Почему большинство пилотных проектов искусственного интеллекта терпят неудачу на химических заводах – уроки экспертов отрасли

Заоблачные ожидания, противоречивые данные и разрозненные пилотные проекты могут помешать пилотным проектам искусственного интеллекта успешно развернуться в реальных условиях. Решение заключается в промышленном интеллекте, который замыкает петлю между прогнозированием и производством, пишет Стивен Рейнольдс, директор отрасли химической промышленности в AVEVA .

Каждый автомобиль Формулы 1 генерирует сотни гигабайт телеметрических данных во время гонки — от износа шин и расхода топлива до температуры тормозов, изменений погоды и поведения участников. Эти данные передаются инженерам на трассе и в удаленные лаборатории в режиме реального времени, что позволяет им анализировать производительность, оптимизировать стратегию и получать конкурентные преимущества в спорте, где каждая миллисекунда на счету. Напоминаем, что успех зависит не от размера вашего набора данных или сложности вашей модели, а от того, преобразуются ли полученные знания в своевременные оперативные решения.

Подпишитесь на PII и получите:

Наш давно существующий цифровой журнал Process Industry Informer, выходящий раз в два месяца. , где представлены эксклюзивные статьи, новости и обновления из перерабатывающих отраслей, а также комментарии трех наших отраслевых экспертов:

Шон Моран

Гэвин Смит

Дэйв Грин

ПЛЮС:

• Обзор перерабатывающей отрасли – наш еженедельный электронный информационный бюллетень.
• Подкаст с личными данными
• Специальные сообщения от наших рекламных партнеров.

Химические заводы могут превзойти рынок, если будут относиться к искусственному интеллекту как к высокопроизводительному гоночному автомобилю. Они уже генерируют миллиарды данных от датчиков, лабораторий и ERP-систем. Компании запускают пилотные проекты искусственного интеллекта, тестируют модели и запускают экспериментальные концепции. McKinsey сообщает, что 78 % организаций используют искусственный интеллект хотя бы в одной бизнес-функции.

Большинство пилотов ИИ останавливаются

Тем не менее, подавляющее большинство пилотов останавливаются, не успев принести пользу. Недавнее исследование показывает, что 88 % пилотных проектов ИИ так и не доходят до производства, а в августе Массачусетский технологический институт сообщил, что 95 % инициатив в области генеративного ИИ, направленных на быстрое получение дохода, терпят неудачу.

Это «чистилище ИИ» — это не недостаток воображения, а недостаток стратегии и действий. Крайне важно воплотить идеи в реальных действиях, что очень похоже на идеальную стратегию Формулы-1 без замены шин.

ИИ — это не технология Plug and Play

Команды часто становятся жертвами синдрома блестящих предметов, рассматривая ИИ как готовое к использованию решение. Когда амбиции опережают инфраструктуру, модели применяются для задач, для которых они не были предназначены, получают противоречивые или запоздалые лабораторные данные и данные датчиков и остаются изолированными от операций. Полученные результаты невозможно применить к реальным процессам.

«Согласно недавнему опросу, ошеломляющие 88% пилотных проектов ИИ не доходят до производства».

Даже когда ИИ прогнозирует загрязнение реактора или неактивные катализаторы, ценность исчезает, если операторы не могут действовать из-за несогласованности рабочих процессов. Нетерпение к мгновенным результатам и отсутствие постоянной обратной связи от нового сырья усугубляют проблему. Фрагментированная технология означает фрагментированные результаты.

Достижение поул-позиции – то есть опережение конкурентов – требует межфункционального сотрудничества и связанной экосистемы, которая объединяет промышленные химические системы. Это означает объединение MES, LIMS, ERP, архиваторов и систем управления процессами в рамках единой платформы, создавая единый источник достоверных данных, который разрушает разрозненность данных и передает интеллектуальную информацию в существующие контуры управления на уровне цеха и руководителей.

«Только благодаря этим трем элементам — тщательно подобранным данным, интеллектуальным моделям, учитывающим процессы, и вдохновленным людям в процессе — ИИ выходит за рамки теоретических концепций и достигает реальных результатов в эксплуатации и исследованиях и разработках, обеспечивая сокращение времени простоя, более высокую доходность и более короткие инновационные циклы».

