابق موقعیت و پاداش را شناسایی کنند، که به کاهش خطر ترک کارمندان کمک می کند و همچنین به شناسایی کارکنان بیش از حد ارزش گذاری شده کمک می کند. سیستم، بسیاری از پارامترها را در حالت خودکار ارزیابی می کند. به گفته برخی از پاسخ دهندگان، یک پروژه مشابه به شکل کلاسیک با استفاده از منابع انسانی قبلا در وسط پروژه از بین می رفت.

استخدام به کمک هوش مصنوعی می تواند مورد تقاضای شرکت های صنعت کانونی باشد. سطح ذهنیت استخدام کننده بر نحوه تشکیل و توصیف موقعیت، بررسی رزومه، انجام مصاحبه و ارائه بازخورد تاثیر می گذارد. اکثر این وظایف می توانند خودکار شوند. شرکت ها در هر اندازه ای تقاضای نیروی کار ماهر را نشان داده اند. با این حال، یافتن و ارزیابی مدارک ممکن است چالش برانگیز باشد. مانند سایر صنایع، بسیاری از نامزدهای "منفعل" وجود دارند که به دنبال کار نیستند اما ممکن است برای کارهای خاص مناسب باشند. راه حل های هوش مصنوعی به شما امکان می دهد فعالیت ها را در شبکه های اجتماعی و جوامع حرفه ای ردیابی کنید. در مرحله بعد، چت ربات ها می توانند مصاحبه انجام دهند و سطح نامزد را ارزیابی کنند. تفاوت مهم بین هوش مصنوعی و سایر ربات ها، توانایی تجزیه و تحلیل و تفسیر پاسخ های غیرمستقیم است.

رویکرد جذب و کار با پرسنل در شرکت های متوسط ​​و کوچک ارزشی را که این شرکت ها در بازار ارائه می دهند تغییر می دهد. CSO شرکت کوچک 1 نظر داد:

«در شرکت‌های کوچک [داروسازی و بیوتکنولوژی]، متخصصان فناوری اطلاعات بیشتر و بیشتر هستند. این یک روند فراگیر است.»

و CTOشرکت متوسط ​​4 خاطرنشان کرد:

«کارمندان کلیدی فناوری اطلاعات در سرتاسر جهان مورد جستجو قرار می گیرند. ما با اپل و گوگل رقابت می‌کنیم».

هوش مصنوعی در شرکت‌های متوسط ​​و کوچک نه تنها فرآیندهای کسب‌وکار مرتبط با منابع انسانی را تغییر می‌دهد، بلکه افرادی را که به دنبال و استخدام در شرکت‌ها هستند نیز تغییر می‌دهد. نیاز به پرسنل آزمایشگاهی کلاسیک به نفع سایر پرسنل در حال تغییر است. شرکت های متوسط ​​می توانند کارمندان واجد شرایط و متخصص را استخدام کنند. برای مثال، شرکت‌ها گروه‌هایی از ریاضیدانان را تشکیل می‌دهند که در حال توسعه روش‌های جدید برای ترکیب حوزه‌های مختلف دانش با استفاده از الگوریتم‌های هوش مصنوعی هستند. گروه های دیگری از متخصصان این روش ها را برای حل مشکلات موجود یا تحقیقات اساسی به کار می گیرند. گروه سوم به نوبه خود، می توانند نتایج به دست آمده توسط هوش مصنوعی را برای استفاده از روش هایی که در صنعت داروسازی رایج است، تایید کنند. تنوع تیم ها با وظایفی که توسط شرکت تعیین شده، مشخص می گردد و ممکن است شامل روش ها، برنامه ها و تایید نتایج باشد.

