虽然工业部门正在经历由人工智能和物联网 (IoT) 驱动的转型，但与此同时，劳动力也在发生转变，因为传统领域的专家被精通技术的工人所取代，他们带来了新的运营专业知识水平。进入工业数据科学家，这是一种新型数据分析师，可以访问比以往更多的工业数据以及将这些信息转化为可操作情报的先进技术。

影响工业数据科学家崛起的关键因素包括：

●由于工业数据质量和管理不佳、内部孤岛以及相关团队之间缺乏协作，组织无法实现工业人工智能的全部价值。

●工业数据科学家带来的自给自足有助于以更大的敏捷性和可扩展性解决创新和解决问题。

●AspenTech 的工业 AI 解决方案和具有凝聚力的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。

流程工业中工业人工智能的现状

ARC 咨询小组在 2021 年对人工智能和物联网 (AIoT) 的融合报告的研究以及研究专家 Vanson Bourne的人工智能研究现状准确地描述了流程工业中人工智能的现状。两份报告都强调了改善协作、降低复杂性并打破数据科学和领域专业知识之间的组织孤岛的必要性。

术语“物联网的人工智能或 AIoT”用于描述人工智能和工业物联网 (IIoT) 技术力量的融合。AIoT 专为寻求更好方法将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的工业公司而构建。然而，利用人工智能需要数据科学能力，这给已经很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机器学习环境并不容易。因此，通过人工智能释放工业数据的价值需要一种混合方法。

工业人工智能的范式是为资本密集型行业提供可衡量的业务成果。工业组织不需要靠工业人工智能的价值来推销，而挑战在于实现它。Vanson Bourne 的研究发现，这里调查了 200 多名跨行业的 IT 和运营决策者，提供了对工业 AI 采用现状的关键见解。该研究揭示了阻碍组织实现工业人工智能全部价值的核心挑战是工业数据质量和管理不佳、内部孤岛、相关团队之间缺乏协作以及围绕工业人工智能制定明确的战略。

什么是工业数据科学家？

传统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使命是构建更全面、高性能和可持续的 AI/ML 模型，这些模型适用于特定目的、特定领域并解决重点关注的实际用例。他们分析、处理和建模数据；并具备预处理、模型类型、机器学习操作 (MLOps) 等部署概念、硬件部署方面或云和边缘部署方面的能力和知识。数据科学家更多地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人工智能方面的理解以及识别机会和解决问题的独特组合。配备了已经民主化的最佳人工智能工具，工业数据科学家不依赖其他组织来分析数据和确定结果。

虽然工业数据科学家保持一定程度的数据科学敏锐度，但他们可以有效地与数据科学家合作，因为他们可以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以更大的敏捷性和可扩展性解决创新和解决问题。工业数据科学家的本质是领域专业知识，结合强大的工具链或一组打包的编程工具来解决具有挑战性的工业问题，例如使用工业数据和人工智能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 提供由工业数据驱动的广泛用例，并在最前沿进行预测性、规范性维护，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数字化的愿望，尤其是在制药和生物技术行业。根据 David Leitham 的说法，“我们已经看到在预测设备故障方面非常有效，并且具有很强的特异性，这将继续推动实现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。”先进的需求建模与规划、调度和利用大数据来预测变化并主动调整对不同疗法的需求相结合，变得越来越重要，因为疗法变得越来越有针对性。

除了化学工业中的制药和生物技术之外，通常还会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数据的新见解相结合。工业 AI 还通过持续使用数据来更新和训练难以建模的过程条件（例如老化的设备）来帮助改善边缘的模型维护。使用已经收集的历史数据，工业 AI 可以自动构建计划或自动化流程，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 广泛的性能工程、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程序组合可帮助化学工程师、运营和其他工程学科进行协作并推动更高的价值。借助 AspenTech 的混合建模方法，该软件提供了由化学工程师提供的第一原理建模工作流程的组合，包括数据科学工作流程，如预处理、模型训练、模型和算法选择。工程师可以轻松协作创建混合模型，并将它们共同引入数据科学工具链。

看一个工业数据科学家工作流程的例子，当定制操作资产不存在流程图模型时，可以手动收集最能代表该设备广泛操作的数据，而不是从头开始构建这些模型。组织中的工业数据科学家将“修剪数据”以确保数据质量。此预处理步骤检查丢失的传感器，然后使用 AspenTech 的模型构建器解决方案为该特定用例构建适当或合适的模型。然后，此混合模型通过物理约束来丰富，以强制执行质量平衡或特定于用例的其他标准。一旦导入流程图模拟器，化学工程师和工业数据科学家就可以共同优化模型。

结论

凭借 40 多年的经验并专注于工业制造领域，AspenTech 解决方案的各个方面都针对客户和用户的角色以及具有领域专业知识的要求进行了调整。这些解决方案中的每一个都位于一个有凝聚力的数字参考架构上，这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位专家都能在他们增加价值的地方做出贡献，并通过整体调整到他们的应用程序和界面获得舒适度；这些解决方案结合在一起可以解决更广泛的问题。

工业公司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联系起来，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，这给已经很复杂的环境增加了额外的复杂性。

围绕数据科学建立组织能力是工业制造商的重中之重。对工业数据科学家角色的投资和建立一定程度的数据科学敏锐度是合理的，因为他们可以与数据科学家有效地协作。工业数据科学家是一种新型的技术驱动、数据授权的领域专家，可以访问比以往更多的工业数据，以及将这些信息转化为整个企业的可操作情报所需的可访问 AI/ML 和分析工具.如今，工业部门的许多数据科学家都具有化学、石油或工业工程背景，而不是计算机科学或软件工程背景。

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——传统数据科学家不具备的专业水平。ARC 咨询集团认为，高级过程控制 (APC) 工程师等现有角色是互补技能和重点培养内部能力领域的绝佳示例。确保成功的工业数据科学能力计划的关键因素包括：

●简化计算 AI/ML 基础设施。

●简化 AI/ML 部署。

●结合领域专业知识协作技术。

●以高级过程控制和建模中的现有组织能力为起点。

Peter Reynolds 对流程和技术领域进行研究，例如流程优化、资产绩效管理和数据分析。作为能源和化学行业的主题专家，他拥有超过 25 年的专业经验。在加入 ARC 之前，Peter 曾在新不伦瑞克省圣约翰市的 Irving Oil 担任自动化和 IT 经理，该公司经营着加拿大最大的炼油厂、八个石油码头以及加拿大和美国的 800 多个零售点。Irving 以前的职位包括领导 Irving Oil Refining Growth 团队为与 BP 的新建合资炼油厂制定过程控制和自动化战略，以及圣约翰炼油厂自动化系统负责人。