生成式人工智能(AI)及其延伸技术机器学习(ML),为制造业提供了自主预测和应对多样化生产情境的可能性。但当自动化调整涉及对已验证工艺的算法修改时,这是否会危及甚至颠覆经过全面测试和认证的生产流程?住友(SHI)德马格指出:尽管AI与ML取得诸多进展,但关于安全性、透明度、可解释性、信任度、数据隐私、互操作性、伦理偏见及责任归属的合理担忧依然存在。该公司多位专家深入阐释了AI/ML的有效应用场景,并强调在工艺验证领域仍需进行大量深度学习。
医疗制造领域尤其需要贯穿产品生命周期的严格验证规程,任何可能影响产品质量的变更都至关重要——零缺陷是铁律,参数调整绝不容妥协。根据ISO 13485标准,注塑工艺验证需持续记录存档,这是项科学连贯的工作。无论是为应对环境变化调整设备参数,还是处理脱模变形、外观缺陷等成型问题,乃至模具设备的重大维修改进,都会触发重新验证流程,其时间与经济成本不容小觑。
机器学习副作用医疗业务发展总监Andreas Montag指出:"医疗制造中ML应用的最大障碍仍是工艺参数的自主变更,即所谓'黑箱机器学习'。若算法自主调整且决策逻辑不透明,责任归属将成难题。即便风险概率极低,未检出的工艺错误仍可能危害终端用户并引发法律调查。"英国及爱尔兰董事总经理Dave Raine补充:"针对自动化验证的明确法规尚未出台,欧盟与FDA仍在完善分类标准,医疗行业基于风险管控传统,对ML自主调参的接受度仍将受限。"
可迁移技术在消费包装等强调大批量输入的领域,住友(SHI)德马格已通过IntElect生产单元验证了反应式自主ML的潜力:某非医疗应用案例显示,自动参数设置使设备调试效率提升4.5倍,启动废料减少78%。其activeMeltControl(aMC)技术通过实时监测保压与转换位置变化,在参数漂移时自动补偿,但调整带宽仍需人工设定。
AI还通过精准模拟和生成设计加速了定制化医疗生产单元开发。数字孪生技术帮助客户在设备投产前验证概念,而AI驱动的模拟能优化设计、缩短研发周期、降低定制研发成本。Andreas强调:"URS(用户需求规范)阶段的可行性验证尤为关键,AI可协助客户控制预算,但核心知识产权始终受到保护。"
实现AI模拟人类决策需建立全设备互联的数据源,确保部件质量、工艺参数与冷却温度等变量间的复杂交互可被解析。Andreas总结道:"对医疗制造商而言,AI/ML的价值远超工艺参数自动化,它正推动产品研发、加速决策、提升可扩展性。传统模式(包括已验证工艺)的变革终将到来,这应被视为持续改进的机遇而非威胁。"