Por que a maioria dos pilotos de IA falham em fábricas de produtos químicos – Lições de especialistas do setor

Expectativas altíssimas, dados inconsistentes e pilotos isolados podem impedir que os pilotos de IA sejam implantados com sucesso no mundo real. A solução está na inteligência industrial que fecha o ciclo entre a previsão e o chão de fábrica, escreve Stephen Reynolds, diretor da indústria química da AVEVA .

Cada carro de Fórmula 1 gera centenas de gigabytes de dados de telemetria durante uma corrida – desde a degradação dos pneus e consumo de combustível até à temperatura dos travões, alterações climáticas e comportamento dos concorrentes. Esses dados são transmitidos aos engenheiros na pista e em laboratórios remotos em tempo real, permitindo-lhes analisar o desempenho, otimizar a estratégia e obter uma vantagem competitiva num desporto onde cada milissegundo conta. É um lembrete de que o sucesso não tem a ver com o tamanho do seu conjunto de dados ou com o quão sofisticado é o seu modelo, mas se os insights são transformados em decisões operacionais oportunas.

Assine o PII e receba:

Nossa revista digital bimestral de longa data Process Industry Informer , apresentando artigos exclusivos, notícias e atualizações nas indústrias de processo, além de comentários de nossos três especialistas do setor:


Sean Moran


Gavin Smith


Dave Green

MAIS:

• Atualização da Indústria de Processos – nosso boletim eletrônico semanal
• Podcast de PII
• Mensagens especiais dos nossos parceiros publicitários

As fábricas de produtos químicos podem superar o mercado tratando a IA como um carro de corrida de alto desempenho. Eles já geram bilhões de pontos de dados a partir de sensores, laboratórios e sistemas ERP. As empresas estão a realizar projetos-piloto de IA, a testar modelos e a lançar provas de conceitos, com a McKinsey a reportar que 78% das organizações utilizam IA em pelo menos uma função empresarial.

A maioria dos pilotos de IA travam

No entanto, a grande maioria dos pilotos estagna antes de entregar valor. Um inquérito recente mostra que 88% dos projetos-piloto de IA nunca chegam à produção, e o MIT informou em agosto que 95% das iniciativas de IA generativa destinadas à rápida geração de receitas fracassam.

Este “purgatório da IA” não é falta de imaginação – é falta de estratégia e ação. É essencial traduzir os insights em ações do mundo real, como uma estratégia perfeita de F1 sem troca de pneus.

IA não é plug and play

As equipes muitas vezes são vítimas da síndrome do objeto brilhante, tratando a IA como uma solução plug-and-play. Quando a ambição ultrapassa a infraestrutura, os modelos são aplicados a tarefas para as quais não foram projetados, alimentam dados de laboratório e sensores inconsistentes ou atrasados ​​e permanecem isolados das operações. Os insights resultantes não podem ser aplicados a processos do mundo real.

“Assombrosos 88% dos pilotos de IA não conseguem chegar à produção, de acordo com uma pesquisa recente.”

Mesmo quando a IA prevê incrustações num reator ou catalisadores inativos, o valor desaparece se os operadores não puderem agir devido a fluxos de trabalho desalinhados. A impaciência por resultados imediatos e a falta de feedback contínuo de novas matérias-primas agravam o problema. Tecnologia fragmentada é igual a resultados fragmentados.

Alcançar a pole position – permanecer à frente da concorrência – requer colaboração multifuncional e um ecossistema conectado que unifique os sistemas químicos industriais. Isso significa conectar MES, LIMS, ERP, historiadores e sistemas de controle de processos em uma única plataforma, criando uma única fonte de verdade que quebra silos de dados e alimenta insights inteligentes sobre os ciclos de controle existentes no chão de fábrica e no nível executivo.

“Somente com esses três elementos – dados selecionados, modelos inteligentes com reconhecimento de processos e humanos inspirados no circuito – a IA vai além dos conceitos teóricos para resultados operacionais e de P&D reais, proporcionando menor tempo de inatividade, maiores rendimentos e ciclos de inovação mais curtos.”

