DataHow AG
Die DataHow AG ist ein Spin-off-Unternehmen der ETH Zürich, das 2017 aus der Forschungsgruppe von Prof. Morbidelli hervorgegangen ist und auf den Aktivitäten von Dr. Alessandro Butté, Dr. Michael Sokolov und Dr. Fabian Feidl basiert. Das Unternehmen ist spezialisiert auf Datenanalytik und Prozessmodellierung mit besonderem Fokus auf den biopharmazeutischen und chemischen Bereich. DataHow bietet digitale Lösungen und Beratung für Prozess-Screening, -Überwachung, -Optimierung, -Kontrolle und -Scale-up mit dem Ziel, den Aufwand, die Risiken und die Kosten in der Prozessentwicklung und -herstellung zu reduzieren sowie ein tieferes Verständnis der komplexen Prozesse zu erlangen.
Der Mehrwert von fortgeschrittener Analytik und hybriden Modellen
Formalisiertes Prozesswissen, das von einfachen Trends über Interdependenzen von Prozessvariablen bis hin zu Prozessmodellen und Modellsystemen reicht, bildet den strukturellen Rahmen der DataHow-Technologie. Innerhalb dieses Gerüsts bettet DataHow modernste maschinelle Lernlösungen ein, um die vielfältigen Informationen, die in den großen Prozessdaten verborgen sind, zu enthüllen und zu integrieren. Diese Hybridisierung führt zu leistungsstarken Prozessmodellen, die auf die spezifischen Bedürfnisse in den verschiedenen Phasen der Prozessentwicklung und -herstellung zugeschnitten sind. Solche Modelle erfordern im Vergleich zu konventionellen DoE-basierten Ansätzen weniger Experimente für das Training und haben eine viel stärkere Fähigkeit, neues Prozesswissen zu extrahieren und optimale Prozessabläufe zu finden. Das letztendliche Ziel solcher Modelle ist es, die Entscheidungsfindung und Prozessautomatisierung zu unterstützen. Insbesondere können Cloud-Lösungen dem Modell helfen, den aktuellen Prozess mit der gesamten verfügbaren Prozesshistorie innerhalb und, wenn möglich, außerhalb des Unternehmens zu vergleichen. Gleichzeitig können maschinelle Lernwerkzeuge so trainiert werden, dass sie nicht nur den Prozess vorhersagen, sondern auch Entscheidungen treffen (das so genannte verstärkte Lernen), z. B. für die Prozesssteuerung und globale Optimierung.
Nutzen für die Industrie
Produktionskonzepte für die Biotechnologie 4.0 erzeugen riesige Mengen an Prozessdaten und sind daher in hohem Masse auf ein effizientes Datenmanagement angewiesen, um eine Echtzeitüberwachung und Prozesssteuerung zu ermöglichen. Schätzungen zufolge verbringen Datenwissenschaftler 80% ihrer Zeit mit dem Sammeln und Organisieren der Daten. Lucullus® ermöglicht die vollständige und automatisierte Erfassung und Organisation von Bioprozessdaten über Online-Sensoren, Steuerungen, At-Line-Analytik und Metadaten. Damit reduziert Lucullus® den Aufwand für die Datenerfassung und -organisation für Wissenschaftler erheblich. Durch die Kombination von Lucullus® und dem DataHowLab wird die Datenanalyse rund um Bioprozesse auf ein neues Niveau gehoben, indem die Erstellung von hybriden Modellen vereinfacht und automatisiert wird, die kontinuierlich aus allen historischen und neuen Prozessdaten lernen können. In der ersten Phase der Zusammenarbeit werden Prozessinformationen aus historischen Prozessen von Lucullus® in das DataHowLab übertragen, um neue Parametersollwerte mit Hilfe der hybriden Modellierung vorherzusagen. Die optimierten Prozessparameter werden zurück in Lucullus® importiert, um die Prozessentwicklung zu beschleunigen und zu vereinfachen. In einer zweiten Phase werden nicht nur Prozessinformationen aus historischen Prozessen, sondern auch Echtzeitdaten für Online-Prognosen, Überwachung und Alarmierung genutzt. Durch die Kombination der beiden Werkzeuge werden komplexe Prozessoptimierungen mit minimalem experimentellem Aufwand Realität werden.
Erfahren Sie mehr über DataHow
Erfahren Sie mehr über Lucullus®
