OpenAI heeft een nieuw AI-model gelanceerd dat specifiek is getraind voor de levenswetenschappen, genaamd GPT-Rosalind. Dit betekent dat bedrijven in sectoren zoals farmacie, agrofood en diagnostiek nu kunnen experimenteren met een AI-tool die gespecialiseerd is in hun vakgebied, zonder eerst zelf een model te hoeven trainen op complexe wetenschappelijke data.

Wat er aan de hand is

OpenAI heeft GPT-Rosalind gepresenteerd, het eerste model van het bedrijf dat niet voor algemene taken is bedoeld, maar specifiek voor de levenswetenschappen. Het model is vernoemd naar Rosalind Franklin, een pionier in het onderzoek naar DNA. Volgens het bedrijf is het getraind op een enorme hoeveelheid wetenschappelijke literatuur, onderzoeksdata en code uit domeinen als biologie, chemie en geneeskunde. Deze aankondiging markeert een verschuiving bij grote AI-aanbieders van algemene modellen naar gespecialiseerde, verticale tools die direct in een professionele context kunnen worden ingezet.

Wat dit betekent

Voor Nederlandse MKB-bedrijven in innovatieve sectoren verandert de drempel om met AI te experimenteren. Waar je voorheen een algemeen model zoals ChatGPT moest ‘ompraten’ tot een wetenschappelijke expert, of zelf een gespecialiseerd model moest bouwen, is er nu een kant-en-klaar alternatief. Dit is met name relevant voor bedrijven in de farmaceutische sector, diagnostiek, agrofood, en materialenonderzoek. Het betekent dat kleinere teams, zonder een leger aan AI-experts, toegang krijgen tot geavanceerde kennisverwerking die voorheen voorbehouden was aan grote onderzoeksinstellingen of farmareuzen. Het model kan helpen bij het analyseren van onderzoeksliteratuur, het genereren van hypotheses, of het begrijpen van complexe datasets.

Hoe je dit kunt toepassen

De praktische toepassing hangt af van jouw situatie. GPT-Rosalind is een gespecialiseerd hulpmiddel dat logisch aansluit bij werkprocessen in research-intensieve bedrijven. Je zou kunnen overwegen om het te gebruiken voor specifieke, afgebakende taken waar wetenschappelijke literatuur of data-analyse een rol speelt.

Als je in een agrofood-bedrijf werkt aan duurzamere gewasbescherming… dan zou je het model kunnen gebruiken om snel door wetenschappelijke publicaties over biologische bestrijdingsmethoden te navigeren. Je kunt het vragen om de kernresultaten van recente studies samen te vatten of te zoeken naar patronen in onderzoeksdata die je zelf hebt verzameld.

Als je een klein diagnostisch lab runt en nieuwe testmethoden onderzoekt… dan is een mogelijkheid om GPT-Rosalind te betrekken bij het reviewen van klinische literatuur over bepaalde biomarkers. Het kan helpen bij het structureren van bestaande kennis, wat tijd bespaart in de onderzoeksfase.

Als je in de farmasector werkt aan formulering van nieuwe producten… dan zou je kunnen experimenteren met het model om chemische of farmacologische datasets te interpreteren. Overweeg om het in te zetten als een interactieve kennisbank voor specifieke stofklassen of reactiemechanismen, altijd met de noodzakelijke menselijke validatie.

De eerste stap is om je te verdiepen in de mogelijkheden en beperkingen van het model via de officiële documentatie van OpenAI. Begin met een concrete, niet-kritieke onderzoeksvraag om de waarde voor jouw workflow te testen.

Bron: Bright