ほとんどの AI パイロットが化学プラントで失敗する理由 – 業界専門家からの教訓

非常に高い期待、一貫性のないデータ、サイロ化されたパイロットは、AI パイロットが現実世界にうまく導入できない可能性があります。解決策は、予測と工場現場の間のループを閉じる産業インテリジェンスにあると、AVEVA の化学部門産業部門プリンシパルであるスティーブン レイノルズ氏は書いています。 .

すべての F1 マシンは、レース中にタイヤの劣化や燃料消費からブレーキ温度、天候の変化、競技者の行動に至るまで、数百ギガバイトのテレメトリ データを生成します。そのデータはトラック上や遠隔ラボのエンジニアにリアルタイムでストリーミングされるため、エンジニアはパフォーマンスを分析し、戦略を最適化し、ミリ秒を争うスポーツで競争力を高めることができます。これは、成功とはデータセットのサイズやモデルの洗練度ではなく、洞察がタイムリーな運用上の意思決定に反映されるかどうかであることを思い出させてくれます。

PII を購読すると、次のものを受け取ります:

当社の老舗の隔月刊デジタル雑誌 Process Industry Informer 、プロセス業界全体の独占的な記事、ニュース、最新情報に加えて、3 人の業界専門家によるコメントが掲載されています。

ショーン モーラン

ギャビン・スミス

デイブ グリーン

プラス:

• プロセス業界の最新情報 – 毎週の電子ニュースレター
• PII ポッドキャスト
• 広告パートナーからの特別メッセージ

化学プラントは、AI を高性能レースカーのように扱うことで、市場のパフォーマンスを上回ることができます。彼らはすでにセンサー、研究室、ERP システムから数十億のデータ ポイントを生成しています。企業は AI パイロットを実行し、モデルをテストし、概念実証を開始しています。マッキンゼーの報告によると、組織の 78% が少なくとも 1 つのビジネス機能で AI を使用しています。

ほとんどの AI パイロットは失速する

しかし、大多数のパイロットは価値を提供する前に失速します。最近の調査では、AI パイロットの 88% が本番環境に到達しないことが示されており、MIT は 8 月に、迅速な収益創出を目的とした生成 AI の取り組みの 95% が失敗に終わったと報告しています。

この「AI煉獄」は想像力の欠如ではなく、戦略と行動の欠如です。タイヤを交換せずに完璧な F1 戦略を立てるのと同じように、洞察を現実世界の行動に移すことが不可欠です。

AI はプラグ アンド プレイではありません

チームは AI をプラグアンドプレイ ソリューションとして扱い、光沢のあるオブジェクト症候群の犠牲者になることがよくあります。野心的な目標がインフラストラクチャを上回ると、モデルは設計されていないタスクに適用され、一貫性のない、または遅延した研究室やセンサーのデータが供給され、運用から隔離されたままになります。得られた洞察は現実世界のプロセスに適用できません。

「最近の調査によると、AI パイロットの驚くべき 88% が本番環境に到達できていない。」

AI が反応器内の汚れや不活性な触媒を予測したとしても、ワークフローのずれによりオペレーターが行動できなければ、その値は消えてしまいます。すぐに結果が得られることへの焦りと、新しい原料からの継続的なフィードバックの欠如が問題をさらに悪化させます。断片化されたテクノロジーは断片化された結果と同じです。

ポールポジションを達成し、競争の先を行くには、部門を超えたコラボレーションと、工業用化学システムを統合する接続されたエコシステムが必要です。つまり、MES、LIMS、ERP、ヒストリアン、プロセス制御システムを単一のプラットフォーム内でリンクし、データサイロを打破し、製造現場と経営層レベルの既存の制御ループにインテリジェントな洞察を提供する単一の真実の情報源を作成することを意味します。

「これら 3 つの要素、つまり厳選されたデータ、プロセスを認識したインテリジェント モデル、ループ内のインスピレーションを受けた人間が存在する場合にのみ、AI は理論上の概念を超えて実際の運用および研究開発の成果に移行し、ダウンタイムの短縮、歩留まりの向上、イノベーション サイクルの短縮を実現します。」

