اختصاصی بسپار/ کاربرد هوش مصنوعی در پوشش‌ها

بسپار/ ایران پلیمر نزدیک به یک دهه است که صنعت پوشش، خود را برای آینده‌ای مبتنی بر هوش مصنوعی آماده می‌کند. مدت‌ها قبل از اینکه هوش مصنوعی به جریان اصلی تبدیل شود، تولیدکنندگان واحدهای تجاری دیجیتال ایجاد کردند، مدیران ارشد دیجیتال منصوب کردند، به ابزارهای ابری مهاجرت کردند و در سیستم‌های داده ساختاریافته سرمایه‌گذاری کرده اند. اما در 2025CTT ، چیزی متفاوت به نظر می‌رسید. پس از سال‌ها برنامه‌ریزی، نظریه‌پردازی و پیشرفت تدریجی، این صنعت سرانجام نمونه‌های واقعی و عملی از هوش مصنوعی را دارا بود.

پنل اصلی اجلاس روندها و فناوری‌های پوشش (Coatings Trends and Technologies (CTT))

• چگونه تولیدکنندگان پوشش امروزه از هوش مصنوعی برای تسریع فرمولاسیون، آزمایش و تصمیم‌گیری در مورد افزایش مقیاس استفاده می‌کنند.
• چه مبانی داده‌ای قبل از اینکه هوش مصنوعی بتواند در تحقیق و توسعه پوشش‌ها ارزش ایجاد کند، مورد نیاز است.
• چگونه ابزارهای هوش مصنوعی با بازنشستگی شیمیدانان باتجربه، از انتقال دانش پشتیبانی می‌کنند.
• کجاها هوش مصنوعی بهره‌وری را در گردش‌های کاری فرمولاسیون، رنگ‌آمیزی و توسعه افزودنی بهبود می‌بخشد.
• چگونه شرکت‌ها به امنیت داده‌ها، حفاظت از مالکیت معنوی و مدل‌های هوش مصنوعی خصوصی می‌پردازند.
• چرا سرعت، داده‌های داخلی و آزمایش‌های اخیر به عوامل کلیدی تمایز رقابتی تبدیل می‌شوند.

مترجم: مهندس لاله کاغذچی، دانشجوی دکتری مهندسی مواد، دانشگاه تهران

کریستین یوهانسون، مدیر جلسه و ناشر همکار و مدیر فروش جهانی PCI، گفت: “بعد از تمام بحث‌هایی که از سال ۲۰۱۶ در مورد دیجیتالی شدن داشته‌ایم، در حال بستن حلقه هستیم. اکنون مطالعات موردی داریم که نشان می‌دهد هوش مصنوعی چه کارهایی می‌تواند در آزمایشگاه‌های واقعی انجام دهد.” این نشست نگاهی بی‌طرفانه به آنچه هوش مصنوعی امروز می‌تواند انجام دهد، آنچه نمی‌تواند، جایی که شرکت‌ها ارزش پیدا می‌کنند و اینکه چگونه صنعت باید برای سال‌های آینده آماده شود، داشت.

در پنل اصلی، پنج نفر از رهبرانی که در شکل‌دهی به پذیرش هوش مصنوعی در زنجیره ارزش پوشش‌ها نقش دارند، گرد هم آمدند:

• کن کیسنر، مدیر ارشد عملیاتی، Albert Invent
• برایان هالتوم، مدیر بازرگانی، پوشرنگ‌ها و افزودنی‌های صنعتی، DyStar
• دیف آرولمانی، یکی از بنیانگذاران و مدیر ارشد عملیاتی، Valdera
• الکس گاردینر، مدیر فروش راهکارهای نرم‌افزاری، Proleit by Schneider Electric
• پاول اسنووایت، مدیر اجرایی، Applied Molecules

بنیاد داده‌ها: جایی که هوش مصنوعی واقعا آغاز می‌شود

این پنل با یک حقیقت جهانی آغاز شد: هیچ ابتکار هوش مصنوعی بدون یک بنیان داده قوی موفق نمی‌شود. اما اینکه این بنیان چگونه به نظر می‌رسد، از شرکتی به شرکت دیگر متفاوت است.

