一文读懂｜数据驱动科学和人工智能应用技术

钢铁和金属加工行业需要在高温和恶劣的环境下进行精密制造，因此长期以来人们一直致力于以轧制过程控制为核心的生产线自动控制。例如，将塑性加工控制所需的基于模型的先进控制技术、传感和通信技术应用到生产过程中。

随着信息和通信技术的发展使得大量数据的获取成为可能，其应用也从基于模型的控制发展到了学习控制，近年来还可以将操作者个人拥有的隐性知识和诀窍作为数据进行获取并引用，而不再仅是依赖物理模型。通过从大量业绩数据中学习实现高级推理的数据驱动科学的实践应用取得了进展，包含人类积累的先验知识的数据驱动科学模型已开始应用于开发和设计等数据较少的领域。如果将人工智能视为“在数据驱动科学模型中具备可输入、输出和引入先验知识的机制以及通过学习来获得结果的模型”的话，则人工智能已经可根据不同产业领域和不同存在形式，作为一种能够学习物理和操作知识并向人们展示的机制，开始为生产现场提供支持。本文介绍了神户制钢公司在信息和通信技术的工业应用，特别是近年来发生显著变化的数据驱动科学和人工智能应用技术方面的发展情况以及为实现人与人工智能的共同成长而作出的努力。

Part 01

神户制钢的数据驱动科学和人工智能应用技术概况

神户制钢公司从车间制造到向客户供应链及时供应产品，自动化控制和人的操作技能都发挥了重要作用。虽然最大程度地实现自动化运行是前提条件，但数据驱动科学和人工智能应用技术在这些制造领域要发挥的作用是不仅要从图1所示物理模型的发展中学习，还要从人类的高水平操作技能中学习，再加上建模技术，会实现更先进的操作，这就是人与人工智能-系统之间相互促进的未来。“人与人工智能的相互促进”这一表述有两层含义：其一，AI能快速学习人类已知的更好的操作知识，而人类可以从事附加值更高的工作；其二是预计人工智能在未来一段时间内还无法达到人类的适应性和创造力，但人与人工智能之间的相互促进将注定以辅助和扩展的形式继续下去。除了人与人工智能的相互促进之外，还希望为人与技术相结合的未来提供解决方案，为安全可靠的城市发展和制造业作出贡献。

Part 02

与数据驱动科学和AI应用技术密切相关的ICT技术应用历史

随着信息和通信技术的发展，神户制钢公司利用信息和通信技术的重点也发生了转移，如表1所示。20世纪80、90年代，日本钢铁工业在世界上占据重要地位，处于起步阶段的数字技术被应用于过程控制，成为整个钢铁行业钢材批量生产的有效武器，并通过实际应用积累了成果。

从20世纪90年代到21世纪，新兴经济体的钢铁产量不断增加，日本钢铁行业也将重点放在提高包括高等级钢材在内的各种产品的生产和开发效率上。但由于不同行业间产品的差异给自动化和效率提高带来了极大的困难，这也使得生产操作者积累了大量高水平的技能和操作经验。

与此同时，1990年到2000年间，得益于互联网时代的到来，使过去只能封闭在过程计算机中的数据能够与其它各种数据之间建立起联系。此外，从2000年到2010年期间，受益于无线通信技术的发展，包括信息存储介质容量的增加和移动电话的普及，大量数据被应用于自动化作业。随着信息基础设施的发展促使人们致力于通过对工厂生产建模来解决高难度自动化课题，同时对于像垃圾焚烧炉等很难用纯物理模型来表示的设备，通过利用运行数据构建多变量模型进行预测控制，从而实现自动化的实例也逐渐增多。

此外，在恶劣环境条件下进行金属材料制造的过程中，采用能够获取数据的硬件的能力往往会成为设备的一项重要竞争力。而恶劣条件下的测量技术中，能灵活运用无线通信技术完成热处理炉内数据的采集等用来支持过程与人之间通信的传感技术，也随着数字技术的发展得到不断提高。

自2010年以来，特别是过去十年，通信速度、信息记录密度和计算能力等支撑ICT基础设施的硬件以及云系统等已经实现产业化，包括工业机械和焊接系统设备在内，都大量采用了能支持现场数据采集的产品，众多企业都开始将竞争重点转移到大数据和数据驱动科学的应用上。因此，神户制钢公司将过程控制和操作研究中培育的机器学习和统计模型等数据驱动科学应用于开发人工智能，使其能够读懂隐藏在数据中的操作知识，与人相互促进。