فرآیندهای کسب و کار نیز به دلیل جذب کارمندان با پیشینه های مختلف تغییر می کنند. شرکت های متوسط ​​مبتنی بر هوش مصنوعی به آرامی تعداد کارمندان تحقیق و توسعه را افزایش می دهند. مسئله کلیدی این است که چه مدت طول می کشد تا افراد با تجربه و سوابق مختلف گرد هم آیند. گروه‌های موفق در یک شرکت ممکن است متشکل از سه تا پنج نفر باشند، به عنوان مثال شیمی‌دانان، زیست‌شناسان، متخصصان هوش مصنوعی و متخصصان پایه فناوری اطلاعات، که هدفشان حل یک مشکل خاص است. نقل قول زیر حاصل بحث بین دو شرکت متوسط ​​است:

«آموزش کارمندانی که به سختی یکدیگر را درک می کنند به یک وظیفه تبدیل می شود تا با هم کار کنند... من شک دارم که در سال های گذشته همین طور بوده باشد.»

به موازات تیم های پروژه، شرکت ها زیرساخت هایی را توسعه می دهند که به پروژه ها کمک می کند. کارکنان برای توسعه روش ها و الگوریتم های جدید منحصر به فرد هستند و در سطح بین المللی استخدام شده اند. به نوبه خود، یافتن کارکنانی که از روش های موجود استفاده می کنند، نسبتا آسان است. اغلب پیشرفت همکاری بین متخصصان رشته های مختلف دشوار است. بنابراین، رشد شخصی آهسته و ارگانیک در شرکت های متوسط ​​ذاتی است.

اکثر شرکت‌های کوچک در صنعت داروسازی از دانشگاه‌های فرعی هستند یا توسط کارمندان سابق شرکت‌های متوسط ​​و بزرگ تأسیس شده‌اند. اسپین آف های دانشگاهی معمولا بر اساس فارغ التحصیلان کارشناسی ارشد یا دکترا در تلاقی دانش هایی مانند زیست شناسی، شیمی، ریاضیات و فناوری اطلاعات شکل می گیرند. با این حال، بازار نیاز متفاوتی به تخصص ایجاد می کند. نمایندگان مصاحبه شونده بیشتر بر این باورند که فارغ التحصیلان دانشگاه باید تخصص های مختلف را ترکیب کنند. به عنوان مثال،

«زیست شناسان باید در آمار و شیمیدانان در یک حوزه محاسباتی رشد کنند.» شرکت متوسط ​​5

به نوبه خود، افراد سطح دکترا با تخصص عمیق در زمینه فنی مورد تقاضا هستند. با این وجود، پاسخ دهندگان قادر به ایجاد استراتژی و توصیه های واحد برای پرسنل مورد نیاز به مدت پنج تا ده سال نبودند. از یک طرف، این عقیده وجود دارد که تقاضا برای پرسنل آزمایشگاهی آموزش دیده که با اتوماسیون و هوش مصنوعی کنار بیایند، می تواند افزایش یابد. از طرفی این نظر که بعد از پنج تا ده سال اصلا نیازی به چنین متخصصانی نخواهد بود نیز وجود دارد.

حمایت از تصمیم گیری پرسنل خود در شرکت های بزرگ مورد نیاز است. با این حال، بیشتر خدمات هوش مصنوعی از شخص ثالث خریداری می شود. تغییرات منابع انسانی ناچیز در ساختار شرکت های بزرگ موردی وجود دارد. به عنوان یک استثنا، اینها ممکن است متخصصان تحقیق و توسعه باشند که به ابتکار شرکت تشکیل شده اند یا پس از خرید شرکت های کوچکتر یا متخصصان در بخش های فناوری اطلاعات و پشتیبانی به دست آمده باشند.

بازار کار هوش مصنوعی در صنعت داروسازی به سرعت در حال تغییر است و روندها تحت تاثیر استعدادها و اکتشافات جدید شکل می گیرد که همچنین عدم اطمینان و دشواری هایی را برای پیش بینی ها ایجاد می کند.

