專訪VTU工程公司數據科學家Stefan Pauli博士邁向第一個人工智能項目的一小步

PROCESS：神經網絡、機器學習、深度學習和人工智能有什么區別？

Stefan Pauli博士：分清這些術語對理解AI非常有幫助，因為雖然它們彼此相關，但它們指的不是同一件事。伊萊恩-里奇1983年對于通用術語人工智能（AI）的定義比較恰當："人工智能是研究如何使計算機做出目前人們更擅長的事情"。因此，人工智能通常是指人為地部分模仿人類智能的機器在某些部分表現得很智能。現在有許多不同的人工智能技術。其中之一是機器學習算法，它從收集的數據中進行獨立學習。在這些算法中，有一些比較簡單的算法，如線性回歸或隨機森林，但也有非常復雜的算法，如神經網絡。神經網絡將神經元（神經細胞）連接成一個網絡，有點類似人類大腦的神經元網絡。大型神經網絡則被稱為深度學習，它可以在圖像、文本或語言處理方面展示其卓越的能力，但需要大量的數據和計算能力。因此，從通用術語人工智能開始，通過幾個中間術語（例如機器學習），人們就可以得出深度學習這個子術語。

PROCESS：根據Bitkom最近的一項研究，只有14%的化學和制藥公司使用人工智能或機器學習工具。這是為什么呢？

Stefan Pauli博士：14%的化學和制藥公司已經使用人工智能。雖然這聽起來非常少，但這項研究中的行業平均水平是13%。這項研究還談到了推廣人工智能的最大挑戰，這揭示了人工智能不被經常使用的原因。大公司認為最大的挑戰來自于投資成本高（59%）、數據保護要求（50%）、數據安全性要求（46%）以及缺乏應用案例（45%）。這與我們的經驗值非常吻合。然而，通過采用適當的方法，例如，我們所采取循序漸進的方法（見下一個問題）方面就有很好的經驗，從低投資成本開始，隨著成功而加大投資。通過設計對數據進行一致的保護和安全，可以確保工業生產流程的穩定性以及商業秘密和專有技術的保護。根據我們的經驗，對于化工行業，特別是制藥業，還面臨另一個具體的挑戰——嚴格的監管要求和工藝。人工智能算法必須經過GxP驗證。在GMP合規性和數字化這兩個領域都有豐富專業知識的有能力的合作伙伴可以在這些方面提供支持。

PROCESS：從想法到商業案例：實施人工智能項目的決定性成功因素是什么？

Stefan Pauli博士：據經驗，以下幾點是最重要的：

1.確定和定義一個有價值且可行的項目目標。使用人工智能時，某些事情不會改變。與尋常項目一樣，必須確定、制定和定義項目目標（例如SMART）。 這有時可能是 AI 項目中最困難和最重要的任務之一。指導性的用例研討會在這里已經證明了它們的價值。

2.跨學科和有經驗的項目團隊。由于制造型工業公司的工藝通常比較復雜，因此，成功的項目管理需要一個跨學科的團隊。使用新的職位描述，如數據科學家、數據工程師以及經典的MES工程師，當然還有來自工程和運營的經驗豐富的技術人員，他們非常了解生產過程。為了簡化人工智能的應用并且增加成功率，能夠獲取現有知識是非常重要的。

3.循序漸進的方法。我們認為，按照 “從小事做起，在成功中成長”的座右銘，一步一步地發展項目，有利于成功。與其他軟件開發一樣，敏捷項目方法是理想的選擇。