Έξυπνο Σύστημα Διαχείρισης Εργαστηρίων
Χρησιμοποιούμε τεχνολογίες Μηχανικής Μάθησης & αλλάζουμε ριζικά τον τομέα εργαστηριακών αναλύσεων στον ευρύτερο κλάδο της Αγροδιατροφής.
Ένα καινοτόμο & αυτοματοποιημένο έξυπνο σύστημα διαχείρισης εργαστηρίων στη βιομηχανία Αγροδιατροφής, που χρησιμοποιεί Μηχανική Μάθηση και τεχνολογίες αιχμής.
Το καινοτόμο έργο «Έξυπνο Σύστημα Διαχείρισης Εργαστηρίων» έχει σχεδιαστεί και υλοποιηθεί σε συνεργασία με τηνVeltia Labs for Life. Η καινοτομία του έχει να κάνει με την εφαρμογή τεχνολογιών Μηχανικής Μάθησης και Τεχνητής Νοημοσύνης στις καθημερινές διαδικασίες των εργαστηρίων και την αυτόματη και αδιάλειπτη επικοινωνία μεταξύ μηχανών/οργάνων μέτρησης και του κεντρικού εργαστηριακού συστήματος διαχείρισης πληροφοριών.
Η ανάπτυξη και η διάθεση μιας τελικής ολοκληρωμένης λύσης αναμένεται να έχει άμεσο οικονομικό και επιχειρηματικό αντίκτυπο σε παγκόσμια κλίμακα.
Κοινός στόχος της D-cube και της Veltia – μέσω του καινοτόμου έργου «Έξυπνο Σύστημα Διαχείρισης Εργαστηρίων» – είναι:
H μετατροπή της Veltia σε Εργαστήριο του Μέλλοντος (Lab of the Future).
Η ανάπτυξη και η διάθεση μίας πρωτότυπης κάθετης λύσης στο τομέα των εργαστηριακών αναλύσεων στον ευρύτερο κλάδο της Αγροδιατροφής.
ΜΕΘΟΔΟΙ ΥΛΟΠΟΙΗΣΗΣ
Το «Έξυπνο Σύστημα Διαχείρισης Εργαστηρίων» ενσωματώνει το σύνολο των διεργασιών που υλοποιούνται σε τυπικά εργαστήρια, όπως τα εργαστήρια Περιβάλλοντος, Διαθρεπτικής, Μικροβιολογικά και Υπολειμμάτων, ώστε να διευρυνθεί το μερίδιο αγοράς στο οποία θα απευθύνεται το τελικό σύστημα.
Το «Έξυπνο Σύστημα Διαχείρισης Εργαστηρίων» θα πλαισιωθεί από έξυπνους πράκτορες (smart edge agents) που θα επιτρέπουν την επικοινωνία με τα μηχανήματα (machine-to-machine) και τη διεξαγωγή της μέτρησης του δείγματος με τον πιο αποτελεσματικό κι αδιάλειπτο τρόπο.
Θα σχεδιαστούν καινοτόμες μέθοδοι βαθιάς μάθησης που θα στηρίζονται στην ανάπτυξη μεγάλης κλίμακας επαναληπτικών νευρωνικών δικτύων (recurrent neural network-RNN).
Επιπλέον, θα αναπτυχθεί ένα σύστημα Extranet στο οποίο θα είναι διαθέσιμες οι πληροφορίες αναφορικά με την πορεία των δειγμάτων των πελατών και των μετρήσεων τους σε πραγματικό χρόνο (ιχνηλασιμότητα αναλύσεων).