人工智能是必經之路

文/Dr. Stefan Pauli，Wolfgang K?ck

本文作者供職于VTU工程公司。

人工智能項目——石化企業仍然對設立人工智能項目猶豫不決，高昂的投資成本、巨大的努力和缺乏經驗成為阻礙人工智能項目發展最大的障礙。本文將通過實際案例展示人工智能項目如何通過一小步的改變取得成功。

據德國信息技術、電信和新媒體協會Bitkom，于2020年進行的關于"德國學習人工智能"的研究顯示，僅14%的化學和制藥公司使用人工智能（AI）或機器學習技術。根據Bitkom當前的研究，接受調查的公司認為使用人工智能的最大障礙分別是：高投資成本（59%）、數據保護（50%）和安全（46%）要求以及缺乏應用實例（45%）。VTU工程公司主張對數據科學項目采取循序漸進的方法，以謹慎對待計算機科學的這一創新子領域。究竟應當如何踏出第一步？哪些項目可以成為人工智能試點項目？為了更好地理解和分類，本文將介紹2個來自VTU工程公司在實踐中的數據科學項目。

在數據分析領域引入機器學習概念，以輕松優化流程并可對數據進行持續性研究。在一個工藝裝置中，往往對壓力進行監控。為可靠地防止裝置超壓，現場一般需要安裝緊急泄放閥。基于人工智能的數據分析方法，有助于判斷必要的緊急措施，以便確定緊急泄放閥是否應該打開。出于經濟和生態環境方面的考慮，緊急泄放閥是否需要打開要保持在盡可能低的水平。對過去3年的生產數據進行調整和合并后進行數據分析，并開始對緊急泄放閥打開前后介質流速、介質壓力和閥門控制器的數據進行深入研究。借助人工智能算法（k-means），3種典型的行為會被自動識別并歸類。

在數據科學家和工藝工程師的緊密合作下，壓力超壓的3個原因被確定下來。經過10天的數據分析，人們可以明確有哪些措施需要將緊急泄放閥開啟，并將開啟的頻率降低到原來的1/4。通過這種方式，不僅可以大大減少工藝介質的損失，同時還可以減少空氣污染。

混合物的優化

VTU實踐中的另一個例子，是一個必須保持一定混合比例的設備，其中的混合物由一種昂貴的成分和一種廉價的成分組成。為了始終保證在任何時候昂貴物質劑量始終高于所需的最低含量，該物質通常被超量1%使用。而這1%過量用藥的費用每年加起來高達幾十萬歐元。數據分析可減少昂貴物質含量的波動并最大限度地減少過量使用。

為了進行數據分析，一整年的生產和實驗室數據被整合、合并成一個數據包。隨后，研究人員開發了一種機器算法，該算法可以預測昂貴物質的含量。此外，此算法還找出了進行預測所需的重要參數。在本案例中，有大約100個不同的參數，這些參數都可能是非常有用的。得益于重要參數的可視化，通過與工藝專家合作，可以確定新的工藝方法，具有針對性地對物質含量的波動進行研究，并顯著減少昂貴物質的超量使用。最終經過20天的數據分析，每年節省了近20萬歐元的開支。

快速入門的分步方法

以上2個例子表明，人工智能算法會事半功倍。循序漸進的方法的好處是可以避開最大的障礙，因為離線分析既不需要高額的初始投資，也不需要復雜的數據保護措施，并且公司還可以在自己的生產中創建一個應用實例。

循序漸進的方法已在數據分析項目中得到證明，然而還必須為每個步驟定義目標，并在必要時通過研討會進行技術探討。在確定了明確和可衡量的目標后，根據數據科學、數據工程、工藝知識或數據安全方面專家的要求，組建一個跨學科團隊。理想情況下，項目以敏捷的方式進行，公正地對待項目的探索性特征。然后根據GxP的要求，對算法進行驗證。最后，對之前定義的可衡量的成功標準進行驗證，以便以一種可衡量的方式為大家展示項目的成功。經驗表明，循序漸進的方法為所有尚未使用人工智能或機器學習的化學和制藥公司提供了進入人工智能支持生產的低門檻。因此，可以預計，超過14%的公司將很快成功使用這種面向未來的技術。