去年我們協助一家化工原料廠建立了廢油水處理的自動加藥預測模型，整個開發周期大約三個月。
這個案子最初接觸時，對方的問題很簡單：「藥劑費用太高，但一直不知道怎麼控制。」
我們花了前兩週只做一件事：把過去兩年的操作紀錄整理成乾淨的資料集。
這個過程本身就有收穫。光是在資料清理階段，我們就發現了幾個規律：
- 每週一早班的投藥量異常偏高，原因是週末進料組成不同，但交班紀錄沒有記載
- 某個pH感測器有系統性偏移，導致補正投藥邏輯一直在做無效補償
- 雨季進水SS值波動，但現場沒有對應的操作SOP
這三個問題，光靠「改善操作習慣」就能解決其中兩個，根本不需要AI。
最後建出來的預測模型，輸入六個參數，輸出建議投藥量區間，操作員最終決定。準確率達到可接受水準後，藥劑費用季降幅約22%，但更大的收益是——操作人員第一次有了可以對話的數據基礎，而不是靠經驗猜。
這個案子沒有用到任何尖端技術。用的是整理好的歷史資料加上梯度提升模型，搭配一個Excel介面讓現場人員輸入。
有時候，最好的解決方案不是最複雜的那個。