Les jumeaux numériques sont déjà utilisés sur plusieurs sites, tandis que d’autres comptent le faire d’ici à 2030. D’autres entreprises pharmaceutiques sont toujours en train tout juste d’examiner ce qui est possible. Cognizant et CESPE ont invité des experts renommés à discuter des possibilités et de la manière dont les connaissances peuvent être mises à l’échelle. Une occasion unique de se former.
Dans la grande salle de conférence de la faculté des sciences pharmaceutiques de l’université de Gand, les armoires à pharmacie décorées en bois sont remplies de vérins en cuivre, de livres centenaires et de bocaux en verre. Cognizant et CESPE, le « Centre of Excellence in Sustainable Pharmaceutical Engineering & Manufacturing », ont choisi un lieu particulièrement approprié pour leur table ronde exclusive sur les jumeaux numériques. On sent le contraste : les anciennes techniques pharmaceutiques forment le décor des présentations et des discussions sur les technologies les plus récentes.
En partenariat avec CESPE, Cognizant veut inspirer le secteur pharmaceutique et montrer les possibilités qu’offre la bonne technologie. Bien que l’événement se concentre sur les sciences de la vie, les défis et les leçons présentés aujourd’hui s’appliquent à de nombreux secteurs. Après tout, les jumeaux numériques, en tant que technologie, font partie des dix tendances les plus importantes dans le domaine de la fabrication, toutes industries confondues. Car tout le monde veut plus d’agilité, de flexibilité et de durabilité dans son organisation.
Jumeaux numériques ?
Un jumeau numérique est une reproduction virtuelle d’un composant, d’un système ou d’un processus conçu à partir de données. Le jumeau est destiné à visualiser, prédire et comprendre les performances dans le monde réel. Une définition intéressante, mais aussi très large.
Plus précisément, un jumeau numérique est un modèle basé sur des informations et des données mécanistes représentant un processus dans le monde physique. Dans ce contexte, il s’agit par exemple d’une version numérique d’une usine chimique, d’un bioréacteur ou d’une chaîne de production de tablettes.
Modèles mécanistes vs modèles fondés sur des données
Les formules mécanistes décrivent les processus physiques, biologiques et chimiques explicitement et le plus fidèlement possible. Bien qu’elles tiennent compte des lois physiques, elles sont complexes et ne sont jamais vraiment complètes parce qu’elles reposent sur des hypothèses inhérentes. La réalité entière est encore trop compliquée pour qu’une seule équation pratique.
Quant aux données, elles proviennent de toutes sortes de capteurs et peuvent être utilisées pour former des modèles grâce à l’apprentissage automatique. Ce type de modèle donne de très bons résultats, mais il faut beaucoup de temps et de travail pour le créer. De plus, ils sont totalement indépendants des lois de la physique.
« Dans la pratique, les modèles hybrides simplifiés semblent être la solution », pense le professeur Jan Verwaeren, du département d’analyse des données et de modélisation mathématique de l’université de Gand. « Ces modèles combinent l’apprentissage automatique et les données, mais prennent toujours en compte les règles physiques pertinentes. »
Fermentation et simulation
Le professeur Matthieu Duvinage, chercheur principal en données pour l’IA et les jumeaux numériques chez GSK, donne l’exemple d’un méthaniseur, dans lequel un jumeau numérique aide initialement à clarifier ce qui se passe à l’intérieur et, à l’étape suivante, prédit aussi ce qui est en passe de se réaliser. Le jumeau permet ainsi de modifier les paramètres et de choisir la meilleure façon de procéder.
Le professeur Ashish Kumar, directeur du laboratoire d’ingénierie pharmaceutique de Gand, insiste sur l’importance des jumeaux numériques dans l’optimisation des processus de fabrication complexes. Selon le professeur, plusieurs concepts de fabrication sont souvent possibles. « Quelle méthode garantit la meilleure diffusion d’un médicament dans le corps ? Il faut de nombreuses expériences pour le savoir, mais quand on développe un nouveau médicament, l’ingrédient pharmaceutique actif est simplement très rare. »
Les modèles numériques toujours sont utiles, du design et du développement jusqu’à la fabrication et au contrôle.
Prof. Ashish Kumar, directeur du laboratoire d’ingénierie pharmaceutique de Gand
Un modèle numérique de la réalité est aussi indispensable dans les cas les plus évidents. Le professeur Kumar : « Par exemple, après avoir fabriqué une bonne tablette, le marketing veut tout à coup une forme différente, créant ainsi des craquelures. » Il semble que ce soit une question simple, mais pas du tout. Surtout compte tenu des échéances à respecter. Le professeur Kumar veut expliquer clairement les choses à l’aide de ses exemples : « Les modèles numériques sont utiles à chaque étape, du design et du développement à la fabrication et au contrôle. »
Comment commencer ?
Pendant la table ronde, on constate que toutes les organisations ne savent pas vraiment comment commencer la numérisation avec les jumeaux numériques. Ici et là, il existe de grands projets généraux, mais les participants parlent aussi souvent d’initiatives ponctuelles fondées sur des projets. Une approche qui permet des MVP (produits minimum viables) rapides est la clé, et le docteur Elisa Canzani, responsable de la science des données chez Cognizant, propose la solution.