اسنووایت، تأسیس اولین شرکت خود را به دلیل ناامیدی از داده‌های آزمایشگاهی غیرقابل دسترس، توصیف کرد. او گفت: “من از تلاش برای یافتن داده‌ها در آزمایشگاه‌های خودم ناامید شده بودم. وقتی دیجیتالی شدیم، متوجه شدم که چقدر کارایی از دسترسی به همه چیز حاصل می‌شود. این پایه و اساس چیزی است که هوش مصنوعی را امروزه مفید می‌کند.”

کیسنر این ایده را تقویت کرد که داده‌ها باید در چندین لایه ساختار یافته باشند. او گفت: “شما به یک سیستم ثبت برای مواد، آزمایش‌ها و نتایج خود نیاز دارید. در بالای آن سیستم هوش با مدل‌ها و تجزیه و تحلیل‌های شما قرار دارد. و در بالای آن هم سیستم کار قرار دارد؛ جایی که عوامل می‌توانند وظایف را به طور خودکار با ورود داده‌های جدید انجام دهند.”

آرولمانی بر فوریت تأکید کرد. او گفت: “کمال گرایی دشمن پیشرفت است. اگر منتظر مجموعه داده‌های بی‌نقص باشید، هرگز شروع نخواهید کرد. رقبای شما منتظر نخواهند ماند.»

کیسنر گفت: «ارزشمندترین داده‌های شما داده‌هایی هستند که امروز جمع‌آوری نکرده‌اید.”

این واقعیت در حال حاضر رفتار آزمایشگاه‌ها را تغییر می‌دهد. اعضای پنل توضیح دادند که دانشمندان با مشاهده اینکه چگونه داده‌های بهتر مستقیما به نتایج بهتر هوش مصنوعی منجر می‌شوند، انگیزه بیشتری برای کمی‌سازی نتایج، ثبت مشاهدات ذهنی با معیارها و ثبت جزئیات بیشتر در سیستم‌های دیجیتال پیدا می‌کنند.

غلبه بر شک و تردید: همراه کردن مردم

ترس همچنان مانع اصلی پذیرش است.

کیسنر گفت: “نیمی از شیمیدانان می‌خواهند شروع کنند. نیمی دیگر می‌ترسند. مدیریت ارشد نگران انجام سرمایه‌گذاری اشتباه است. اما در هر سطحی، آموزش به افراد کمک می‌کند تا درک کنند که هوش مصنوعی یک دستیار است. جایگزین آن­ها نمی‌شود.” وقتی تیم‌ها حتی یک برد قطعی را ببینند، به سرعت شتاب می‌گیرند. تشویق، آموزش و قهرمانان داخلی نقش بسیار مهمی در پذیرش اولیه ایفا می‌کنند.

هالتوم توضیح داد که چگونه استفاده از هوش مصنوعی در DyStar از طریق یک رهبر ارشد که به طور مستقل آزمایش می‌کرد، آغاز شد. هالتوم گفت: “او GPT سفارشی خود را ایجاد کرد و آن را به آزمایشگاه آورد. ما آن را امتحان کردیم و این نقطه عطف بود. یک قهرمان به تنهایی همه چیز را تغییر داد.”

موارد استفاده واقعی: جایی که هوش مصنوعی نتایج را ارائه می‌دهد

قوی‌ترین بخش بحث بر موارد استفاده ملموس متمرکز بود. این پروژه‌ها از تئوری فراتر رفته و به نتایج قابل اندازه‌گیری رسیدند.

