据德国信息技术、电信和新媒体协会Bitkom,于2020年进行的关于"德国学习人工智能"的研究显 示，仅14%的化学和制药公司使用人工智能（AI）或机器学习技术。根据Bitkom当前的研究，接受调查的公司认为使用人工智能的最大障碍分别是：高投资成本（59%）、数据保护（50%）和安全（46%）要求以及缺乏应用实例（45%）。VTU工程公司主张对数据科学项目采取循序渐进的方法，以谨慎对待计算机科学的这一创新子领域。究竟应当如何踏出第一步？哪些项目可以成为人工智能试点项目？为了更好地理解和分类，本文将介绍2个来自VTU工程公司在实践中的数据科学项目。

在数据分析领域引入机器学习概念，以轻松优化流程并可对数据进行持续性研究。在一个工艺装置中，往往对压力进行监控。为可靠地防止装置超压，现场一般需要安装紧急泄放阀。基于人工智能的数据分析方法，有助于判断必要的紧急措施，以便确定紧急泄放阀是否应该打开。出于经济和生态环境方面的考虑，紧急泄放阀是否需要打开要保持在尽可能低的水平。对过去3年的生产数据进行调整和合并后进行数据分析，并开始对紧急泄放阀打开前后介质流速、介质压力和阀门控制器的数据进行深入研究。借助人工智能算法（k-means），3种典型的行为会被自动识别并归类。

在数据科学家和工艺工程师的紧密合作下，压力超压的3个原因被确定下来。经过10天的数据分析，人们可以明确有哪些措施需要将紧急泄放阀开启，并将开启的频率降低到原来的1/4。通过这种方式，不仅可以大大减少工艺介质的损失，同时还可以减少空气污染。混合物的优化VTU实践中的另一个例子，是一个必须保持一定混合比例的设备，其中的混合物由一种昂贵的成分和一种廉价的成分组成。为了始终保证在任何时候昂贵物质剂量始终高于所需的最低含量，该物质通常被超量1%使用。而这1%过量用药的费用每年加起来高达几十万欧元。数据分析可减少昂贵物质含量的波动并最大限度地减少过量使用。为了进行数据分析，一整年的生产和实验室数据被整合、合并成一个数据包。随后，研究人员开发了一种机器算法，该算法可以预测昂贵物质的含量。此外，此算法还找出了进行预测所需的重要参数。在本案例中，有大约100个不同的参数，这些参数都可能是非常有用的。得益于重要参数的可视化，通过与工艺专家合作，可以确定新的工艺方法，具有针对性地对物质含量的波动进行研究，并显著减少昂贵物质的超量使用。最终经过20天的数据分析，每年节省了近20万欧元的开支。

快速入门的分步方法

以上2个例子表明，人工智能算法会事半功倍。循序渐进的方法的好处是可以避开最大的障碍，因为离线分析既不需要高额的初始投资，也不需要复杂的数据保护措施，并且公司还可以在自己的生产中创建一个应用实例。循序渐进的方法已在数据分析项目中得到证明，然而还必须为每个步骤定义目标，并在必要时通过研讨会进行技术探讨。在确定了明确和可衡量的目标后，根据数据科学、数据工程、工艺知识或数据安全方面专家的要求，组建一个跨学科团队。理想情况下，项目以敏捷的方式进行，公正地对待项目的探索性特征。然后根据GxP的要求，对算法进行验证。最后，对之前定义的可衡量的成功标准进行验证，以便以一种可衡量的方式为大家展示项目的成功。经验表明，循序渐进的方法为所有尚未使用人工智能或机器学习的化学和制药公司提供了进入人工智能支持生产的低门槛。因此，可以预计，超过14%的公司将很快成功使用这种面向未来的技术。

专访VTU工程公司数据科学家StefanPauli博士

迈向第一个人工智能项目的一小步

PROCESS：神经网络、机器学习、深度学习和人工智能有什么区别？

StefanPauli博士：分清这些术语对理解AI非常有帮助，因为虽然它们彼此相关，但它们指的不是同一件事。伊莱恩-里奇1983年对于通用术语人工智能（AI）的定义比较恰当："人工智能是研究如何使计算机做出目前人们更擅长的事情"。因此，人工智能通常是指人为地部分模仿人类智能的机器在某些部分表现得很智能。现在有许多不同的人工智能技术。其中之一是机器学习算法，它从收集的数据中进行独立学习。在这些算法中，有一些比较简单的算法，如线性回归或随机森林，但也有非常复杂的算法，如神经网络。神经网络将神经元（神经细胞）连接成一个网络，有点类似人类大脑的神经元网络。大型神经网络则被称为深度学习，它可以在图像、文本或语言处理方面展示其卓越的能力，但需要大量的数据和计算能力。因此，从通用术语人工智能开始，通过几个中间术语（例如机器学习），人们就可以得出深度学习这个子术语。

PROCESS：根据Bitkom最近的一项研究，只有14%的化学和制药公司使用人工智能或机器

学习工具。这是为什么呢？

StefanPauli博士：14%的化学和制药公司已经使用人工智能。虽然这听起来非常少，但这项研究中的行业平均水平是13%。这项研究还谈到了推广人工智能的最大挑战，这揭示了人工智能不被经常使用的原因。大公司认为最大的挑战来自于投资成本高（59%）、数据保护要求（50%）、数据安全性要求（46%）以及缺乏应用案例（45%）。这与我们的经验值非常吻合。然而，通过采用适当的方法，例如，我们所采取循序渐进的方法（见下一个问题）方面就有很好的经验，从低投资成本开始，随着成功而加大投资。通过设计对数据进行一致的保护和安全，可以确保工业生产流程的稳定性以及商业秘密和专有技术的保护。根据我们的经验，对于化工行业，特别是制药业，还面临另一个具体的挑战——严格的监管要求和工艺。人工智能算法必须经过GxP验证。在GMP合规性和数字化这两个领域都有丰富专业知识的有能力的合作伙伴可以在这些方面提供支持。

PROCESS：从想法到商业案例：实施人工智能项目的决定性成功因素是什么？

StefanPauli博士：据经验，以下几点是最重要的：1.确定和定义一个有价值且可行的项目目标。使用人工智能时，某些事情不会改变。与寻常项目一样，必须确定、制定和定义项目目标（例如SMART）。这有时可能是AI项目中最困难和最重要的任务之一。指导性的用例研讨会在这里已经证明了它们的价值。2.跨学科和有经验的项目团队。由于制造型工业公司的工艺通常比较复杂，因此，成功的项目管理需要一个跨学科的团队。使用新的职位描述，如数据科学家、数据工程师以及经典的MES工程师，当然还有来自工程和运营的经验丰富的技术人员，他们非常了解生产过程。为了简化人工智能的应用并且增加成功率，能够获取现有知识是非常重要的。3. 循序渐进的方法。我们认为，按照“从小事做起，在成功中成长”的座右铭，一步一步地发展项目，有利于成功。与其他软件开发一样，敏捷项目方法是理想的选择。

本文来源于《流程工业》杂志版权所有，谢绝转载。

版权声明∶转载流程工业网内容，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱∶process@vogel.com.cn，电话：16601379371（同微信）