대부분의 AI 파일럿이 화학 공장에서 실패하는 이유 – 업계 전문가의 교훈

높은 기대치, 일관되지 않은 데이터, 고립된 파일럿으로 인해 AI 파일럿의 성공적인 실제 배포가 방해될 수 있습니다. 해결책은 예측과 생산 현장 사이의 고리를 닫는 산업 지능에 있다고 Stephen Reynolds, AVEVA 화학 부문 산업 책임자는 썼습니다. .

모든 Formula 1 자동차는 경주 중에 타이어 성능 저하, 연료 소모부터 브레이크 온도, 날씨 변화, 경쟁자 행동까지 수백 기가바이트에 달하는 원격 측정 데이터를 생성합니다. 해당 데이터는 트랙에 있는 엔지니어와 원격 실험실에 실시간으로 스트리밍되어 엔지니어가 성능을 분석하고 전략을 최적화하며 1000분의 1초도 중요한 스포츠에서 경쟁 우위를 확보할 수 있도록 해줍니다. 성공은 데이터 세트의 크기나 모델의 정교함에 달려 있는 것이 아니라, 통찰력이 적시에 운영 결정으로 전환되는지 여부에 달려 있음을 상기시켜 줍니다.

PII를 구독하고 다음을 받으세요:

당사의 오랜 역사를 지닌 격월간 디지털 매거진 Process Industry Informer , 공정 산업 전반에 걸친 독점 기사, 뉴스, 업데이트와 세 명의 업계 전문가의 논평을 제공합니다.

숀 모란

개빈 스미스

데이브 그린

추가:

• 공정 산업 업데이트 – 주간 온라인 뉴스레터
• PII 팟캐스트
• 광고 파트너의 특별 메시지

화학 공장은 AI를 고성능 경주용 자동차처럼 다루어 시장을 능가할 수 있습니다. 그들은 이미 센서, 실험실, ERP 시스템에서 수십억 개의 데이터 포인트를 생성하고 있습니다. 기업들은 AI 파일럿을 실행하고, 모델을 테스트하고, 개념 증명을 시작하고 있으며, McKinsey에 따르면 조직의 78%가 최소한 하나의 비즈니스 기능에서 AI를 사용하고 있습니다.

대부분의 AI 조종사가 정체됨

그러나 대다수의 파일럿은 가치를 제공하기 전에 지연됩니다. 최근 조사에 따르면 AI 파일럿의 88%는 결코 프로덕션에 도달하지 못하는 것으로 나타났으며, MIT는 8월에 빠른 수익 창출을 목표로 하는 생성 AI 이니셔티브의 95%가 실패했다고 보고했습니다.

이 "AI 연옥"은 상상력의 부족이 아니라 전략과 행동의 부족입니다. 타이어 교체 없이 완벽한 F1 전략을 세우는 것과 마찬가지로 통찰력을 실제 행동으로 옮기는 것이 필수적입니다.

AI는 플러그 앤 플레이가 아닙니다

팀은 AI를 플러그 앤 플레이 솔루션으로 취급하는 반짝이는 개체 증후군의 희생양이 되는 경우가 많습니다. 야망이 인프라를 능가할 때 모델은 설계되지 않은 작업에 적용되고 일관되지 않거나 지연된 실험실 및 센서 데이터가 제공되며 운영에서 격리된 상태로 유지됩니다. 얻은 통찰력은 실제 프로세스에 적용할 수 없습니다.

“최근 조사에 따르면 AI 파일럿 중 무려 88%가 프로덕션에 도달하지 못하는 것으로 나타났습니다.”

AI가 반응기나 비활성 촉매의 오염을 예측하더라도 작업자가 잘못 정렬된 작업 흐름으로 인해 조치를 취할 수 없으면 그 가치는 사라집니다. 즉각적인 결과에 대한 조바심과 새로운 공급원료로부터의 지속적인 피드백 부족으로 인해 문제가 더욱 복잡해졌습니다. 단편화된 기술은 단편적인 결과와 같습니다.

선두 위치를 달성하고 경쟁 우위를 유지하려면 부서간 협업과 산업용 화학 시스템을 통합하는 연결된 생태계가 필요합니다. 이는 MES, LIMS, ERP, 히스토리언 및 프로세스 제어 시스템을 단일 플랫폼 내에서 연결하여 데이터 사일로를 무너뜨리고 작업 현장과 경영진 수준에서 기존 제어 루프에 지능적인 통찰력을 제공하는 단일 정보 소스를 생성한다는 의미입니다.

“큐레이트된 데이터, 프로세스 인식 지능형 모델, 영감을 주는 인간이라는 세 가지 요소를 통해서만 AI가 이론적 개념을 넘어 실제 운영 및 R&D 결과로 나아가 가동 중지 시간을 줄이고 수율을 높이며 혁신 주기를 단축할 수 있습니다.”

