在臺灣制造業(yè)四大行業(yè)中，化學工業(yè)產(chǎn)值僅次於資訊電子與金屬機電產(chǎn)業(yè)。 近年化學工業(yè)面臨多樣性的挑戰(zhàn)，除了 ESG 等因素對產(chǎn)業(yè)的影響外，產(chǎn)業(yè)結(jié)構(gòu)與產(chǎn)業(yè)趨勢的轉(zhuǎn)變也是化工產(chǎn)業(yè)難以避免的困境。本文探討工業(yè)智能之必要，以及化學工業(yè)結(jié)合人工智能（AI）科技的應(yīng)用方向。
關(guān)於化工產(chǎn)業(yè)的關(guān)聯(lián)性很廣，由民生工業(yè)乃至高科技產(chǎn)業(yè)所需之原材料，很多都來自石化及塑橡膠等化工產(chǎn)業(yè)。 依據(jù)經(jīng)濟部統(tǒng)計局資訊於2022年統(tǒng)計顯示，化學工業(yè)產(chǎn)值總產(chǎn)值已經(jīng)超過5兆，位居臺灣制造業(yè)四大行業(yè)中產(chǎn)值第三，僅次於資訊電子與金屬機電產(chǎn)業(yè)。
石化及塑橡膠產(chǎn)業(yè)鏈上游為原油，由原油提煉開始產(chǎn)生多種??產(chǎn)品；中游運用上游原料輕油裂解產(chǎn)生之基本原料，如苯、痤、烯類等，以及基於前述原料再經(jīng)聚合、窬化、??化等化學反應(yīng)後制成之塑膠、橡膠、人造纖維等化學原料；下游為塑膠、橡膠、人造纖維等化學原料加工制成的各式民生必需品，如 3C 產(chǎn)品外殼、塑膠制品、橡膠制品、接著劑、人造纖維、塑化劑及化妝品等，應(yīng)用范圍相當廣泛，而工業(yè)生產(chǎn)技術(shù)的發(fā)展也帶來許多的新興應(yīng)用。
近年化學工業(yè)面臨多樣性的挑戰(zhàn)，尤其在國際情勢上 ESG 將是未來10年化工產(chǎn)業(yè)所面臨的極大課題，如何節(jié)能、減少碳排、避免浪費，將是最棘手的問題。此外，除了 ESG 等因素對產(chǎn)業(yè)的影響外，產(chǎn)業(yè)結(jié)構(gòu)與產(chǎn)業(yè)趨勢的轉(zhuǎn)變也是化工產(chǎn)業(yè)難以避免的困境。
由於近年來高科技產(chǎn)業(yè)薪酬結(jié)構(gòu)與產(chǎn)業(yè)環(huán)境優(yōu)勢，學校人才培育以及人才就業(yè)選擇等復雜因素，也導致化工產(chǎn)業(yè)出現(xiàn)人才大斷層的問題，這些人才因素直接或間接地影響到企業(yè)經(jīng)營，無論在企業(yè)經(jīng)驗傳承、新產(chǎn)品研發(fā)效率與企業(yè)運作優(yōu)化等都將成為大挑戰(zhàn)。
運用 AI 科技的專業(yè)達人
雖然前述外部環(huán)境因素與內(nèi)部人才斷層是當前化工業(yè)的挑戰(zhàn)，但也觀察到一個新的契機或轉(zhuǎn)折點，年輕化意味著有效使用新科技技術(shù)來輔助作業(yè)優(yōu)化，亦即顯現(xiàn)未來的化工產(chǎn)業(yè)化工人，必須是能運用人工智能（AI）科技的專業(yè)達人 。
近幾年化工產(chǎn)業(yè)無論在生產(chǎn)或材料研發(fā)類的數(shù)據(jù)運用上，相較於過去增加許多新科技的輔助，當化學工業(yè)結(jié)合（AI）科技時，有以下幾大應(yīng)用方向：
一、運用 AI 輔助產(chǎn)品研發(fā)，了解關(guān)鍵因素與配方趨勢模擬，縮短產(chǎn)品研發(fā)時程、降低成本
首先將 AI 作為新產(chǎn)品材料研發(fā)過程中的數(shù)據(jù)分析與建模工具，透過 AI 將過去的研發(fā)數(shù)據(jù)建立模型，將研發(fā)資料模型化，了解到影響產(chǎn)品的關(guān)鍵因子；另外，也可以運用模型來協(xié)助研發(fā)同仁觀察，關(guān)於不同配方成分的改變對於產(chǎn)品品質(zhì)目標的影響，藉此大幅度地透過 AI 模型來縮短產(chǎn)品研發(fā)時間，并透過模型化進行經(jīng)驗傳承。
二、運用 AI 分析生產(chǎn)品質(zhì)不良的關(guān)鍵要因，縮短問題排查時間提升品質(zhì)
化工生產(chǎn)系統(tǒng)所監(jiān)控的叁數(shù)繁多，而且加上來料配方等條件，生產(chǎn)數(shù)據(jù)復雜，若是采用過去運用的統(tǒng)計方式，則難以有效的了解影響品質(zhì)的關(guān)鍵點。透過來自 DCS 或 SCADA 系統(tǒng)生產(chǎn)大數(shù)據(jù)，并結(jié)合 AI 技術(shù)數(shù)據(jù)分析的應(yīng)用，能夠快速地找到影響產(chǎn)品的關(guān)鍵因子，縮短問題排查時間，減少不良品或次級品的發(fā)生，降低浪費。
