본문으로 건너뛰기

머리말 — 공정에 학습을 가르친다는 것

📍 현재 위치: 다섯 번째이자 마지막 책의 바로 문 앞입니다. 모델 하나를 학습시키기 전에, 이 책이 정말로 무엇에 관한 것인지 — 그리고 그만큼 중요하게, 무엇에 관한 것이 아닌지 — 함께 합의해 봅시다. 이것은 모두가 가장 들떠 있으면서도 현장이 가장 덜 받아들인 렌즈입니다.

환영합니다. 이 책은 학습에 관한 책입니다. 이 시리즈의 앞선 네 권은 바이오의약품이 어떻게 물리적으로 만들어지는지, 그것이 흘리는 데이터가 어떻게 관리되는지, 그 데이터를 담아 두는 오픈소스 소프트웨어를 어떻게 짓는지, 그리고 그 공정 전체를 기계가 읽을 수 있는 지식 그래프로 어떻게 모델링하는지를 가르쳤습니다. 이 책은 그다음 질문을 던집니다. 모든 측정값과 결과와 기록이 일단 존재하게 되었고 — 또 무언가를 뜻하게 되었으니 — 기계가 그것들로부터 학습할 수 있을까요? 기계가 품질 특성을 예측하고, 측정하기엔 너무 느린 값을 추론하며, 표류하는 배치를 표시하고, 더 나은 실험을 설계할 수 있을까요 — 사람에게 쓰일 약에 관한 결정을 맡겨도 좋을 만큼 충분히 잘 말이지요?

그 답은 진심으로 신나면서도 진심으로 정신이 번쩍 들게 하는 것이며, 이 책은 어느 한쪽만 떼어서 들려주기를 거부합니다. 머신러닝은 바이오 제조에서 실재하고, 가치가 있으며, 일상적 GMP 운용 — GMP는 고정되고 검증된 절차에 따라 약을 만들기 위한, 법적 구속력이 있고 규제 당국이 점검하는 규칙인 우수 제조 관리 기준(Good Manufacturing Practice)을 말합니다 — 에서는 마케팅이 시사하는 것보다 훨씬 좁습니다. 우리는 시리즈의 나머지가 걷는 바로 그 공정을 — 세포 은행에서 충전된 바이알까지 — 걸어가면서, 매 단계마다 모델이 그곳에서 실제로 무엇을 학습할 수 있는지, 무엇을 할 수 없는지, 그리고 정직한 결과를 보도자료와 어떻게 구별하는지를 물을 것입니다.

이 책을 읽는 데는 머신러닝에 대한 배경지식이 필요 없습니다. 모델을 한 번도 학습시켜 본 적 없고, PLS나 신경망이라는 말을 들어 본 적 없으며, 과적합(overfitting)을 생각해 본 적조차 없다면, 당신이야말로 우리가 염두에 두고 쓴 바로 그 독자입니다. 우리는 전문 용어가 처음 나올 때마다 그 뜻을 정의하고, 각 장의 끝에 있는 핵심 용어 상자에서 다시 한번 정리해 드리겠습니다.

쉽게 말하면

바이오공정이, 공장이 기록하는 모든 것으로부터 미래를 예측하도록 가르치고 싶은 학생이라고 상상해 보세요 — 이 배치는 합격할까? 지금 역가(titer, 탱크 속 항체 농도)는 얼마인가? 좋은 소식은 이렇습니다. 학생에게는 값싸고 빠른 단서가 홍수처럼 쏟아집니다(몇 초마다 한 번씩 센서, 1분마다 한 번씩 스펙트럼). 어려운 소식은 이렇습니다. 진짜 정답 은 느린 벤치 시험에서 하루에 한두 번만 도착하고, 배치 하나마다 몇 주와 엄청난 돈이 들며, 어느 두 배치도 똑같이 행동하지 않습니다. 그래서 학생은 수백만 개가 아니라 수십 개의 예시로부터 배웁니다 — 그리고 케이크를 수십 개밖에 본 적 없는 학생을 오븐 앞에 혼자 두어서는 안 됩니다. 이 책은 그런 학생이 진정으로 무엇을 학습할 수 있는지, 오늘날 어디서 도움이 되는지, 그리고 왜 가장 강력한 결과가 데이터만이 아니라 우리가 이미 아는 물리와 데이터가 더해 줄 수 있는 것을 결합 하는 데서 나오는지에 관한 책입니다.

이 장에서 다루는 내용​

머리말을 빠르게 짚어 보면 다음과 같습니다. 이 책이 누구를 위한 것인지와 우리가 하는 약속, 이미 네 권이 지어 놓은 공정 위에 이것을 학습 의 렌즈로 만드는 하나의-공정-다섯-렌즈 구조, 앞머리에서 솔직하게 밝히는 정직한 명제 — 즉 바이오 제조의 ML은 가장 많은 파일럿과 가장 적은 확장 구현을 가졌다는 것 — , 황금 배치와 규격을 벗어난 형제 배치를 가진 하나의 항체 캠페인이라는 실행 예시 — 모든 장이 이를 대상으로 학습하고 예측합니다 — , 소(小)데이터 천장과 그 때문에 하이브리드 모델링이 이기는 이유, 모든 숫자에 따라다니는 두 가지 규칙(성숙도와 근거 등급), 각 주장을 코드로 뒷받침하는 실행 가능한 예시 모음, 그리고 세포 은행에서 환자까지 약을 따라가고 다시 그 약을 만드는 산업으로 나아가는 여덟 개의 부(part)입니다.

