PROJETO 1: RESULTADOS MAIS RÁPIDOS

Para os cientistas de dados, o que importa é a composição perfeita. E como eles não são poetas, isso significa que querem encontrar uma formulação para um produto que encantará o cliente. O cliente pode vir da MPP, PLA, LAB ou outra BU. “Os colegas que querem melhorar as propriedades de um produto estão exatamente no lugar certo conosco”, declara Lynn Ferres, da equipe de Ciência de Dados e IA, DSAI, da área central de TI.

A equipe da DSAI desenvolveu uma abordagem que permite apresentar mais rapidamente sugestões promissoras para variantes otimizadas de produtos com o apoio de aprendizado de máquina. Essa abordagem foi aplicada com sucesso em várias unidades de negócios. Por exemplo, a BU PLA já havia desenvolvido um retardante de chamas muito bom. Então, ele precisou ser testado com diferentes ingredientes em diversas quantidades para encontrar uma versão otimizada de um plástico. As entradas e saídas complexas e multivariáveis foram analisadas com a ajuda de um modelo de IA. Um processo contínuo e iterativo, o aprendizado sequencial, forneceu várias formulações. “Nossos especialistas em retardantes de chamas, He Qingliang e Christopher Simpson, decidiram quais dessas sugestões seriam testadas posteriormente”, explica Lynn Ferres. Com seu know-how, eles conseguiram avaliar bem as propostas da IA. “Agora, temos duas candidatas que têm características muito boas em todas as variáveis-alvo”, completa Ferres. As escolhidas estão deixando o microcosmo do laboratório e sendo produzidas em escala de quilogramas. O material está sendo testado quanto à sua resistência à tração e à flexão, bem como ao seu estiramento, além de suas propriedades retardantes de chamas. Mas mesmo que as formulações candidatas tenham um bom desempenho nos testes, o cliente pode rejeitá-las.  “Se forem muito boas, geralmente são muito caras. Nesse caso, precisamos combinar o produto com as demandas e as aplicações do cliente”, explica Ferres de forma prática. A empresa quer gerar vendas com suas inovações – esse é o principal objetivo.

Hanna Kahlfeld, também cientista de dados da equipe da DSAI, acabou de concluir um projeto com a BU MPP. “Os colegas nos procuram quando não encontram soluções no laboratório. Os casos são sempre complicados”, conta ela. Mas com a ajuda da abordagem de aprendizado sequencial, eles encontraram rapidamente uma formulação que atendia às propriedades especificadas. “Isso foi mais uma confirmação de que nossa abordagem funciona”, diz ela. Isso também convenceu outras pessoas e, assim, o desenvolvimento de formulações com auxílio de IA foi ancorado na Excelência em Inovação. Afinal, a abordagem demonstrou que a LANXESS é capaz de desenvolver produtos novos e melhorados de forma mais rápida. Kahlfeld agora está convidando qualquer pessoa a entrar em contato com ela e sua equipe no caso de tais questões.