• DyStar: تسریع توسعه ضدکف

هالتوم از یک پیشرفت غیرمنتظره صحبت کرد که حتی تیمش را نیز شگفت‌زده کرد. DyStar تقریبا یک سال را صرف کار روی یک ضدکف سیلیکونی اصلاح‌شده کرد و با وجود کار سنتز گسترده، بارها به بن‌بست رسید. وقتی شرکت یک GPT سفارشی که بر اساس شیمی پلیمر آموزش دیده بود را معرفی کرد، پیشرفت سرعت گرفت. هالتوم گفت: “شیمیدان سنتز ما شروع به تولید ساختارهایی کرد که در غیر این صورت هرگز به آن­ها نمی‌رسید. ظرف چهار ماه، پس از یک سال پیشرفت حداقلی، ما برخی از بهترین کاندیداهایی را که تا به حال دیده‌ام، داشتیم.” قابلیت اطمینان از یک حلقه بازخورد مداوم ناشی می‌شد، و نتایج تجربی به سیستم بازگردانده می‌شد، بنابراین مدل از نتایج معتبر یاد می‌گرفت.

• Proleit by Schneider Electric: تحول رنگ‌آمیزی خودرو

گاردینر درخواستی را که مربوط به یک تولیدکننده بزرگ پوشرنگ خودرو در هند بود، به اشتراک گذاشت. به طور سنتی، رنگ‌آمیزی به پنج تا ده تکرار خشک کردن، پخت و آزمایش نیاز دارد. گاردینر گفت: “ما یک ابزار هوش مصنوعی ساختیم که یک نمونه تر را بدون خشک کردن یا پخت تجزیه و تحلیل می‌کند. این ابزار آن را با مواد مرجع موجود در پایگاه داده مقایسه می‌کند و در عرض چند ثانیه اصلاحاتی را پیشنهاد می‌دهد.” نتیجه، افزایش ۱۱ درصدی بهره‌وری و کاهش قابل توجه تنگناهای تولید بود.

• Applied Molecules: هوش مصنوعی به عنوان یک موتور پیشرفته طراحی آزمایش

برای اسنووایت، هوش مصنوعی نشان دهنده یک تکامل است نه یک اختلال. او گفت: “ممکن بود طراحی آزمایش مدل A باشد. حالا ما یک تسلا داریم.” شرکت Applied Molecules از هوش مصنوعی برای ترکیب مجموعه داده‌های پیشین، ارزیابی متغیرها و تسریع کار آزمایشگاهی و افزایش مقیاس استفاده می‌کند. در مواد چاپ سه‌بعدی، داده‌های کاربردی مانند پارامترهای چاپگر و شرایط پس از پردازش اکنون مستقیما در مدل‌ها گنجانده شده‌اند. اسنوایت گفت: “ما همان مشکلات قبلی را حل می‌کنیم. فقط آن­ها را سریع‌تر حل می‌کنیم.”

• Valdera: هوش مصنوعی در منبع‌یابی

آرولمانی یک مورد استفاده در خارج از آزمایشگاه را با پیامدهای مستقیم برای نوآوری توصیف کرد: کشف مواد اولیه. او گفت: “ما هوش مصنوعی را طوری ساختیم که به‌طور خاص در مورد تأمین‌کنندگان، مشخصات شیمیایی، قابلیت‌های فرمولاسیون، مقیاس تولید و اطلاعات بازار آموزش دیده باشد. این هوش مصنوعی به شرکت‌ها کمک می‌کند تا تأمین‌کنندگان را پیدا، مواد را ارزیابی و ریسک را بسیار سریع‌تر از انسان‌ها درک کنند.” این رویکرد به‌ویژه در صنعتی که با ابهام، توافق‌نامه‌های عدم افشا (NDA) و روابط همپوشانی تأمین‌کننده-مشتری تعریف می‌شود، ارزشمند است.

