Lingkungan manufaktur farmasi sering kali terlihat sebagai proses fisik yang berjalan di lantai produksi. Namun, di balik itu, lingkungan ini merupakan sebuah sistem terdistribusi yang sangat kompleks. Di dalam pabrik, terdapat berbagai perangkat mulai dari sensor suhu, pembaca RFID di titik akses terkontrol, perangkat BLE untuk melacak aset, peralatan pemantauan lingkungan, hingga aplikasi bisnis yang mengelola data manufaktur, laboratorium, kualitas, dan inventaris. Kehadiran teknologi Artificial Intelligence (AI) dan Internet of Things (IoT) atau AIoT membawa potensi besar, namun tantangan utamanya bukan sekadar melatih model AI, melainkan membangun jalur data yang andal dari kejadian fisik di lapangan hingga menjadi keputusan operasional yang nyata.
Untuk menyatukan semua sistem ini ke dalam satu alur kerja yang harmonis, perusahaan farmasi membutuhkan integrasi teknologi yang matang. Di sinilah peran penyedia layanan teknologi menjadi sangat krusial. Memanfaatkan Jasa Pembuatan ERP yang berpengalaman dapat membantu industri farmasi membangun sistem inti yang tidak hanya mengelola sumber daya, tetapi juga siap terintegrasi dengan sensor fisik, sistem manajemen laboratorium, dan kecerdasan buatan.
Arsitektur Berbasis Peristiwa dan Pentingnya Identitas Data
Langkah awal dalam merancang sistem AIoT farmasi adalah mendefinisikan peristiwa atau kejadian fisik apa saja yang penting untuk dipantau. Kejadian tersebut bisa berupa penerimaan bahan baku, pergerakan aset, mulainya pengoperasian alat, perubahan suhu atau tekanan, penyelesaian batch produksi, hingga deteksi akses keamanan. Alih-alih melihat sistem sebagai kumpulan perangkat keras yang terpisah, arsitektur ini harus dipandang sebagai arsitektur pemrosesan peristiwa (event-processing architecture).
Menghubungkan Data Fisik dengan Sistem Digital
Setiap data yang dihasilkan oleh sensor memerlukan identitas, waktu, dan konteks yang jelas. Pembacaan sensor tanpa identitas yang spesifik akan sangat sulit digunakan untuk analisis mendalam. Data sensor harus bisa dipetakan dengan jelas: mulai dari sensor itu sendiri, ruangan tempat sensor berada, peralatan yang digunakan, proses yang sedang berjalan, hingga batch produksi yang sedang diolah. Di sinilah teknologi identifikasi seperti RFID, BLE, barcode, dan UWB memainkan peran penting sebagai jembatan yang menghubungkan dunia fisik dengan sistem digital.
Peran Edge Layer dan Normalisasi Data
Tidak semua data mentah yang dihasilkan oleh sensor harus langsung dikirim ke sistem pusat. Mengirimkan seluruh data mentah tanpa penyaringan dapat membebani lalu lintas jaringan dan kapasitas penyimpanan. Oleh karena itu, perangkat edge atau gateway lokal sangat dibutuhkan untuk melakukan validasi, normalisasi, penyaringan, dan penggabungan data sebelum diteruskan ke sistem berikutnya.
Edge computing juga sangat berguna dalam mengatasi masalah latensi rendah dan konektivitas yang tidak stabil di area pabrik. Selain itu, perangkat edge berfungsi menyelaraskan format data yang berbeda dari berbagai mesin. Tanpa adanya proses normalisasi ini, sistem AI bisa saja salah mengidentifikasi satu objek fisik yang sama sebagai beberapa entitas yang berbeda karena perbedaan format penulisan data dari perangkat yang berbeda.
Integrasi Terkontrol dengan Sistem Eksis
Fasilitas manufaktur farmasi biasanya sudah memiliki sistem digital eksis yang berjalan dengan baik, seperti MES (Manufacturing Execution System), ERP (Enterprise Resource Planning), LIMS (Laboratory Information Management System), dan QMS (Quality Management System). Tujuan utama implementasi AIoT bukanlah untuk menggantikan sistem-sistem tersebut, melainkan untuk menyediakan pertukaran informasi yang terkontrol di antara mereka.
Dengan integrasi yang baik, data dari sensor lingkungan yang diproses melalui edge gateway dapat disalurkan ke lapisan integrasi untuk mendapatkan konteks manufaktur, lalu diteruskan ke MES atau QMS sebelum akhirnya dianalisis oleh AI. Ini memastikan semua sistem bekerja secara sinergis tanpa mengganggu stabilitas operasional yang sudah ada.
Menerapkan AI dan Pengambilan Keputusan yang Terlacak
Kesalahan umum dalam proyek AIoT adalah memilih model Machine Learning (ML) terlalu cepat sebelum memastikan kesiapan datanya. Sebelum menerapkan AI, pastikan terlebih dahulu apakah data yang dibutuhkan memang ada, apakah data tersebut dapat dipercaya, apakah data tersebut terasosiasi dengan aset yang benar, dan apakah data historis untuk pelatihan model dapat diakses dengan mudah.
Beberapa penerapan AI yang relevan untuk industri farmasi meliputi:
- Deteksi Anomali: Mengidentifikasi kondisi operasi yang menyimpang dari pola normal.
- Peramalan (Forecasting): Memperkirakan nilai masa depan seperti kondisi peralatan atau kebutuhan sumber daya.
- Klasifikasi: Mengelompokkan peristiwa berdasarkan data historis.
- Deteksi Pola: Menemukan hubungan silang antara peralatan, material, kondisi lingkungan, dan aktivitas manufaktur.
Keterlacakan dan Keamanan yang Ketat
Dalam industri farmasi, kebenaran fungsional saja tidak cukup. Setiap keputusan yang diambil oleh sistem, terutama yang memengaruhi kualitas produk dan kepatuhan regulasi, harus dapat dilacak sepenuhnya. Sistem harus mencatat perangkat mana yang menghasilkan data, kapan data diterima, apakah ada perubahan data, model AI mana yang menghasilkan keputusan, hingga siapa yang meninjau hasil tersebut. Keamanan juga harus diterapkan sejak awal rancangan sistem, mencakup otentikasi perangkat, kontrol akses berbasis peran (RBAC), enkripsi data, hingga segmentasi jaringan guna meminimalkan risiko keamanan digital.
