陶氏化学是美国最大（全球第三大）的化学品制造公司，市值为 382 亿美元。
陶氏2021年年度报告显示，公司净收入约为64亿美元，净销售额为550亿美元。截至2021年12月31日，该公司在全球拥有35,700名员工。
陶氏成功部署了早期的人工智能项目，以解决有意义的商业问题。 此外，这些部署为未来更大规模的组织转型奠定了基础，最近的营销产品和陶氏领导层的声明也证实了这一点。
本文特别研究了陶氏化学当前的两个使用案例，它们展示了当前人工智能计划如何支持公司的业务目标：
聚氨酯配方匹配的自动化和预测性：陶氏利用机器学习和预测分析来开发定制适合每个客户的聚氨酯产品。
检测密封部位是否泄漏：陶氏化学使用计算机视觉和机器学习来检测其化工厂的密封部件有没有泄漏。
我们首先仔细研究陶氏化学如何使用人工智能开发定制聚氨酯产品，例如泡沫和半硬质塑料。
使用案例 1：聚氨酯配方匹配自动化
陶氏寻求一种解决方案来加快新产品开发的研发过程，例如为各个行业开发泡沫和半硬质塑料。
陶氏在其公司网站上列出了其工厂生产的各种聚氨酯产品。 这些产品包括：
● 聚氨酯添加剂，适用于各种应用，例如鞋类、床垫、汽车内饰和喷涂泡沫绝缘材料
● 节能泡沫，用于冷藏解决方案，例如家电、绝缘金属板和冷藏运输
● 防滑喷雾，用于运输地面解决方案
● 用于回收应用的粘合剂
● 可粘合和粉碎的材料，例如橡胶
陶氏研发副总裁David Parrillo解释道：“没有两个客户会购买相同的产品，这意味着我们必须准确地针对每个客户的需求进行配制和定制。"
据称，在实施微软的解决方案之前，陶氏需要咨询很多资深制造工程师，每位专家都需要长达六个月的咨询期。客户意见、科学调查和研究据称都是人工完成的。 此外，公司向其科学家提供的陈旧的研究工具导致了更多工作量和更具挑战性的过程。
为了实现加速和自动化聚氨酯配方匹配的总体业务目标，陶氏与Microsoft Azure机器学习团队合作。 这个想法是要产生一种自动化的解决方案，可以为陶氏的科学家提供更快、更可行的解决方案。
根据微软的说法，训练模型涉及输入“团队所有先前获得的知识、专业技术和有关客户先前聚氨酯配方的记录”。训练后的模型使用这些数据，运行算法，并为每个客户生成定制的产品配方。遗憾的是，该声明没有提供太多细节来说明陶氏研究团队向最终用户提供了哪些具体数据。然而，这些数据可能包括聚氨酯样品数据（例如，刚度水平、压缩/变形 PSI等）以及与客户相关的数据（例如，性别、年龄、购买历史等）。
微软和陶氏都没有提供有关最终用户与软件交互的具体细节。 虽然我们无法从当前可用的公共信息中准确确定最终用户的工作流程会如何变化，但我们仍可以做出一些常识性推测。
假如微软先前关于陶氏在聚氨酯装配方面缺乏自动化的声明是完全准确的，我们可以推断其研究科学家的工作流程可能发生了巨大变化。例如，微软表示，陶氏的新解决方案可以“在几秒钟内”对数百万种可能的拟合组合进行分类，并给出实验范围的建议。
在其关于陶氏的客户事例中，微软声称其解决方案“从根本上改变了传统流程”，称其针对陶氏的解决方案是更大的数字化转型的一部分。
微软提供了一个例子，虽然有可能夸大了，但或许会使我们对所做的改变有一些了解：
“例如，客户可能会向陶氏化学寻求一种聚氨酯配方来制造特别柔软的床垫。在机器学习之前，这将是一个漫长的人工过程的开始。 科学家们会坐在实验室长凳上，翻阅教科书和过去工作的存档记录，以指导他们的实验来找到新的配方。”
如果微软的上述陈述是可信的，我们可以假设它的解决方案至少取代了一些人工调配聚氨酯配方的过程。
客户称，陶氏能够大幅缩短研发定制聚氨酯产品所需的时间，并报告称过去需要科学家和资深制造工程师们4到6个月的工作可以“在几秒钟内完成” 。”
使用案例 2：检测遏制泄漏
根据微软关于该公司所述，陶氏化学制定了在其制造工厂实现零安全相关事故的目标。 陶氏关注的事件类型之一是化学品泄漏。
陶氏化学公司最近一次公布的泄漏发生在今年4月，当时路易斯安那州的一家工厂发生火灾，导致氯气泄漏。此类安全事件使陶氏这样的传统工业公司在金钱和声誉上都付出了代价。
陶氏再次与微软及其Azure团队合作以实现这一目标。作为回应，微软建议将其Video Analyzer软件作为全面解决方案的一部分。
目前尚不清楚陶氏用什么数据来训练其模型。 最有可能的是，训练数据包含多个标记的泄漏图像 - 以及没有泄漏的设施的图像。很显然，他们使用了图像分类：
● 提供图像并进行训练，以识别所述图像与人类设计的概念之间的关系，如泄漏危险。
● 提供来自24/7摄像机的输入数据，然后通过Video Analyzer软件算法进行推理。
● 如果算法检测到泄漏，边缘设备会通过电子邮件、语音或短信呼叫向客户发送警报。
