Le Machine-learning constitue une avancée technologique déterminante dans l'analyse des données non structurées en nombre, comme peuvent l'être par exemple les données de formulation.

Par l'application de l'intelligence artificielle, il devient aisé d’isoler, de traiter et de modéliser les informations les plus pertinentes et d’appliquer des algorithmes d’apprentissage pour peaufiner ces processus sans intervention humaine. Dès lors que le modèle est correctement paramétré, la machine apprend seule et optimise au fil du temps la tâche à accomplir.

La gestion augmentée transforme les métadonnées. Elles ne servent plus uniquement à l'audit, à la traçabilité et à l'établissement de rapports, mais elles commencent à alimenter des systèmes dynamiques. De "passives", les métadonnées deviennent "actives" et nourrissent les algorithmes d’apprentissage.

Qualité, gestion des métadonnées, Master Data Management, intégration et même administration des bases, l'Intelligence Artificielle révolutionne toutes les facettes de la gestion des données (Data Flow).

Grâce au Machine Learning de nombreuses tâches manuelles peuvent être automatisées et les utilisateurs les moins qualifiés techniquement peuvent être plus autonomes dans leur utilisation des données, et les ressources techniques hautement qualifiées peuvent se concentrer pleinement sur des tâches à plus grande valeur ajoutée.

Le processus de recherche d’un procédé ou d’une formule gagnante est complexe et s’appuie grandement sur l’expertise du chercheur, qui par un cycle d’essai-erreur –analyse navigue à vue pour trouver les bons paramètres. Sur de nouvelles matières premières peu maitrisés, la recherche peut parfois être fastidieuse.

Design Flow, le 1er assistant à base d’intelligence artificielle pour les formulateurs, permet de construire un pipeline intelligent qui optimise la prospection de l’espace formulatoire.

La puissance croissante des moyens d'analyse permet par exemple au formulateur d’aller de plus en plus loin dans la compréhension des différentes propriétés des mélanges. C’est l’un des atouts parmi d’autres cas d’usage, tels que :

1- Trouver la composition dans la formule pour chaque matière première
En tenant compte des contraintes de toxicologie, de cout, stabilité, innocuité
2- Remplacer un procédé ou une matière par suite d’une pénurie ou d’une règlementation
3- Comprendre les synergies au sein d’une formule
4- Comprendre l’impact de chaque constituant dans la formule
5- Evaluer l’impact d’un paramètre dans un procédé
6- Virtualiser la formulation pour avoir l’information en temps réel
7- Prédire les caractéristiques d’une formule jamais réalisée
prédire des caractéristiques longues à mesurer pour limiter de risque de Go/NoGo

La montée en puissance de l'IA s'allie avec la science des interfaces utilisateurs. Pour InFlows, Ergonomie et Design sont une composante majeure.