بخش سخت: امنیت و حفاظت از مالکیت معنوی

یکی از مهم‌ترین لحظات از سوی حضار زمانی بود که نماینده PPG نگرانی‌هایی را در مورد افشای داده‌های اختصاصی به ابزارهای هوش مصنوعی عمومی مطرح کرد. شرکت‌کننده گفت: “ما قصد نداریم چیزی مانند ChatGPT را به داده‌های تحت کنترل NDA خود نسبت دهیم. چگونه از مالکیت معنوی خود محافظت می‌کنید؟”

کیسنر گفت که امنیت داده‌ها در هر تصمیم محوریت دارد. “شما باید کلیدهای رمزگذاری خود را داشته باشید. فروشندگان نباید به داده‌های شما دسترسی داشته باشند، مگر اینکه خودتان تصمیم به اشتراک‌گذاری آنها بگیرید.”

آرولمانی بر اهمیت درک نحوه آموزش مدل‌ها تأکید کرد. او گفت: “مدلی که شما به صورت داخلی آموزش می‌دهید، به مالکیت معنوی شما تبدیل می‌شود. شما باید مطمئن شوید که از داده‌های شما برای بهبود مدلی که سایر مشتریان می‌توانند به آن دسترسی داشته باشند، استفاده نمی‌شود.”

اسنووایت یک رویکرد ترکیبی را در Applied Molecules توصیف کرد، که در آن ابزارهای عمومی هوش مصنوعی فقط برای اطلاعات منتشر شده استفاده می‌شوند. او گفت: “داده‌های تحقیق و توسعه اختصاصی ما در یک سیستم خصوصی باقی می‌مانند. هرگز عمومی نمی‌شوند.”

استعداد در عصر هوش مصنوعی: حفظ و انتقال دانش

هوش مصنوعی جایگزین شیمیدانان نمی‌شود. در بسیاری از موارد، نقش‌های فنی را جذاب‌تر می‌کند.

گاردینر گفت: “مشتریان ما دریافتند که حذف مراحل تکراری کنترل کیفیت، تکنسین‌ها را خوشحال‌تر کرده است. آن­ها بیشتر می‌مانند زیرا شغلشان جالب‌تر است.”

کیسنر خاطرنشان کرد که شیمیدانان جوان‌تر انتظار محیط‌های دیجیتال را دارند. او گفت: “آن­ها با تلفن‌های هوشمند بزرگ شده‌اند. دفترچه یادداشت کاغذی روشی نیست که آن­ها بخواهند کار کنند.” او همچنین نقش هوش مصنوعی را در انتقال دانش برجسته کرد. در یک سازمان، هزاران آی‌پد در کنار یک پلتفرم دیجیتال تحقیق و توسعه مستقر شدند و به شیمیدانان جدید اجازه دادند تا فورا به دانش سازمانی دسترسی پیدا کنند. با هوش مصنوعی که در لایه‌های بالایی قرار دارد، آن­ها می‌توانند متخصص مناسب را سریع‌تر پیدا کنند. این امر به طرز چشمگیری منحنی یادگیری را کوتاه می‌کند.

اسنووایت افزود که محیط‌های مبتنی بر هوش مصنوعی به طور فزاینده‌ای برای جذب استعدادها اهمیت پیدا می‌کنند. او گفت: “این موضوع به اندازه موقعیت مکانی ما در نزدیکی ساحل اهمیت پیدا می‌کند.”

مزیت رقابتی در عصر هوش مصنوعی

با نگاه اعضای پنل به آینده، چندین موضوع مطرح شد.

سرعت در حال تبدیل شدن به یک عامل تمایز است. اسنووایت گفت: “مشتریان ما پاسخ‌های سریع می‌خواهند. اگر هوش مصنوعی ما را زودتر به آنجا برساند، این برتری است.” داده‌های اخیر اهمیت بیشتری نسبت به داده‌های قدیمی دارند. آنچه ۱۰ سال پیش ایجاد کرده‌اید، اهمیت کمتری نسبت به آنچه در یک یا دو سال گذشته ایجاد کرده‌اید، دارد.