AI는 향상되고 인간은 향상됩니다

산업 데이터를 관리하고 중앙 집중화하는 것이 출발점입니다. 모델은 업스트림 및 다운스트림 종속성을 존중하도록 설계되어야 합니다. 가장 중요한 것은 팀이 수신한 인텔리전스를 신뢰하고 이에 따라 조치를 취할 수 있는 권한을 부여받아야 한다는 것입니다. AI 연옥을 피하는 것은 단순한 기술 업그레이드가 아닌 문화적 변화로 보아야 합니다.

선별된 데이터, 프로세스 인식 모델, 영감을 받은 인간이 루프에 참여해야만 AI가 개념에서 실질적인 운영 및 R&D 이점으로 전환됩니다.

이것이 바로 SCG Chemicals가 단 6개월 만에 99%의 공장 신뢰성과 9배의 투자 수익을 달성한 방법입니다. 아시아 최대 화학 공급망 중 하나의 원활한 운영을 유지하기 위해 SCG는 수명주기 전반에 걸쳐 AI를 내장한 디지털 신뢰성 플랫폼을 구축했습니다.

예측 분석, 중앙 집중식 데이터, 디지털 트윈 환경을 한 곳에 통합함으로써 이 플랫폼을 통해 팀은 실시간 인텔리전스로 F1 레이싱 팀을 무장시키는 것과 마찬가지로 즉각적으로 프로세스 결정을 내릴 수 있습니다.

사업부 수준에서 개별 장비에 이르는 대시보드를 통해 SCG의 팀은 실행 가능한 정보에 액세스하고 10초 이내에 이를 실시간 데이터와 연관시킵니다. 자산 오류를 방지하기 위해 중요한 지점을 식별함으로써 신뢰성 격차가 해소되었으며 유지 관리 비용이 40% 절감되었습니다.

화학 부문 전반으로 확장되는 AI 사용 사례는 예측 분석, 제품 혁신을 가속화하는 하이브리드 모델링, 환경적으로 지속 가능한 재료에 대한 성분 발견을 통해 자산 가동 시간을 향상시키는 데까지 확장됩니다.

“화학 회사가 이러한 단계별 접근 방식을 채택하면 사후 대응 문제 해결을 넘어설 수 있습니다.”

AI 파일럿 연옥 예방

각 영역에서 성공하려면 AI 파일럿을 기술 실험으로 취급하는 것, 즉 95% 실패 통계에 포함되는 것을 보장하는 것 이상이 필요합니다. Deloitte가 최근 화학 부문 전망에서 강조한 것처럼 디지털 및 분석 도구가 채택됨에 따라 기업에는 분석을 운영 개선으로 전환하기 위한 엔드투엔드 접근 방식이 필요합니다.

AI 연옥 극복은 문화적 변화를 포함한 관점의 전환에서 시작됩니다. 먼저 변경하려는 KPI를 정의하고 워크플로우 영향을 정량화합니다. 모든 것을 다 하려고 노력하는 조종사는 아무것도 얻지 못합니다.

다음으로, 히스토리언, MES, LIMS 및 공급업체 프로그램을 통합하여 데이터 우선 연결 에코시스템을 구축합니다. Arthur D. Little이 말했듯이 성공은 데이터 품질에 달려 있습니다. 스키마를 표준화하고, 메타데이터에 주석을 달고, 실험실 프로토콜을 확립해야 합니다.

그런 다음 올바른 AI를 선택하고 관찰 가능하게 만듭니다. 예를 들어, 패턴 인식은 장비 고장을 예측할 수 있고, LLM은 규정 준수 문서를 검색할 수 있으며, 하이브리드 모델링은 공식화와 같은 혁신적인 애플리케이션을 구동할 수 있습니다.

그런 다음 한 번에 하나의 사용 사례를 제품화하고 확장하세요. 마지막으로, 부서 간 평가 및 거버넌스(McKinsey는 고위 리더에게 감독 권한을 부여할 것을 권장함)를 통해 모델 드리프트 및 채택 위험을 줄입니다.

화학 회사가 이러한 단계별 접근 방식을 채택하면 대응적인 문제 해결 수준을 넘어설 수 있습니다. 작업자는 오염을 예측하고 반응 조건을 조정하며 가동 중지 시간을 방지할 수 있습니다. R&D 팀은 일관된 규모 확장을 보장하면서 제제화를 가속화합니다. F1 팀이 원격 측정을 찰나의 순간에 경주에서 승리하는 결정으로 전환하는 것처럼 업계는 마침내 AI 투자에서 실제 가치를 추출할 수 있습니다.