总结
执行小组由ARC咨询集团的首席分析师Peter Reynolds、Aspen Technology人工智能高级副总裁Heiko Claussen、公司高级副总裁兼总经理David Leitham领导
Aspen Technology和微软过程制造和能源首席技术官Jose Valls讨论了工业数据科学家在关键行业中日益增长的作用。虽然工业部门正在经历人工智能和物联网(IoT)推动的变革，但与此同时，劳动力也在发生变化，因为传统领域的专家被带来新水平运营专业知识的技术熟练工人所取代。工业数据科学家登场了，这是一种新型的数据分析师，他们可以获得比以往任何时候都多的工业数据，并拥有将这些信息转化为可操作的情报的先进技术。
影响工业数据科学家崛起的关键因素包括:
- 由于糟糕的工业数据质量和管理、内部竖井和相关团队之间缺乏协作，组织无法实现工业AI的全部价值。
- 工业数据科学家带来的自给自足有助于解决创新，并以更大的敏捷性和可伸缩性解决问题。
- AspenTech的工业AI解决方案和内聚数字参考架构，将数据科学能力和领域专业知识结合在一起。
过程工业中工业人工智能的现状
ARC咨询小组2021年关于人工智能与物联网(AIoT)融合的研究报告而且人工智能研究的现状研究专家范森·伯恩准确地描述了人工智能在过程工业中的现状。两份报告都强调需要改进协作，减少复杂性，打破数据科学和领域专业知识之间的组织竖井。
“物的人工智能或AIoT”是用来描述人工智能和工业物联网(IIoT)技术力量的融合。AIoT是为工业公司构建的，这些公司正在寻找更好的方法，将他们不断发展的劳动力与数据驱动的决策工具连接起来，并以数字方式增强工作和业务流程。然而，利用人工智能需要数据科学能力，这给本已复杂的环境增加了额外的复杂性。
虽然工程角色擅长分析大量数据，但设置和创建生产级别的机器学习环境并不容易完成。因此，通过AI解锁工业数据的价值需要一种混合的方法。
工业AI的范式是为资本密集型行业提供可衡量的业务成果。产业组织不需要被兜售工业AI的价值，挑战在于如何实现它。万森·伯恩的研究发现在这里调查了各行各业超过200名IT和运营决策者，为工业AI采用的当前状态提供了关键见解。该研究揭示了阻碍组织实现工业AI全部价值的核心挑战是糟糕的工业数据质量和管理、内部孤岛、相关团队之间缺乏协作，以及围绕工业AI的明确战略。
什么是工业数据科学家?
传统的数据科学家的角色结合了计算机科学、统计学和数学。工业数据科学家的核心任务是构建更全面、性能和可持续的AI/ML模型，这些模型适合用途、特定于领域并以地址为重点、真实的用例。他们分析、处理和建模数据;具备预处理、模型类型、机器学习操作(MLOps)等部署概念、硬件部署或云和边缘部署方面的能力和知识。数据科学家更关注算法部分和工具链的改进。
另一方面，工业数据科学家是领域知识与对应用AI方面的理解、识别机会和解决问题的独特结合。配备了最好的人工智能工具
通过民主化，工业数据科学家不再依赖于其他组织来分析数据并确定结果。
虽然工业数据科学家保持一定水平的数据科学敏锐度，但他们可以有效地与数据科学家合作，因为他们能够清楚地表达和使用数据科学应用程序或产品的语言。工业数据科学家带来的自给自足有助于解决创新，并以更大的敏捷性和可伸缩性解决问题。工业数据科学家的本质是领域专业知识，结合健壮的工具链或打包的编程工具集，以解决具有挑战性的工业问题，如使用工业数据和AI预测未来条件或事件。
工业人工智能如何被用来解决挑战
工业AI提供了由工业数据驱动的广泛用例，并将预测性、规范性维护放在首位，以减少或消除设备停机时间。然而，全球大流行加速了该行业的数字化愿望，特别是在制药和生物技术行业。根据David Leitham的说法，“我们已经看到了在预测设备故障方面非常有效的效果，这将继续推动零计划外停机，并消除损失批次，这既昂贵又对整个供应链造成破坏。”先进的需求建模与计划、调度和利用大数据一起工作，以预测不同治疗方法的变化，并根据不同治疗方法的需求进行主动调整，因为治疗方法的针对性越来越强。