7.5. مدیریت املاک و مستغلات

تحت تاثیر هوش مصنوعی، نمایندگان شرکت مصاحبه شده متوجه تغییرات اندک در فرآیندهای مدیریت املاک و مستغلات شدند، همانطور که نماینده شرکت متوسط ​​5 خاطرنشان کرد:

«IT به [شرکت‌ها] اجازه می‌دهد تا هزینه‌های تسهیلات را کاهش دهند.... احتمالاتی وجود دارد که IT این روند را بطور معنی دار تغییر خواهد داد».

در دهه‌های اخیر، فرآیندهای تحقیق و توسعه روند جابجایی از آزمایشگاه‌ها به فناوری اطلاعات را نشان دادند، اما نیاز به آزمایشگاه‌های آزمایشی مورد نیاز است. استقلال از چنین منابعی تا حد زیاد توسط شرکت های کوچکی نشان داده می شود که بیشتر به الگوریتم ها علاقه مند هستند تا امکانات. شرکت های متوسط ​​بسته به تخصص خود نیاز خاصی به املاک و مستغلات ایجاد می کنند. شرکت های بزرگ نیز به نوبه خود، مصرف کنندگان بزرگ خدمات املاک و مستغلات هستند، اما هوش مصنوعی تاثیر قابل توجهی بر آنها نداشته است.

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

ثبت سفارش ترجمه تخصصی هوش مصنوعی

 

8.5. خدمات هوش مصنوعی (IT)

راه حل های هوش مصنوعی فرصت های جدیدی برای گسترش عملکرد و افزایش بهره وری فرآیندهای تجاری ارائه می دهند. فناوری هوش مصنوعی پتانسیل کنترل و خودکارسازی کارهای وقت گیر مانند انتخاب ترکیب بهینه پروتئین ها و اهداف، غربالگری داروهای جدید و موارد دیگر را دارد. با این حال، سناریوهای منفی مربوط به ادغام هوش مصنوعی شایان ذکر است. راه حل های جدید می توانند عملکرد یکدیگر را تکرار کنند، که یکی از موانع اصلی توسعه زیرساخت فناوری اطلاعات در شرکت است. همزمان، نقش بخش فناوری اطلاعات در شرکت در حال رشد است. مدیران فناوری اطلاعات باید به طور مداوم مهارت‌های جدید برای پشتیبانی از زیرساخت فناوری اطلاعات و عملکرد روان همه فرآیندهای تجاری شرکت را بدون در نظر گرفتن اندازه آن، مطالعه و ارتقا دهند. راه حل های IT ارائه دهندگان خدمات بر اساس اهداف تجاری شرکت هستند. نظر زیر را از شرکت بزرگ 3 ببینید:

«شاید خودِ یکپارچه‌سازها به طور کامل متوجه نشده باشند که الگوریتم‌های یادگیری ماشینی چگونه پیش‌بینی خود را انجام می‌دهند. برخی عدم اطمینان ها شما را به شک می‌اندازد.»

شرکت ها در حال افزایش انتظارات برای ادغام های جدید هستند. برای مثال، شرکت های بزرگ گزینه هایی مانند کاهش زمان توقف یا پردازش سریع داده ها را به عنوان یک مزیت درک نمی کنند. استانداردهای لازم برای ایجاد تغییرات در فرآیندهای تجاری بسیار بالاتر است. شرکت های کوچک و متوسط ​​حول راه حل های مبتنی بر هوش مصنوعی خود ارزش ایجاد می کنند. تغییرات در فرآیندهای کسب و کار نمونه ای از شرکت های متوسط ​​است، در حالی که شرکت های کوچک بر اساس پیشرفت های خود مدل های تجاری جدیدی را شکل می دهند.