Part 03

将数据驱动科学与专业领域知识相融合的人工智能

随着数据驱动科学应用的发展，除了将数据驱动科学应用于可以用数学公式表达的现象（如物理模型）外，还可以将人类积累的经验纳入数据驱动科学模型。人工智能将塑性加工和流场热预测等科学领域的专业知识应用到这类数据驱动科学中，并具有学习人类已知更好方法的机制，本文以应用于工厂作业和材料开发的实例为基础，介绍了人工智能的特点。在实际工厂中，各种传感器的测量值和人类输入的数据都包含各种实际情况造成的误差因素，而且当工厂和设备在不同条件下运行时，数据量并不能总是保证足够。神户制钢公司开发了一种利用数据驱动模型将人类经验和物理规律（即专业知识）嵌入其中的技术，同时充分利用各种物理模型，确保一定的物理正确性，从而在物理和实际操作之间架起一座桥梁。具体示例参见图2。如图2下部所示，通过利用数据驱动模型来表达物理模型难以展现的实际波动，以及利用物理模型来确保数据驱动模型未学习数据域的稳定性，两种模型的优势都得到了发挥。在用于人工智能的模型中，物理模型或数据驱动模型所占的权重取决于熟悉技能的人对诀窍再现的难易程度。通过提供模型与人之间易于解读的输出结果，人们可以根据人工智能的输出结果理解多维数据，并通过与自己的专业知识和经验进行比较，评估人工智能输出结果与现实情况之间的一致性和有效性。

例如，在开发钢水冶炼温度预测技术时，人们熟练地利用自己的操作经验来预测温度，并根据操作的相似性（利用实际操作数据与物理模型获得的温度预测之间的数据空间距离来定义）对温度变化因素的影响进行加权，从而获得了与操作者过去的知识更加一致和准确的温度预测技术。

在材料设计中积极采用“材料集成（Materials Integration）”或“材料信息学（Materials Informatics）”（以下简称“MI”）等信息科学，通过利用从积累的材料实验数据库中预测特性的机器学习模型，与将数据驱动科学应用于工厂运营的情况相同，构建了多维度预测模型用于将预测物理模型难以完成的特性预测、通过工艺条件搜索获得理想特性的AI以及部件性能预测模型与材料特性预测模型联系起来。但材料开发中利用的数据不同于工厂运行数据，因为根据要开发的材料类型，进行实验的机会很少，每次实验获取数据的目的也各不相同，与工厂运营数据不同，这些数据量小且复杂。此外，由于实验条件和数据采集项目繁多，在创建数据库时很难事先统一表格形式，这也是数据驱动科学应用的难点之一。

因此，从开发一个数据库系统入手，将研究人员出于各种目的积累的数据进行链接和存储，并将其形成便于MI利用的表格，还建立了一个开发平台，将研究人员各自积累的数据进行组合和利用，将其命名为DataLab并已投入使用。与普通数据库不同，DataLab最大的特点是不需要严格的预先定义，可以在处理实验数据的分支和重组等复杂数据关系的同时构建数据进行分析。在一项针对焊接材料的研究报告中介绍了在材料开发过程中采用了从实验数据中得出的机器学习模型，可以兼顾两种相互冲突的性能。

有研究报告介绍，将加法模型和高斯过程回归作为构建模型的工具，通过融合前面所述的物理知识和数据特征来构建数据驱动型模型，但除此之外，在考虑尚未作为数据获取的条件和物理现象的同时，专家们还可以通过有效的试制来提高传统材料的性能，有选择性地采用由数据驱动模型建议的材料。

神户制钢公司利用MI技术构建的人与AI之间的互补关系，是应用计算科学和数据驱动科学在研究、开发和设计等领域获得新知识的一种解决方案，而这些领域很难采用少量复杂数据建模，这也是人类与人工智能共同成长的基础。

Part 04

为下一代制造业提供支持的人与AI之间的相互理解

随着CCD和CMOS摄像技术的发展以及深度学习技术的出现，图像数据的应用得到了极大的发展，并被用于取代生产现场的感官评估。感官评估中基于数据驱动的科学模型，特别是利用深度学习的图像判别模型，与此前所述基于物理背景的模型不同，没有严格的规律可循，输出简单，而且由于工具丰富，非专业人员也可以轻松评估模型，扩大了应用范围。最近，数据驱动科学与人之间的关系正朝着更加和谐的方向转变，基于深度学习的生成式人工智能让人工智能能够按照人类的指令创造数字艺术。

