Dans un précédent article, nous avons relaté les grandes étapes historiques de l’évolution de la formulation de la préhistoire à l’ère où nous vivons actuellement. Ere marqué par l’avènement des nouvelles technologies et les outils numériques. Nous essayerons dans le présent article de voir l’évolution et l’essor des sciences et des technologies de la formulation dans le contexte de cette révolution numérique.
Durant la dernière décennie, on a assisté à l’émergence de l’intelligence artificielle. L’intelligence artificielle a permis de numériser l’industrie en introduisant l’internet des objets (Io des objets), de personnaliser la production, d’avoir une flexibilité dans la gestion des installations industrielles et d’avoir des nouveaux outils logistiques et de simulation. Ceci a permis de réduire drastiquement les coûts de matières premières et de l’énergie. Les outils développés par L’IA, jusqu’à maintenant, ont permis d’améliorer la qualité des produits, par l’identification et l’analyse des facteurs influençant la non-qualité, d’améliorer la performance industrielle par l’optimisation des procédés, la détection et l’anticipation des dérives du procédé et la recommandation des meilleurs paramètres à appliquer durant le fonctionnement des équipements.
1-Mais qu’est- ce- que l’intelligence artificielle ?
1- Définitions de l’IA
La philosophie, les mathématiques, la psychologie, la linguistique et l’informatique sont toutes les cinq des disciplines qui, depuis leurs origines, ont :
– posé les mêmes questions que l’IA,
– développé des méthodes pour l’IA et
– produit des résultats pour l’IA.
La définition de l’IA peut être approchée en définissant d’abord les termes qui l’entourent à savoir: l’information, l’informatique, l’intelligence et la pensée
L’information : Élément de connaissance susceptible d’être représenté par des conventions pour être conservé, traité ou communiqué. L’informatique : Science et technique de traitement de l’information.
Le mot intelligence doit fait référence à la faculté de comprendre, de découvrir des relations (de causalité, d’identité, etc.) entre les faits et les choses et peut se décliner en :
1.1- Intelligence pratique : adaptation réfléchie de moyens à des fins, observée chez certains animaux supérieurs et chez l’enfant.
1.2- Intelligence conceptuelle : faculté de connaître inséparable du langage et fondée sur la raison discursive.
1.3- Aptitude à comprendre facilement, à agir avec discernement. Intelligence remarquable. (Notion de « niveau d’intelligence », de comparaison par rapport à un système semblable).
1.4- Capacité ou fait de comprendre une chose particulière par exemple avoir l’intelligence de jouer aux échecs. (Notion de spécialisation.)
En se référant à ces définitions on peut définir l’intelligence artificielle ainsi : Discipline scientifique dont l’objet est la simulation par machine de processus de la pensée. A l’heure actuelle, l’intelligence artificielle est basée sur la triade (Données, Algorithmes et Machines). L’IA est un ensemble de techniques informatiques capables de résoudre des problèmes à forte complexité algorithmique, particulièrement des tâches que les humains réalisent grâce à leurs fonctions cognitives.
L’intelligence artificielle comprend le machine learning, le deep learning, Les big-data et les sciences des données (Data-sciences). Les data-sciences consistent en la collecte des données, leurs extractions et la prise de décision sur la base de l’établissement des modèles en s’appuyant sur les statistiques inférentielles. Le machine learning est basée sur les statistiques et probabilités appliquées aux données pour faire des prévisions.
Le deep learning ou apprentissage profond ou apprentissage forcé, qui en plus des statistiques et des probabilités, utilise les réseaux neurones.
Intelligence artificielle et formulation
Dans cet article nous allons voir quelle est et quelle sera la place de l’IA dans le domaine de la formulation. Le domaine de la formulation qui reste un domaine stratégique et constitue le nerf de la guerre dans le domaine industriel. Avant de mettre la lumière sur ce sujet, nous allons d’abord émettre des éclaircissements sur le génie de la formulation.
3- Qu’est -ce- que le génie de la formulation ?