三、運用AI預(yù)測生產(chǎn)過程品質(zhì)
化工制程往往需品質(zhì)檢驗，但卻無法做即時的品質(zhì)全檢。運用過去的生產(chǎn)數(shù)據(jù)與過去的品質(zhì)檢驗資料，以 AI 技術(shù)建立預(yù)測模型，透過 AI+IOT 方式預(yù)測品質(zhì)，能夠了解品質(zhì)變化趨勢，在趨勢偏離前能夠及早采取對策，透過 AI 預(yù)測方式提前處理品質(zhì)問題，避免產(chǎn)品不合標產(chǎn)生報廢品。
四、運用 AI 優(yōu)化生產(chǎn)系統(tǒng)運作效率，降低能源浪費
因應(yīng)ESG 的要求與挑戰(zhàn)，如何優(yōu)化高耗能設(shè)備的能源使用效率，也是化工產(chǎn)業(yè)的 AI 運用方向。透過AI建模將過去系統(tǒng)操作叁數(shù)建立模型，藉此在生產(chǎn)效率、品質(zhì)與能耗間平衡，取得最隹化的生產(chǎn)叁數(shù)。
當制造業(yè)導入AI平臺 24小時不間斷運作
為了讓數(shù)據(jù)分析與 AI 運用技術(shù)能於化工產(chǎn)業(yè)萌芽與發(fā)展，越來越多的企業(yè)陸續(xù)也招募數(shù)據(jù)分析資料科學家，或是將企業(yè)人員送訓培養(yǎng) AI 與數(shù)據(jù)分析能力，但我們觀察到在產(chǎn)業(yè)人才就業(yè)排擠性的因素，資料科學人才選擇化工業(yè)的就業(yè)意愿相對低。另外，內(nèi)部送訓人員學習 AI 新技術(shù)學習周期長，較難於短期產(chǎn)生 AI 分析能力。
因應(yīng)制造業(yè) AI 應(yīng)用與人才需求，杰倫智能科技（Profet AI）致力發(fā)展制造業(yè)應(yīng)用的 AI 平臺，研發(fā)出自動化機器學習平臺（Automated Machine Learning；AutoML），目的在於解決企業(yè) AI 應(yīng)用與落地實現(xiàn)問題，該平臺像是企業(yè)虛擬 AI 資料科學家，讓生產(chǎn)專家無需寫程式和鉆研復雜演算法，就可以快速運用過去的生產(chǎn)歷史數(shù)據(jù)來進行 AI 分析。
在生產(chǎn)過程中，此AI平臺如同工具，可協(xié)助企業(yè)研發(fā)部門進行產(chǎn)品研發(fā)優(yōu)化、品質(zhì)專家透過工具找出異常要因、制程專家快速找出最隹調(diào)整叁數(shù)，進行生產(chǎn)流程改善，通過創(chuàng)新的 AI 機器學習運用技術(shù)，將龐大晦澀的演算法化繁為簡，成為易用的數(shù)據(jù)分析工具，迅速建立標準化的智能決策體系，幫助工廠進一步擴大生產(chǎn)規(guī)模并且提升生產(chǎn)和產(chǎn)品研發(fā)的效率。
同時，此平臺不僅應(yīng)用於化工產(chǎn)業(yè)的生產(chǎn)品質(zhì)預(yù)測，各產(chǎn)業(yè)都能夠透過該平臺產(chǎn)品協(xié)助，實現(xiàn)讓企業(yè)各領(lǐng)域80%的關(guān)鍵人才都能自主運用 AI，養(yǎng)成企業(yè)運用數(shù)據(jù)分析輔助決策的文化。
導入創(chuàng)新的「AI 自動化機器學習（AutoML）平臺」，如同企業(yè)有了「虛擬 AI 資料科學家」，這項化繁為簡且直觀圖像化操作的 AI 數(shù)據(jù)分析工具，快速賦予領(lǐng)域?qū)＜疫\用 AI 的能力，只須了解手上的數(shù)據(jù)，從上傳到完成分析僅需幾個步驟，就能讓傳統(tǒng)制造業(yè)快速導入 AI，「一天上手 AI、一周落地 AI 」，輕松將 AI 活用在例如化工制程的配方研發(fā)最隹化和能耗預(yù)測等應(yīng)用場景（圖1）。
| 圖1 : 運用AI 自動化機器學習（AutoML）平臺，如同企業(yè)有了「虛擬 AI 資料科學家」。（source：杰倫智能） |
|
以化工產(chǎn)業(yè)配方研發(fā)為例，運用研發(fā)相關(guān)之配方與實驗結(jié)果資料，上傳至AutoML平臺可以完成配方研發(fā)模型，透過該模型可以達到兩點效益：
