نوآوری با هوش مصنوعی در صنعت مواد شیمیایی خاص

از آنجایی که شرکت ها به دنبال شتاب دادن به نوآوری با هوش مصنوعی، محاسبات ابری و مدل سازی پیشرفته هستند، چالش اصلی اتصال فناوری های جدید به داده های قابل اعتماد، تخصص علمی و واقعیت های عملی ارائه محصولات به بازار است. برای تولیدکننده مواد شیمیایی تخصصی Lubrizol، تحول دیجیتالی همه چیز در اختیار محققان قرار می‌گیرد تا بتوانند ایده‌ها را سریع‌تر آزمایش کنند، تصمیم‌های آگاهانه‌تری بگیرند و مواد پایدارتر را بدون به خطر انداختن عملکرد توسعه دهند.

Girish Rao، معاون فناوری اطلاعات در Lubrizol، می گوید که این شرکت در حال ایجاد یک پایه دیجیتالی است که فرآیندهای تجاری، پلت فرم های داده مدرن و زیرساخت های ابری را برای حمایت از تیم های تحقیق و توسعه (R&D) خود به هم متصل می کند. هدف آنها ترکیب ده‌ها داده‌های فنی انباشته با تخصص عمیق شیمیدانان و مهندسانی است که نیازهای مشتری و همچنین محدودیت‌های فیزیکی کارشان را درک می‌کنند. دانشمندان داده می‌توانند به شناسایی الگوها، آزمایش فرضیه‌های جدید و مدل‌سازی احتمالات قبل از انجام آزمایش‌های فیزیکی توسط محققان کمک کنند.

اما، رائو تاکید می‌کند، "مسئله جایگزینی قضاوت علمی نیست، بلکه در اختیار گذاشتن ابزارهای بهتر به دانشمندان است."

دانشمندان، دانشمندان داده و تیم‌های IT به مشکلات از دیدگاه‌های مختلف برخورد می‌کنند و به ترتیب اعتبار آزمایشی، عملکرد مدل و امنیت پلتفرم و مقیاس‌پذیری را در اولویت قرار می‌دهند. با گرد هم آوردن این گروه ها در "تیم های همجوشی"، Lubrizol آنها را حول اهداف مشترک تراز می کند و با خلبان های کوچک شروع می کند تا اعتماد ایجاد کند.

رائو می‌گوید: «وقتی بین اعضای تیم اعتماد ایجاد شد و آن‌ها بدانند که قرار است چه ارزشی ایجاد کنند، اوضاع خیلی بهتر می‌شود.» زیرساخت‌های ابری همچنین به شرکت انعطاف‌پذیری برای دسترسی به منابع محاسباتی و ابزارهای مدرن بدون انجام سرمایه‌گذاری‌های اساسی مورد نیاز برای ساخت و نگهداری مراکز داده خود می‌دهد.

این قابلیت‌ها می‌توانند به ویژه در پیشبرد پایداری ارزشمند باشند. مدل‌سازی دیجیتال می‌تواند به محققان کمک کند تا فرمول‌های بیشتری را ارزیابی کنند، موادی مانند نشاسته و جایگزین‌های مبتنی بر ذرت را بررسی کنند، و مبادلات را در طول چرخه عمر محصول ارزیابی کنند. وعده دادن یک ماده در آزمایشگاه تنها قدم اول است. افزایش مقیاس تولید در حالی که انتظارات عملکرد، الزامات قانونی و محدودیت‌های مالی را برآورده می‌کند، هنوز هم دشوار است، اما توانایی هوش مصنوعی در مدل‌سازی متغیرهای متعدد می‌تواند به تیم‌ها کمک کند تا این خواسته‌های رقیب را بررسی کنند.

با نگاهی به آینده، Rao انتظار دارد هوش مصنوعی، اتوماسیون، مدل‌سازی پیشرفته، دوقلوهای دیجیتال و داده‌های متصل به هم نزدیک شوند، زیرا آزمایشگاه‌ها هوشمندتر می‌شوند و کارخانه‌های تولیدی کارآمدتر می‌شوند. او پیشنهاد می کند که این فرصت در کنار هم قرار دادن این قابلیت ها مسئولانه و در مقیاس است. "این فقط یک فناوری نیست. من فکر می کنم ترکیبی از همه اینها است و توانایی اتصال همه این فرآیندها خواهد بود که حجم عظیمی از داده را تولید می کند."

این پخش اینترنتی با مشارکت Infosys تولید شده است.

این محتوا توسط Insights، بازوی محتوای سفارشی MIT Technology Review، نه اعضای تحریریه آن تولید شده است. این توسط انسان ها تحقیق و نوشته شده است، با هر ابزار هوش مصنوعی که ممکن است محدود به فرآیندهای تولید تحت نظارت انسان باشد.