6. خلاصه نتایج

شرکت‌های داروسازی بسته به اندازه خود، نقش هوش مصنوعی را در تغییر فرآیندهای تجاری متفاوت ارزیابی می‌کنند. در اکثر موارد نظرات شرکت های کوچک، متوسط ​​و بزرگ با هم مطابقت ندارد. شرکت‌های کوچک احتمالا از پیشرفت‌های هوش مصنوعی در مرحله تحقیق و توسعه استفاده می‌کنند، در حالی که سایر فرآیندهای تجاری کلیدی بدون تغییر باقی می‌مانند یا به‌طور ناچیز تحت تاثیر هوش مصنوعی قرار می‌گیرند. به نوبه خود، پشتیبانی از فرآیندهای تجاری که مستقیما با تحقیق و توسعه مرتبط است نیز در معرض تغییر است. در مورد شرکت های کوچک، فرآیندهای تجاری پشتیبانی مربوط به پردازش داده ها، نتایج پیش بینی، پرسنل این وظایف و خدمات فناوری اطلاعات دستخوش تغییرات اصلی می شوند. مدل‌های کسب‌وکار برای شرکت‌های کوچک هوش مصنوعی بر حل مشکلات محدود با پشتیبانی از الگوریتم‌ها، ارائه خدمات برای شرکت‌های بزرگ‌تر در صنعت و جستجوی فرصت‌های جدید برای استفاده از دانش آن‌ها متمرکز است. شرکت‌های بزرگ بیشتر بر قابلیت‌های هوش مصنوعی در زمینه مدیریت تولید، تحلیل، پیش‌بینی و فروش متمرکز هستند. افزایش کارایی شرکت های بزرگ در این صنعت حتی چند درصد منجر به افزایش چشمگیر درآمد می شود. همچنین شایان ذکر است که استفاده از قابلیت‌های هوش مصنوعی در برخی زمینه‌ها، برای مثال برنامه‌ریزی یا مدیریت داده‌های اصلی، می‌تواند با موفقیت در کارهای خاص اعمال شود. اول از همه، این شامل پیش بینی موفقیت آزمایشات بالینی است. این مرحله بیشترین منابع را دارد و کاهش احتمال شکست بسیار مورد نیاز است. MDM همچنین در ایجاد ارزش برای صنعت کانونی نقش دارد. دیجیتالی کردن داده های انباشته شده برای اهداف خاص خود، به عنوان مثال آموزش الگوریتم های هوش مصنوعی، و همچنین برای همکاری با سایر شرکت ها مورد نیاز است. به نوبه خود، شرکت های متوسط ​​جایی بین شرکت های بزرگ و کوچک قرار دارند و استفاده از هوش مصنوعی آنها به تخصص، اندازه و مرحله توسعه آنها بستگی دارد. هوش مصنوعی قطعا بر فرآیندهای کلیدی تجاری مانند تحقیق و توسعه و برنامه ریزی کارآزمایی بالینی تاثیر داشته است. با توجه به فرآیندهای تجاری پشتیبانی برای شرکت های متوسط، ارزش برجسته کردن MDM، تجزیه و تحلیل، پیش بینی و منابع انسانی را دارد. با این حال، شناسایی اولویت های صریح در استفاده از هوش مصنوعی برای شرکت های متوسط ​​دشوار است، زیرا همه چیز به یک مورد خاص بستگی دارد. برخلاف شرکت‌های کوچک، فعالان بازار همیشه از سرمایه‌گذاری شرکت‌های بزرگ در تحقیق و توسعه مبتنی بر هوش مصنوعی قدردانی نمی‌کنند. تاکید ما براین است که قوانین سختگیرانه صنعت و پروتکل های انطباق از اجرای سریع قابلیت های هوش مصنوعی جلوگیری می کند. تمام مراحل توسعه یافته با استفاده از الگوریتم ها باید با استفاده از روش های سنتی تایید شوند. بنابراین، فرآیندهای تجاری مانند کیفیت یا تجزیه و تحلیل بالینی به سختی تحت تاثیر فرصت های جدید برای هر نوع شرکتی قرار می گیرند.

