第四次工业革命之后，各种工业生产技术的发展相当迅速。在物联网的技术基础下，工业界发展出了许多的新兴应用，也诞生了许多新颖的技术名词。这些技术大部分应用在机台产业，化工产业要如何找到适合的技术导入？本文以人工智慧的发展史为出发点，简单说明化工系统与一般机台产业的差异，并以相关案例介绍在化工产业可能的相关运用，例如：专家系统运用在高炉冶炼将铁矿石还原成生铁、运用数据分析方法判断气体泄漏的特征等。
相信可以为化工产业带来新的应用方向。化学工业生产制程通常是经由严谨理论模型计算以及高度最适化所设计出来的，又因为化工制程通常有高度的工业安全以及稳定操作的需求，因此，无论有无强调所谓的工业AI，厂内领域专家一定会扮演着相当重要的角色。而AI模型发展至今对于其内部模型的运算操作，仍经常无法清楚的解释运算结果，造成许多化工厂内工程师对于AI模型的使用方式及其性能抱着迟疑的态度。
而如何让厂内专家提升对于AI模型的信任感，并充分的将专家的操作经验转化成工业AI？有几个重要因子需要注意：分析技术、大数据技术、云技术或虚拟技术、领域知识及足够的因果关系分析数据，熟悉这些重要因素将成为工业AI发展的关键。以下拟透过几个案例，希望多少能呈现工业AI在化工或制程产业的应用。
本文搜寻许多案例，归纳AI在化工产业的应用主要为专家操作经验萃娶设备状态预测、工业安全应用、材料研发及质量预测，每个应用皆需庞大的操作数据或实验数据，并须加上领域专家的介入或化工理论模型，因此，领域专家及领域知识扮演着最重要的关键角色。未来推动AI应用时，可以参考国外知名化工厂或学界发表的经验，整合国内学界对于化工制程模型或是人工智慧相关的单位，组成化工产业的人工智慧团队。在推动初期建议可先研究目前应用对象的仪表丰富度，判断是否需要再增设仪表或是IoT设备。
下一阶段再藉由额外的数据搜集，尝试萃取关键因子，以建立实用的AI模型。最后，要训练出一个成功的AI模型需有以下的关键。首先要有适当且可执行的题目，并且要评价自身的感测器或者是实验数据条件，给予务实的目标。领域专家需适时的给予建议，让模型的关键因子是合乎实际操作经验。并有足够的数据量以训练AI模型。训练出来的模型需再与制程互相印证，以确认其因果关系的正确性。有了正确的AI模型的辅佐，结合领域专家的判断或操作经验，相信可以大幅提高化工厂或制造工厂的工安水准与操作效率。