A IA aumenta, os humanos elevam

A curadoria e centralização de dados industriais é o ponto de partida. Os modelos devem ser projetados para respeitar as dependências upstream e downstream. Mais importante ainda, as equipes devem confiar na inteligência que recebem e ter autonomia para agir de acordo com ela. Evitar o purgatório da IA ​​deve ser visto como uma mudança cultural e não como uma mera atualização tecnológica.

Somente com dados selecionados, modelos conscientes de processos e humanos inspirados no circuito é que a IA faz a transição do conceito para benefícios operacionais e de P&D tangíveis.

Foi assim que a SCG Chemicals alcançou 99% de confiabilidade da planta e um retorno sobre o investimento nove vezes maior em apenas seis meses. Para manter uma das maiores cadeias de fornecimento de produtos químicos da Ásia funcionando, a SCG construiu uma plataforma de confiabilidade digital incorporando IA em todo o seu ciclo de vida.

Ao integrar análises preditivas, dados centralizados e ambientes de gêmeos digitais em um só lugar, a plataforma permite que as equipes tomem decisões de processo dinamicamente, da mesma forma que equipam as equipes de corrida de F1 com inteligência em tempo real.

Com painéis que vão desde o nível da unidade de negócios até equipamentos individuais, as equipes da SCG acessam informações acionáveis e as correlacionam com dados em tempo real em 10 segundos. A identificação de pontos críticos para evitar falhas nos ativos eliminou a lacuna de confiabilidade e os custos de manutenção caíram 40%.

Expandindo-se em todo o setor químico, os casos de uso de IA estendem-se à melhoria do tempo de atividade dos ativos com análises preditivas, modelagem híbrida para acelerar a inovação de produtos e até mesmo descoberta de ingredientes para materiais ambientalmente sustentáveis.

“Quando as empresas de produtos químicos adotam essa abordagem passo a passo, elas vão além da solução de problemas reativos.”

Prevenindo o purgatório de pilotos de IA

O sucesso em cada área exige mais do que tratar os pilotos de IA como experiências tecnológicas – um caminho que garante a inclusão na estatística de 95% de fracasso. À medida que são adotadas ferramentas digitais e analíticas, as empresas necessitam de abordagens ponta a ponta para converter a análise em melhorias operacionais, como destacou a Deloitte na sua recente perspetiva do setor químico.

A superação do purgatório da IA começa com uma mudança de perspectiva, incluindo uma mudança cultural. Primeiro, defina o KPI que você deseja alterar e quantifique seu impacto no fluxo de trabalho. Pilotos que tentam fazer tudo não conseguem nada.

Em seguida, construa um ecossistema conectado primeiro aos dados, integrando historiadores, MES, LIMS e programas de fornecedores. O sucesso depende da qualidade dos dados, como observa Arthur D. Little; os esquemas devem ser padronizados, os metadados anotados e os protocolos de laboratório estabelecidos.

Em seguida, selecione a IA certa e torne-a observável. Por exemplo, o reconhecimento de padrões pode prever falhas de equipamentos, os LLMs podem pesquisar documentos de conformidade e a modelagem híbrida pode impulsionar aplicações inovadoras, como formulação.

Depois disso, produza e dimensione um caso de uso de cada vez. Por último, a avaliação e governação interfuncionais – a McKinsey recomenda atribuir supervisão aos líderes seniores – reduz o desvio do modelo e o risco de adoção.

Quando as empresas químicas adotam esta abordagem passo a passo, vão além da resolução de problemas reativa. Os operadores podem antecipar incrustações, ajustar as condições de reação e evitar tempos de inatividade. As equipes de P&D aceleram as formulações e ao mesmo tempo garantem uma expansão consistente. A indústria pode finalmente extrair valor real dos seus investimentos em IA, tal como as equipas de F1 convertem a telemetria em decisões vencedoras de corridas em frações de segundo.