Wdrażanie sztucznej inteligencji w produkcji chemikaliów specjalistycznych i pracach B+R

Gdy małe i średnie firmy produkcyjne oraz przemysłowe starają się przyspieszyć innowacje za pomocą sztucznej inteligencji, obliczeń w chmurze i zaawansowanego modelowania, głównym wyzwaniem staje się powiązanie nowych technologii z niezawodnymi danymi, wiedzą naukową i praktycznymi realiami wprowadzania produktów na rynek. Dla producenta chemikaliów specjalistycznych, firmy Lubrizol, cyfrowa transformacja polega na dostarczeniu badaczom narzędzi do szybszego testowania pomysłów, podejmowania lepszych decyzji i tworzenia zrównoważonych materiałów bez kompromisów w zakresie wydajności.

Co się stało

Według „MIT Technology Review”, producent chemikaliów specjalistycznych Lubrizol buduje cyfrowe fundamenty łączące procesy biznesowe, nowoczesne platformy danych i infrastrukturę chmurową, aby wspierać swoje zespoły badawczo-rozwojowe. Girish Rao, wiceprezes ds. technologii informacyjnych w Lubrizol, wyjaśnia, że ich celem jest połączenie dziesięcioleci zgromadzonych danych technicznych z głęboką wiedzą chemików i inżynierów, którzy rozumieją potrzeby klientów i ograniczenia fizyczne. Naukowcy zajmujący się danymi pomagają identyfikować wzorce, testować nowe hipotezy i modelować możliwości, zanim badacze przeprowadzą fizyczne eksperymenty. Rao podkreśla, że „nie chodzi o zastąpienie naukowego osądu, lecz o danie naszym naukowcom lepszych narzędzi”.

Aby zasypać przepaść między naukowcami, specjalistami ds. danych i zespołami IT – dla których priorytetem jest odpowiednio poprawność eksperymentalna, wydajność modeli oraz bezpieczeństwo platform – Lubrizol tworzy „zespoły hybrydowe” (ang. fusion teams). Te grupy o charakterze interdyscyplinarnym skupiają się wokół wspólnych celów, zaczynając od małych projektów pilotażowych w celu budowania zaufania. Rao zauważa, że gdy zaufanie zostanie zbudowane, a zespoły zrozumieją tworzoną przez siebie wartość, inicjatywy postępują znacznie płynniej. Ponadto infrastruktura chmurowa zapewnia firmie elastyczność w dostępie do zasobów obliczeniowych i nowoczesnych narzędzi bez konieczności ponoszenia dużych nakładów inwestycyjnych wymaganych do budowy i utrzymania dedykowanych centrów danych.

Te możliwości technologiczne okazują się szczególnie cenne dla postępów w inicjatywach na rzecz zrównoważonego rozwoju. Zgodnie z raportem, modelowanie cyfrowe pomaga badaczom oceniać więcej formulacji, badać alternatywy pochodzenia biologicznego, takie jak materiały skrobiowe i kukurydziane, oraz oceniać kompromisy w cyklu życia produktu. Choć skalowanie produkcji przy jednoczesnym spełnieniu oczekiwań dotyczących wydajności, wymogów regulacyjnych i ograniczeń finansowych pozostaje złożone, zdolność sztucznej inteligencji do modelowania wielu zmiennych pomaga zespołom poruszać się w gąszczu sprzecznych żądań.

Dlaczego to ma znaczenie dla małych zespołów produkcyjnych i B+R

dla liderów małych zespołów i właścicieli firm prowadzących wyspecjalizowane przedsiębiorstwa przemysłowe lub produkcyjne, podejście Lubrizol uwypukla fundamentalną prawdę strategiczną: wdrażanie sztucznej inteligencji kończy się niepowodzeniem, gdy technologia działa w izolacji od wiedzy dziedzinowej. Głównym wąskim gardłem w branżach technicznych rzadko jest sama moc obliczeniowa; jest nim tarcie między ekspertami z danej dziedziny technicznej (chemikami, inżynierami czy starszymi operatorami) a osobami wdrażającymi technologię (zasobami IT lub danymi).

Poprzez organizowanie międzyfunkcyjnych „zespołów hybrydowych” i rozpoczynanie od ograniczonych, małych projektów pilotażowych, małe firmy mogą ominąć długie fazy budowania zaufania, które często dręczą cyfrowe transformacje. Nie potrzebujesz gigantycznego budżetu korporacyjnego, aby wdrożyć modelowanie oparte na chmurze lub współdzielone repozytoria danych. Zamiast tego potrzebujesz przemyślanej strategii mającej na celu poszerzenie osądu istniejących pracowników, a nie próbę całkowitego zastąpienia ich przez automatyzację. Korzystanie z zewnętrznej infrastruktury chmurowej pozwala mniejszym graczom startować w wyższej kategorii wagowej, testując formulacje lub parametry operacyjne w sposób cyfrowy przed przeznaczeniem kosztownych materiałów fizycznych do produkcji.

Co zrobić w tym tygodniu

1. Przeaudytuj swoje obecne operacyjne i techniczne silosy danych, aby zidentyfikować, gdzie znajduje się historyczna wiedza dziedzinowa i jak łatwo Twój personel techniczny może do niej dotrzeć.

1. Utwórz interdyscyplinarny „zespół hybrydowy” składający się z eksperta dziedzinowego (takiego jak starszy inżynier lub specjalista ds. produktów) oraz operatora technicznego, aby zaplanować pojedynczy, niskoryzykowany projekt pilotażowy.

1. Oceń narzędzia obliczeniowe i modelujące oparte na chmurze, które pasują do Twojego zakresu operacyjnego, upewniając się, że możesz skalować zasoby bez inwestowania w drogi sprzęt lokalny (on-premise).

Źródła

• Innovating with AI in the special chemicals industry — MIT Tech Review