为什么大多数人工智能试点在化工厂失败——行业专家的经验教训

过高的期望、不一致的数据和孤立的试点可能会阻碍人工智能试点在现实世界的成功部署。 AVEVA 化学品行业负责人 Stephen Reynolds 写道，解决方案在于工业智能，它可以闭合预测和工厂车间之间的循环。AVEVA .

每辆一级方程式赛车在比赛期间都会生成数百GB的遥测数据——从轮胎退化和燃油消耗到制动温度、天气变化和竞争对手的行为。这些数据实时传输给赛道上和远程实验室的工程师，使他们能够分析表现、优化策略并在每一毫秒都至关重要的运动中获得竞争优势。这提醒我们，成功并不在于数据集的大小或模型的复杂程度，而在于洞察是否能转化为及时的、可操作的决策。

订阅 PII 并接收：

我们历史悠久的双月刊数字杂志Process Industry Informer ，包含整个过程工业的独家文章、新闻和更新，以及我们三位行业专家的评论：

肖恩·莫兰

加文·史密斯

戴夫·格林

加上：

• 流程工业动态 - 我们的每周电子通讯
• PII 播客
• 来自我们广告合作伙伴的特别信息

通过将人工智能视为高性能赛车，化工厂可以超越市场。他们已经从传感器、实验室和 ERP 系统生成了数十亿个数据点。公司正在运行人工智能试点、测试模型并启动概念验证，麦肯锡报告称，78% 的组织至少在一项业务功能中使用人工智能。

大多数人工智能飞行员失速

然而，绝大多数试点项目在交付价值之前就陷入停滞。最近的一项调查显示，88% 的人工智能试点从未达到生产阶段，麻省理工学院在 8 月份报告称，95% 旨在快速创收的生成式人工智能计划都以失败告终。

这个“人工智能炼狱”并不是缺乏想象力，而是缺乏策略和行动。将见解转化为现实世界的行动，就像无需更换轮胎的完美 F1 策略一样，至关重要。

人工智能不是即插即用的

团队经常成为闪亮对象综合症的受害者，将人工智能视为即插即用的解决方案。当野心超过基础设施时，模型就会应用于并非设计目的的任务，提供不一致或延迟的实验室和传感器数据，并与操作保持隔离。由此产生的见解无法应用于现实世界的流程。

“根据最近的一项调查，高达 88% 的人工智能试点未能投入生产。”

即使人工智能预测反应器中存在污垢或催化剂失活，如果操作员由于工作流程失调而无法采取行动，那么该价值也会消失。对即时结果的不耐烦以及缺乏新原料的持续反馈使问题变得更加复杂。碎片化的技术等于碎片化的结果。

取得领先地位——在竞争中保持领先——需要跨职能协作和一个统一工业化学品系统的互联生态系统。这意味着将 MES、LIMS、ERP、历史学家和过程控制系统连接在一个平台内，创建单一事实来源，打破数据孤岛，并为车间和执行层的现有控制循环提供智能见解。

“只有具备这三个要素——精心策划的数据、流程感知的智能模型和受启发的人类参与循环——人工智能才能超越理论概念，转化为实际的运营和研发成果，从而实现更短的停机时间、更高的产量和更短的创新周期。”

人工智能增强，人类提升

整理和集中工业数据是起点。模型的设计必须尊重上游和下游的依赖性。最重要的是，团队必须信任他们收到的情报，并有权据此采取行动。避免人工智能炼狱应该被视为一种文化转变，而不仅仅是技术升级。

只有通过精心策划的数据、流程感知模型和受启发的人类，人工智能才能从概念转变为切实的运营和研发效益。

就这样，SCG Chemicals 在短短六个月内实现了 99% 的工厂可靠性和九倍的投资回报。为了保持亚洲最大的化学品供应链之一的蓬勃发展，SCG 构建了一个数字可靠性平台，在其整个生命周期中嵌入了人工智能。

通过将预测分析、集中数据和数字孪生环境集成到一个地方，该平台使团队能够即时做出流程决策，类似于为 F1 赛车队提供实时智能。

通过从业务部门级别到单个设备的仪表板，SCG 的团队可以访问可操作的信息，并在 10 秒内将其与实时数据关联起来。确定避免资产故障的关键点缩小了可靠性差距，维护成本下降了 40%。

人工智能用例扩展到整个化学品行业，通过预测分析、混合建模来加速产品创新，甚至发现环境可持续材料的成分，从而提高资产正常运行时间。

“当化学品公司采用这种分步方法时，他们就超越了反应性故障排除。”

防止人工智能试点炼狱

每个领域的成功需要的不仅仅是将人工智能试点视为技术实验——一条保证包含在 95% 失败统计数据中的路径。正如德勤在其最近的化工行业展望中所强调的那样，随着数字和分析工具的采用，公司需要端到端的方法将分析转化为运营改进。

克服人工智能的炼狱始于观念的转变，包括文化变革。首先，定义您想要更改的 KPI 并量化其工作流程影响。试图做所有事情的飞行员一事无成。

接下来，构建一个数据优先的互联生态系统，集成历史学家、MES、LIMS 和供应商程序。正如 Arthur D. Little 指出的那样，成功取决于数据质量；模式必须标准化、元数据注释并建立实验室协议。

然后选择正确的人工智能并使其可观察。例如，模式识别可以预测设备故障，法学硕士可以搜索合规文档，混合建模可以推动配方等创新应用。

之后，一次生产并扩展一个用例。最后，跨职能评估和治理（麦肯锡建议赋予高级领导者监督权）可以减少模型漂移和采用风险。

当化学品公司采用这种分步方法时，他们就超越了被动式故障排除。操作员可以预测结垢、调整反应条件并防止停机。研发团队加快配方速度，同时确保持续扩大规模。该行业最终可以从人工智能投资中获取真正的价值，就像 F1 车队将遥测数据转化为瞬间赢得比赛的决策一样。