하나의 공정, 다섯 개의 렌즈 — 이것은 학습 입니다​

이 시리즈는 하나의 단일 바이오공정 척추를 다섯 번 다시 걸으며, 매번 다른 렌즈를 통과합니다. 첫 번째 책 Biologic Drug Manufacturing은 단일클론항체가 어떻게 물리적으로 만들어지는지 를 보여 줍니다 — 발견, 세포주, 공정 개발, 분석, 시드 트레인, 생산 바이오리액터, 수확, 포획과 폴리싱, 제제화와 충전, QC 출하, 포장, 그리고 유통이지요. 두 번째 책 Data Management는 제조가 드리우는 데이터 그림자(data shadow) 를 따라갑니다 — 어떻게 하나의 측정값이 로그 속의 헐벗은 숫자가 아니라 맥락화되고, 귀속 가능하며, FAIR한(findable, accessible, interoperable, reusable — 찾을 수 있고, 접근 가능하며, 상호운용 가능하고, 재사용 가능한) 데이터 포인트가 되는지를요. 세 번째 책 Open-Source Bioprocess Data Systems는 그 데이터를 실제 소프트웨어로 저장하고 제공합니다 — 히스토리안, 데이터베이스 스키마, 실제로 실행할 수 있는 SPARQL 엔드포인트지요. 네 번째 책 Ontologies는 그 의미를 기계가 추론할 수 있는 지식 그래프로 모델링합니다 — 그래서 BR101.Temp.PV 와 실험실의 culture_temp 가 같은 물리량임을 알게 되고, 원료의약품 로트를 그것이 자라난 세포 은행까지 단 하나의 질의로 거슬러 갈 수 있게 됩니다.

이 책은 다섯 번째 렌즈, 곧 학습 입니다. 같은 척추, 같은 분자, 같은 배치 — 다만 이제 우리는 매 단계마다, 앞선 네 권이 만들고, 관리하고, 저장하고, 의미를 부여한 데이터로부터 모델이 무엇을 배울 수 있는지를 묻습니다. 이 순서는 임의적이지 않습니다. 모델은 데이터에서 결정으로 가는 하나의 함수이기에, 앞선 네 권은 그 사이에서 전제 조건이 됩니다. 데이터가 칸막이에 갇혀 있으면 모을 수 없고, FAIR하지 않으면 결합할 수 없으며, 공유된 의미가 없으면 시스템 사이에서 신뢰할 수 없고, 질의할 수 있는 무언가에 저장되어 있지 않으면 애초에 학습 파이프라인에 제공할 수조차 없습니다. 이 산업에서 ML 프로그램이 멈추는 가장 흔한 단 하나의 이유는 모델이 아닙니다 — 그 밑에 깔린 데이터가 결코 준비된 적이 없었다는 것이지요. 다섯 번째 책은 그 준비가 이미 이루어졌다고 가정하고, 그 위에서 어떤 학습이 가능해지는지를 묻습니다. 앞선 책이 놓은 기초에 의존하는 곳에서는, 그것을 다시 유도하는 대신 경로로 연결합니다. 맥락화된 태그를 위한 데이터 그림자, 히스토리안과 다변량 코어를 위한 오픈소스 스택, 특징(feature)이 깔끔하게 결합되게 해 주는 의미를 위한 지식 그래프가 그렇습니다.

앞머리에서 밝히는 정직한 명제​

제조 분야의 AI에 관한 대부분의 책은 약속으로 시작합니다. 이 책은 간극으로 시작하는데, 그것을 지금 이름 붙이는 일이 이 책의 나머지가 견뎌야 할 기준을 세우기 때문입니다. ML이 시연할 수 있는 것과 일상적 GMP 운용에서 실제로 하는 것 사이에는 넓은 거리가 있습니다 — 그리고 제약 제조의 모든 디지털 기술 가운데 AI/ML은 가장 많은 파일럿과 가장 적은 확장 구현 을 가졌는데, 이는 ISPE의 7번째 Pharma 4.0 설문과 일치하는 결론으로, 이 설문은 AI/ML 채택이 체계적 배치가 아니라 기획 및 파일럿 단계에 집중되어 있다고 보고합니다 [1]. 파일럿 범주는 단지 높기만 한 것이 아닙니다. 그것은 높고 정체되어 있습니다 — 시연은 잘되지만 결코 일상적 운용으로 넘어가지 못하는 프로젝트들이지요.

오늘날 진정으로 상용에 들어가 있는 것은 짧고 단단한 목록이며, 거기에는 가족 같은 닮은 점이 있습니다. 그것들은 자율적으로 결정 하기보다 모니터링 하고 추론 하며, 사람이 감독하는 루프 안에 자리하고, 대부분의 방법은 "AI" 라는 라벨이 새로울지언정 적어도 10년 이상 묵은 것입니다. 그 목록은, 마지막 장이 온전히 평가하는데, 다음과 같습니다.

