在臺灣製造業四大行業中，化學工業產值僅次於資訊電子與金屬機電產業。 近年化學工業面臨多樣性的挑戰，除了 ESG 等因素對產業的影響外，產業結構與產業趨勢的轉變也是化工產業難以避免的困境。本文探討工業智能之必要，以及化學工業結合人工智能（AI）科技的應用方向。

關於化工產業的關聯性很廣，由民生工業乃至高科技產業所需之原材料，很多都來自石化及塑橡膠等化工產業。 依據經濟部統計局資訊於2022年統計顯示，化學工業產值總產值已經超過5兆，位居臺灣製造業四大行業中產值第三，僅次於資訊電子與金屬機電產業。

石化及塑橡膠產業鏈上游為原油，由原油提煉開始產生多種副產品；中游運用上游原料輕油裂解產生之基本原料，如苯、酚、烯類等，以及基於前述原料再經聚合、酯化、烷化等化學反應後製成之塑膠、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製成的各式民生必需品，如 3C 產品外殼、塑膠製品、橡膠製品、接著劑、人造纖維、塑化劑及化妝品等，應用範圍相當廣泛，而工業生產技術的發展也帶來許多的新興應用。

近年化學工業面臨多樣性的挑戰，尤其在國際情勢上 ESG 將是未來10年化工產業所面臨的極大課題，如何節能、減少碳排、避免浪費，將是最棘手的問題。此外，除了 ESG 等因素對產業的影響外，產業結構與產業趨勢的轉變也是化工產業難以避免的困境。

由於近年來高科技產業薪酬結構與產業環境優勢，學校人才培育以及人才就業選擇等複雜因素，也導致化工產業出現人才大斷層的問題，這些人才因素直接或間接地影響到企業經營，無論在企業經驗傳承、新產品研發效率與企業運作優化等都將成為大挑戰。

運用 AI 科技的專業達人

雖然前述外部環境因素與內部人才斷層是當前化工業的挑戰，但也觀察到一個新的契機或轉折點，年輕化意味著有效使用新科技技術來輔助作業優化，亦即顯現未來的化工產業化工人，必須是能運用人工智能（AI）科技的專業達人 。

近幾年化工產業無論在生產或材料研發類的數據運用上，相較於過去增加許多新科技的輔助，當化學工業結合（AI）科技時，有以下幾大應用方向：

一、運用 AI 輔助產品研發

首先將 AI 作為新產品材料研發過程中的數據分析與建模工具，透過 AI 將過去的研發數據建立模型，將研發資料模型化，瞭解到影響產品的關鍵因子；另外，也可以運用模型來協助研發同仁觀察，關於不同配方成分的改變對於產品品質目標的影響，藉此大幅度地透過 AI 模型來縮短產品研發時間，並透過模型化進行經驗傳承。

二、運用 AI 分析生產品質不良的關鍵要因

化工生產系統所監控的參數繁多，而且加上來料配方等條件，生產數據複雜，若是採用過去運用的統計方式，則難以有效的瞭解影響品質的關鍵點。透過來自 DCS 或 SCADA 系統生產大數據，並結合 AI 技術數據分析的應用，能夠快速地找到影響產品的關鍵因子，縮短問題排查時間，減少不良品或次級品的發生，降低浪費。

三、運用AI預測生產過程品質

化工製程往往需品質檢驗，但卻無法做即時的品質全檢。運用過去的生產數據與過去的品質檢驗資料，以 AI 技術建立預測模型，透過 AI+IOT 方式預測品質，能夠瞭解品質變化趨勢，在趨勢偏離前能夠及早採取對策，透過 AI 預測方式提前處理品質問題，避免產品不合標產生報廢品。

四、運用 AI 優化生產系統運作效率

因應ESG 的要求與挑戰，如何優化高耗能設備的能源使用效率，也是化工產業的 AI 運用方向。透過AI建模將過去系統操作參數建立模型，藉此在生產效率、品質與能耗間平衡，取得最佳化的生產參數。

當製造業導入AI平臺 24小時不間斷運作

為了讓數據分析與 AI 運用技術能於化工產業萌芽與發展，越來越多的企業陸續也招募數據分析資料科學家，或是將企業人員送訓培養 AI 與數據分析能力，但我們觀察到在產業人才就業排擠性的因素，資料科學人才選擇化工業的就業意願相對低。另外，內部送訓人員學習 AI 新技術學習週期長，較難於短期產生 AI 分析能力。

因應製造業 AI 應用與人才需求，杰倫智能科技（Profet AI）致力發展製造業應用的 AI 平臺，研發出自動化機器學習平臺（Automated Machine Learning；AutoML），目的在於解決企業 AI 應用與落地實現問題，該平臺像是企業虛擬 AI 資料科學家，讓生產專家無需寫程式和鑽研複雜演算法，就可以快速運用過去的生產歷史數據來進行 AI 分析。

