专访VTU工程公司数据科学家Stefan Pauli博士迈向第一个人工智能项目的一小步

PROCESS：神经网络、机器学习、深度学习和人工智能有什么区别？

Stefan Pauli博士：分清这些术语对理解AI非常有帮助，因为虽然它们彼此相关，但它们指的不是同一件事。伊莱恩-里奇1983年对于通用术语人工智能（AI）的定义比较恰当："人工智能是研究如何使计算机做出目前人们更擅长的事情"。因此，人工智能通常是指人为地部分模仿人类智能的机器在某些部分表现得很智能。现在有许多不同的人工智能技术。其中之一是机器学习算法，它从收集的数据中进行独立学习。在这些算法中，有一些比较简单的算法，如线性回归或随机森林，但也有非常复杂的算法，如神经网络。神经网络将神经元（神经细胞）连接成一个网络，有点类似人类大脑的神经元网络。大型神经网络则被称为深度学习，它可以在图像、文本或语言处理方面展示其卓越的能力，但需要大量的数据和计算能力。因此，从通用术语人工智能开始，通过几个中间术语（例如机器学习），人们就可以得出深度学习这个子术语。

PROCESS：根据Bitkom最近的一项研究，只有14%的化学和制药公司使用人工智能或机器学习工具。这是为什么呢？

Stefan Pauli博士：14%的化学和制药公司已经使用人工智能。虽然这听起来非常少，但这项研究中的行业平均水平是13%。这项研究还谈到了推广人工智能的最大挑战，这揭示了人工智能不被经常使用的原因。大公司认为最大的挑战来自于投资成本高（59%）、数据保护要求（50%）、数据安全性要求（46%）以及缺乏应用案例（45%）。这与我们的经验值非常吻合。然而，通过采用适当的方法，例如，我们所采取循序渐进的方法（见下一个问题）方面就有很好的经验，从低投资成本开始，随着成功而加大投资。通过设计对数据进行一致的保护和安全，可以确保工业生产流程的稳定性以及商业秘密和专有技术的保护。根据我们的经验，对于化工行业，特别是制药业，还面临另一个具体的挑战——严格的监管要求和工艺。人工智能算法必须经过GxP验证。在GMP合规性和数字化这两个领域都有丰富专业知识的有能力的合作伙伴可以在这些方面提供支持。

PROCESS：从想法到商业案例：实施人工智能项目的决定性成功因素是什么？

Stefan Pauli博士：据经验，以下几点是最重要的：

1.确定和定义一个有价值且可行的项目目标。使用人工智能时，某些事情不会改变。与寻常项目一样，必须确定、制定和定义项目目标（例如SMART）。 这有时可能是 AI 项目中最困难和最重要的任务之一。指导性的用例研讨会在这里已经证明了它们的价值。

2.跨学科和有经验的项目团队。由于制造型工业公司的工艺通常比较复杂，因此，成功的项目管理需要一个跨学科的团队。使用新的职位描述，如数据科学家、数据工程师以及经典的MES工程师，当然还有来自工程和运营的经验丰富的技术人员，他们非常了解生产过程。为了简化人工智能的应用并且增加成功率，能够获取现有知识是非常重要的。

3.循序渐进的方法。我们认为，按照 “从小事做起，在成功中成长”的座右铭，一步一步地发展项目，有利于成功。与其他软件开发一样，敏捷项目方法是理想的选择。