ИИ в разработке ЛКМ: рутина уйдёт в автоматизацию, химики займутся более сложными задачами

Решающий фактор практической пользы от искусственного интеллекта в разработке лакокрасочных материалов — не качество моделей, а их внедрение в работу компании. Об этом в интервью отраслевому изданию European Coatings заявил доцент Калифорнийского политехнического государственного университета (Cal Poly) Эрик Саппер (Erik Sapper).

Где ИИ действительно полезен

Моделирование и численное симулирование используются в разработке покрытий уже несколько десятилетий — для понимания процессов синтеза смол, прогнозирования свойств полимеров, поиска закономерностей при разработке рецептур, а также для оптимизации производства и логистики. ИИ и машинное обучение, по оценке Саппера, расширяют возможности этого подхода. Главная ценность алгоритмов — способность находить закономерности в больших массивах данных, выводить эвристические правила и наилучшие практики, а также оптимизировать сложные многомерные пространства химических и производственных параметров значительно быстрее, чем команда специалистов без таких инструментов.

Развёртывание важнее качества модели

Главный практический вывод Саппера касается не самих моделей, а их внедрения в работу организации. По его наблюдениям, посредственная модель, корректно развёрнутая в масштабе компании, приносит несоизмеримо больше ценности, чем превосходная модель, существующая только на ноутбуке отдельного специалиста или в его презентациях. Для этого нужны обучение пользователей, выстроенная инфраструктура данных и культура, в которой собираются и сохраняются все данные — включая результаты неудачных экспериментов.

Что уже автоматизируется и что остаётся за людьми

В практической работе предиктивные модели уже широко применяются для проектирования новых смол и добавок. Растёт их использование и в задачах разработки рецептур — поиска и оптимизации составов, — однако значительная часть этой работы по-прежнему опирается на итеративные улучшения существующих продуктов и стартовых рецептур, а не на полностью автономный поиск.

Автоматизация уже сегодня заметна в трёх областях: синтез, испытания и определение характеристик, производство и нанесение покрытий. В ближайшие десятилетия, прогнозирует Саппер, всё больше рутинных задач — разовых синтезов смол, последовательных параметрических серий испытаний, стандартизированных тестов — перейдёт на автоматизированные системы. Это не означает сокращения роли специалистов: высвобождаемые ресурсы позволят им сосредоточиться на более содержательных и сложных химических задачах.

Условия успешной автоматизации

Перед автоматизацией производственного или лабораторного процесса, по мнению Саппера, нужно чётко понимать сам процесс и его роль в задачах бизнеса. Автоматизация ради автоматизации, без оценки ценности для конкретной задачи, не приносит результата. Не менее важно понимать, как данные движутся через лабораторию: как они генерируются, как используются и какие решения принимаются на их основе. Автоматизируя лабораторию, по словам Саппера, специалисты автоматизируют не только физические процессы, но и принятие решений — и именно ясность относительно этих решений делает автоматизацию минимально проблемной.