Second Opinion
17 subscribers
8 photos
3 links
SECOND OPINION
ИИ × ФАРМА
Сообщество для тех, кто хочет применять ИИ там, где качество имеет значение.
Download Telegram
Channel created
Channel photo updated
Channel name was changed to «Second opinion»
SECOND OPINION
ИИ уже пришёл в фарму. Вопрос теперь не в том, использовать его или нет. Вопрос — как использовать его правильно.
Мы создаём Second Opinion — сообщество для тех, кто работает в фармацевтической отрасли и хочет разобраться, где искусственный интеллект действительно может помочь в работе, а где ему пока доверять нельзя.
Здесь будем говорить не про ИИ «вообще», а про реальные задачи фармы.
Для химиков и лабораторий контроля качества — поиск и анализ НД, СОП и методик — работа с нормативной документацией — подготовка и сравнение документов — анализ результатов и отчётов — автоматизация рутинных операций — ИИ-инструменты для лаборатории
Для производства и технологов — технологическая документация — поиск информации по процессам — работа с регламентами и инструкциями — анализ отклонений и документации — автоматизация производственных задач
Для R&D — поиск научной информации — анализ литературы и патентов — фармацевтическая разработка — систематизация экспериментальных данных — подготовка документов
Для QA/QC — GxP-документация — проверка и сопоставление версий — подготовка отчётов — поиск несоответствий — работа с большими массивами документов
И главное — будем разбираться, как перейти от обычного ChatGPT к полноценным AI-инструментам и агентам, которые могут работать внутри фармацевтических процессов.
Но без магии.
Мы будем говорить и о границах ИИ: где модель ошибается, почему нельзя слепо доверять ответам и как выстраивать работу так, чтобы сохранялись качество, воспроизводимость и требования фармацевтической отрасли.
Что будет в Second Opinion?
•разборы ИИ-инструментов для фармы • практические кейсы для химиков, технологов и специалистов QA/QC • готовые промпты и сценарии автоматизации • обзоры AI-агентов и корпоративных решений •обучение работе с ИИ • разбор реальных фармацевтических задач • материалы по цифровизации лабораторий и производства •новости AI без информационного шума
И постепенно — практика:
•обучающие курсы для специалистов фармы • обучение ИИ для химиков и лабораторий • AI-консалтинг для фармацевтических компаний • разработка и внедрение AI-решений под конкретные процессы.
Second Opinion — это не про замену специалистов.
Это про то, чтобы специалист тратил меньше времени на поиск, переписывание, сверку и рутину — и больше времени на задачи, где действительно нужны его знания и ответственность.
Если вы работаете в фарме и хотите понять, что ИИ уже может делать в вашей работе — подписывайтесь.
Будем разбираться вместе.
Second Opinion Второе мнение для фармы — теперь и от ИИ.
❤3
Second Opinion pinned «SECOND OPINION ИИ уже пришёл в фарму. Вопрос теперь не в том, использовать его или нет. Вопрос — как использовать его правильно. Мы создаём Second Opinion — сообщество для тех, кто работает в фармацевтической отрасли и хочет разобраться, где искусственный…»
🧪 7 задач химика, которые уже сейчас можно отдать ИИ
Не синтезировать. Не проводить анализ вместо вас. Не принимать решение о соответствии серии.
А вот рутину вокруг работы химика ИИ уже умеет значительно ускорять.
Например:
1. Найти нужную информацию в НД и СОП
Вместо поиска по десяткам документов:
«Найди требования к подготовке образца для определения X. Укажи документ, раздел и актуальную версию».
ИИ может быстро собрать ответ и показать, откуда он взял информацию.

2. Сравнить две версии методики
Было 15 страниц. Стало 17.
Что изменилось?
ИИ может выделить:
• добавленные пункты • удалённые требования • изменения концентраций и объёмов • новые условия анализа • изменения в оборудовании • изменения в критериях приемки
И самое важное — специалист уже не тратит час на поиск изменений вручную.

