Der Kunde

Während High-Tech-Industrien KI und ML schnell übernommen haben, hat auch die biopharmazeutische Industrie Interesse an modernen technologischen Lösungen gezeigt. Unser Kunde ist ein deutsches Startup, das Softwarelösungen für die Biopharmaindustrie im Bereich Predictive Biomanufacturing bereitstellt. Der Kunde nutzt digitale Zwillinge, um biochemische Prozesse mithilfe von Vorhersagemodellen zu modellieren. Es hilft, Stoffwechselprozesse anhand von Kundendaten in Echtzeit zu analysieren und beschleunigt dadurch die Herstellung von Arzneimitteln und deren Markteinführung. Ziel des Projekts war es, den Code in mehreren Modulen zu optimieren und die Forschungs- und Entwicklungsphase zu unterstützen.

Der Prozess

Zu Beginn der Zusammenarbeit forderte der Kunde zwei Python-Teams an. Ein Team arbeitete mit dem Entwicklungsteam des Kunden zusammen, um den Code für Module zu optimieren und die POC-Entwicklung abzuschließen, um die Verkaufsumsätze des Produkts zu steigern. Das Ergebnis dieser Zusammenarbeit war eine höhere Geschwindigkeit der Lösung und ein stabilerer und genauerer Code. Ein weiteres Team war für die Erforschung und Optimierung von Open-Source-Modulen zuständig, die im Modulationsprozess eingesetzt werden können. Wenn ein ursprüngliches Modul 30 Parameter hatte, reduzierte das Elinext-Team diese Zahl auf fünf, um eine schnellere Verarbeitung der Biodaten zu erreichen. Dann würde das System mit dem von uns geschriebenen KI-Algorithmus die Anzahl der Parameter erweitern, um die Informationen an andere Module auszugeben oder sie in Diagrammen anzuzeigen. Elinext untersuchte Möglichkeiten zur Optimierung der Anwendung mit der Partnerlösung Amazon Cloud. Die Optimierung ermöglichte es den Instanzen, schneller zusammenzuarbeiten.

Ergebnisse

Die Zusammenarbeit zwischen dem Kunden und Elinext dauerte drei Monate. Beginnend mit einer reibungslosen Integration unseres Teams, mit dem des Kunden haben wir die Geschwindigkeit des Codes und der Anwendung selbst optimiert und erhöht. Wir haben auch die Möglichkeit untersucht, die Berechnungen auf dem Server durch die Einführung eines Informationscoders/Encoders zu beschleunigen.