Le génie de formulation est un ensemble de trois composantes indissociables à savoir : l’expertise chimique qui consiste à choisir les ingrédients, l’expertise technologique pour les process de mélangeages et de mise en forme ainsi que l’expertise métrologique pour mesurer les performances du produit afin de remplir la fonction d’usage prédéfinie par un cahier des charges établi par le client.
Ces trois composantes sont indissociables. La formulation s’étends à plusieurs matériaux (alliage, bétons, batteries, matériaux de construction, aéronautique, naval, militaire, etc….) et de non matériaux (cosmétiques, encre, peinture, technologie alimentaire, pesticides etc…).
4- Approche conventionnelle de la formulation
La démarche conventionnelle de la formulation consiste à choisir les ingrédients, les mélanger puis mesurer leurs caractéristiques pour déterminer leur degré de performance.
Les caractéristiques mesurées sont transformées en terme de désirabilité. Les désirabilités sont pondérées en commun accord entre le client et le formulateur selon un cahier des charges préétabli. La qualité du produit est évaluée à travers la normalisation de la désirabilité globale. Si cette désirabilité globale n’est pas satisfaisante, on fait tourner la boucle de formulation jusqu’atteindre les performances requises (méthodes itératives).
La méthodologie des plans d’expérience a pu réduire le nombre d’expérience pour atteindre les objectifs de cahier des charges exigé par le client.
Les connaissances développées lors d’une démarche de formulation conventionnelle permet en général :
– d’établir la relation propriété-structure
– de délimiter la zone d’expérimentation (zones de compromis) (Space design)
– de déterminer le mode de défaillance et les conditions aux limites,
- de concevoir le mode de fabrication en transposant la séquence de production de l’échelle expérimental à l’échelle industrielle,
– de déterminer la durée de vie de produit.
L’avènement des nouvelles technologies, l’accumulation des sciences des données et l’émergence de L’IA artificielle, l’approche des sciences de la formulation est actuellement en plein métamorphose.
5-Nouvelle approche de développement des produits formulés
La nouvelle démarche est basée sur les sciences des données selon les trois étapes suivantes:
1- Exploration des données existantes faisant appel à l’historique des formulations) (Big data et datamining),
2- Expérimentation In-Silico (Simulation numérique),
3- Criblage des facteurs expérimentaux : Screening experiments
La première étape repose sur l’établissement des règles de design de produit à formuler en se référant à la bibliothèque des données des produits chimiques
(Chemical database) puis ensuite aux données des bibliothèques (Data library). La deuxième étape déterminante est l’expérimentation In silico « Silico-experiment » : « Simulation par ordinateur en comparaison avec simulation in vivo et in vitro ». Cette étape consiste à concevoir un produit virtuel. Le schéma de design étant défini dans la première étape. Cette phase est consacrée à l’optimisation expérimentale, la simulation des process de fabrication et la simulation des performances.
La troisième étape consiste à faire un criblage des différents paramètres qui agissent sur la qualité du produit. Ceci permet enfin de choisir les formules à retenir qui peuvent remplir le cahier des charges initialement prévu: (Formules candidates). Ces formules candidates sont complétées par des formules concrètes pour valider les modèles développés par les algorithmes. Les techniques utilisées dans cette démarche reposent sur le machine learning et le deep- learning.
6- Etat de l’art de l’intelligence artificielle dans le domaine de la formulation
Le concept est présenté en 2011, son schéma directeur a été établi en 2013 et l’alliance future pour la mise en marche a été créée en 2015. Mais en temps que concept, il n’a été introduit qu’en en 2015.
Le concept de l’IA a été introduit dans le domaine de la formulation pratiquement en même temps aux Etats-Unis et en Angleterre. Les premières tentatives ont commencé dans le secteur de la technologie alimentaire.