AI は強化し、人間は向上する

産業データの収集と一元化が出発点です。モデルは、上流と下流の依存関係を尊重するように設計する必要があります。最も重要なことは、チームは受け取ったインテリジェンスを信頼し、それに基づいて行動する権限を与えられる必要があるということです。 AI の煉獄を回避することは、単なるテクノロジーのアップグレードではなく、文化の変化として見なされるべきです。

厳選されたデータ、プロセスを認識したモデル、そしてループに参加するインスピレーションを受けた人間が存在する場合にのみ、AI はコンセプトから具体的な運用上のメリットと研究開発上のメリットへと移行します。

こうして SCG Chemicals は、わずか 6 か月で 99% のプラントの信頼性と 9 倍の投資収益率を達成しました。アジア最大の化学サプライ チェーンの 1 つを継続的に稼働させるために、SCG はライフサイクル全体にわたって AI を組み込んだデジタル信頼性プラットフォームを構築しました。

このプラットフォームは、予測分析、一元化されたデータ、デジタル ツイン環境を 1 か所に統合することで、チームがリアルタイム インテリジェンスを備えた F1 レーシング チームと同様に、プロセスに関する意思決定をその場で行うことを可能にします。

SCG のチームは、ビジネス ユニット レベルから個々の機器に至るまでのダッシュボードを使用して実用的な情報にアクセスし、10 秒以内にそれをリアルタイム データと関連付けます。資産の障害を回避するための重要なポイントを特定することで、信頼性のギャップが解消され、メンテナンス コストが 40% 削減されました。

AI のユースケースは、化学部門全体に拡大し、予測分析による資産稼働時間の改善、製品イノベーションを加速するハイブリッド モデリング、さらには環境的に持続可能な材料の成分発見にまで広がります。

「化学会社がこの段階的なアプローチを採用すると、事後対応的なトラブルシューティングを超えた対応が可能になります。」

AI パイロットの煉獄を防ぐ

各分野で成功するには、AI パイロットを技術実験として扱うだけでは不十分であり、95% の失敗統計に確実に含まれることが保証されます。デロイトが最近の化学部門の見通しで強調したように、デジタル ツールと分析ツールが採用されるにつれ、企業は分析を業務改善に変えるためのエンドツーエンドのアプローチを必要としています。

AI 煉獄の克服は、文化の変化を含む視点の変化から始まります。まず、変更する KPI を定義し、そのワークフローへの影響を定量化します。あらゆることをやろうとするパイロットは何も達成できません。

次に、ヒストリアン、MES、LIMS、ベンダー プログラムを統合して、データファーストに接続されたエコシステムを構築します。 Arthur D. Little が指摘しているように、成功はデータの品質にかかっています。スキーマは標準化され、メタデータに注釈が付けられ、ラボ プロトコルが確立される必要があります。

次に、適切な AI を選択して監視可能にします。たとえば、パターン認識により機器の故障を予測したり、LLM がコンプライアンス文書を検索したり、ハイブリッド モデリングにより配合などの革新的なアプリケーションを推進したりできます。

その後、一度に 1 つのユースケースを製品化して拡張します。最後に、部門横断的な評価とガバナンス – マッキンゼーは上級リーダーに監視の任務を課すことを推奨しています – により、モデルのドリフトと導入リスクが軽減されます。

化学会社がこの段階的なアプローチを採用すると、事後対応的なトラブルシューティングを超えた取り組みが可能になります。オペレーターは汚れを予測し、反応​​条件を調整し、ダウンタイムを防ぐことができます。研究開発チームは、一貫したスケールアップを確保しながら配合を加速します。 F1 チームがテレメトリを瞬時のレース勝利の意思決定に変換するのと同じように、業界はついに AI への投資から真の価値を引き出すことができるようになります。