雖然工業部門正在經歷由人工智能和物聯網 (IoT) 驅動的轉型，但與此同時，勞動力也在發生轉變，因為傳統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知識水平。進入工業數據科學家，這是一種新型數據分析師，可以訪問比以往更多的工業數據以及將這些信息轉化為可操作情報的先進技術。

影響工業數據科學家崛起的關鍵因素包括：

●由于工業數據質量和管理不佳、內部孤島以及相關團隊之間缺乏協作，組織無法實現工業人工智能的全部價值。

●工業數據科學家帶來的自給自足有助于以更大的敏捷性和可擴展性解決創新和解決問題。

●AspenTech 的工業 AI 解決方案和具有凝聚力的數字參考架構將數據科學能力和領域專業知識結合在一起。

流程工業中工業人工智能的現狀

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

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

雖然工程角色擅長分析大量數據，但設置和創建生產級機器學習環境并不容易。因此，通過人工智能釋放工業數據的價值需要一種混合方法。

工業人工智能的范式是為資本密集型行業提供可衡量的業務成果。工業組織不需要靠工業人工智能的價值來推銷，而挑戰在于實現它。Vanson Bourne 的研究發現，這里調查了 200 多名跨行業的 IT 和運營決策者，提供了對工業 AI 采用現狀的關鍵見解。該研究揭示了阻礙組織實現工業人工智能全部價值的核心挑戰是工業數據質量和管理不佳、內部孤島、相關團隊之間缺乏協作以及圍繞工業人工智能制定明確的戰略。

什么是工業數據科學家？

傳統數據科學家的角色結合了計算機科學、統計學和數學。工業數據科學家的核心使命是構建更全面、高性能和可持續的 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、處理和建模數據；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。數據科學家更多地關注算法部分和工具鏈的改進。

另一方面，工業數據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，工業數據科學家不依賴其他組織來分析數據和確定結果。

雖然工業數據科學家保持一定程度的數據科學敏銳度，但他們可以有效地與數據科學家合作，因為他們可以清楚地表達和使用數據科學應用程序或產品的語言。工業數據科學家帶來的自給自足有助于以更大的敏捷性和可擴展性解決創新和解決問題。工業數據科學家的本質是領域專業知識，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性的工業問題，例如使用工業數據和人工智能預測未來條件或事件。

工業人工智能如何被用來解決挑戰

工業 AI 提供由工業數據驅動的廣泛用例，并在最前沿進行預測性、規范性維護，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數字化的愿望，尤其是在制藥和生物技術行業。根據 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，這將繼續推動實現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。”先進的需求建模與規劃、調度和利用大數據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據的新見解相結合。工業 AI 還通過持續使用數據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據，工業 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 如何彌合領域專業知識和人工智能之間的差距

AspenTech 廣泛的性能工程、生產優化、資產性能管理、價值鏈優化和相互關聯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，包括數據科學工作流程，如預處理、模型訓練、模型和算法選擇。工程師可以輕松協作創建混合模型，并將它們共同引入數據科學工具鏈。

看一個工業數據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據，而不是從頭開始構建這些模型。組織中的工業數據科學家將“修剪數據”以確保數據質量。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，化學工程師和工業數據科學家就可以共同優化模型。

結論

憑借 40 多年的經驗并專注于工業制造領域，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。

工業公司將繼續尋找更好的方法將其不斷發展的勞動力與數據驅動的決策工具聯系起來，并以數字方式增強工作和業務流程。然而，利用人工智能需要數據科學能力，這給已經很復雜的環境增加了額外的復雜性。

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

工業數據科學家專注于解決該領域的現實問題。他們利用自己的領域經驗將領域知識整合到數據科學項目中——傳統數據科學家不具備的專業水平。ARC 咨詢集團認為，高級過程控制 (APC) 工程師等現有角色是互補技能和重點培養內部能力領域的絕佳示例。確保成功的工業數據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。

●結合領域專業知識協作技術。

●以高級過程控制和建模中的現有組織能力為起點。

Peter Reynolds 對流程和技術領域進行研究，例如流程優化、資產績效管理和數據分析。作為能源和化學行業的主題專家，他擁有超過 25 年的專業經驗。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略，以及圣約翰煉油廠自動化系統負責人。