3. Разобрать методику анализа
Можно попросить ИИ структурировать методику:
→ оборудование → реактивы → стандартные образцы → подготовка проб → условия анализа → расчёты → критерии приемки → критические этапы.
Получается не «пересказ документа», а рабочая карта метода.

4. Подготовить шаблон отчёта
Не писать каждый раз документ с нуля.
ИИ может сформировать первый вариант:
— протокола — отчёта — заключения — таблицы результатов — пояснительной записки.
Специалист проверяет содержание и утверждает документ.

5. Проанализировать большой массив документов
Например, нужно найти:
все упоминания конкретного вещества, метода или параметра за несколько лет документации.
Для человека это часы поиска.
Для правильно настроенного AI-инструмента — значительно быстрее.

6. Подготовиться к новой задаче
Нужно разобраться с незнакомым методом?
Можно попросить ИИ собрать:
📌 основные принципы метода 📌 используемое оборудование 📌 типовые ошибки 📌 критические параметры 📌 нормативные требования 📌 научные источники для дальнейшего изучения.

7. Сформулировать правильный запрос к ИИ
И вот здесь начинается самое интересное.
Потому что:
«Проанализируй эту методику»
и
«Сравни методику №___ версии 3 и версии 4. Выдели только изменения, влияющие на подготовку проб, условия ВЭЖХ и критерии приемки. Для каждого изменения укажи страницу и исходный фрагмент документа»
— это совершенно разные задачи.
ИИ становится полезным не тогда, когда мы просто «спрашиваем ChatGPT».
А когда мы правильно встраиваем его в рабочий процесс.

⚠️ Но есть важный нюанс.
В фарме нельзя просто загрузить документы в публичный чат и поверить красивому ответу.
Нужны:
источник → контекст → проверка → ссылка на документ → контроль версии → ответственность специалиста.
Именно поэтому мы в Second Opinion будем разбирать не только возможности ИИ, но и его ограничения.
🧪 Следующий пост — покажем на конкретном примере, как ИИ может сравнить две версии методики.
Почему нейросеть «забывает» начало разговора? Разбираем контекст 🧠

Продолжаем погружение в наш Словарь ИИ. Сегодня на очереди раздел «Контекст и память» — именно здесь кроется 80% причин, почему модель выдаёт бред или «галлюцинирует».

Три термина из словаря, которые нужно знать каждому, кто работает с промптами:
❤️Context Window (Контекстное окно) — это «оперативная память» нейросети на один запрос. Всё, что не влезло в окно — нейросеть просто не видит. Раньше у нас было 4k токенов (пара страниц), сейчас у Gemini и Claude счет идет на миллионы.
❤️Needle in a Haystack (Иголка в стоге сена) — бенчмарк (тест), который проверяет, насколько хорошо модель находит точный факт в середине огромного документа. Иметь окно в 1 млн токенов — это одно, а реально "помнить" факт на 500-й странице — совсем другое.
❤️RAG (Retrieval-Augmented Generation) — трюк, когда мы не запихиваем всю базу знаний в саму модель, а сначала ищем нужный кусочек в базе данных и подсовываем его модели прямо перед ответом.
💡 Лайфхак: Если модель начинает тупить в длинном диалоге, не пытайтесь её переубедить — открывайте новый чат. Контекстное окно переполнилось.

А у вас бывало, что нейросеть «забывала» сутевые детали посреди задачи? 👇
Please open Telegram to view this post
VIEW IN TELEGRAM
❤3
Forwarded from Evening Prophet
Про нобеля по химии писать не буду, там вроде все по делу но без чудес. А вот новости от Google DeepMind вполне тянут на будущий второй Нобель по ИИ в биохимии. Потому что там с ноги открыли дверь в мир совершенно полномасштабной синтетической биологии.