  • 다변량 통계적 공정 모니터링(MSPC) — 배치 궤적 전체를 지문처럼 찍어 황금 배치와 대조해 일탈을 표시하는 PCA(주성분 분석, principal component analysis)와 PLS(부분 최소제곱, partial least squares) 모델. 이 산업에서 가장 철저하게 배치된 학습 방법이며, 40년 묵은 성숙한 수학입니다. 새로운 것은 포장이지 수학이 아닙니다.
  • 인라인 라만(Raman) 소프트 센서 — 라만 스펙트럼을 1~2분마다 한 번씩 포도당, 젖산, 또는 역가 측정값으로 바꾸는 PLS 보정으로, 품질 특성이 아니라 공급 영양소(포도당)에 대한 문서화된 폐루프 제어에까지 이릅니다. 이것은 이 책에서 가장 깔끔한 "ML이 무언가를 제어한다" 이야기이며, 그것이 무엇을 제어하는지에 대해 정확히 말할 가치가 있습니다.
  • 딥러닝 컴퓨터 비전 검사 — 충전된 바이알과 시린지에서 이물, 균열, 충전 결함을 검사하는 합성곱 모델. QC에서 가장 강력한 상용 딥러닝 사례로, 수년의 검증 작업과 규제 당국과의 대화로 얻어 낸 것입니다.
  • 기전적(mechanistic) 크로마토그래피 모델링 — 상업적 CMC(화학·제조·품질관리, Chemistry, Manufacturing, and Controls) 작업에서 정제 단계를 설계하고 문제를 해결하는 물리 기반 시뮬레이션. 그것이 상용 목록에 자리하는 까닭은 바로 그것이 ML이 아니라 기전 물리이기 때문 입니다. 물리가 한 줌의 실행으로는 할 수 없는 일을 해냅니다.
  • 사람이 개입하는 문서화 — 전자 배치 기록에 대한 예외 기반 검토 실행으로, ML이 자문용 이상 표시와 일탈 분류 제안으로 점점 더 얹혀 갑니다. 사람의 게이트가 규제되는 통제이고, 모델은 보조자입니다.

한 가지 속성이 상용 목록 전체를 조용히 하나로 묶습니다. 그 목록의 모든 방법은 잠긴(locked) 모델입니다 — 그 매개변수는 검증 시점에 고정되며 사전에 정해진 변경 관리 아래에서만 바뀌고, 결코 상용에서 소리 없이 바뀌지 않습니다. 그것은 우연이 아닙니다. 그것은 핵심 GMP 결정을 건드리는 어떤 모델에 대해서도 EU/PIC/S GMP Annex 22 초안이 요구하는 바로 그 속성이며, 그래서 확장에 성공한 방법들은 가만히 멈춰 있는 것들입니다.

그 목록에 없는 것도 그만큼 중요하며, 그 누락이야말로 핵심입니다. 핵심 품질 특성(CQA — 순도나 역가 같은 제품 속성으로, 그것이 표류하면 약이 안전하고 효과적인지에 직접 영향을 미칩니다)의 자율 조정 없음, 핵심 제어 루프 속 자기 학습 모델 없음, 출하된 기록을 작성하는 생성형 AI 없음. 이 책의 한 문장 평결은, 마지막 장이 온전히 전하는데, 여기서 따라 나옵니다. 바이오 제조의 ML은 보고 추론 하는 데는 상용 등급이고, 최적화 하는 데는 파일럿 등급이며, 자율적으로 결정 하는 데서는 일부러 울타리 밖에 두어집니다 — 그리고 그 울타리는 의도적으로 거기에 있습니다.

실행 예시: 하나의 항체, 학습되다​

이 책은 장난감 같은 데이터셋을 흩뿌리는 대신, 하나의 단일클론항체 캠페인 으로부터 학습합니다 — 시리즈 전체가 따라가는 바로 그 캠페인으로, IgG 단일클론항체 mAb-A를 만드는 CHO 세포주입니다. 그 계보는 모든 장이 대상으로 학습하고 예측하는 사슬입니다(아래의 각 제조 및 정제 단계는 Book 1에서 설명합니다).

작업 세포 은행 WCB-CHO-001 이 시드 트레인 SEED-001 을 접종하고, 그것이 생산 바이오리액터 배치 BATCH-2026-001 을 접종하며, 포획, 바이러스 안전성, 폴리싱, 한외여과를 거쳐 정제되어 원료의약품 로트 DS-001 이 되고, 완제의약품 로트 DP-001 로 충전됩니다.

