化工产业的挑战

泛化学工业的产业链涉及广泛，由民生工业至高科技产业所需之原材料很多都来自石化及塑橡胶等化工产业，是典型的基础型工业之一，因此产业规模相当庞大。

石化及塑橡胶产业链上游为原油，由原油提炼开始产生多种副产品；中游运用上游原料轻油裂解产生之基本原料，如苯、酚、烯类等，以及基于前述原料再经聚合、酯化、烷化等化学反应后制成之塑胶、橡胶、人造纤维等化学原料；下游为塑胶、橡胶、人造纤维等化学原料加工制成的各式民生必需品，如消费类电子产品外壳、塑胶制品、橡胶制品、接着剂、人造纤维、塑化剂及化妆品等，应用范围相当广泛。

 近年化学工业面临多样性的挑战，尤其在国际情势上 ESG 将是未来10年化工产业所面临的极大课题，如何节能、减少碳排、避免浪费，将是最棘手的问题。

此外除了 ESG 等因素对产业的影响外，产业结构与产业趋势的转变也是化工产业难以避免的困境。因近年来高科技产业薪酬结构与产业环境优势，学校人才培育以及人才就业选择等复杂因素，也导致化工产业出现人才大断层的问题，这些人才因素直接或间接地影响到企业经营，无论在企业经验传承、新产品研发效率与企业运作优化等都将成为大挑战。

未来的化工产业化工人，必须是能运用 AI 科技的专业达人

虽然前述外部环境因素与内部人才断层是当前化工业的挑战，但也观察到一个新的契机或转折点，年轻化意味着用新科技技术来辅助作业优化。近几年化工业无论在生产或材料研发类的数据运用上相较于过去，当化学工业结合人工智能 (AI) 科技，有以下几大应用方向：

一、运用 AI 辅助产品研发，了解关键因素与模拟配方趋势，缩短产品研发时程、降低成本

首先将 AI 作为新产品材料研发过程中的数据分析与建模工具，透过 AI 将过去的研发数据建立模型，将研发数据模型化，了解到影响产品的关键因子，另外也可以运用模型来协助研发同仁观察不同配方成分的改变对于产品品质目标的影响，借此大幅度地透过 AI 模型来缩短产品研发时间，并透过模型化进行经验传承。

二、运用 AI 分析生产品质不良的关键要因，缩短问题排查时间提升品质

化工生产系统所监控参数繁多，且加上来料配方等条件，生产数据复杂，过去运用统计方式难以有效的了解影响品质的关键点。透过来自 DCS 或 SCADA 系统生产大数据结合 AI 技术数据分析的应用，能快速地找到影响产品的关键因子，缩短问题排查时间，减少不良品或次级品的发生，降低浪费。

三、运用 AI 预测生产过程品质

化工制程往往需品质检验，但却无法做即时的品质全检。运用过去的生产数据与过去的品质检验数据，以 AI 技术建立预测模型，透过 AI+IOT 方式预测品质，能了解品质变化趋势，再趋势偏离前能及早采取对策，透过 AI 预测方式提前处理品质问题，避免产品不合标产生报废品。

四、运用 AI 优化生产系统运作效率，降低能源浪费

因应 ESG 的要求与挑战，如何优化高耗能设备的能源使用效率，也是化工产业的 AI 运用方向。透过 AI 建模将过去系统操作参数建立模型，借此在生产效率、品质与能耗间平衡，取得最佳化的生产参数。

当制造业导入 Profet AI 智能虚拟数据科学家平台  24小时不间断运作

为了让数据分析与 AI 运用技术能于化工产业萌芽与发展，越来越多业界企业陆续也招募数据分析数据科学家或将人员送训培养 AI 与数据分析能力，但我们观察到在产业人才就业排挤性的因素，数据科学人才选择化工业的就业意愿相对低，另外内部送训人员学习 AI 新技术学习周期长，较难于短期产生 AI 分析能力。

因应制造业 AI 应用与人才需求，Profet AI 致力发展制造业应用的 AI 平台，研发出自动化机器学习平台（Automated Machine Learning, AutoML），目的在于解决企业 AI 应用与落地实现问题，该平台像是企业虚拟 AI 数据科学家，让生产专家无需写程式和钻研复杂算法，就可以快速运用过去的生产历史数据来进行 AI 分析。