6.1- Technologie alimentaire
En 2015, aux Etats-Unis, IBM a développé Le supercalculateur « Chef Waston ». Ce dernier a la capacité de formuler d’une façon originale des recette culinaires et des boissons
Formulation et Intelligence Arificielle- Chef Waston- Inteeligence artificielle Technologie alimentaire
En collaboration avec les éditeurs de logiciel (IBM Waston Developers), IBM a développé une application sous cloud (IBM Chef Watson Twist). Cette application exploite les capacités d’intelligence artificielle de « chef Waston » et propose de réaliser de façon créative des cocktails à partir des goûts et des envies des clients à l’aide d’un smartphone. Le client sélectionne une ambiance (anniversaire, mariage, fête religieuse etc..), un ingrédient de base, et l’application lui propose une recette originale de cocktail.
La deuxième application développée pratiquement en même temps qu’en Angleterre par ABI (Automated Brewing Intelligence). Il s’agit d’une brasserie High-Tech spécialisée dans la formulation des bières. L’application est développée sous facebook mensenger.
Chaque bouteille de bière est dotée d’un code QR, détectable grâce au smartphone qui dirige ensuite le consommateur vers la messagerie du réseau social. Après avoir testé une bière, les consommateurs commentent les saveurs sur l’Algorithme, ABI (Automated Brewing) sur son smartphone.
Le bot de Facebook Mensenger : sorte de robot capable de faire la conversation.
pose alors une série de questions, sous forme de Question aux Choix Multiples (QCM) ou de notation de 1 à 10. L’intelligence artificielle récupère les réponses et peaufine au fil du temps les questions et la recette des bières consommées pour transmettre au maître brasseur (supercalculateur) quelle recette doit brasser la transmettre au maître brasseur (supercalculateur) quelle recette doit brasser la prochaine fois. la technique utilisée est celle de l’apprentissage par renforcement (machine learning) conjuguée à la technique d’optimisation bayésienne pour optimiser les formules.
L’extension de concept de l’IA peut être étendu à d’autres produits tels que le chocolat ou le café. A l’heure où je rédige cet article, je n’ai pas trouvé les ressources nécessaires pour émettre la lumière sur ce sujet. En 2021, la société Givaudan (Service Taste and Welling) : Goût et bien être lance un outil pour optimiser les recettes par intelligence artificielle et big data. Atom (Advanced Tools for Modelling). L’objectif est de réduire le nombre d’essais et donc d’erreurs lors de la formulation de leurs recettes, en identifiant les synergies entre ingrédients, et en se basant sur les connaissances en aromatique de la société. L’outil utilisé « Atom » est complémentaire au travail des aromaticiens. Les résultats obtenus ont permis de réduire le sel d’un tiers dans des snacks au fromage, avec un bon score organoleptique, de remplacer le sucre par la vanilline et le développement des analogues de viande.
6.2- Dans le domaine cosmétique
L’élargissement de l’idée aux cosmétiques reste très difficile sous prétexte d’exclusivité et de confidentialité à moins que toutes les sociétés du monde soient dans l’obligation de dévoiler les formulations via les listes d’ingrédients sur les étiquettes.
Les tentatives dans ce domaine sont encore très limitées. Seul Givaudan qui a étendu son expertise en intelligence artificielle au domaine des parfums étant donné qu’il existe un lien entre couleurs, émotion et odeurs. Cela a permis de bâtir une plus grande cohérence sensorielle autour du produit et de mieux prédire la réponse émotionnelle quand le consommateur en fera l’expérience.
6.3- Dans le domaine des encres
La société DOMINO spécialisé dans la fabrication des encres a vu son programme de recherche-développement prendre de retard pour les raisons du Covid 19 où l’accès aux laboratoires est devenu limité. Ladite société a eu l’obligation de recourir à l’IA pour remplir ces engagements de Recherche-Développement. En collaboration avec le start-up Intelligens » : spécialisé en Intelligence ont mis au point des algorithmes pour accélérer leur programme de développement. L’équipe mise en place a creusé dans l’historique dans leurs formulation (470 formulations) pour avoir plus de données. L’algorithme développé est un algorithme itératif auto-cohérent qui impute les données éparses et donne une quantification non paramétrique fiable avec une confiance dans la prédiction. Sur la base du criblage des facteurs agissant sur la qualité de l’encre, vingt-quatre expériences ont été retenus au lieu de 1800 initialement prévues. L’équipe mise en place a mené une campagne expérimentale pour la réalisation de ces 24 expériences en utilisant des systèmes robotiques. Les mesures sont effectuées par des surfaces automatisées et non-automatisées. Les vingt-quatre échantillons produits ont généré 200 données. Le travail accompli a réussi à améliorer, valider le modèle et le transposer à l’échelle industrielle.