두 개의 배치가 학습을 고정하며, 그 둘 사이의 대비가 이 책의 일꾼 노릇을 합니다. BATCH-2026-001 은 황금 실행 입니다 — 크기 배제(size-exclusion) 단량체 순도 98.611 퍼센트로 깔끔하게 합격하는 그 배치이지요. 그 형제 BATCH-2026-004 는 규격 이탈(out-of-spec, OOS) 사례입니다 — 사전에 합의된 출하 한계, 곧 그 규격(specification)을 위반합니다. 최대 100 ng/mg 규격(합격을 허용하는 가장 높은 값)에 대해 HCP가 128 ng/mg으로, 숙주세포 단백질(CHO 세포에서 넘어온 공정 유래 불순물)에서 불합격합니다. 그 한 개의 OOS 배치는 여러 장에 걸쳐 엄청난 양의 일을 해냅니다. 그것은 느린 분석이 확인하기 전에 출하 예측기가 잡아내야 하는 불합격 형제이고, 누수 없는 분할(split)이 진정으로 보이지 않게 유지해야 하는 보류(held-out) 배치이며 — 그래서 우리가 보고하는 점수는 검토자가 완전히 새로운 실행에서 보게 될 점수입니다 — 또한 조사관이 실제로 범위를 좁혀야 하는 일탈입니다. 어떤 다른 로트들이 그 계보를 공유하는지, 어떤 상류 신호가 그 불합격을 예고했는지, 모델이라면 어디서 그것을 표시했을지를요. 다른 네 권이 만들고, 관리하고, 저장하고, 모델링한 바로 그 계보 위에서 학습함으로써, 이 책의 모든 예측은 익명 데이터셋 위의 추상적 지표가 아니라 실재하고 추적 가능한 결과 위에 안착합니다.

히어로 다이어그램: 하나의 바이오공정 척추를 다섯 개로 쌓인 렌즈로 다섯 번 그린 그림. 가로축은 발견에서 세포주, 공정 개발, 분석, 시드 트레인, 생산 바이오리액터, 수확, 포획, 폴리싱, 한외여과, 충전, QC 출하, 유통에 이르는 공정입니다. 다섯 개로 쌓인 레인이 각 렌즈에 이름을 붙입니다. 첫 번째 책은 물리적으로 만든다, 두 번째 책은 데이터 그림자, 세 번째 책은 오픈소스 스택, 네 번째 책은 지식 그래프, 그리고 다섯 번째 책은 학습으로 보라색으로 강조됩니다. 실행 계보 WCB-CHO-001에서 SEED-001로, BATCH-2026-001로, DS-001로, DP-001로 이어지는 흐름이 왼쪽에서 오른쪽으로 모든 레인을 꿰뚫으며, 황금 실행 BATCH-2026-001과 규격을 벗어난 형제 BATCH-2026-004가 학습 레인에 표시됩니다. 하나의 공정, 다섯 개의 렌즈: 같은 항체 계보를 다섯 번 걸으며, 이 책 — 학습의 렌즈 — 은 매 단계마다 앞선 네 권이 만들고, 관리하고, 저장하고, 의미를 부여한 데이터로부터 모델이 무엇을 배울 수 있는지를 묻습니다. 저자가 AI의 도움을 받아 직접 제작한 그림입니다.

바이오공정은 왜 학습하기 어려운가: 소(小)데이터 천장​

규칙들에 앞서, 한 가지 발상이 먼저 가닿아야 합니다. 그것이 이 책의 다른 무엇보다 더 많은 부분을 설명하기 때문입니다. 바이오공정은 데이터 과학의 규칙서를 한꺼번에 세 가지 방식으로 깨뜨립니다. 데이터는 작습니다 — 배치 하나마다 몇 주와 엄청난 돈이 들기에, 팀은 딥 네트워크가 설계된 수백만 건이 아니라 수십 번의 실행으로부터 학습합니다. 데이터는 느립니다 — 진실(역가, 순도, HCP)을 알려 주는 오프라인 기준 분석은 하루에 한두 번만 측정되는 반면 센서는 몇 초마다 스트리밍하므로, 입력이 풍부하더라도 학습 대상으로 삼을 수 있는 레이블은 희소합니다. 그리고 데이터는 살아 있습니다 — 실행 간 변동이 크고, 세포주가 표류하며, 원료가 로트마다 다르고, 지난 분기의 실행에 맞춘 모델은 상용에서 쇠퇴합니다. 이 변동성은 공학으로 없애 버려야 할 부주의가 아닙니다. 그것은 제어 전략 전체가 담아내도록 지어진, 살아 있는 시스템의 본질적 속성이며, 바로 그 때문에 그 위에서 학습된 모델은 무한정 신뢰하기보다 일정에 맞춰 다시 점검되어야 합니다. 이것들을 합쳐 소(小)데이터 천장 이라 하며, 이는 가장 많은 것을 설명하는 단 하나의 사실입니다.