همچنین نقش سایر شرکت‌کنندگان در صنعت که بر تغییرات فرآیندهای کسب‌وکار و تغییر رویه تاثیر می‌گذارند، شایان ذکر است. برای شرکت های متوسط، این صندوق های سرمایه گذاری متخصص در کشف و توسعه دارو هستند. به گفته پاسخ دهندگان، تعداد چنین صندوق های تخصصی در حال افزایش است، از جمله صندوق های حاصل از ظهور فرصت های فناوری جدید. بازار برای شرکت کنندگان جدیدی که قبلا ارزش ایجاد کرده اند و بر سایر شرکت کنندگان تاثیر گذاشته اند، جذاب تر می شود. این نوع صندوق ها ممکن است شرکت ها را به مطالعه اهداف و مولکول های خاص هدایت کنند. علاوه بر این، این همکاری به تولید داده های جدیدی کمک می کند که در کل صنعت و به طور خاص توسط شرکت های هوش مصنوعی مورد تقاضا هستند. شرکت های بزرگ به احتمال زیاد با سازندگان و ادغام کنندگان راه حل های هوش مصنوعی شخص ثالث همکاری می کنند. عواملی مانند آمادگی شرکت برای انتقال و انطباق ویژگی های جدید و همچنین در دسترس بودن پایگاه داده های خود برای الگوریتم های آموزشی، نقش عمده ای در ادغام موفقیت آمیز ایفا می کند. در بیشتر موارد، ادغام ها بر اساس یک رویکرد فردی است که به سختی می تواند با شرکت دیگری در صنعت داروسازی سازگار شود. بدون شک چنین ادغام هایی دارای ویژگی صنعتی هستند که به عنوان مثال با استانداردهای FDA مرتبط است.

باید تاکید کنیم که ادغام‌های هوش مصنوعی کمی برای شرکت‌های بزرگ داروسازی با موفقیت اجرا شده است. اکثریت قریب به اتفاق شرکت های داروسازی به ندرت میلیون ها ردیف داده را تولید می کنند. بنابراین، مفاهیم داده بزرگ کاملا در این زمینه کاربرد ندارد. می‌توانیم استدلال کنیم که ترکیب داده‌های داخلی و به‌دست‌آمده و داده‌های پردازش‌شده در چندین فرآیند کسب‌وکار اساسی - برای مثال، برنامه‌ریزی، تولید، مدیریت انبارداری، فروش، بازاریابی و تحویل - ممکن است برای استفاده کامل از هوش مصنوعی کافی باشد. چنین حجمی از داده ها می تواند تولید شود و برای شرکت های بزرگ مورد نیاز باشد. ارزیابی های دریافت شده از شرکت های بزرگ تا حدی به انتظاراتی مربوط می شود که هوش مصنوعی می تواند تحقق بخشد و کارایی صنعت را افزایش دهد. به نوبه خود، شرکت های کوچک و متوسط ​​به طور فعال از هوش مصنوعی برای توسعه خود استفاده می کنند. با این حال، تردید وجود دارد که رقبایی که ارائه خدمات مشابه هوش مصنوعی را اعلام می کنند ممکن است چنین خدماتی را ارائه دهند. به گفته برخی از مصاحبه شوندگان، رقبا می توانند از سیستم های خودکار و رویکردهای کلاسیک برای ارائه خدمات شبه هوش مصنوعی استفاده کنند. در چنین مواردی، استفاده از اصطلاح هوش مصنوعی بیشتر با علاقه روزافزون مشتریان به فناوری های جدید مرتبط است. به طور کلی، شرکت های بزرگ خوش بینی محتاطانه و امید به افزایش استفاده از قابلیت های هوش مصنوعی در آینده دارند. شرکت‌های کوچک و متوسط ​​مدل‌های کسب‌وکار خود را با فرصت‌های جدید ایجاد کرده و تطبیق می‌دهند و هوش مصنوعی را به عنوان یک تغییر پارادایم در صنعت کشف و توسعه دارو در نظر می‌گیرند.