6.4- Dans le domaine des peintures
A l’égard des cosmétiques, l’extension de l’IA au domaine des peintures et de revêtementdes surfaces reste difficile étant donné la rareté des données. Cette rareté doit êtreencouragée par la publication de l’ensemble des données relatives aux matériaux pourinformer les modèles en machine learning. Seul, les sociétés qui disposent de suffisammentde données peuvent gagner ce challenge. En effet les sociétés AkzoNobel et “Suvinil Fora da Lata” de BASF ont développé un logiciel de formulation innovant, basé sur les technologies de l’Industrie 4.0. Le programme est appelé “Paint the Future.
L’objectif de ce programme est de l’exploiter à l’échelle internationale et vise à gagner des parts de marché grâce à l’avantage concurrentiel de cette technologie. Le logiciel de formulation résultant, permettra l’amélioration de la R& D, réduire le temps et satisfaire les exigences des clients. Il permet également d’élargir les champs des données expérimentales récoltées même pour les expériences ratées. Une telle amélioration se traduira par des avantages directs pour la société, tels que l’offre de produits à moindre coût, de meilleure qualité et plus durables au consommateur final.
6.5. Dans le domaine pharmaceutique
L’intégration de l’IA observe un retard et n’a pas encore atteint la vitesse de croisière. En fait, les technologies de fabrication pharmaceutique n’ont pas beaucoup changé depuis plus de 40 ans. Bien que les fabricants soient riches en données, ils doivent encore pleinement réaliser et exploiter le potentiel de la modélisation et de l’analyse avancées des processus pour transformer la prise de décision dans la conception et le contrôle des processus. Le développement de processus et de produits repose principalement sur une approche de fabrication et de test, qui nécessite de longs cycles de développement, des mises à l’échelle non robustes et des processus inefficaces. Les produits sont généralement fabriqués dans des campagnes de production relativement court terme avec des changements de produits fréquents. De plus, étant donné que l’industrie pharmaceutique dispose d’une large base de principes actifs pour la fabrication par lots qui persistera pendant plusieurs décennies, il est important de maximiser la valeur et la qualité des processus par lots et de renforcer la robustesse des solutions de fabrication flexibles émergentes. Pour booster l’introduction de l’IA dans le domaine pharmaceutique, des alliances ont été formées.
L’alliance Systems-based Pharmaceutics est composée des leaders pharmaceutiques Eli Lilly, GlaxoSmithKline, Pfizer, Roche, Astrazeneca, GSK, Sanofi… et le fournisseur de logiciels de modélisation mécaniste, Process Systems[PSE], Perceptive Engineering et Britest) en plus des laboratoires universitaires). Cette alliance vise à développer un cadre de modélisation mécaniste fondé sur des systèmes intégrés et interconnectés basé sur les connaissances disponibles concernant la fabrication de substances médicamenteuses. Cette alliance vise à changer la façon dont les médicaments sont développés et d’accélérer la disponibilité de médicaments importants pour les patients”. (Réduire le temps de recherche développement).
Des projets éminents ont été déclinés de cette initiative tel que (ADDoPT) : Advanced Digital Design of Pharmaceutical Therapeutics). ADDoPT est une collaboration de recherche sur la fabrication et la chaîne d’approvisionnement visant à définir un système de conception et d’exploitation descendantes et axées sur les connaissances pour les produits pharmaceutiques et leurs procédés de fabrication pour une conception numérique avancée.