除了制药和化学工业中的生物技术，通常都有专门的设备模型，并利用混合建模方法。混合建模将第一原理知识与经验和来自数据的新见解结合起来。工业AI还通过不断使用数据来更新和训练那些很难建模的工艺条件，比如老化的设备，从而帮助提高边缘的模型维护。利用已经收集到的历史数据，工业AI可以自动建立时间表或自动化流程，或找到设备故障或无法满足每日或每周计划的根本原因。
AspenTech如何弥合领域专业知识和人工智能之间的差距
AspenTech在性能工程、生产优化、资产性能管理、价值链优化和相互关联的混合建模应用方面的广泛投资组合，帮助化学工程师、运营人员和其他工程学科进行协作，并推动更高的价值。通过AspenTech的混合建模方法，该软件提供了化学工程师提供的第一原理建模工作流的组合，包括数据科学工作流，如预处理、模型训练、模型和算法选择。工程师可以很容易地合作创建混合模型，并将其纳入数据科学工具链。
看看工业数据科学家工作流的一个例子，当定制操作资产的流程模型不存在时，与其从零开始构建它们，不如手动收集最能代表该设备广泛操作范围的数据。组织中的工业数据科学家将“修剪数据”以确保数据质量。这个预处理步骤检查缺失的传感器，然后使用AspenTech针对这个特定用例的模型构建器解决方案构建一个适当的或拟合的模型。然后，这个混合模型被物理约束充实，以强制执行质量平衡或特定于用例的其他标准。一旦导入到流程模拟器中，化学工程师和工业数据科学家就可以共同优化模型。这种方法在一个产品中结合了两方面的优点，并利用来自字段的数据来通知/更新流程模型。
结论
AspenTech在工业制造领域拥有超过40年的经验和专注，解决方案的每个方面都根据客户和用户的角色和需求进行调整，并具有领域专业知识。每个解决方案都基于一个内聚的数字参考体系结构，该体系结构有助于将所有这些功能结合在一起。弥合差距和专业知识使每个专家都能在他们增加价值的地方做出贡献，并在应用程序和接口的整体调整中获得舒适水平;这些解决方案结合起来解决更广泛的问题。
工业企业将继续寻找更好的方法，将其不断发展的劳动力与数据驱动的决策工具连接起来，并以数字化方式增强工作和业务流程。然而，利用人工智能需要数据科学能力，这给本已复杂的环境增加了额外的复杂性。
围绕数据科学构建组织能力是工业制造商的高优先事项。对工业数据科学家角色的投资和建立一定水平的数据科学敏感度是合理的，因为他们可以有效地与数据科学家合作。工业数据科学家是一种新型的技术驱动的、数据授权的领域专家，他们比以往任何时候都能访问更多的工业数据，以及可访问的AI/ML和分析工具，需要将这些信息转化为跨企业的可操作的智能。如今，许多工业部门的数据科学家从事这项工作的背景是化学、石油或工业工程，而不是计算机科学或软件工程。
工业数据科学家专注于解决该领域的现实问题。他们利用自己的领域经验，将领域知识整合到数据科学项目中——这是传统数据科学家自然不具备的专业水平。ARC咨询集团认为，现有的职位，如高级过程控制(APC)工程师，是建立内部能力的补充技能和重点领域的很好的例子。确保一个成功的工业数据科学能力培训计划的关键因素包括:
- 简化计算AI/ML基础设施。
- 简化AI /毫升部署。
- 合并领域专家协作技术。
- 考虑在高级过程控制和建模中的现有组织能力作为起点。
ARC咨询集团客户可在以下网站查看完整报告弧客户门户
如果您想购买这份报告或获取如何成为客户的信息，请联系我们
关键词:人工智能(AI)，工业物联网，AIoT, IT/OT融合，阿斯彭技术，制药，生物技术，工业数据科学家，ARC咨询小组