但是，为了在利用感官评估值进行感官检查时获得AI与人之间的和谐关系，除了判断结果的好坏之外，还强烈要求对判断结果的分歧具有解释能力，因此与使用一般图像人工智能不同，人类还需要能够理解或控制人工智能行为的技术，与XAI（eX plainable AI）相关的对AI具有深度理解的技术将备受关注。

目前，对于XAI的研究大体可分为两个方向：一个是致力于提高模型解释的准确性，另一个是致力于研究能够理解低解释性模型的技术。对神户制钢来说，主要是推进利用深度学习替代感官评估的技术开发，并致力于应用该技术来理解解释性低的人工智能模型，这是深度学习的典型特征。

神户制钢在可解释性低的人工智能模型理解方面所做的努力包括：如图3所示，与Case1相对应的方法，即由人直接检查人工智能的输出结果，控制人工智能的损失函数和超参数，使人工智能的行为符合预期，以及与Case2相对应的方法，即通过采用用于解析新构建AI输出结果的解释型AI来控制训练数据，观察和理解解释型人工智能输出结果的变化。

焊接自动化图像识别技术的开发既属于通过解释型人工智能控制学习数据来理解人工智能行为的一个具体实例。研究人员构建了一个能识别焊枪和母材金属熔合区域熔池特征的人工智能，但在根据特定数据进行训练时，面临着准确性极低的问题。为了解决这个问题，开发了通过以下步骤来理解深度学习模型行为的技术。首先，采用将具有类似U-net（人工智能解释）编码器-解码器结构的深度学习模型关注区域可视化的方法，创建多个关注区域地图图像。然后，人工智能通过计算所创建的地图图像中连续缺失部分的性能变化，对地图的重要性进行排序。有了这种排序，通过跟踪模型的准确性是如何根据图像的哪些区域被隐藏而发生变化的，以及通过互动了解模型认为图像的哪些部分是重要的，从而提高模型的准确性。这种方法的程序类似于人们互相传递检查结果的方式，即指着图像告诉对方注意力应集中在哪里以及如何观察图像。换句话说，就是借助数据在人与人工智能之间一边通过“意识传递”一边进行开发。

作为通过直接控制用于构建后一种人工智能时的损失函数来按预期构建人工智能的研究，有一个关于如何构建控制失误的人工智能实例。在根据某些感官标准判别产品好坏时，一般理论认为，深度学习判别模型的学习方式会提高整体准确性。但是，漏检可能会对下游工序和用户产生负面影响，因此对漏检往往有一定的规定要求，例如，将人工智能的漏检率限定在低于X%的约束状态下，尽可能减少将缺陷件视为合格件的情况。因此，开发了一种优化损失函数的方法，将准确度阈值本身作为机器学习模型的一个超参数，并已证实有可能构建出在受限条件下比根据一般精度评价调整的模型准确度更高的模型。尽管这种方法仍处于实验阶段，针对的是简单模型，但它的应用范围将非常广泛。

为了扩大数据驱动科学在依靠人的制造业中的应用，人与模型之间的这种相互理解以及将意图嵌入模型至关重要，预计XAI将以产业为中心继续不断发展。虽然神户制钢对XAI的了解还很有限，对这项技术的发展方向还没有明确的答案，但将继续关注它，将其作为数据驱动科学在制造业中不可或缺的应用技术，并提高其在制造现场的应用能力。

Part 05

数据驱动科学与AI应用的未来

随着可获取数据类型的增加和数据驱动科学本身的发展，在人类隐性知识领域、难以用语言表达的领域和难以创建物理模型的领域建立模型成为可能，企业的各项业务也开始通过数据驱动科学模型联系起来。数据驱动科学和人工智能技术的发展和应用范围的扩展令人瞩目，人们开始提供大规模生成式人工智能服务，几年前只有少数研究人员才能做到的事情，现在非专业人员只需将数据输入网络应用程序即可实现。毫无疑问，人工智能今后将继续在工业领域广泛普及，在通过将人工智能应用于工艺模型和MI等传统方法继续深入研究技术的同时，还需要大力培养人才，为数据利用奠定基础，并通过将与数据驱动科学和人工智能应用等核心技术相关的知识和经验分享给众多专业人士，将大大增强数据驱动科学应用的整体力量。