化工產業的關聯很廣，由民生工業乃至高科技產業所需之原材料很多都來自石化及塑橡膠等化工產業，目前化學工業產值依據經濟部統計局資訊於2022年統計總產值已經超過5兆，位居台灣製造業四大行業中產值第三，僅次於資訊電子與金屬機電產業。
石化及塑橡膠產業鏈上游為原油，由原油提煉開始產生多種副產品；中游運用上游原料輕油裂解產生之基本原料，如苯、酚、烯類等，以及基於前述原料再經聚合、酯化、烷化等化學反應後製成之塑膠、橡膠、人造纖維等化學原料；下游為塑膠、橡膠、人造纖維等化學原料加工製成的各式民生必需品，如 3C 產品外殼、塑膠製品、橡膠製品、接著劑、人造纖維、塑化劑及化妝品等，應用範圍相當廣泛。
近年化學工業面臨多樣性的挑戰，尤其在國際情勢上 ESG 將是未來10年化工產業所面臨的極大課題，如何節能、減少碳排、避免浪費，將是最棘手的問題。
此外除了 ESG 等因素對產業的影響外，產業結構與產業趨勢的轉變也是化工產業難以避免的困境。因近年來高科技產業薪酬結構與產業環境優勢，學校人才培育以及人才就業選擇等複雜因素，也導致化工產業出現人才大斷層的問題，這些人才因素直接或間接地影響到企業經營，無論在企業經驗傳承、新產品研發效率與企業運作優化等都將成為大挑戰。
未來的化工產業化工人，必須是能運用 AI 科技的專業達人
雖然前述外部環境因素與內部人才斷層是當前化工業的挑戰，但也觀察到一個新的契機或轉折點，年輕化意味著用新科技技術來輔助作業優化。近幾年化工業無論在生產或材料研發類的數據運用上相較於過去，當化學工業結合人工智能 (AI) 科技，有以下幾大應用方向：
一、運用 AI 輔助產品研發，瞭解關鍵因素與配方趨勢模擬，縮短產品研發時程、降低成本
首先將 AI 作為新產品材料研發過程中的數據分析與建模工具，透過 AI 將過去的研發數據建立模型，將研發資料模型化，瞭解到影響產品的關鍵因子，另外也可以運用模型來協助研發同仁觀察不同配方成分的改變對於產品品質目標的影響，藉此大幅度地透過 AI 模型來縮短產品研發時間，並透過模型化進行經驗傳承。
二、運用 AI 分析生產品質不良的關鍵要因，縮短問題排查時間提升品質
化工生產系統所監控參數繁多，且加上來料配方等條件，生產數據複雜，過去運用統計方式難以有效的瞭解影響品質的關鍵點。透過來自 DCS 或 SCADA 系統生產大數據結合 AI 技術數據分析的應用，能快速地找到影響產品的關鍵因子，縮短問題排查時間，減少不良品或次級品的發生，降低浪費。
三、運用 AI 預測生產過程品質
化工製程往往需品質檢驗，但卻無法做即時的品質全檢。運用過去的生產數據與過去的品質檢驗資料，以 AI 技術建立預測模型，透過 AI+IOT 方式預測品質，能瞭解品質變化趨勢，再趨勢偏離前能及早採取對策，透過 AI 預測方式提前處理品質問題，避免產品不合標產生報廢品。
四、運用 AI 優化生產系統運作效率，降低能源浪費
因應 ESG 的要求與挑戰，如何優化高耗能設備的能源使用效率，也是化工產業的 AI 運用方向。透過 AI 建模將過去系統操作參數建立模型，藉此在生產效率、品質與能耗間平衡，取得最佳化的生產參數。
當製造業導入杰倫智能虛擬資料科學家平台 24小時不間斷運作
為了讓數據分析與 AI 運用技術能於化工產業萌芽與發展，越來越多業界企業陸續也招募數據分析資料科學家或將人員送訓培養 AI 與數據分析能力，但我們觀察到在產業人才就業排擠性的因素，資料科學人才選擇化工業的就業意願相對低，另外內部送訓人員學習 AI 新技術學習週期長，較難於短期產生 AI 分析能力。
因應製造業 AI 應用與人才需求，杰倫智能科技（Profet AI）致力發展製造業應用的 AI 平台，研發出自動化機器學習平台（Automated Machine Learning；AutoML），目的在於解決企業 AI 應用與落地實現問題，該平台像是企業虛擬 AI 資料科學家，讓生產專家無需寫程式和鑽研複雜演算法，就可以快速運用過去的生產歷史數據來進行 AI 分析。