在生產過程中，此AI平臺如同工具，可協助企業研發部門進行產品研發優化、品質專家透過工具找出異常要因、製程專家快速找出最佳調整參數，進行生產流程改善，通過創新的 AI 機器學習運用技術，將龐大晦澀的演算法化繁為簡，成為易用的數據分析工具，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規模並且提升生產和產品研發的效率。

同時，此平臺不僅應用於化工產業的生產品質預測，各產業都能夠透過該平臺產品協助，實現讓企業各領域80%的關鍵人才都能自主運用 AI，養成企業運用數據分析輔助決策的文化。

導入創新的「AI 自動化機器學習（AutoML）平臺」，如同企業有了「虛擬 AI 資料科學家」，這項化繁為簡且直觀圖像化操作的 AI 數據分析工具，快速賦予領域專家運用 AI 的能力，只須瞭解手上的數據，從上傳到完成分析僅需幾個步驟，就能讓傳統製造業快速導入 AI，「一天上手 AI、一周落地 AI 」，輕鬆將 AI 活用在例如化工製程的配方研發最佳化和能耗預測等應用場景（圖1）。

圖1 : 運用AI 自動化機器學習（AutoML）平臺，如同企業有了「虛擬 AI 資料科學家」。（source：杰倫智能）

以化工產業配方研發為例，運用研發相關之配方與實驗結果資料，上傳至AutoML平臺可以完成配方研發模型，透過該模型可以達到兩點效益：

一、快速瞭解到多配方（X）對多產品物化性的影響關鍵因子，藉此可快速瞭解影響各目標之關鍵配方參數為何。

二、運用 AI 模型進行虛擬實驗，透過 AI 模型模擬調整不同配方參數，瞭解對品質目標之影響，可以減少實際實驗組數，縮短時間、降低成本。

如何運用 AI 的應用來建模

在確認客戶明確的需求後，開始進行下列的相關步驟，進一步協助客戶進行 AI 的解題與應用：

【步驟1】匯整實驗數據

客戶開始整理過去實驗數據，針對實驗檢驗結果（Y）與各配方用量（X），整理成結構化，排列成 excel 或 csv 表格格式，結構數據的格式如圖2所示。

圖2 : 按照 Y=F（X）的邏輯，結構化的數據格式（source：杰倫智能）

【步驟2】建立 AI 預測模型

將數據表格上傳至 Profet AI 的 AutoML 平臺，系統會先進行數據的前處理，讓用戶可再次確認數據的品質，並了解每個特徵值對結果 Y 的相關性後，再將此數據集進行自動建模作業，人員簡單確認建模內容、建模方案設定、開始建模等三個步驟，即可實現全自動 AI 機器學習建模作業。

【步驟3】要因分析、模擬預測、參數最佳化推薦

在完成前兩項步驟之後，接著進行後續的預測分析及模擬等項目。

1.要因分析：

Profet AI 的平臺建模完成後，透過系統得分找出最佳的 AI 預測模型，從預測模型中，可立即分析影響各別品質的關鍵要因，並可依據權重排名，瞭解到成分改變對於目標之影響。

2.模擬預測：

根據歷史數據建立的預測模型，研發人員可在平臺上進行即時的參數調整模擬，研發人員可以調整不同配比由系統預測可能的結果，讓研發人員不須依照過去透過實品實驗的方式，即可進行事前的調參模擬預測，當系統模擬出較佳的調整參數後，再進行實際的參數調整與設定切換，大量減少人為調參時間與實驗所帶來的不良成本。

3.參數最佳化推薦：

當建立的預測模型準確後，Profet AI 的平臺可反向讓研發人員設定期望品質目標，由系統推薦相關配方參數。結合領域專家進行配方微調，在好的基礎點接上後續的產品研發，找到更多配方的可能性。

透過AI 技術能夠讓化工產業能輕易運用於研發、製程、品管上的作業，並有效將老師傅經驗轉化成專家系統，讓使用者更加便利、快速地去活用，進而找出問題的癥結，進行持續的改善。

最重要的是，當大量且不同製程的生產數據可以透過平臺產生更多的價值之後，許多企業用戶發現，企業內部已逐漸養成建立數據思考的文化，並培養了企業收集數據資產的習慣。當這樣以數據驅動並持續改善的文化深植時，企業將得以提升整體有形與無形的效益並增加獲利。

在化工產業，已有多家企業借助 Profet AI 的平臺產品和一天上手、一周落地的實踐方法論，進行實際運作。透過該平臺產品的協助，讓各企業與各職能的80%關鍵人才都能自主運用AI。

當前越來越多製造業導入AI，企圖利用 AI 打造競爭力的戰略高地，佈局下一個五年的升級轉型。因此，有越來越多高階管理者異口同聲表示：「 AI 賦能已經不是要不要做的問題，而是怎麼將AI賦能應用得比對手更快速、怎麼應用得比對手更廣泛！」

*刊頭圖（source：杰倫智能）