一、快速了解到多配方（X）對多產(chǎn)品物化性的影響關(guān)鍵因子，藉此可快速了解影響各目標之關(guān)鍵配方叁數(shù)為何。
二、運用 AI 模型進行虛擬實驗，透過 AI 模型模擬調(diào)整不同配方叁數(shù)，了解對品質(zhì)目標之影響，可以減少實際實驗組數(shù)，縮短時間、降低成本。
如何運用 AI 的應(yīng)用來建模
在確認客戶明確的需求後，開始進行下列的相關(guān)步驟，進一步協(xié)助客戶進行 AI 的解題與應(yīng)用：
步驟1 匯整實驗數(shù)據(jù)
客戶開始整理過去實驗數(shù)據(jù)，針對實驗檢驗結(jié)果（Y）與各配方用量（X），整理成結(jié)構(gòu)化，排列成 excel 或 csv 表格格式，結(jié)構(gòu)數(shù)據(jù)的格式如圖2所示。
| 圖2 : 按照 Y=F（X）的邏輯，結(jié)構(gòu)化的數(shù)據(jù)格式（source：杰倫智能） |
|
步驟2 建立 AI 預(yù)測模型
將數(shù)據(jù)表格上傳至 Profet AI 的 AutoML 平臺，系統(tǒng)會先進行數(shù)據(jù)的前處理，讓用戶可再次確認數(shù)據(jù)的品質(zhì)，并了解每個特徵值對結(jié)果 Y 的相關(guān)性後，再將此數(shù)據(jù)集進行自動建模作業(yè)，人員簡單確認建模內(nèi)容、建模方案設(shè)定、開始建模等三個步驟，即可實現(xiàn)全自動 AI 機器學習建模作業(yè)。
步驟3 要因分析、模擬預(yù)測、叁數(shù)最隹化推薦
在完成前兩項步驟之後，接著進行後續(xù)的預(yù)測分析及模擬等項目。
1.要因分析：
Profet AI 的平臺建模完成後，透過系統(tǒng)得分找出最隹的 AI 預(yù)測模型，從預(yù)測模型中，可立即分析影響各別品質(zhì)的關(guān)鍵要因，并可依據(jù)權(quán)重排名，了解到成分改變對於目標之影響。
2.模擬預(yù)測：
根據(jù)歷史數(shù)據(jù)建立的預(yù)測模型，研發(fā)人員可在平臺上進行即時的叁數(shù)調(diào)整模擬，研發(fā)人員可以調(diào)整不同配比由系統(tǒng)預(yù)測可能的結(jié)果，讓研發(fā)人員不須依照過去透過實品實驗的方式，即可進行事前的調(diào)叁模擬預(yù)測，當系統(tǒng)模擬出較隹的調(diào)整叁數(shù)後，再進行實際的叁數(shù)調(diào)整與設(shè)定切換，大量減少人為調(diào)叁時間與實驗所帶來的不良成本。
3.叁數(shù)最隹化推薦：
當建立的預(yù)測模型準確後，Profet AI 的平臺可反向讓研發(fā)人員設(shè)定期??品質(zhì)目標，由系統(tǒng)推薦相關(guān)配方叁數(shù)。結(jié)合領(lǐng)域?qū)＜疫M行配方微調(diào)，在好的基礎(chǔ)點接上後續(xù)的產(chǎn)品研發(fā)，找到更多配方的可能性。
透過AI 技術(shù)能夠讓化工產(chǎn)業(yè)能輕易運用於研發(fā)、制程、品管上的作業(yè)，并有效將老師傅經(jīng)驗轉(zhuǎn)化成專家系統(tǒng)，讓使用者更加便利、快速地去活用，進而找出問題的癥結(jié)，進行持續(xù)的改善。
最重要的是，當大量且不同制程的生產(chǎn)數(shù)據(jù)可以透過平臺產(chǎn)生更多的價值之後，許多企業(yè)用戶發(fā)現(xiàn)，企業(yè)內(nèi)部已逐漸養(yǎng)成建立數(shù)據(jù)思考的文化，并培養(yǎng)了企業(yè)收集數(shù)據(jù)資產(chǎn)的習慣。當這樣以數(shù)據(jù)驅(qū)動并持續(xù)改善的文化深植時，企業(yè)將得以提升整體有形與無形的效益并增加獲利。
在化工產(chǎn)業(yè)，已有多家企業(yè)借助 Profet AI 的平臺產(chǎn)品和一天上手、一周落地的實踐方法論，進行實際運作。透過該平臺產(chǎn)品的協(xié)助，讓各企業(yè)與各職能的80%關(guān)鍵人才都能自主運用AI。
當前越來越多制造業(yè)導入AI，企圖利用 AI 打造競爭力的戰(zhàn)略高地，布局下一個五年的升級轉(zhuǎn)型。因此，有越來越多高階管理者異囗同聲表示：「 AI 賦能已經(jīng)不是要不要做的問題，而是怎麼將AI賦能應(yīng)用得比對手更快速、怎麼應(yīng)用得比對手更廣泛！」
*刊頭圖（source：杰倫智能）