دانش داخلی، مزیت رقابتی واقعی است. کیسنر هشدار داد که ابزارهای عمومی مانند ChatGPT می‌توانند فرمول‌های اولیه پوشرنگ را تولید کنند. او گفت: “همه به دانش جهانی دسترسی دارند. مزیت شما داده‌های داخلی و سرعت استفاده از آن است.” کیسنر همچنین آینده‌ای را توصیف کرد که در آن هوش نظارتی خودکار می‌شود. آلبرت اینونت صدها فهرست نظارتی را دیجیتالی کرده و مجموعه قوانینی را پیرامون آن­ها ایجاد کرده است. او گفت: “اگر یک قانون تغییر کند، هوش مصنوعی می‌تواند محصولات در معرض خطر را علامت‌گذاری کند و حتی جایگزین‌های سازگار را پیشنهاد دهد.”

توصیه‌هایی برای شرکت‌هایی که سفر هوش مصنوعی خود را آغاز می‌کنند

در دور پایانی، کریستین یوهانسون از هر یک از اعضای پنل خواست تا یک توصیه برای شرکت‌هایی که تازه شروع به پذیرش هوش مصنوعی کرده‌اند، به اشتراک بگذارند.

اسنووایت: با داده‌های خوب شروع کنید. همه چیز، از جمله کارهای تحقیق و توسعه، مواد اولیه و اندازه‌گیری‌ها را دیجیتالی کنید. تیم‌هایی با افرادی تشکیل دهید که هم شیمی و هم فناوری را درک می‌کنند و پذیرش را به عنوان یک سفر گام به گام در نظر بگیرید.

هالتوم: یک قهرمان را شناسایی کنید. یک ذینفع کنجکاو را در صندلی راننده بنشانید، بگذارید با یک تیم کوچک کار کند و روی پروژه‌های ملموسی تمرکز کند که می‌توانند به سرعت ارزش خود را نشان دهند تا دیگران بتوانند ببینند چه چیزی ممکن است.

آرولمانی: از کوچک شروع کنید و حرکت را ایجاد کنید. منتظر داده‌های بی‌نقص نباشید. چیزی را آزمایش کنید، از آن یاد بگیرید، سپس تکرار کنید، زیرا کمال گرایی می‌تواند منجر به کندی پیشرفت شود.

گاردینر: بخزید، راه بروید، بدوید. برای چند پیروزی زودهنگام تلاش کنید، سپس آن نتایج را در داخل سازمان تبلیغ کنید تا سازمان بتواند هوش مصنوعی را به نتایج واقعی متصل کند.

کیسنر: ابتدا نشت داده‌ها را متوقف کنید. روی ثبت آزمایش‌های امروز به روشی ساختاریافته تمرکز کنید، سپس داده‌های قدیمی را در طول زمان اولویت‌بندی کنید.

آغاز عصری جدید

اگر صنعت پوشش‌ها دهه گذشته را صرف آماده‌سازی برای هوش مصنوعی کرده باشد، دهه آینده با میزان اثربخشی استفاده شرکت‌ها از آن تعریف خواهد شد. از تسریع چرخه‌های فرمولاسیون گرفته تا تبدیل زنجیره‌های تأمین و خودکارسازی انطباق با مقررات، هوش مصنوعی دیگر یک ابزار اکتشافی نیست؛ بلکه یک ضرورت رقابتی است.

اعضای پنل بر یک چیز توافق داشتند: شرکت‌های پوشش‌ که اکنون دیجیتالی می‌شوند، اکنون آزمایش می‌کنند و اکنون یاد می‌گیرند، سرعت کل بازار را تعیین خواهند کرد. و همانطور که یوهانسون جلسه را به پایان رساند، به شرکت‌کنندگان یادآوری کرد که این گفتگو هنوز به پایان نرسیده است. او گفت: “این فقط آغاز است. هوش مصنوعی قرار است هر کاری را که ما در دنیای پوشش‌ها انجام می‌دهیم، شکل دهد.”

منبع

https://www.pcimag.com/articles/114284-inside-the-ai-shift-in-coatings