그것이 바로 데이터를 많이 먹는 순수 모델이 굶거나 과적합(overfit) 하는 — 학습 배치에 너무 가깝게 맞추어 진짜 패턴이 아니라 그 잡음을 외워 버리는 — 이유입니다. 신경망에 배치 수십 개를 주면 기꺼이 그것들을 외워 버리고는 다음번 실제 실행에서 무너집니다. 그것이 바로 이 책 전체에서 가장 중요한 규율이 모델 구조가 아니라 배치 그룹화 분할(batch-grouped split) 인 이유입니다 — 배치 전체를 통째로 학습 또는 테스트에 두고 결코 양쪽에 걸치지 않는 것이지요 — 왜냐하면 그 대안은 진정으로 새로운 배치가 도착하는 순간 증발해 버리는 그럴듯한 점수를 만들어 내기 때문입니다. 그리고 그것이 바로 하이브리드 모델링(hybrid modeling) — 우리가 이미 아는 물리와 화학을 부호화한 기전적 골격에, 물리가 적어 내릴 수 없는 잔차만을 다루는 학습된 구성 요소를 더한 것 — 이 이 영역에서 두 순수 접근 모두를 일관되게 이기는 이유입니다 [2]. 물리가 데이터가 결론지을 수 있는 바를 제약하므로, 모델은 설계 공간 전반에 걸쳐 더 안전하게 일반화하고 규제 당국에 방어하기가 훨씬 쉬워집니다. 동료 심사를 거친 근거는, 자체 저자에 의한 것이긴 하지만, 일관됩니다. 한 DataHow/Bristol Myers Squibb 연구에서 하이브리드 모델은 블랙박스의 대략 절반의 학습 데이터로 제품 품질 정확도가 약 3분의 1 더 나아졌습니다 [2]. 모든 페이지에서 소(小)데이터 천장을 염두에 두십시오. 바이오 제조에서 "왜 ML이 이걸 그냥 풀어 주지 않지?" 라는 거의 모든 질문은 거기서 끝납니다.

몇 가지 규칙: 모든 숫자는 자신의 근거를 지니고 다닌다​

이것은 어조는 대중서이고 엄밀함은 교과서입니다. 마케팅이 이토록 가득한 분야에서 이 둘은 모든 주장이 그 출처와 함께 다닐 때에만 정직하게 유지됩니다. 그래서 이 책은 모든 결과에 두 개의 작은 태그를 달며, 그것을 읽는 법을 익히는 것이 이 책이 가르치는 가장 오래가는 기술입니다.

성숙도(Maturity) 는 얼마나 멀리까지 갔는가? 에 답합니다 — 본문에 인라인으로 (상용)(GMP나 상업 공장에서 돌아가며 실제 물질과 실제 결정을 건드림), (파일럿)(규모에서 또는 규모에 가깝게 시연되었으나 일상적 운용에 서 있지는 않음), 또는 (연구)(학술적이거나 초기 단계)로 적힙니다.

근거 등급(Evidence tier) 은 근거가 얼마나 좋은가? 에 답합니다 — 보도자료 한정 에서 출발해 벤더 자체보고 를 거쳐 자체 저자 동료심사 로, 마지막으로 독립 동료심사 에 이르는 네 단의 사다리입니다. 오직 꼭대기 단 — 독립 검증 — 에서만 어떤 숫자를 확립된 사실로 진술할 수 있습니다. 그 아래에서는 숫자가 매번, 그 숫자가 등장하는 같은 문장 안에서 예시용 또는 자체보고 로 라벨이 붙습니다.

이 두 단은 서로 독립적이며, 그것들을 혼동하는 것이 이 분야에서 가장 흔한 오류입니다. 어떤 주장은 한쪽에서는 높고 다른 쪽에서는 낮을 수 있습니다. 자동 시각 검사는 (상용) 성숙도이지만 벤더 자체보고 등급일 뿐이고, 최고의 하이브리드 모델링 결과는 (파일럿) 성숙도일 뿐이지만 자체 저자 동료심사 등급에는 이릅니다. 어떤 주장을 어떻게 다룰지 알려면 두 단이 모두 필요합니다. 이 규율은 현학적으로 들리지만 그렇지 않습니다. 이 분야에서 가장 많이 인용되는 이름난 배치들 가운데 거의 어느 것도 독립 동료심사의 문턱을 넘지 못하므로, 당신이 읽게 될 거의 모든 헤드라인 효율 숫자는 단서를 달아야 합니다. 숫자와 같은 호흡으로 그 등급을 함께 싣는 것이야말로 신중한 독자와 잘 속는 독자를 가르는 것입니다 [3]. 등급 사다리가 그 자체만으로는 잡아내지 못하는 한 가지 주의점이 있습니다. 독립적으로 출간된 숫자라도 누수가 있고 무작위로 분할된 평가에서 나온 것이라면 여전히 부풀려져 있을 수 있습니다. 근거 등급은 누가 그 숫자를 검증했는지를 알려 주고, 배치 그룹화 분할은 그 숫자가 정직하게 측정되었는지를 알려 줍니다. 둘 다 필요합니다.

[1] 같은 본문 인용 표시는 단 하나의 참고문헌(References) 페이지로 연결됩니다. 화면에 보이는 번호는 각 장 안에서만 통하며 [1]에서 다시 시작합니다. 이 책은 영어와 한국어(한국어)로 출간됩니다. 여기 언급된 제품명 및 표준 기관명은 각 소유자에게 귀속되며 식별 목적으로만 사용됩니다.

