Por qué la mayoría de los pilotos de IA fallan en las plantas químicas:lecciones de los expertos de la industria

Las expectativas altísimas, los datos inconsistentes y los pilotos aislados pueden impedir que los pilotos de IA implementen con éxito en el mundo real. La solución radica en la inteligencia industrial que cierra el círculo entre la predicción y la planta, escribe Stephen Reynolds, director de industria, productos químicos en AVEVA .

Cada coche de Fórmula 1 genera cientos de gigabytes de datos de telemetría durante una carrera, desde la degradación de los neumáticos y el consumo de combustible hasta la temperatura de los frenos, los cambios climáticos y el comportamiento de los competidores. Esos datos se transmiten a los ingenieros en la pista y en laboratorios remotos en tiempo real, lo que les permite analizar el rendimiento, optimizar la estrategia y obtener una ventaja competitiva en un deporte donde cada milisegundo cuenta. Es un recordatorio de que el éxito no se trata del tamaño de su conjunto de datos o de lo sofisticado que sea su modelo, sino de si los conocimientos se convierten en decisiones operativas oportunas.

Suscríbete a PII y recibe:

Nuestra revista digital bimensual de larga trayectoria Process Industry Informer , que incluye artículos exclusivos, noticias y actualizaciones de las industrias de procesos, además de comentarios de nuestros tres expertos de la industria:

Sean Moran

Gavin Smith

Dave Green

MÁS:

• Actualización sobre la industria de procesos:nuestro boletín electrónico semanal
• Podcast de PII
• Mensajes especiales de nuestros socios publicitarios

Las plantas químicas pueden superar al mercado si tratan la IA como un coche de carreras de alto rendimiento. Ya generan miles de millones de puntos de datos a partir de sensores, laboratorios y sistemas ERP. Las empresas están ejecutando pilotos de IA, probando modelos y lanzando pruebas de conceptos. McKinsey informa que el 78 % de las organizaciones utilizan la IA en al menos una función empresarial.

La mayoría de los pilotos de IA se estancan

Sin embargo, la gran mayoría de los pilotos se estancan antes de entregar valor. Una encuesta reciente muestra que el 88 % de los pilotos de IA nunca llegan a producción, y el MIT informó en agosto que el 95 % de las iniciativas de IA generativa destinadas a generar rápidamente ingresos fracasan.

Este “purgatorio de la IA” no es una falta de imaginación:es una falta de estrategia y acción. Es esencial traducir los conocimientos en acción del mundo real, como una estrategia perfecta de F1 sin cambios de neumáticos.

La IA no es plug and play

Los equipos suelen ser víctimas del síndrome del objeto brillante y tratan la IA como una solución plug-and-play. Cuando la ambición supera a la infraestructura, los modelos se aplican a tareas para las que no fueron diseñados, se alimentan con datos de laboratorio y sensores inconsistentes o retrasados ​​y permanecen aislados de las operaciones. Los conocimientos resultantes no se pueden aplicar a procesos del mundo real.

“Según una encuesta reciente, un sorprendente 88% de los pilotos de IA no logran llegar a producción”.

Incluso cuando la IA predice incrustaciones en un reactor o catalizadores inactivos, el valor desaparece si los operadores no pueden actuar debido a flujos de trabajo desalineados. La impaciencia por obtener resultados instantáneos y la falta de retroalimentación continua de nuevas materias primas agravan el problema. Tecnología fragmentada equivale a resultados fragmentados.

Lograr la primera posición (mantenerse por delante de la competencia) requiere colaboración interfuncional y un ecosistema conectado que unifique los sistemas químicos industriales. Eso significa vincular MES, LIMS, ERP, historiadores y sistemas de control de procesos dentro de una única plataforma, creando una única fuente de verdad que rompa los silos de datos y aporte información inteligente a los bucles de control existentes en el nivel de producción y ejecutivo.

“Solo con estos tres elementos (datos seleccionados, modelos inteligentes conscientes de los procesos y seres humanos inspirados en el proceso) la IA va más allá de los conceptos teóricos hacia resultados operativos y de I+D reales, ofreciendo menos tiempo de inactividad, mayores rendimientos y ciclos de innovación más cortos”.

