Sind Sie ein Entwickler?

Beschleunigen Sie Ihren Pfad zur Produktion mit Tools und Ressourcen für Entwickler in der Intel® Developer Zone, Ihrer offiziellen Quelle für die Entwicklung von Intel® Hardware und Software.

Was ist Laborautomatisierung?

Die Laborautomatisierung verwendet hochentwickelte Laborinformationssysteme (LIMS) und automatisierte Laborgeräte, um präzise und genaue Testergebnisse in großem Umfang zu liefern. Diese intelligenten Laborgeräte verwenden integrierte Prozessoren zur Steuerung von Robotern, zur Unterstützung von Internet of Things (IoT)-Technologien und zur Durchführung anspruchsvoller Analysen.

Die Zusammenarbeit von Intel und seinen Partnern mit den Herstellern von Laborgeräten hilft bei der Optimierung von Anwendungen, der Einführung innovativer neuer Technologien und der Erfüllung sich ändernder Kundenanforderungen.

Für heute bauen, für morgen gestalten

Die Instrumente, die Sie in diesem Quartal ausliefern, werden in den kommenden Jahren im Einsatz sein. Damit Instrumente relevant bleiben, müssen sie in der Lage sein, sich an die schnelle Innovation anzupassen, insbesondere in den Bereichen Analytik und KI.

Die Laborgeräte, die mit Intel®-basierter Hardware, Entwicklungstools und Software ausgestattet sind, verfügen über die nötige Rechenleistung, um intensive Arbeitslasten zu verarbeiten, sich an die nächste Stufe der Automatisierung anzupassen und noch nie dagewesene Datenmengen sicher zu verwalten.

Die Zukunft der Laborautomatisierung

Intel hilft Herstellern bei der Integration neuer Technologien, die heute Werte schaffen und die Grundlage für die Zukunft bilden.

FAQs

Häufig gestellte Fragen

Die Laborautomatisierung verwendet ausgeklügelte Laborinformationsmanagementsysteme (LIMS), robotergestützte Materialhandhabungsgeräte und zunehmend intelligente Laborinstrumente, um Testproben zu verfolgen, Ergebnisse auszuwerten und arbeitsintensive klinische Aufgaben durchzuführen.

Die Laborautomatisierung wird in klinischen und biopharmazeutischen Forschungslabors sowie in Produktionsstätten verwendet. Materialforschungslabors verwenden die Automatisierung, um neue Verbindungen und Moleküle zu entdecken.

Die Automatisierung des Labors hängt von automatisierten Laborgeräten mit integrierten Computern und Hochgeschwindigkeitsnetzwerken ab. Die Instrumente werden zu Arbeitsabläufen zusammengestellt, die von automatisierten Kontrollsystemen und Informationsmanagementsystemen verwaltet werden. Leistungsstarke Workstations und Server vor Ort oder in der Cloud unterstützen die laborweite Automatisierung und Betriebstechnologie.

Künstliche Intelligenz macht die Laborautomatisierung intelligenter und autonomer. KI erfordert Kameras, Mikrofone und andere Sensoren zur Datenerfassung sowie zusätzliche Software und Rechenleistung.

1. KFBIO Gebärmutterhalskrebs-Screening OpenVINO™ Modell Durchsatzleistung auf Intel® Xeon® Gold 6148 Prozessor:

NEU:

Test 1: Getestet von Intel (Stand: 15.6.2019). Zwei-Sockel Intel® Xeon® Gold 6148 Prozessor, 20 Kerne, HT eingeschaltet, Turbo eingeschaltet, Gesamtspeicher 192 GB (12 Steckplätze/16 GB/2.666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d), CentOS Linux Version 7.5.1804 (Core); Deep Learning Framework: Keras 2.2.4 und Intel-optimiertes TensorFlow: 1.13.1; Topologie: RetinaNet: https://github.com/fizyr/keras-retinanet; Compiler: gcc 4.8.5, MKL DNN; Version: v0.17, BS=8, sowohl synthetische Daten als auch Kundendaten, eine Instanz/zwei Sockets, Datentyp: FP32.

Test 2: Getestet von Intel (Stand: 15.6.2019). Zwei-Sockel Intel Xeon Gold 6148 Prozessor, 20 Kerne, HT eingeschaltet, Turbo eingeschaltet, Gesamtspeicher 192 GB (12 Steckplätze/16 GB/2.666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d), CentOS Linux Freigabe 7.5.1804 (Core); Intel® Software: OpenVINO™ R2019.1.1094; Topologie: RetinaNet: https://github.com/fizyr/keras-retinanet; Compiler: gcc 4.8.5, MKL DNN; Version: v0.17, BS=1, acht asynchrone Anfragen, sowohl synthetische Daten als auch Kundendaten, eine Instanz/zwei Sockets; Datentyp: FP32.

REFERENZ:

Getestet von Intel (Stand: 15.6.2019). Zwei-Sockel Intel Xeon Gold 6148 Prozessor, 20 Kerne, HT eingeschaltet, Turbo eingeschaltet, Gesamtspeicher 192 GB (12 Steckplätze/16 GB/2.666 MHz); BIOS: SE5C620.86B.0X.01.0007.062120172125 (ucode: 0x200004d), CentOS Linux Version 7.5.1804 (Core); Deep Learning Framework: Keras 2.2.4 und Vanilla TensorFlow: 1.5; Topologie: RetinaNet: https://github.com/fizyr/keras-retinanet; Compiler: gcc 4.8.5, MKL DNN Version: v0.17, BS=8, sowohl synthetische Daten als auch Kundendaten, eine Instanz/zwei Sockets; Datentyp: FP32.