在生產過程中，Profet AI 的工具協助企業研發部門進行產品研發優化、品質專家透過工具找出異常要因、製程專家快速找出最佳調整參數，進行生產流程改善，通過創新的 AI 機器學習運用技術，將龐大晦澀的演算法化繁為簡，成為易用的數據分析工具，迅速建立標準化的智能決策體系，幫助工廠進一步擴大生產規模並且提升生產和產品研發的效率。同時，Profet AI 的平台不僅應用於化工產業的生產品質預測，各產業都能夠透過該平台產品協助，實現讓企業各領域80%的關鍵人才都能自主運用 AI，養成企業運用數據分析輔助決策的文化。
導入創新的杰倫智能「AI 自動化機器學習（AutoML）平台」，如同企業的「虛擬 AI 資料科學家」，為化繁為簡且直觀圖像化操作的 AI 數據分析工具，快速賦予領域專家運用 AI 的能力，只須瞭解手上的數據，從上傳到完成分析僅需幾個步驟，就能讓傳統製造業快速導入 AI，「一天上手 AI、一周落地 AI 」，輕鬆將 AI 活用在例如化工製程的配方研發最佳化和能耗預測等應用場景（如圖一）。
圖一 : 杰倫智能「AI 自動化機器學習（AutoML）平台」，如同企業的「虛擬 AI 資料科學家」。
以化工產業配方研發為例，運用研發相關之配方與實驗結果資料，上傳至 Profet AI 的 AutoML 平台就可以完成配方研發模型，透過該模型，可以達到兩點效益：
一、快速瞭解到多配方(X) 對多產品物化性的影響關鍵因子，藉此可快速瞭解影響各目標之關鍵配方參數為何。
二、運用 AI 模型進行虛擬實驗，透過 AI 模型模擬調整不同配方參數，瞭解對品質目標之影響，可以減少實際實驗組數，縮短時間、降低成本。
如何運用 AI 的應用來建模
在確認客戶明確的需求後，杰倫智能開始進行下列的相關步驟，進一步協助客戶進行 AI 的解題與應用：
步驟1 匯整實驗數據
客戶開始整理過去實驗數據，針對實驗檢驗結果（Y）與各配方用量(X)，整理成結構化，排列成 excel 或 csv 表格格式，結構數據的格式如圖二所示。
圖二 : 按照 Y=F（X）的邏輯，結構化的數據格式
步驟2 建立 AI 預測模型
將數據表格上傳至 Profet AI 的 AutoML 平台，系統會先進行數據的前處理，讓用戶可再次確認數據的品質，並了解每個特徵值對結果 Y 的相關性後，再將此數據集進行自動建模作業，人員簡單確認建模內容、建模方案設定、開始建模等三這步驟，即可實現全自動 AI 機器學習建模作業。
步驟3 要因分析、模擬預測、參數最佳化推薦
1.要因分析：
Profet AI 的平台建模完成後，透過系統得分找出最佳的 AI 預測模型，從預測模型中，可立即分析影響各別品質的關鍵要因，並可依據權重排名，瞭解到成分改變對於目標之影響。
2.模擬預測：
根據歷史數據建立的預測模型，研發人員可在平台上進行即時的參數調整模擬，研發人員可以調整不同配比由系統預測可能的結果，讓研發人員不須依照過去透過實品實驗的方式，即可進行事前的調參模擬預測，當系統模擬出較佳的調整參數後，再進行實際的參數調整與設定切換，大量減少人為調參時間與實驗所帶來的不良成本。
3.參數最佳化推薦：
當建立的預測模型準確後，Profet AI 的平台可反向讓研發人員設定期望品質目標，由系統推薦相關配方參數。結合領域專家進行配方微調，在好的基礎點接上後續的產品研發，找到更多配方的可能性。
Profet AI 提供了 AI 技術讓化工產業能輕易運用於研發、製程、品管上的作業，並有效將老師傅經驗轉化成專家系統，讓使用者更加便利、快速地去活用，進而找出問題的癥結，進行持續的改善。但最重要的是，當大量且不同製程的生產數據可以透過平台產生更多的價值之後，許多企業用戶發現，企業內部已逐漸養成建立數據思考的文化，並培養了企業收集數據資產的習慣。當這樣以數據驅動並持續改善的文化深植時，企業將得以提升整體有形與無形的效益並增加獲利。
在化工產業，已有多家企業借助 Profet AI 的平台產品和一天上手、一周落地的實踐方法論，進行實際運作。透過該平台產品的協助，讓各企業與各職能的80%關鍵人才都能自主運用 AI 。當前越來越多製造業導入 AI ，企圖利用 AI 打造競爭力的戰略高地，佈局下一個五年的升級轉型。因此，有越來越多高階管理者異口同聲表示：「 AI 賦能已經不是要不要做的問題，而是怎麼將 AI 賦能應用得比對手更快速、怎麼應用得比對手更廣泛！」
更多文章 :
案例分享 :