Kennisbank / MHS & AI die machines bestuurt
Een aankondiging van een standaard komt meestal met beloftes. Deze kwam met cijfers van zes organisaties die er al mee gewerkt hadden. Dat is zeldzaam genoeg om ze op een rij te zetten, en interessant genoeg om te kijken welk patroon eronder zit.
De standaard zelf staat uitgelegd in wat is MHS. Dit artikel gaat over wat ermee gebeurde.
Genentech automatiseerde een BCA-eiwitmeting als proef op de som. De interessante stap was niet dat de meting draaide, maar dat het model zelf de optimale doorstroomsnelheid bepaalde.
Voor water kwam het uit op ongeveer 140 microliter per seconde, met een afwijking van 0,016. Voor stroperige monsters lag het optimum bij 10 microliter per seconde, met een afwijking van 0,181. Twee verschillende antwoorden op dezelfde vraag, afhankelijk van wat er in de buis zat.
Daar zit ook de scherpste beperking van de hele preview. Toen er schuim in de monsters ontstond, behandelde het model dat als een softwarefout. Het was een fysiek probleem dat je alleen fysiek oplost, en onderzoekers moesten het model daar expliciet naartoe leiden.
De Baker- en Pinglay-labs koppelden zes instrumenten aan elkaar in minder dan een week. Twee dingen vallen daaraan op.
De doorlooptijd is het minst interessante deel. Interessanter is wat er daarna kon: het lab werd op afstand bedienbaar, en instrumenten konden een plaat aan elkaar doorgeven zonder dat er iemand tussen stond. Dat tweede is precies het punt waar losse automatisering vastloopt. Elk apparaat afzonderlijk automatiseren is niet moeilijk. Ze op elkaar laten wachten wel.
Carnegie Mellon bepaalde dosis-responscurves, het soort werk waarbij je een stof steeds verder verdunt en meet wat er gebeurt. Serieverdunningen dus, herhaald en precies.
Het resultaat: ongeveer drie keer sneller. En het cijfer dat er echt uit springt: van kale, net opgestelde apparatuur naar een afgeronde verdunningscurve in acht uur. Normaal is dat een traject van weken, waarvan het grootste deel opgaat aan het aan de praat krijgen van de opstelling.
Janelia werkte met zeven verschillende leveranciersprogramma's naast elkaar voor hun microscopie. Elk apparaat zijn eigen software, zijn eigen bediening, zijn eigen manier van aanspreken.
Met MHS kwam dat onder één interface. Een nieuw apparaat toevoegen ging van een project van meerdere dagen naar een handeling van een paar minuten. Een beeldvormingsexperiment dat weken kostte, werd samengeperst tot een dag.
Janelia is ook waar het geheel begon: de samenwerking tussen Anthropic en Janelia is de oorsprong van MHS.
Dit is het resultaat dat het duidelijkst laat zien waar de winst vandaan komt. QuEra bouwt kwantumcomputers, en daarbij moeten lasers gestabiliseerd blijven. Raakt er een uit koers, dan moet er hersteld worden.
Met de hand duurde dat vijf tot tien minuten. Met een agent erop 0,9 tot 5,4 seconden bij eenvoudige verstoringen. Het slagingspercentage van het herstel ging van 58 procent naar 99,3 procent, oftewel 695 geslaagde pogingen op 700.
Ook hier de eerlijke kant: ging er iets mis aan de fysieke opstelling zelf, dan wist de agent niet waar te beginnen. Zijn kennis van de opstelling was programmatisch en niet fysiek.
De laatste is de meest concrete. Tetsuwan Scientific gebruikte MHS om qPCR-metingen te draaien voor een vervuilingsprofiel van San Pedro Creek.
De cijfers gaan over precisie in het doseren: 9.143 losse doseringen over 300 verschillende soorten overdrachten. Daarmee werd het gedrag van de opstelling ongeveer 12 procent nauwkeuriger voorspeld dan de fabrieksopgave.
Dat laatste is een aardige omkering. De machine bleek zich anders te gedragen dan zijn eigen datasheet zei, en genoeg metingen legden dat bloot.
Zet de zes naast elkaar en er komt één ding naar boven, en het is niet dat AI beter meet dan een mens.
Het wachten verdwijnt. In vrijwel elk geval zat de winst niet in een snellere handeling maar in het wegvallen van de pauze ertussen. Een onderzoeker die om half zes naar huis gaat, laat een experiment achter dat doorloopt. Een verstoring om drie uur 's nachts wordt in seconden opgevangen in plaats van de volgende ochtend.
Coördinatie is de moeilijke helft. Eén apparaat aansturen was altijd al mogelijk. Meerdere apparaten op elkaar laten wachten, met de juiste volgorde en de juiste controle ertussen, was het werk waar specialisten voor werden ingehuurd.
De grens hoort in het apparaat. Bij een van de partners blokkeerde de opstelling zes situaties voordat er iets bewoog: een ontbrekende plaat, een gedraaide plaat, een bezette lezer, een losgekoppelde camera. Geen van die vier kon de agent zien. Zie wie is verantwoordelijk als een agent een machine bedient.
Naast de zes organisaties hierboven zitten er leveranciers in de preview, en dat is voor de houdbaarheid van de standaard belangrijker dan de eerste resultaten. Onder meer Universal Robots, Doosan Robotics, Tecan, QIAGEN, Danaher, Automata, MBF Bioscience en Strands Robots, plus Amazon Web Services, Hugging Face en Raspberry Pi.
Dat laatste rijtje is opvallend. Raspberry Pi en Hugging Face staan niet in het lab maar op werkbanken en in hobbyprojecten. Anthropic zegt daar zelf iets over: veel ontwikkelaars sturen al hardware aan zoals printplaten en camera's, en de preview moet helpen om ook die apparaten onder dezelfde interface te brengen.
Voor wie moet inschatten of dit blijft, is dat het interessantste signaal. Een standaard die alleen door de bedenker wordt gedragen, verdwijnt. Een standaard waar de fabrikanten van de apparaten zelf drivers voor bouwen, blijft.
Twee dingen ontbreken, en het is eerlijk om ze te noemen.
Er staat nergens hoeveel werk er in de voorbereiding zat. Acht uur van kale apparatuur naar een verdunningscurve is indrukwekkend, maar het zegt niets over de weken waarin iemand leerde hoe de opstelling in elkaar zat. Bij elk van deze zes stonden specialisten aan de knoppen.
En er staat nergens wat er misging zonder dat het gehaald werd. De 695 van 700 bij QuEra is gemeten, maar de gevallen die daarbuiten vielen worden niet uitgesplitst. Voor een onderzoeksopstelling is dat prima. Voor een productielijn is precies die staart de vraag die je beantwoord wilt hebben.
De toepassingen zijn specialistisch, het patroon is dat niet. Elk bedrijf heeft processen waarin het echte verlies niet in de handeling zit maar in het wachten op de volgende persoon. Zie wat levert automatisering op en van losse tools naar een AI-systeem.
Wil je weten waar in jouw proces het wachten zit, neem contact op.
dGEN Productions, AI agency en business-automation partner uit Eindhoven. info@dgenproductions.nl · 06-87413056