La IA aumenta, los humanos se elevan

Curar y centralizar datos industriales es el punto de partida. Los modelos deben diseñarse para respetar las dependencias ascendentes y descendentes. Lo más importante es que los equipos deben confiar en la inteligencia que reciben y estar capacitados para actuar en consecuencia. Evitar el purgatorio de la IA debería verse como un cambio cultural y no como una mera actualización tecnológica.

Sólo con datos seleccionados, modelos conscientes de los procesos y humanos inspirados en el circuito, la IA pasa del concepto a beneficios operacionales y de I+D tangibles.

Así es como SCG Chemicals logró una confiabilidad de la planta del 99 % y un retorno de la inversión nueve veces mayor en solo seis meses. Para mantener en funcionamiento una de las cadenas de suministro de productos químicos más grandes de Asia, SCG creó una plataforma de confiabilidad digital que incorpora IA en todo su ciclo de vida.

Al integrar análisis predictivos, datos centralizados y entornos de gemelos digitales en un solo lugar, la plataforma permite a los equipos tomar decisiones de proceso sobre la marcha, similar a dotar a los equipos de carreras de F1 con inteligencia en tiempo real.

Con paneles que van desde el nivel de unidad de negocio hasta equipos individuales, los equipos de SCG acceden a información procesable y la correlacionan con datos en tiempo real en 10 segundos. La identificación de puntos críticos para evitar fallas de activos ha cerrado la brecha de confiabilidad y los costos de mantenimiento se han reducido en un 40 %.

Al ampliarse en todo el sector químico, los casos de uso de la IA se extienden a la mejora del tiempo de actividad de los activos con análisis predictivos, modelado híbrido para acelerar la innovación de productos e incluso el descubrimiento de ingredientes para materiales ambientalmente sostenibles.

“Cuando las empresas de productos químicos adoptan este enfoque paso a paso, van más allá de la resolución de problemas reactiva”.

Prevención del purgatorio de pilotos de IA

El éxito en cada área requiere más que tratar a los pilotos de IA como experimentos tecnológicos, un camino que garantiza la inclusión en la estadística de fracaso del 95%. A medida que se adoptan herramientas digitales y de análisis, las empresas necesitan enfoques de extremo a extremo para convertir los análisis en mejoras operativas, como destacó Deloitte en su reciente perspectiva del sector químico.

La superación del purgatorio de la IA comienza con un cambio de perspectiva, incluido un cambio cultural. Primero, defina el KPI que desea cambiar y cuantifique su impacto en el flujo de trabajo. Los pilotos que intentan hacerlo todo no logran nada.

A continuación, cree un ecosistema conectado que dé prioridad a los datos, integrando historiadores, MES, LIMS y programas de proveedores. El éxito depende de la calidad de los datos, como señala Arthur D. Little; se deben estandarizar los esquemas, anotar los metadatos y establecer protocolos de laboratorio.

Luego seleccione la IA adecuada y hágala observable. Por ejemplo, el reconocimiento de patrones puede pronosticar fallas en los equipos, los LLM pueden buscar documentos de cumplimiento y el modelado híbrido puede impulsar aplicaciones innovadoras como la formulación.

Después de eso, produzca y escale un caso de uso a la vez. Por último, la evaluación y la gobernanza interfuncionales (McKinsey recomienda encargar la supervisión a los líderes sénior) reducen la deriva del modelo y el riesgo de adopción.

Cuando las empresas de productos químicos adoptan este enfoque paso a paso, van más allá de la resolución de problemas reactiva. Los operadores pueden anticipar incrustaciones, ajustar las condiciones de reacción y evitar el tiempo de inactividad. Los equipos de I+D aceleran las formulaciones y al mismo tiempo garantizan una ampliación constante. La industria finalmente puede extraer valor real de sus inversiones en IA, del mismo modo que los equipos de F1 convierten la telemetría en decisiones ganadoras de carreras en fracciones de segundo.