ИИ расширяет возможности, люди совершенствуются

Отправной точкой является сбор и централизация промышленных данных. Модели должны быть разработаны с учетом зависимостей восходящего и нисходящего потока. Самое главное, команды должны доверять полученной информации и иметь возможность действовать на ее основе. Избегание чистилища ИИ следует рассматривать как культурный сдвиг, а не просто обновление технологий.

Только при наличии проверенных данных, моделей, учитывающих процессы, и вдохновленных людей, искусственный интеллект переходит от концепции к ощутимым преимуществам в эксплуатации и исследованиях и разработках.

Именно так компания SCG Chemicals всего за шесть месяцев добилась надежности предприятия на 99 % и девятикратного возврата инвестиций. Чтобы обеспечить бесперебойную работу одной из крупнейших в Азии цепочек поставок химической продукции, компания SCG создала цифровую платформу надежности, включающую искусственный интеллект на протяжении всего ее жизненного цикла.

Благодаря интеграции прогнозной аналитики, централизованных данных и среды цифровых двойников в одном месте платформа позволяет командам принимать технологические решения на лету, подобно тому, как гоночные команды Формулы-1 снабжаются аналитикой в реальном времени.

Благодаря информационным панелям, начиная с уровня бизнес-подразделения и заканчивая отдельным оборудованием, команды SCG получают доступ к полезной информации и сопоставляют ее с данными в реальном времени в течение 10 секунд. Определение критических точек во избежание сбоев активов позволило устранить разрыв в надежности, а затраты на техническое обслуживание снизились на 40 %.

При масштабировании всего химического сектора варианты использования ИИ распространяются на увеличение времени безотказной работы активов с помощью прогнозной аналитики, гибридного моделирования для ускорения инноваций в продуктах и даже открытия ингредиентов для экологически устойчивых материалов.

«Когда химические компании применяют этот поэтапный подход, они выходят за рамки оперативного устранения неполадок».

Предотвращение чистилища пилотов ИИ

Успех в каждой области требует большего, чем просто отношение к пилотным проектам ИИ как к технологическим экспериментам – путь, который гарантирует включение в статистику 95% неудач. По мере внедрения цифровых и аналитических инструментов компаниям необходимы комплексные подходы для преобразования аналитики в операционные улучшения, как подчеркнул Deloitte в своем недавнем обзоре химического сектора.

Преодоление чистилища ИИ начинается с изменения перспективы, включая культурные изменения. Сначала определите ключевой показатель эффективности, который вы хотите изменить, и оцените его влияние на рабочий процесс. Пилоты, которые пытаются сделать все, ничего не достигают.

Затем создайте экосистему, ориентированную на данные, интегрируя архиваторы, MES, LIMS и программы поставщиков. Как отмечает Артур Д. Литтл, успех зависит от качества данных; схемы должны быть стандартизированы, метаданные аннотированы, а лабораторные протоколы установлены.

Затем выберите правильный ИИ и сделайте его наблюдаемым. Например, распознавание образов позволяет прогнозировать отказы оборудования, специалисты LLM могут искать документы о соответствии требованиям, а гибридное моделирование может стимулировать инновационные приложения, такие как разработка рецептур.

После этого разрабатывайте и масштабируйте по одному варианту использования за раз. Наконец, межфункциональная оценка и управление (McKinsey рекомендует поручить надзор старшим руководителям) снижают риск отклонения модели и ее внедрения.

Когда химические компании применяют этот поэтапный подход, они выходят за рамки реагирования на устранение неполадок. Операторы могут предвидеть загрязнение, регулировать условия реакции и предотвращать простои. Команды исследований и разработок ускоряют разработку рецептур, обеспечивая при этом последовательное расширение масштабов производства. Отрасль наконец-то сможет извлечь реальную выгоду из инвестиций в искусственный интеллект, точно так же, как команды Формулы-1 превращают телеметрию в решения, позволяющие за доли секунды принимать выигрышные решения.