L’objectif est d’intégrer un large éventail de modèles prédictifs et d’obtenir des informations à partir d’études de cas industriels pour une expérimentation future plus ciblée, une meilleure compréhension des risques, et donc une meilleure conception et mise à l’échelle pour des produits et procédés robustes. La conception numérique combine les connaissances de la recherche et la modélisation mécaniste qualitative et quantitative pour fournir des liens entre les matières premières, les processus de fabrication et les performances des produits afin de répondre aux besoins des patients. Il couvre toutes les opérations, processus et procédures unitaires lors de la fabrication des produits pharmaceutiques et leurs impacts, à la fois en amont pour l’efficacité du produit et la conception du processus, et en aval sur la performance du produit. L’objectif d’ADDoPT était de “créer des systèmes de fabrication de médicaments virtuels pour s’assurer qu’ils sont efficaces et efficients avant de les créer dans le monde réel”. 11. Le consortium a déterminé dès le départ que pour garantir une approche cohérente et efficace de la conception et de la fabrication numériques de produits pharmaceutiques, une approche globale basée sur le système serait nécessaire pour gérer et combiner les flux d’informations provenant des nombreuses facettes de la modélisation et (le cas échéant) expérimentation. Cette carte des flux d’informations devient un catalyseur important pour guider l’adoption de la technologie de numérisation industrielle, en s’alignant sur les recommandations de la revue « Made Smarter » et les tendances généralement émergentes dans le secteur pharmaceutique mondial.
Nous terminons cet article en donnant des exemples de sujets en relation avec les sujets de recherche adoptées par ADDoPT pour créer des médicaments virtuels et des systèmes de fabrication en s’assurant qu’ils sont efficaces et efficients avant de les créer dans le monde réel.
-Jumeaux numériques pour la conception et la fabrication des médicaments)
-Prédiction de l’énergie du réseau par le big-data pour prédire la solubilité des principes actifs au début de cycle de développement.
– Optimisation de la cristallisation des PA en maîtrisant la forme et la taille désirée de cristal (Agir sur les cycles de chauffage et de refroidissement…etc…)
-Prédiction de la morphologie des cristaux
-Comprendre le flux de poudre pour un traitement continu pour une prise de décision plus précoce et meilleure sur la façon de formuler les API avec succès
-Modélisation de l’alimentation en poudre pour la fabrication des comprimés -Prédire les performances de flux et atténuer les impacts des processus pour les nouveaux matériaux
– Un modèle de processus pour la granulation à double vis
– Utilisation de modèles pour optimiser la mise en œuvre de nouvelles plateformes technologiques
Conclusions
En conclusion de cet article l’implémentation de l’intelligence artificielle est un grand voyage dans le temps. Pour réussir ce pari, il faut miser sur l’abondance des données. Certains secteurs industriels sont encore verrouillés. Il faut se fédérer en créant des alliances et se partager les données pour aller plus vite.
– L’implémentation de l’intelligence artificielle peut se faire sur plusieurs étapes : le court, le moyen et le long terme. C’est un grand voyage dans le temps. Trois choses à retenir:
-L’automatisation de l’équipement, la génération des données analytiques (Data) et faire ressortir les renseignements nécessaires (Knowledge).
– Il faut à cours terme automatiser les tâches de routines pour générer des data analytiques (générer et analyser un large dataset). Ceci permettra:
– Dans un premier temps de développer des données empiriques sur des conceptions complexes.
– Dans un deuxième temps le moyen terme, il faut automatiser tout les paramètres caractérisant le produit dans le but de générer et analyser une base de données complexe pour bien élucider la relation structure-propriété.
– Pour le long terme, automatiser le criblage des nouvelles matières premières en s”appuyant sur le data mining pour développer des systèmes de prévision fiable.
Le recours à l’intelligence artificielle permet donc de se lancer dans une nouvelle ère :
– une nouvelle chimie
– de nouveaux matériaux
– de nouvelles applications
Les futurs chimistes formulateurs doivent s’attendre à passer beaucoup plus de temps :
– à concevoir que de manipuler
– de faire beaucoup plus de preuve d’imagination et de créativité.
Les futurs formulateurs doivent être capables de manger et gérer correctement les systèmes automatisés et d’interroger les données et les sciences des données.
