雖然工業(yè)部門正在經歷由人工智能和物聯(lián)網(wǎng) (IoT) 驅動的轉型，但與此同時，勞動力也在發(fā)生轉變，因為傳統(tǒng)領域的專家被精通技術的工人所取代，他們帶來了新的運營專業(yè)知識水平。進入工業(yè)數(shù)據(jù)科學家，這是一種新型數(shù)據(jù)分析師，可以訪問比以往更多的工業(yè)數(shù)據(jù)以及將這些信息轉化為可操作情報的先進技術。

影響工業(yè)數(shù)據(jù)科學家崛起的關鍵因素包括：

●由于工業(yè)數(shù)據(jù)質量和管理不佳、內部孤島以及相關團隊之間缺乏協(xié)作，組織無法實現(xiàn)工業(yè)人工智能的全部價值。

●工業(yè)數(shù)據(jù)科學家?guī)淼淖越o自足有助于以更大的敏捷性和可擴展性解決創(chuàng)新和解決問題。

●AspenTech 的工業(yè) AI 解決方案和具有凝聚力的數(shù)字參考架構將數(shù)據(jù)科學能力和領域專業(yè)知識結合在一起。

流程工業(yè)中工業(yè)人工智能的現(xiàn)狀

ARC 咨詢小組在 2021 年對人工智能和物聯(lián)網(wǎng) (AIoT) 的融合報告的研究以及研究專家 Vanson Bourne的人工智能研究現(xiàn)狀準確地描述了流程工業(yè)中人工智能的現(xiàn)狀。兩份報告都強調了改善協(xié)作、降低復雜性并打破數(shù)據(jù)科學和領域專業(yè)知識之間的組織孤島的必要性。

術語“物聯(lián)網(wǎng)的人工智能或 AIoT”用于描述人工智能和工業(yè)物聯(lián)網(wǎng) (IIoT) 技術力量的融合。AIoT 專為尋求更好方法將不斷發(fā)展的勞動力與數(shù)據(jù)驅動的決策工具連接起來并以數(shù)字方式增強工作和業(yè)務流程的工業(yè)公司而構建。然而，利用人工智能需要數(shù)據(jù)科學能力，這給已經很復雜的環(huán)境增加了額外的復雜性。

雖然工程角色擅長分析大量數(shù)據(jù)，但設置和創(chuàng)建生產級機器學習環(huán)境并不容易。因此，通過人工智能釋放工業(yè)數(shù)據(jù)的價值需要一種混合方法。

工業(yè)人工智能的范式是為資本密集型行業(yè)提供可衡量的業(yè)務成果。工業(yè)組織不需要靠工業(yè)人工智能的價值來推銷，而挑戰(zhàn)在于實現(xiàn)它。Vanson Bourne 的研究發(fā)現(xiàn)，這里調查了 200 多名跨行業(yè)的 IT 和運營決策者，提供了對工業(yè) AI 采用現(xiàn)狀的關鍵見解。該研究揭示了阻礙組織實現(xiàn)工業(yè)人工智能全部價值的核心挑戰(zhàn)是工業(yè)數(shù)據(jù)質量和管理不佳、內部孤島、相關團隊之間缺乏協(xié)作以及圍繞工業(yè)人工智能制定明確的戰(zhàn)略。

什么是工業(yè)數(shù)據(jù)科學家？

傳統(tǒng)數(shù)據(jù)科學家的角色結合了計算機科學、統(tǒng)計學和數(shù)學。工業(yè)數(shù)據(jù)科學家的核心使命是構建更全面、高性能和可持續(xù)的 AI/ML 模型，這些模型適用于特定目的、特定領域并解決重點關注的實際用例。他們分析、處理和建模數(shù)據(jù)；并具備預處理、模型類型、機器學習操作 (MLOps) 等部署概念、硬件部署方面或云和邊緣部署方面的能力和知識。數(shù)據(jù)科學家更多地關注算法部分和工具鏈的改進。

另一方面，工業(yè)數(shù)據(jù)科學家是領域知識與對應用人工智能方面的理解以及識別機會和解決問題的獨特組合。配備了已經民主化的最佳人工智能工具，工業(yè)數(shù)據(jù)科學家不依賴其他組織來分析數(shù)據(jù)和確定結果。

雖然工業(yè)數(shù)據(jù)科學家保持一定程度的數(shù)據(jù)科學敏銳度，但他們可以有效地與數(shù)據(jù)科學家合作，因為他們可以清楚地表達和使用數(shù)據(jù)科學應用程序或產品的語言。工業(yè)數(shù)據(jù)科學家?guī)淼淖越o自足有助于以更大的敏捷性和可擴展性解決創(chuàng)新和解決問題。工業(yè)數(shù)據(jù)科學家的本質是領域專業(yè)知識，結合強大的工具鏈或一組打包的編程工具來解決具有挑戰(zhàn)性的工業(yè)問題，例如使用工業(yè)數(shù)據(jù)和人工智能預測未來條件或事件。

工業(yè)人工智能如何被用來解決挑戰(zhàn)

工業(yè) AI 提供由工業(yè)數(shù)據(jù)驅動的廣泛用例，并在最前沿進行預測性、規(guī)范性維護，以減少或消除設備停機時間。然而，全球大流行加速了該行業(yè)數(shù)字化的愿望，尤其是在制藥和生物技術行業(yè)。根據(jù) David Leitham 的說法，“我們已經看到在預測設備故障方面非常有效，并且具有很強的特異性，這將繼續(xù)推動實現(xiàn)零計劃外停機并消除損失批次，這既昂貴又對整個供應鏈造成破壞?！毕冗M的需求建模與規(guī)劃、調度和利用大數(shù)據(jù)來預測變化并主動調整對不同療法的需求相結合，變得越來越重要，因為療法變得越來越有針對性。