Думаю, рукотворная эволюция по своим последствиям может оказаться масштабнее всего, что ИИ сделает с нашей интеллектуальной работой. Система AlphaProtein Novo позволяет не моделировать, а проектировать новые белки под нужную человеку химическую задачу. Буквально начинать с того, какая реакция нам необходима, и создавать молекулярный механизм для её выполнения, придумывать биологические функции, для которых у нас нет подходящего готового решения в природе.

Например фермент для синтеза пиперидинов - молекулярных конструкций, востребованных в производстве лекарств. После доработки и направленной эволюции он обеспечивает выход продукта больше 60 процентов даже в среде с 40 процентами органического растворителя.
Другой созданный фермент расщепляет токсичный пластификатор DEHP в условиях, где испытанные природные аналоги перестают работать (причем при температуре 95^ он работают лучше, чем при 40ка). То есть белковый механизм можно заставить выполнять нужную нам работу в среде, которая убьет (денатурирует, разложит) его природных конкурентов.

Меня особенно восхищает перспектива придумывать сами процессы, из которых складывается жизнь. Генетическая инженерия дала нам возможность переносить и менять существующие функции. Проектирование новых белков расширяет этот набор: мы учимся создавать собственные молекулярные инструменты. Следующий шаг, который я здесь вижу, - соединять их в живые системы с нужным нам обменом веществ, способами производства и устойчивостью к среде.

Для космоса это вообще другая постановка задачи. Вместе с условиями для жизни можно будет проектировать саму жизнь под эти условия. Сразу учитывать доступное сырьё, необходимую работу, ограничения будущей станции или поселения. Создавать организмы, которым предстоит делать то, чего земная эволюция от них никогда не требовала.

Этот масштаб будущего куда интереснее очередного соревнования нейросетей в решении тестов. ИИ становится инструментом, с помощью которого мы начинаем придумывать и создавать совершенно новых исполнителей нашей работы - но уже живых.
Всем привет !

Я новый человек в фарме , и все что вы делаете для меня магия - взаимодействия молекул удивительный мир неизведанного , как космос 😁


Очень хочу быть полезным вам - волшебникам , которые продлевают и улучшают качество жизни )
- У нас будет несколько инициатив, которые, как принято ИТ ,будут OpenSource без лицензий

- Первая из них - это дистиляция Фармакопеи в датасет для обучения больших языковых моделей , потом обучение модели ,которую можно будет запустить на одной GPU

В связи с этим у меня запрос к вселенной сообществу - нужны пионеры , которые помогут вычитать датасет после генерации , попробуют модель и дадут обратную связь
🔥3
Forwarded from Data Secrets
Теренс Тао провел в Калтехе большую лекцию про математику в эру ИИ и выложил слайды

https://terrytao.wordpress.com/2026/10/10/math-2-0/

Лекцию он назвал "Math 2.0", хотя еще в мае собирался читать ее под названием "Machine Assisted Proof". Сам он признается, что наполнение заметно изменилось "из-за недавних событий".

Основная мысль Теренса такая: раньше математика строилась на допущении, что решить открытую задачу очень трудно и происходит это редко. Вокруг этого выросли институты, карьерные стимулы и традиции. Однако, на самом деле, решение задач – это лишь прокси метрика, а глобальная цель науки состоит в другом: в исследовании, поиске новых задач и понимании, как применить решения в реальном мире.

Так вот, раньше эта прокси-метрика в виде решения открытых задач работала, потому что, решая задачи, математики копили опыт и понимание. Сейчас же, как говорит Тао, дальнейшая слепая оптимизация одного лишь решения задач "активно вредна для долгосрочного здоровья математики".

Если ИИ просто выдает решения в обход людей, он как бы стерилизует окружающее задачу поле: непройденные пути так и остаются непройденными, цикл становится невозобновляемым, понимание не накапливается, и растет доля решений, которые как бы работают на бумаге, но расходятся с тем, что нам на самом деле нужно миру.