在生产过程中，Profet AI 的工具协助企业研发部门进行产品研发优化、品质专家透过工具找出异常要因、制程专家快速找出最佳调整参数，进行生产流程改善，通过创新的 AI 机器学习运用技术，将庞大晦涩的演算法化繁为简，成为易用的数据分析工具，迅速建立标准化的智能决策体系，帮助工厂进一步扩大生产规模并且提升生产和产品研发的效率。同时，Profet AI 的平台不仅应用于化工产业的生产品质预测，各产业都能够透过该平台产品协助，实现让企业各领域业务80%的关键人才都能自主运用 AI，养成企业运用数据分析辅助决策的文化。

导入创新的 Profet AI「AI 自动化机器学习（AutoML）平台」，如同企业的「虚拟 AI 数据科学家」，为化繁为简且直观图像化操作的 AI 数据分析工具，快速赋予领域业务专家运用 AI 的能力，只须了解手上的数据，从上传到完成分析仅需几个步骤，就能让传统制造业快速导入 AI，「一天上手 AI、一周落地 AI 」，轻松将 AI 活用在例如化工制程的配方研发最佳化和能耗预测等应用场景（如图一）。

图一 : Profet AI「AI 自动化机器学习（AutoML）平台」，如同企业的「虚拟 AI 数据科学家」。

以化工产业配方研发为例，运用研发相关之配方与实验结果数据，上传至 Profet AI 的 AutoML 平台就可以完成配方研发模型，透过该模型，可以达到两点效益：

一、快速了解到多配方(X) 对多产品物化性的影响关键因子，借此可快速了解影响各目标之关键配方参数为何。

二、运用 AI 模型进行虚拟实验，透过 AI 模型模拟调整不同配方参数，了解对品质目标之影响，可以减少实际实验组数，缩短时间、降低成本。

如何运用 AI 的应用来建模

在确认明确的需求后，用户进行下列的相关步骤，进行 AI 的解题与应用：

步骤1 汇整实验数据

客户开始整理过去实验数据，针对实验检验结果（Y）与各配方用量(X)，整理成结构化，排列成 excel 或 csv 表格格式，结构数据的格式如图二所示。

图二 : 按照 Y=F（X）的逻辑，结构化的数据格式

步骤2 建立 AI 预测模型

将数据表格上传至 Profet AI 的 AutoML 平台，系统会先进行数据的前处理，让用户可再次确认数据的品质，并了解每个特征值对结果 Y 的相关性后，再将此数据集进行自动建模作业，人员简单确认建模内容、建模方案设定、开始建模等三这步骤，即可实现全自动 AI 机器学习建模作业。

步骤3 要因分析、模拟预测、参数优化推荐

1.要因分析：

Profet AI 的平台建模完成后，透过系统得分找出最佳的 AI 预测模型，从预测模型中，可立即分析影响各别品质的关键要因，并可依据权重排名，了解到成分改变对于目标之影响。

2.模拟预测：

根据历史数据建立的预测模型，研发人员可在平台上进行即时的参数调整模拟，研发人员可以调整不同配比由系统预测可能的结果，让研发人员不须依照过去透过试错实验的方式，即可进行事前的调参模拟预测，当系统模拟出较佳的调整参数后，再进行实际的参数调整与设定切换，大量减少人为调参时间与实验所带来的不良成本。

3.参数优化推荐：

当建立的预测模型准确后，Profet AI 的平台可反向让研发人员设定期望品质目标，由系统推荐相关配方参数。结合领域业务专家进行配方微调，在好的基础点接上后续的产品研发，找到更多配方的可能性。

 Profet AI 提供了 AI 技术让化工产业能轻易运用于研发、制程、品管上的作业，并有效将老师傅经验转化成专家系统，让使用者更加便利、快速地去活用，进而找出问题的症结，进行持续的改善。但最重要的是，当大量且不同制程的生产数据可以透过平台产生更多的价值之后，许多企业用户发现，企业内部已逐渐养成建立数据思考的文化，并培养了企业收集数据资产的习惯。当这样以数据驱动并持续改善的文化深植时，企业将得以提升整体有形与无形的效益并增加获利。

在化工产业，已有多家企业借助 Profet AI 的平台产品和一天上手、一周落地的实践方法论，进行实际运作。透过该平台产品的协助，让各企业与各职能的80%关键人才都能自主运用 AI 。当前越来越多制造业导入 AI ，企图利用 AI 打造竞争力的战略高地，布局下一个五年的升级转型。因此，有越来越多高阶管理者异口同声表示：「 AI 赋能已经不是要不要做的问题，而是怎么将 AI 赋能应用得比对手更快速、怎么应用得比对手更广泛！」