هوش مصنوعی در بسیاری از فرآیندهای تجاری، به استثنای تحقیق و توسعه، پتانسیل بالایی دارد، اما به سطح مورد انتظار مشتریان نمی رسد. مزایای هوش مصنوعی نسبت به نرم افزارهای خودکار موجود در بیشتر موارد آشکار نیست. در حال حاضر، کاهش و خودکارسازی وظایف معمول برای تجارت در دسترس است. هوش مصنوعی می تواند به عنوان دستیار در تصمیم گیری استفاده شود. با این حال، نتایج کار آن باید توسط یک انسان تایید شود. برون سپاری کامل فرآیندهای تجاری کلیدی برای شرکت های متوسط ​​و بزرگ غیرقابل قبول است.

7. بحث و مشارکت

صنعت داروسازی نیازمند افزایش کارایی و ارزش آفرینی برای جامعه است. از یک طرف، محققان خاطرنشان می کنند که انسان ها در حال رسیدن به حداکثر توانایی های خود هستند [1]. هزینه های زمانی و مالی لازم بیش از هر زمان دیگری است و احتمال خطای زیاد باعث کاهش علاقه سرمایه گذاران و شرکت ها به تولید داروهای جدید می شود. از سوی دیگر، در حال حاضر به طور کلی اینکه نوآوری نیروی محرکه برای توسعه شرکت ها و صنایع است، قابل قبول تر است [42،43]. فن‌آوری‌های جدید فرصتی را برای توسعه مناطق و مکان‌هایی که قبلا غیرقابل دسترس بودند نشان می‌دهد. به گفته برخی از محققان، هوش مصنوعی و الگوریتم‌ها امکان جهش در توسعه را فراهم می‌کنند [6،11-13،44]. به نوبه خود، نوآوری های مبتنی بر هوش مصنوعی به تدریج رویکرد حل مشکلات پیچیده را تغییر می دهند، منابع و فرآیندهای مورد نیاز برای یک راه حل موفق را تغییر می دهند، در نتیجه هزینه ها را کاهش می دهند و شانس موفقیت را افزایش می دهند [45].

مشارکت نظری کلیدی ما به تاثیر نوآوری، به ویژه فناوری‌های جدید، بر فرآیندهای تجاری در حال تغییر شرکت‌ها مربوط می‌شود. ما تجزیه و تحلیل می کنیم که چگونه و چه فرآیندهای تجاری تحت تاثیر هوش مصنوعی در صنعت داروسازی تغییر می کند. نتایج مطالعه ما یافته های فعلی محققان را تایید می کند (گوکسوی و همکاران، 2012 [14]؛ اما بینش بیشتری را در مورد تغییرات فرآیندهای تجاری کلیدی و پشتیبانی شرکت ها به ارمغان می آورد. به عنوان مثال، در مورد نقش هوش مصنوعی در تحقیق و توسعه و تولید [1،8] توافق داریم. با این حال، مشخص می‌کنیم که بسته به اندازه شرکت، فرآیندهای تجاری از حداقل به مهم، از جمله شرایط غیرقابل اجرا متفاوت است. برخی از فرآیندهای تجاری در حال حاضر به دلیل صنعت سخت‌گیرانه قابل تغییر نیستند. با این حال، این بدان معنا نیست که نمی توان آن را اعمال کرد، بلکه فضایی را برای توسعه و بهبود فراهم می کند.

عدم ادغام موفقیت آمیز بر ارتقای راه حل های هوش مصنوعی تاثیر می گذارد. با این وجود، مشخص شد که موارد خاص با موفقیت در بازار ادغام شده اند. آنها در صنعت زیاد رایج نیستند، اما پتانسیل گسترده شدن و تغییر قابل توجهی در فرآیندهای تجاری شرکت ها دارند. علاوه بر این، ما این عقیده را داریم که نمایندگان صنعت داروسازی انتظار دارند کارایی فرآیندهای تجاری و صنعت به طور کلی تحت تاثیر هوش مصنوعی افزایش یابد [10،29]. صنعت انتظار دارد که هوش مصنوعی بر مناطقی تأثیر بگذارد که مهارت‌های انسانی با حداکثر توانایی‌هایشان سازگار است.