« Pour une technologie vraiment évolutive, il faut des flux de données qualitatifs et automatiques », sait-elle. Cognizant et GSK en ont développé une solution avec TwinOps, sur laquelle le docteur Canzani a écrit un article. TwinOps est une plate-forme composée de modules d’ingestion, de validation, de transformation et de stockage des données. « Ces modules sont réutilisables après validation. »
TwinOps comme base de l’évolutivité
Avec cette plate-forme TwinOps, la liaison entre les données d’un côté et les jumeaux numériques de l’autre est viable et évolutive. « Grâce à des flux de travail automatisés et réutilisables, il faut jusqu’à 80 % d’efforts en moins pour assurer la conformité », explique Canzani. Et les résultats sont spectaculaires : chez GSK, la plate-forme TwinOps garantit que le MVP (produit minimum viable) ne prend qu’à peine trois semaines.
Un modèle numérique sans flux de données n’est pas un véritable jumeau numérique.
Dr Elisa Canzani, responsable de la science des données chez Cognizant
TwinOps n’est pas seulement important pour l’évolutivité, la vitesse et la conformité, mais aussi tout simplement pour tirer le meilleur parti des jumeaux numériques. Dr Canzani: « Un modèle numérique sans flux de données n’est pas un véritable jumeau numérique. Les entreprises ont souvent des données, mais dans un Excel coloré. » En transférant directement les données des capteurs vers les modèles, la version numérique d’un actif est également un véritable jumeau numérique.
Lien avec la technologie classique
Cela peut être réciproque. L’objectif ultime de la plupart des participants est de reconnecter les modèles aux environnements de production. Les données des bioréacteurs enrichissent les modèles, qui apportent ensuite des informations fondées sur des simulations. Initialement, ces données sont transmises à un opérateur humain, mais un jour, un système intelligent pourra lui-même ajuster les paramètres et optimiser la production.
C’est là que les technologies traditionnelles croisent la numérisation. Les usines complexes sont contrôlées par des logiciels qui ne sont pas toujours ouverts. Cette approche fermée pose problème à plusieurs entreprises pharmaceutiques, le logiciel de contrôle étant un goulot d’étranglement pour la numérisation et l’automatisation. Il est aussi plus difficile que prévu d’extraire les données des systèmes. CESPE veut jouer un rôle dans ce domaine en proposant, entre autres, de bonnes solutions de remplacement.
Relation durable avec les jumeaux
La technologie existante n’est pas le seul obstacle potentiel, les gens posent également des problèmes. Même les modèles mécanistes clairs, qui ne souffrent pas de l’aspect boîte noire (« black box ») d’un modèle d’IA, sont toujours perçus comme une boîte noire par les employés qui ne sont pas habitués à cela. Cela crée de la méfiance. Il faut donc absolument impliquer en temps voulu les bonnes parties prenantes dans un projet de jumeau numérique.
Ici encore, une plate-forme de données flexible est importante, car elle permet à un projet de se développer en toute liberté. En général, tous les participants veulent trouver un équilibre entre le savoir humain d’une part et la valeur tirée des données et des modèles d’autre part. La combinaison de l’informatique, des données, de la connaissance du secteur et de l’expertise académique n’est pas évidente, mais elle est essentielle. « C’est exactement la raison pour laquelle Cognizant et CESPE collaborent à cet égard », souligne Sean Heshmat, responsable des données et de l’IA chez Cognizant.
La valeur d’un modèle numérique
les participants ont aussi des points de vue différents sur la valeur des données et des modèles. Pour certains, le développement de médicaments est la priorité et la numérisation n’est rien de plus qu’un moyen d’arriver à ses fins. On ne se soucie pas vraiment de la propriété intellectuelle des données et des modèles.
Pour d’autres, cette approche est plus nuancée. Certains participants apprécient ses modèles de jumeaux numériques et la propriété intellectuelle qui y est associée.
Applications spécifiques, défis généraux
Pendant la table ronde, les présentations et les discussions portent plutôt sur les applications très spécifiques de la numérisation et des jumeaux numériques dans le secteur pharmaceutique. C’est logique : Cognizant et CESPE investissent sciemment beaucoup d’efforts dans ce domaine. Toutefois, un regard un peu plus objectif montre que le secteur est confronté aux mêmes problèmes et questions que beaucoup d’autres secteurs, notamment l’industrie chimique et l’industrie manufacturière.
Au final, on cherche tous à simuler numériquement des processus complexes pour en tirer des informations plus approfondies et une plus grande efficacité. Donc, une approche efficace et évolutive qui tient compte des exigences en matière de conformité est essentielle. La plate-forme TwinOps est ainsi la grande vedette du jour : la couche de données est la base recherchée qui permet une expérimentation rapide.
L’heure du casse-tête
Toutes les pièces du puzzle sont là. Il faut maintenant les mettre en œuvre. Le secteur n’a que quelques pionniers, mais les suiveurs rapides ne manquent pas. « Pour profiter pleinement du potentiel des jumeaux numériques et accélérer l’innovation, il est primordial que les entreprises des secteurs chimique, pharmaceutique et biopharmaceutique collaborent et lancent des projets avec de multiples partenaires », conclut Dr Christoph Portier, directeur de CESPE. « En partageant les ressources, les connaissances et l’expertise, ensemble, nous pouvons explorer le potentiel de la technologie du jumeau numérique et créer les bases d’une croissance durable, ainsi que les avantages concurrentiels qui l’accompagnent. »