В качестве аналогии Тао предлагает такой мысленный эксперимент: ИИ придумал коктейль, который убивает все раковые клетки, и он даже подтвержден клиническими испытаниями третьей фазы. Стали бы вы колоться, не зная, что хотя бы один человек-эксперт понимает механизм?

В качестве решения Тао предлагает сместить фокус с уничтожения открытых задач на использование ИИ для укрепления человеческого понимания. Собственно, это он и называет "Math 2.0". ИИ может действительно помочь ускорить прогресс, если будет искать объяснения и новые принципы и исследовать окрестности гипотез, а не только генерировать доказательства. Это огромное непаханное поле, и главным ограничением тут Теренс называет уже не технологии, а воображение.
❤2
Forwarded from AI Projects (Vladimir Ivanov)
👽 Сейчас изучаю дискуссии математиков, которые разбирают 722 публикации OpenAI. Многие пишут в X, что их пугает явный «инопланетный разум» ИИ, т.к. логические ходы LLM совершенно не укладываются в обычные человеческие понятия, но при этом верны. Рассмотрим, как ИИ решил «инопланетным» способом задачу, над которой математики бились без результата почти 70 лет.

🎯 Задача: проблема Хадвигера — Нельсона

Представьте бесконечную плоскость. Нужно раскрасить её так, чтобы любые две точки, находящиеся ровно на расстоянии 1 друг от друга, были разного цвета.
Вопрос: сколько цветов нужно?
• Точно больше 4.
• Точно меньше 8.
• Неизвестно: хватит ли 6 или 7.
Нужно доказать, что 5 цветов не хватит.

👨‍💻 Как бы это сделал математик (человеческий подход)
Обычный математик подошёл бы к задаче почти как разработчик к тестированию.
«А давайте найдём конкретный граф (набор точек и связей), который невозможно раскрасить в 5 цветов!»
Это как написать юнит-тест: вот данные, вот связи, запускаем бэктрекинг — программа падает. Значит, 5 цветов недостаточно.
Именно так в 2018 году математик Обри де Грей нашёл граф из 1581 вершины, который нельзя раскрасить в 5 цветов. Это классический, конструктивный, «человеческий» подход.

👽 Как это сделал ИИ (инопланетный подход)
ИИ не стал искать граф. Он вообще проигнорировал дискретную математику. Вместо этого он... перевёл задачу в мир непрерывной математики (интегралы, теория меры).
На рис. 1.3 его Теорема 1.3 (Transfer of colorability). Это тот самый «мост» между разными мирами математики, но именно этим простым ходом ИИ решил задачу.

Она утверждает:
Существует обычная раскраска ⇔ Существует слабо измеримая раскраска.
Перевод на язык разработчика звучал бы примерно так: «Мы не будем доказывать, что программа падает на этих данных. Мы перепишем спецификацию на другом языке (например, с C++ на Haskell), докажем теорему там, а потом скомпилируем обратно».

🧩 Как работает это доказательство:
1. Определение 1.2: ИИ вводит понятие «слабо измеримой раскраски». Это не просто функция f(x) = цвет, а измеримая функция, где условие «расстояние 1» заменяется на сложный интеграл Лебега по единичной окружности.
2. Теорема 1.3 (Мост): Если существует обычная раскраска, то обязательно существует и измеримая.
3. Теорема 1.4: Доказывается, что слабо измеримой 5-раскраски не существует. Интеграл не сходится, мера Лебега даёт противоречие.
4. Вывод: раз измеримой нет, значит и обычной 5-раскраски быть не может.

💎 Откуда взялась инопланетная логика ИИ и что это значит?
• На деле мы видим сверхспособности ИИ креативно соединять разные домены знаний из своего обучения, и это позволяет ему посмотреть на задачу под другими углами. Если люди играют в плоские шахматы в математике, то ИИ играет против математиков в 100D-шахматы.
• Довольно очевидно, что нас скоро ждут прорывы и в физике, и в химии, т.к. люди зажаты в своих стереотипах и узком знании отдельных доменов, а ИИ свободно скользит между доменами.