در شرایطی که شرکت‌ها به‌دنبال تسریع نوآوری با هوش مصنوعی، رایانش ابری و مدل‌سازی پیشرفته هستند، چالش اصلی پیوند دادن فناوری‌های جدید با داده‌های قابل‌اعتماد، تخصص علمی و واقعیت‌های عملی عرضه محصولات به بازار است. برای Lubrizol، تولیدکننده مواد شیمیایی تخصصی، تحول دیجیتال یعنی فراهم کردن ابزارهایی برای پژوهشگران تا ایده‌ها را سریع‌تر بیازمایند، تصمیم‌های آگاهانه‌تری بگیرند و بدون به خطر انداختن عملکرد، مواد پایدارتری تولید کنند.

Girish Rao، معاون فناوری اطلاعات Lubrizol، می‌گوید این شرکت در حال ایجاد زیرساختی دیجیتال است که فرایندهای کسب‌وکار، پلتفرم‌های داده مدرن و زیرساخت ابری را به هم پیوند می‌دهد تا از تیم‌های تحقیق‌وتوسعه (R&D) پشتیبانی کند. هدف، ترکیب دهه‌ها داده فنی انباشته‌شده با دانش عمیق شیمی‌دانان و مهندسانی است که هم نیازهای مشتریان را درک می‌کنند و هم با محدودیت‌های فیزیکی کارشان آشنا هستند. دانشمندان داده می‌توانند پیش از انجام آزمایش‌های عملی، به شناسایی الگوها، آزمودن فرضیه‌های تازه و مدل‌سازی احتمالات کمک کنند. اما Rao تأکید می‌کند: «موضوع جایگزین کردن قضاوت علمی نیست؛ هدف این است که ابزارهای بهتری در اختیار دانشمندانمان قرار دهیم.»

دانشمندان، دانشمندان داده و تیم‌های فناوری اطلاعات هرکدام از زاویه‌ای متفاوت به مسائل نگاه می‌کنند و به‌ترتیب اعتبار آزمایش‌ها، عملکرد مدل و امنیت و مقیاس‌پذیری پلتفرم را در اولویت می‌گذارند. Lubrizol با گرد هم آوردن این گروه‌ها در «تیم‌های تلفیقی»، آن‌ها را حول اهداف مشترک همسو می‌کند و برای ایجاد اعتماد، کار را با طرح‌های آزمایشی کوچک آغاز می‌کند.

Rao می‌گوید: «وقتی میان اعضای تیم اعتماد شکل بگیرد و بدانند قرار است چه ارزشی ایجاد کنند، کارها خیلی بهتر پیش می‌رود.» زیرساخت ابری همچنین به شرکت امکان می‌دهد بدون سرمایه‌گذاری هنگفت برای ساخت و نگهداری مراکز داده اختصاصی، به منابع محاسباتی و ابزارهای مدرن دسترسی داشته باشد.

این قابلیت‌ها می‌توانند در پیشبرد پایداری به‌ویژه ارزشمند باشند. مدل‌سازی دیجیتال می‌تواند به پژوهشگران کمک کند فرمولاسیون‌های بیشتری را ارزیابی کنند، موادی مانند نشاسته و جایگزین‌های مبتنی بر ذرت را بررسی کنند و بده‌بستان‌های مختلف را در سراسر چرخه عمر یک محصول بسنجند. اثبات کارایی یک ماده در آزمایشگاه تنها گام نخست است. افزایش مقیاس تولید، هم‌زمان با برآورده کردن انتظارات عملکردی، الزامات قانونی و محدودیت‌های مالی، همچنان کاری دشوار و ظریف است؛ اما توانایی هوش مصنوعی در مدل‌سازی متغیرهای متعدد می‌تواند به تیم‌ها برای مدیریت این خواسته‌های متعارض کمک کند.

Rao در نگاه به آینده انتظار دارد هوش مصنوعی، اتوماسیون، مدل‌سازی پیشرفته، دوقلوهای دیجیتال و داده‌های به‌هم‌پیوسته با هوشمندتر شدن آزمایشگاه‌ها و کارآمدتر شدن کارخانه‌ها در کنار هم قرار گیرند. به گفته او، فرصت اصلی در گرد هم آوردن مسئولانه این قابلیت‌ها و به‌کارگیری آن‌ها در مقیاس وسیع نهفته است. «موضوع فقط یک فناوری واحد نیست. فکر می‌کنم ترکیب همه این‌هاست؛ و این تواناییِ پیوند دادن همه این فرایندهاست که حجم عظیمی از داده تولید خواهد کرد.»

این وبینار با همکاری Infosys تهیه شده است.

این محتوا را Insights، بازوی تولید محتوای سفارشی MIT Technology Review، تهیه کرده است، نه تحریریه آن. این مطلب با پژوهش و نگارش انسان‌ها تولید شده و هرگونه ابزار هوش مصنوعی احتمالی، صرفاً تحت نظارت انسانی و در فرایندهای تولید به کار رفته است.