주의

이 책은 규제 대상 공정으로부터 학습하는 일을 어떻게 생각 해야 하는지를 가르칩니다. 이 책은 규제 자문이 아니며, 학습된 모델은 검증된 시스템이 아닙니다. 실제 제조 의사결정은 현행 공식 지침과 당신 조직의 승인되고 검증된 절차를 따라야 합니다 — Part VII과 Part VIII이 온전히 되짚는 지점이며, 여기에는 Annex 22 초안이 왜 일부러 적응형 및 생성형 AI를 핵심 GMP 결정 밖에 두는지도 포함됩니다.

실행 가능한 예시 모음: 실제 데이터로 학습하는 코드​

이것은 채택자를 기다리는 사고 실험이 아닙니다. 이 책의 모든 모델링 주장은 동반 저장소의 examples/platform/ml/ 에 있는 실행 가능한 예시 모음으로 뒷받침됩니다 — scikit-learn 위에 지어졌고(두 개의 딥러닝 비교에는 PyTorch 를 씁니다) 도합 33개의 모듈로 이루어진 모음이며, 전적으로 시리즈의 시뮬레이션 데이터셋(오픈소스 책의 시뮬레이터가 바로 이 계보를 위해 만들어 낸 라만 스펙트럼, 온라인 상태, 오프라인 분석, HPLC 출하 결과)으로 학습됩니다. 공유 데이터 레이어 dataio.py 가 모든 행에 batch_id 그룹 키를 보존한 채로 그 데이터셋을 적재하므로, 배치 그룹화 분할 — 배치 전체를 통째로 학습 또는 테스트에 두고 결코 양쪽에 두지 않는 것 — 은 당신이 기억해야 하는 별도의 규율이 아니라 기본 경로입니다. 그 하나의 선택이 검토자에게 방어할 수 있는 점수와 다음 배치에서 무너지는 환상 같은 R²(R 제곱, 모델이 설명하는 분산의 비율 — 높을수록 좋아 보입니다) 사이의 차이를 만듭니다.

그 기초로부터 이 모음은, 다른 것들 중에서도, 소프트 센서(soft_sensor_pls.py 와 soft_sensor_deep.py — PLS와 1D-CNN을 정면 대결시켜 소(小)데이터 교훈이 주장이 아니라 구체적인 것이 되게 합니다), 클론 순위 매기기(clone_rank.py), 하이브리드 모델(hybrid_model.py), 표류 탐지기(drift.py), MSPC 모니터(mspc.py)와 출하 예측기(release_predict.py), 비전 검사기(vision_avi.py), 그리고 크로마토그래피, 바이러스 제거, 레진 수명, 콜드 체인, 일탈 분류 모듈을 지어 냅니다 — 모두가 같은 커밋된 데이터셋과 같은 WCB-CHO-001 → … → DP-001 계보 위에서 돌아갑니다. 단일 하니스 run_all.py 는 본문의 주장이 커밋된 데이터로부터 재현되어야 하는 모듈들을 실행하고 각각을 자체 합격 게이트와 대조해 점검합니다 — 고정된 데이터셋 위에서 21개의 모델이, 하나도 빠짐없이 자신의 게이트를 통과합니다(21/21) — 그래서 어떤 헤드라인 주장이 재현되지 않는다면, 하니스가 그것을 드러내는 곳입니다. 이 모음은 case_ledger.py 로 끝납니다. 이것은 모델이 아니라, 이름난 산업 배치들(cases.csv)에 대한 구조화되고 기계가 점검할 수 있는 조사로, 각각이 그 성숙도와 근거 등급을 지니며, 이 책이 인용하는 바로 그 분포를 계산하고 사실로 진술해서는 안 되는 모든 헤드라인 숫자를 표시합니다. 코드는 그것이 주장하는 곳에서 실재합니다. 어떤 스니펫이 실행 가능한 산출물이 아니라 예시용 구성이라면, 그렇게 표시됩니다.

이 책을 읽는 법: 약을 따라가는 여덟 개의 부​

이 책은 하나의 연속된 논증이며, 세포 은행에서 환자까지 배치를 따라가고, 한 걸음 물러나 학습 시스템 전체를 조립한 뒤, 그것을 짓는 실제 산업을 살펴보고 정직한 평결을 내리는 여덟 개의 부로 이야기됩니다.