除了化學工業(yè)中的制藥和生物技術之外，通常還會有專門的設備模型并利用混合建模方法。混合建模將第一原理知識與經驗和數(shù)據(jù)的新見解相結合。工業(yè) AI 還通過持續(xù)使用數(shù)據(jù)來更新和訓練難以建模的過程條件（例如老化的設備）來幫助改善邊緣的模型維護。使用已經收集的歷史數(shù)據(jù)，工業(yè) AI 可以自動構建計劃或自動化流程，或找到設備故障或無法滿足每日或每周計劃的根本原因。

AspenTech 如何彌合領域專業(yè)知識和人工智能之間的差距

AspenTech 廣泛的性能工程、生產優(yōu)化、資產性能管理、價值鏈優(yōu)化和相互關聯(lián)的混合建模應用程序組合可幫助化學工程師、運營和其他工程學科進行協(xié)作并推動更高的價值。借助 AspenTech 的混合建模方法，該軟件提供了由化學工程師提供的第一原理建模工作流程的組合，包括數(shù)據(jù)科學工作流程，如預處理、模型訓練、模型和算法選擇。工程師可以輕松協(xié)作創(chuàng)建混合模型，并將它們共同引入數(shù)據(jù)科學工具鏈。

看一個工業(yè)數(shù)據(jù)科學家工作流程的例子，當定制操作資產不存在流程圖模型時，可以手動收集最能代表該設備廣泛操作的數(shù)據(jù)，而不是從頭開始構建這些模型。組織中的工業(yè)數(shù)據(jù)科學家將“修剪數(shù)據(jù)”以確保數(shù)據(jù)質量。此預處理步驟檢查丟失的傳感器，然后使用 AspenTech 的模型構建器解決方案為該特定用例構建適當或合適的模型。然后，此混合模型通過物理約束來豐富，以強制執(zhí)行質量平衡或特定于用例的其他標準。一旦導入流程圖模擬器，化學工程師和工業(yè)數(shù)據(jù)科學家就可以共同優(yōu)化模型。

結論

憑借 40 多年的經驗并專注于工業(yè)制造領域，AspenTech 解決方案的各個方面都針對客戶和用戶的角色以及具有領域專業(yè)知識的要求進行了調整。這些解決方案中的每一個都位于一個有凝聚力的數(shù)字參考架構上，這有助于將所有這些功能結合在一起。彌合差距和專業(yè)知識使每位專家都能在他們增加價值的地方做出貢獻，并通過整體調整到他們的應用程序和界面獲得舒適度；這些解決方案結合在一起可以解決更廣泛的問題。

工業(yè)公司將繼續(xù)尋找更好的方法將其不斷發(fā)展的勞動力與數(shù)據(jù)驅動的決策工具聯(lián)系起來，并以數(shù)字方式增強工作和業(yè)務流程。然而，利用人工智能需要數(shù)據(jù)科學能力，這給已經很復雜的環(huán)境增加了額外的復雜性。

圍繞數(shù)據(jù)科學建立組織能力是工業(yè)制造商的重中之重。對工業(yè)數(shù)據(jù)科學家角色的投資和建立一定程度的數(shù)據(jù)科學敏銳度是合理的，因為他們可以與數(shù)據(jù)科學家有效地協(xié)作。工業(yè)數(shù)據(jù)科學家是一種新型的技術驅動、數(shù)據(jù)授權的領域專家，可以訪問比以往更多的工業(yè)數(shù)據(jù)，以及將這些信息轉化為整個企業(yè)的可操作情報所需的可訪問 AI/ML 和分析工具.如今，工業(yè)部門的許多數(shù)據(jù)科學家都具有化學、石油或工業(yè)工程背景，而不是計算機科學或軟件工程背景。

工業(yè)數(shù)據(jù)科學家專注于解決該領域的現(xiàn)實問題。他們利用自己的領域經驗將領域知識整合到數(shù)據(jù)科學項目中——傳統(tǒng)數(shù)據(jù)科學家不具備的專業(yè)水平。ARC 咨詢集團認為，高級過程控制 (APC) 工程師等現(xiàn)有角色是互補技能和重點培養(yǎng)內部能力領域的絕佳示例。確保成功的工業(yè)數(shù)據(jù)科學能力計劃的關鍵因素包括：

●簡化計算 AI/ML 基礎設施。

●簡化 AI/ML 部署。

●結合領域專業(yè)知識協(xié)作技術。

●以高級過程控制和建模中的現(xiàn)有組織能力為起點。

Peter Reynolds 對流程和技術領域進行研究，例如流程優(yōu)化、資產績效管理和數(shù)據(jù)分析。作為能源和化學行業(yè)的主題專家，他擁有超過 25 年的專業(yè)經驗。在加入 ARC 之前，Peter 曾在新不倫瑞克省圣約翰市的 Irving Oil 擔任自動化和 IT 經理，該公司經營著加拿大最大的煉油廠、八個石油碼頭以及加拿大和美國的 800 多個零售點。Irving 以前的職位包括領導 Irving Oil Refining Growth 團隊為與 BP 的新建合資煉油廠制定過程控制和自動化戰(zhàn)略，以及圣約翰煉油廠自動化系統(tǒng)負責人。