ما با نظر محققانی موافق هستیم که بر مزایای استفاده از هوش مصنوعی در صنعت داروسازی تاکید دارند [2،20]. ما نشان می‌دهیم که دقیقا چگونه راه‌حل‌های تحلیلی دارویی [22] و فناوری‌های تشخیص [5،23] مورد نیاز هستند. فناوری های شناسایی در مرحله تحقیق و توسعه صنعت داروسازی بیشتر مورد تقاضا هستند، در حالی که تجزیه و تحلیل بیشتر در مراحل تولید و فروش است (اومبروسی و همکاران 2019). همچنین با این نظر موافق هستیم که سیستم های تحلیلی در مرحله تعامل با بیمار مورد نیاز هستند. تدوین برنامه های درمانی فردی بر اساس ویژگی های بیماران، احتمال خطا و هزینه درمان را کاهش می دهد و همچنین سرعت بهبود را افزایش می دهد.

بعلاوه، موافقیم که هوش مصنوعی می تواند به یک ابزار نوآوری برای افزایش کارایی صنعت تبدیل شود [2،8]. تحلیل ما نشان می‌دهد که بیشتر ریسک‌ها توسط شرکت‌های کوچکی انجام می‌شود که به دلیل نوآوری IT سعی در حل مسائل صنعت دارند [16]. این یافته در مورد بیماری های نادر نیز صدق می کند. تقاضا برای داده های تجزیه و تحلیل شده عمدتا توسط شرکت های متوسط ​​شکل می گیرد که به طور مستقل یا با همکاری شرکت های کوچک درگیر تجزیه و تحلیل، کشف دارو و توسعه هستند.

ما نظری را با محققان در میان می گذاریم که هیچ کاهشی در اشتغال صنعت داروسازی نشان نمی دهد [25،26]. کارکنان شرکت های کوچک در بیشتر موارد بر اساس تحقیقات دانشگاهی تشکیل می شوند. شرکت های بزرگ تقاضای کمی برای متخصصان هوش مصنوعی دارند. مصرف کننده اصلی متخصصان هوش مصنوعی، مشاغل متوسط ​​هستند. با این حال، مشاغل متوسط ​​تقاضای ناهمگونی برای تجربه و صلاحیت چنین متخصصانی ایجاد می کنند. اینها ممکن است متخصصانی با دانش عمیق در یک زمینه خاص یا کسانی باشند که در تلاقی چندین حوزه دانش هستند. عدم قطعیت حاصل این واقعیت است که مصاحبه شوندگان پس از ده سال نتوانستند در مورد تقاضا برای متخصصان توافق کنند. نظرات آنها از کمبود کامل تقاضا تا افزایش قابل توجه تقاضا متغیر بود.

همچنین تحقیقات ما چندین پیامد کاربردی دارد. ابتدا از نمایندگان بالقوه مشاغل کوچک درخواست می کنیم. ما به بنیانگذاران و مدیران اجرایی نشان می دهیم که صنعت داروسازی نیاز به تغییر دارد. دانش در تقاطع شیمی، زیست شناسی و فناوری اطلاعات ممکن است پیشنهادی برای حل مشکلات متعدد و بسیار محدود این صنعت ارائه دهد. هوش مصنوعی می‌تواند مشکلات را سریع‌تر و کارآمدتر از روش‌های سنتی حل کند و حتی کاهش اندک منابع می‌تواند موفقیت‌آمیز باشد. برای شروع، ممکن است اولویت به همکاری با شرکت های بزرگی داده شود که درگیر دیجیتالی کردن داده های جمع آوری شده قبلی هستند. با این حال، بنیانگذاران باید از تهدیدات چنین همکاری آگاه باشند. همچنین تاکید می کنیم که راه‌حل‌های فرآیندهای کسب‌وکار کلیدی بیشتر مختص صنعت کانونی هستند. به نوبه خود، برای پشتیبانی از فرآیندهای تجاری، راه حل ها می توانند از صنایع دیگر گرفته شوند. بنابراین شرکت هایی که دانش خاصی در صنعت داروسازی ندارند، فرصت ورود به بازارهای جدید را دارند.