  1. Part I — 바이오공정 학습의 기초. 바이오공정 데이터가 왜 작고, 느리고, 살아 있는지, 1번 장벽으로서의 데이터 준비도와 누수 없는 특징, 그리고 PLS에서 트랜스포머에 이르는 모델의 사다리와 각각이 GxP(규제 대상 작업을 다스리는 우수 관리 기준의 우산 — GMP, GLP, GDP 등) 아래에서 어떻게 검증되어야 하는지입니다.
  2. Part II — 발견과 개발의 학습. 학습이 처음 적용되는 곳입니다. 표적과 개념, 생성형 분자 설계와 개발성, 세포주 선택, 모델 안내 공정 개발, 그리고 학습된 분석 방법입니다.
  3. Part III — 상류 공정의 학습. 시드 트레인과 생산 바이오리액터 — 소프트 센싱, 라만 성공 사례, 그리고 그것에 완강히 저항하는 생존 세포 밀도 신호입니다.
  4. Part IV — 하류 공정의 학습. 포획, 바이러스 안전성, 폴리싱, 한외여과 — 기전 모델과 물리 정보 학습이 한 줌의 실행으로는 할 수 없는 일을 해내는 곳입니다.
  5. Part V — 충전·마감과 출하의 학습. 제제화와 충전, 가장 강력한 상용 딥러닝 사례인 딥러닝 비전 검사, QC 출하 예측, 그리고 환자에게 이르는 콜드 체인입니다.
  6. Part VI — 시스템 전체. 조각들을 조립합니다. 하이브리드 모델과 디지털 트윈, MLOps와 일정에 맞춰 불신되어야 하는 모델의 수명 주기, 그리고 그것을 둘러싸는 규제와 거버넌스입니다.
  7. Part VII — 오늘날 산업 현장의 ML/AI. 실행 예시에서 빠져나와 실제 생태계를 살펴봅니다 — 벤더, 이름난 사례 연구, 기반 모델과 자율 실험실의 최전선, 그리고 생성형 AI와 LLM — 각각을 광고하는 것이 아니라 평가합니다.
  8. Part VIII — 평결. 오늘날 진정으로 상용인 것, 파일럿인 것, 과장인 것, 그 간극을 벌려 놓는 구조적 긴장, 그리고 지금 ML 프로그램을 시작하는 팀을 위한 구체적인 조언에 대한 정직한 결산입니다.

여덟 개 모두를 관통하는 한 가닥의 실이 있습니다. 성숙도 를 근거 등급 과 분리하는 규율, 누가 어떤 것에 대해 숫자를 측정했는지를 묻는 일, 그리고 어떤 데모로도 극복되지 않는 구조적 이유로 상용 목록이 짧다는 것을 인식하는 일입니다. 그 습관을 가까이 두십시오 — 그것이 이 책이 줄 수 있는 가장 값진 것입니다.

미해결 과제​

더 많은 데이터와 더 큰 모델이 그저 간극을 닫아 준다고 약속한다면 깔끔하겠지요. 정직한 진실은 더 어려우며, 이 책은 그것을 뒤늦게 깨닫는 것보다 지금 인정하는 편이 더 쓸모 있습니다. 두 개의 천장이 상용 목록을 짧게 붙잡고 있으며, 어느 것도 열정에 굴복하지 않습니다. 첫째는 소(小)데이터 천장 그 자체입니다. 후보가 되는 탈출구 — 많은 공정에 걸쳐 학습을 분산상각하는 기반 모델, 데이터를 공유하지 않고 모으는 연합 학습(federated learning) — 은 오늘날 제품이라기보다 열망이며, 그것들을 학습시킬 만큼 충분히 비교 가능하고 공유 가능한 바이오공정 데이터가 과연 언젠가 존재하게 될지는 진정으로 불확실합니다. 둘째는 더더욱 어려운데, 설령 데이터 천장이 들린다 해도 규제 천장은 그렇지 않을 수 있기 때문입니다. 지속적으로 학습하고 품질 특성을 자율적으로 제어하는 모델은, Annex 22의 현행 초안에 따르면, 그것이 아무리 좋아지더라도 핵심 GMP 밖에 두어집니다. 자율 바이오공정의 구속 제약은 모델이 무엇을 학습할 수 있는가가 아니라, 사람에게 쓰일 약에 관해 감독받지 않는 모델이 무엇을 결정하도록 우리가 기꺼이 허락하느냐로 드러날지 모릅니다. 그것은 더 많은 데이터가 풀어 주는 문제가 아니며, 이 책은 그것이 닫혀 있는 척하기보다 열린 질문으로서 다룹니다.

왜 중요한가​

사람에게 쓰일 약을 만드는 규제 대상 공정에서, 도움이 되는 모델과 해를 끼치는 모델의 차이는 슬라이드 위의 정확도가 아닙니다 — 그 모델이 실제로 무엇을 학습했고 그 학습을 얼마나 신뢰할 수 있는지를 누군가가 정직하게 말할 수 있느냐입니다. ML은 진정으로 바이오 제조를 더 낫게 만듭니다. 더 안전한 모니터링, 측정하기엔 너무 느린 값의 더 빠른 추론, 더 적은 낭비된 실행, 자동 출하되는 바이알이지요. 그리고 오늘날 그것은 거의 전적으로 사람이 감독하는 비자율적 영역에서 그렇게 하며, 그것은 기술의 실패가 아닙니다. 그것은 약을 만드는 데 도움을 주는 소프트웨어에 어울리는 자세인데, 그 소프트웨어에서는 틀리는 일이 혼동 행렬(confusion matrix)이 담아낼 수 없는 비용을 치르기 때문입니다. 이 책에서 당신이 가지고 나갈 수 있는 가장 값진 것은 모델 구조가 아닙니다. 그것은 성숙도를 근거 등급과 분리하고, 누가 어떤 것에 대해 숫자를 측정했는지 묻고, 어떤 데모로도 극복되지 않는 이유로 상용 목록이 짧다는 것을 인식하는 반사 신경입니다.

