PROCESS：神經網絡、機器學習、深度學習和人工智能有什么區(qū)別？

Stefan Pauli博士：分清這些術語對理解AI非常有幫助，因為雖然它們彼此相關，但它們指的不是同一件事。伊萊恩-里奇1983年對于通用術語人工智能（AI）的定義比較恰當："人工智能是研究如何使計算機做出目前人們更擅長的事情"。因此，人工智能通常是指人為地部分模仿人類智能的機器在某些部分表現(xiàn)得很智能。現(xiàn)在有許多不同的人工智能技術。其中之一是機器學習算法，它從收集的數(shù)據(jù)中進行獨立學習。在這些算法中，有一些比較簡單的算法，如線性回歸或隨機森林，但也有非常復雜的算法，如神經網絡。神經網絡將神經元（神經細胞）連接成一個網絡，有點類似人類大腦的神經元網絡。大型神經網絡則被稱為深度學習，它可以在圖像、文本或語言處理方面展示其卓越的能力，但需要大量的數(shù)據(jù)和計算能力。因此，從通用術語人工智能開始，通過幾個中間術語（例如機器學習），人們就可以得出深度學習這個子術語。

PROCESS：根據(jù)Bitkom最近的一項研究，只有14%的化學和制藥公司使用人工智能或機器學習工具。這是為什么呢？

Stefan Pauli博士：14%的化學和制藥公司已經使用人工智能。雖然這聽起來非常少，但這項研究中的行業(yè)平均水平是13%。這項研究還談到了推廣人工智能的最大挑戰(zhàn)，這揭示了人工智能不被經常使用的原因。大公司認為最大的挑戰(zhàn)來自于投資成本高（59%）、數(shù)據(jù)保護要求（50%）、數(shù)據(jù)安全性要求（46%）以及缺乏應用案例（45%）。這與我們的經驗值非常吻合。然而，通過采用適當?shù)姆椒ǎ?，我們所采取循序漸進的方法（見下一個問題）方面就有很好的經驗，從低投資成本開始，隨著成功而加大投資。通過設計對數(shù)據(jù)進行一致的保護和安全，可以確保工業(yè)生產流程的穩(wěn)定性以及商業(yè)秘密和專有技術的保護。根據(jù)我們的經驗，對于化工行業(yè)，特別是制藥業(yè)，還面臨另一個具體的挑戰(zhàn)——嚴格的監(jiān)管要求和工藝。人工智能算法必須經過GxP驗證。在GMP合規(guī)性和數(shù)字化這兩個領域都有豐富專業(yè)知識的有能力的合作伙伴可以在這些方面提供支持。

PROCESS：從想法到商業(yè)案例：實施人工智能項目的決定性成功因素是什么？

Stefan Pauli博士：據(jù)經驗，以下幾點是最重要的：

1.確定和定義一個有價值且可行的項目目標。使用人工智能時，某些事情不會改變。與尋常項目一樣，必須確定、制定和定義項目目標（例如SMART）。 這有時可能是 AI 項目中最困難和最重要的任務之一。指導性的用例研討會在這里已經證明了它們的價值。

2.跨學科和有經驗的項目團隊。由于制造型工業(yè)公司的工藝通常比較復雜，因此，成功的項目管理需要一個跨學科的團隊。使用新的職位描述，如數(shù)據(jù)科學家、數(shù)據(jù)工程師以及經典的MES工程師，當然還有來自工程和運營的經驗豐富的技術人員，他們非常了解生產過程。為了簡化人工智能的應用并且增加成功率，能夠獲取現(xiàn)有知識是非常重要的。

3.循序漸進的方法。我們認為，按照 “從小事做起，在成功中成長”的座右銘，一步一步地發(fā)展項目，有利于成功。與其他軟件開發(fā)一樣，敏捷項目方法是理想的選擇。