دوم اینکه ما به سیاست گذاران و دانشگاه ها نیز روی می آوریم. ده سال آینده می تواند رونقی در توسعه و کاربرد فناوری های جدید ایجاد کند. کشورهایی که به هوش مصنوعی متکی هستند ممکن است با تقاضای متخصصان مرتبط و عدم کاهش اشتغال در صنایع مختلف مواجه شوند. بعلاوه، راه‌حل‌های هوش مصنوعی ممکن است در پر کردن جای خالی متخصصان و پشتیبانی تصمیم‌گیری توسط متخصصان بی‌تجربه شرکت کنند. علیرغم برخی تردیدها در مورد تقاضا برای متخصصان داروسازی سنتی، هیچ یک از پاسخ دهندگان نیاز به مهارت های پیشرفته فناوری اطلاعات برای کارمندان آینده صنعت کانونی را زیر سوال نبردند. برنامه های دانشگاهی و تحقیقات پیشرفته در تلاقی چندین حوزه دانش نیز در اولویت خواهد بود.

بعلاوه، این مطالعه می تواند برای توسعه دهندگان شخص ثالث راه حل های هوش مصنوعی در صنعت داروسازی جالب باشد. مصرف کنندگان اصلی راه حل های هوش مصنوعی می توانند شرکت های بزرگی باشند که علاقه مند به بهبود کارایی در فروش، بازاریابی، تولید و مدیریت موجودی هستند. شایان ذکر است که راه حل های بازارهای دیگر ممکن است تاثیر محدودی داشته باشند. راه حل های طراحی با امکان ادغام تدریجی یا راه حل های جهانی و مستقل آموزش دیده می تواند در بازار دارویی مورد تقاضا باشد.

8. محدودیت ها و تحقیقات آینده

این مطالعه یکی از اولین مطالعاتی است که تجربه استفاده از هوش مصنوعی در صنعت داروسازی را بررسی می کند. متوجه شدیم که صنعت داروسازی همگن نیست و شرکت‌ها نه تنها از نظر درآمد، بلکه از نظر وظایف، حوزه‌های فعالیت، اندازه و بسیاری موارد دیگر به طور قابل توجه با یکدیگر تفاوت دارند. علاوه بر این، تجربه استفاده از هوش مصنوعی در شرکت های دارویی مختلف همیشه نمی تواند به شرایط دیگر منتقل شود و با واقعیت های جدید سازگار شود. با این وجود، معتقدیم که استفاده از فناوری‌های جدید در صنعت داروسازی با درک روشن از اهداف یکپارچه‌سازی می‌تواند یک مزیت در استراتژی شرکت باشد.

پیشنهاد اصلی ما برای تحقیقات بیشتر، افزایش تعداد موارد شرکت های داروسازی است که از هوش مصنوعی در تجارت خود استفاده می کنند. حتی یک نظرسنجی از نمایندگان مختلف مدیریت یک شرکت ممکن است به شما امکان دهد که به پدیده مورد مطالعه متفاوت نگاه کنید و اطلاعات جمع آوری شده را تکمیل کنید. علاوه بر این، مقایسه تجربیات موجود در سایر صنایع و تاثیر هوش مصنوعی بر فرآیندهای تجاری این شرکت‌ها می‌تواند انگیزه جدید به توسعه این نظریه بدهد. علاوه بر این، چنین مقایسه‌ای به شرکت‌های توسعه‌دهنده و یکپارچه‌کننده هوش مصنوعی کمک می‌کند تا بازار دارویی جدید را امیدوارکننده بدانند، فرصت‌های خود را برای افزایش کسب‌وکارشان ارزیابی کنند و مدل کسب‌وکار خود را تغییر دهند.