핵심 용어​

  • 머신러닝(machine learning, ML) — 규칙을 손으로 코딩하는 대신, 데이터에 모델을 맞추어 예측하거나 추론하게 하는 것. 이 책에서는 거의 언제나 수백만 행이 아니라 수십 개의 배치로부터 학습하는 것을 뜻합니다.
  • 소프트 센서(soft sensor) — 직접 측정하기엔 느리거나 비싼 값(역가, 포도당)을 값싸고 빠른 신호(라만 스펙트럼, 온라인 상태)로부터 추론하는 모델로, 하루에 한 번이 아니라 1분마다 갱신됩니다.
  • 하이브리드 모델(hybrid model) — 알려진 물리와 화학을 부호화한 기전적 골격에, 물리가 적어 내릴 수 없는 잔차만을 다루는 학습된 구성 요소를 더한 것. 소(小)데이터 천장 아래에서 이기는 패러다임.
  • 소(小)데이터 천장(small-data ceiling) — 바이오공정 ML의 구속 제약. 비싼 실행이 너무 적고, 오프라인 레이블이 느리며, 살아 있는 공정이 표류하므로, 데이터를 많이 먹는 모델이 굶거나 과적합합니다.
  • 배치 그룹화 분할(batch-grouped split) — 배치 전체를 통째로 학습 또는 테스트에 두고 결코 양쪽에 걸치지 않는 것으로, 보고된 점수가 누수가 아니라 진정으로 보이지 않은 배치에서의 성능을 반영하게 합니다.
  • 성숙도(maturity) — 배치가 얼마나 멀리까지 갔는지: (연구), (파일럿), 또는 (상용).
  • 근거 등급(evidence tier) — 근거가 얼마나 좋은지: 보도자료 한정, 벤더 자체보고, 자체 저자 동료심사, 또는 독립 동료심사. 오직 꼭대기 단에서만 숫자를 사실로 진술할 수 있습니다.
  • MSPC — 다변량 통계적 공정 모니터링. 배치 궤적 전체를 지문처럼 찍어 황금 배치와 대조해 일탈을 표시하는 PCA/PLS 모델.
  • PLS / PCA — 부분 최소제곱과 주성분 분석. 서로 상관된 여러 센서 채널을 소수의 잠재 인자로 압축하여 값을 예측하거나(PLS) 배치를 지문처럼 찍는(PCA) 일꾼 같은 방법.
  • 과적합(overfit) — 모델이 진짜 패턴 대신 학습 배치의 변덕과 잡음에 맞추어, 학습에서는 점수가 잘 나오지만 새 배치에서 무너지는 것.
  • R²(R 제곱, R-squared) — 모델이 변동의 얼마만큼을 설명하는지에 대한 적합도 점수. 높을수록 좋아 보이지만, 진정으로 보이지 않은 배치에서 측정했을 때에만 믿을 수 있습니다.
  • 역가(titer) — 바이오리액터나 수확된 배양액 속 항체의 농도. 대표적인 상류 제품 산출물이자 핵심 소프트 센서 표적.
  • FAIR — 찾을 수 있고, 접근 가능하며, 상호운용 가능하고, 재사용 가능한(findable, accessible, interoperable, reusable). 특징이 시스템 사이에서 결합되고 신뢰되려면 측정값이 먼저 갖추어야 하는 데이터 거버넌스 속성(Book 2에서 정의).
  • GMP(우수 제조 관리 기준, Good Manufacturing Practice) — 약이 어떻게 만들어지는지에 대한, 법적 구속력이 있고 규제 당국이 점검하는 규칙. (상용) 배치란 GMP 공장 안에서 돌아가는 것이며, GMP 결정을 건드리는 모델은 잠기고 변경 관리되어야 합니다.
  • GxP — 규제 대상 활동이 충족해야 하는 우수 관리 기준 규칙(GMP, GLP, GDP 등)의 우산.
  • 핵심 품질 특성(critical quality attribute, CQA) — 순도나 역가 같은 제품 속성으로, 그것이 표류하면 약이 안전하고 효과적인지에 직접 영향을 미칩니다. 어떤 모델도 이것을 자율적으로 조정해서는 안 됩니다.
  • 황금 실행 / OOS 형제(golden run / OOS sibling) — 실행 예시의 두 앵커 배치. 깔끔하게 합격하는 BATCH-2026-001 과, 숙주세포 단백질에서 규격을 벗어나(OOS — 출하 규격을 위반) 불합격하는 BATCH-2026-004.

다음 이야기​

우리는 바이오공정이 학습하기 어려운 곳이라고 — 작은 데이터, 느린 진실, 살아 있는 시스템 — 그리고 바로 그것이 이 분야를 상용보다 파일럿이 훨씬 많게 만드는 이유라고 주장했습니다. 다음 장 학습 문제는 그 주장을 정확히 펼쳐 보입니다. 데이터 과학의 규칙서가 왜 옮겨지지 않는지, 소(小)데이터 천장이 진정으로 무엇을 비용으로 치르게 하는지, 그리고 왜 이 도메인에서 질문이 결코 단지 "어느 알고리즘인가?" 가 아니라 "여기서 정직하게 학습할 수 있는 것이 도대체 무엇인가?" 인지를 펼쳐 놓습니다.