Lubrizol stawia na AI w R&D: chmura, dane i zespoły fuzyjne
Lubrizol łączy AI, chmurę i dekady danych technicznych, by przyspieszyć badania nad chemikaliami. Girish Rao wyjaśnia rolę zespołów fuzyjnych i pilotaży.

Źródło zdjęcia: MIT Technology Review
Jak wykorzystać sztuczną inteligencję w branży, w której każdą nową formułę trzeba ostatecznie sprawdzić w laboratorium i w fabryce? Na przykładzie Lubrizol, producenta chemikaliów specjalistycznych, odpowiada na to materiał opublikowany przez MIT Technology Review. Według niego cyfrowa transformacja firmy ma dać badaczom narzędzia do szybszego testowania pomysłów, podejmowania lepszych decyzji i tworzenia bardziej zrównoważonych materiałów bez utraty ich właściwości użytkowych.
To treść sponsorowana, przygotowana we współpracy z firmą Infosys przez Insights, dział MIT Technology Review produkujący materiały na zamówienie. Nie powstała w redakcji magazynu. Jest częścią webcastu, w którym o strategii Lubrizol opowiada Girish Rao, wiceprezes ds. technologii informatycznych w tej firmie.
Najważniejsze informacje
- Lubrizol buduje cyfrowy fundament łączący procesy biznesowe, nowoczesne platformy danych i infrastrukturę chmurową, aby wspierać zespoły badawczo-rozwojowe (R&D).
- Celem jest połączenie dziesięcioleci zgromadzonych danych technicznych z wiedzą chemików i inżynierów. AI ma wspierać naukowców, a nie ich zastępować.
- Firma tworzy „zespoły fuzyjne”, złożone z naukowców, analityków danych i informatyków. Ich praca zaczyna się od małych pilotaży, które budują wzajemne zaufanie.
- Modelowanie cyfrowe ma pomóc w opracowywaniu zrównoważonych materiałów, m.in. alternatyw na bazie skrobi i kukurydzy.
- Rao spodziewa się, że w przyszłości AI, automatyzacja, zaawansowane modelowanie, cyfrowe bliźniaki i połączone dane zaczną działać jako jedna całość.
Dane i doświadczenie zamiast zastępowania ludzi
Według materiału głównym wyzwaniem dla firm, które chcą przyspieszyć innowacje dzięki AI, chmurze i zaawansowanemu modelowaniu, nie jest sama technologia. Trudniej jest powiązać ją z wiarygodnymi danymi, wiedzą naukową i praktycznymi realiami wprowadzania produktów na rynek.
W Lubrizol rozwiązaniem ma być połączenie dwóch zasobów. Pierwszym są dane techniczne gromadzone przez dekady. Drugim jest doświadczenie chemików i inżynierów, którzy rozumieją zarówno potrzeby klientów, jak i fizyczne ograniczenia swojej pracy. Analitycy danych mogą wyszukiwać wzorce, testować nowe hipotezy i modelować możliwe scenariusze, zanim badacze przejdą do fizycznych eksperymentów. Podobne kierunki rozwijają też ośrodki akademickie, czego przykładem jest model CheMeleon z MIT, przewidujący właściwości cząsteczek przy niewielkiej ilości danych.
Rao wyraźnie określa granice roli algorytmów:
„Nie chodzi o zastąpienie naukowego osądu. Chodzi o to, by dać naszym naukowcom lepsze narzędzia.”
Zespoły fuzyjne i budowanie zaufania
Materiał zwraca uwagę na problem organizacyjny. Naukowcy, analitycy danych i zespoły IT patrzą na te same problemy z różnych perspektyw:
- naukowców interesuje przede wszystkim poprawność eksperymentów,
- analityków danych – wydajność modeli,
- zespoły IT – bezpieczeństwo i skalowalność platform.
Lubrizol łączy te grupy w „zespoły fuzyjne” (ang. fusion teams), które pracują nad wspólnymi celami. Firma nie zaczyna od dużych wdrożeń, tylko od niewielkich projektów pilotażowych, które mają zbudować zaufanie między uczestnikami.
„Gdy członkowie zespołu sobie ufają i wiedzą, jaką wartość mają stworzyć, wszystko idzie znacznie lepiej” – mówi Rao.
Ważną rolę odgrywa też infrastruktura chmurowa. Daje firmie elastyczny dostęp do mocy obliczeniowej i nowoczesnych narzędzi bez dużych inwestycji w budowę i utrzymanie własnych centrów danych.
Zrównoważone materiały: od laboratorium do skali przemysłowej
Według materiału te możliwości mogą być szczególnie cenne przy tworzeniu bardziej zrównoważonych produktów. Modelowanie cyfrowe pozwala badaczom ocenić więcej formulacji, przyjrzeć się materiałom takim jak alternatywy na bazie skrobi i kukurydzy oraz porównać kompromisy w całym cyklu życia produktu.
Obiecujący wynik w laboratorium to jednak dopiero pierwszy krok. Zwiększenie skali produkcji przy jednoczesnym spełnieniu oczekiwań co do właściwości, wymogów regulacyjnych i ograniczeń finansowych autorzy porównują do chodzenia po linie. Zdolność AI do modelowania wielu zmiennych naraz może pomóc zespołom pogodzić te sprzeczne wymagania.
Laboratoria przyszłości: połączenie wielu technologii
Rao przewiduje, że AI, automatyzacja, zaawansowane modelowanie, cyfrowe bliźniaki i połączone dane będą się coraz bardziej przenikać. Laboratoria mają stać się bardziej inteligentne, a zakłady produkcyjne bardziej wydajne. Jego zdaniem szansa polega na tym, by łączyć te możliwości odpowiedzialnie i na dużą skalę.
„To nie jest jedna technologia. Myślę, że chodzi o połączenie ich wszystkich. Kluczowa będzie umiejętność powiązania wszystkich procesów, które będą generować ogromne ilości danych” – podsumowuje Rao.
Przykład Lubrizol pokazuje, że w przemyśle chemicznym sukces AI zależy od uporządkowanych danych, współpracy między działami i stopniowego budowania zaufania. Trzeba jednak pamiętać, że to perspektywa samej firmy, przedstawiona w materiale sponsorowanym.
Źródła
Podobne publikacje

Media LVMH i OpenAI: strategiczne partnerstwo, ChatGPT w redakcjach
Dywizja medialna LVMH, wydawca Les Echos i Le Parisien, wdroży ChatGPT Enterprise w 17 markach, a treści jej redakcji trafią do ChatGPT z linkami do źródeł.

Holiday Extras i Codex: nowa aplikacja w dwa tygodnie, konwersja +32,5%
Holiday Extras przebudowało aplikację mobilną z pomocą Codex w dwa tygodnie. Konwersja rezerwacji wzrosła o 32,5%, a odsetek błędów spadł z 19% do 9%.

Centra danych AI: wiele zapowiadanych projektów może nie powstać
Centra danych AI mierzą się z protestami, pozwoleniami i brakiem prądu. Podcast Equity pokazuje, że wiele ogłaszanych projektów może w ogóle nie powstać.