Реализация ИИ-проектов в нефтегазовом секторе

В 2017 г. программа AlphaZero, наделенная искусственным интеллектом (ИИ), в течение всего 24 часов обучилась игре в шахматы, сёги и го, после чего победила чемпионов мира среди программ.

Если бы реальное производство было похоже на шахматную доску, ИИ давно бы заменил весь менеджмент и успешно управлял предприятием, но, к сожалению, это не так. Чем же они отличаются?

1. Во-первых, человечество уже изучило все комбинации, которые возможны в шахматах, то есть мы обладаем огромной базой достоверных данных.
2. Во-вторых, мы хорошо знаем правила, по которым идет игра.
3. В-третьих, шахматная доска не меняется в процессе игры.

На производстве все по-другому. Мы не только не обладаем всеми возможными данными, мы даже не всегда можем гарантировать их корректность.

Вторая проблема: производство, в отличие от шахматной доски, постоянно меняется. Используются новое оборудование и материалы, а бизнес- и технологические процессы регулярно требуют пересмотра.

Третья касается специфики самого производства. Например, несмотря на то что в «Газпром нефти» накоплено уже достаточно много данных, мы каждый раз работаем в новых условиях, несколько отличающихся от ранее исследованного. Никто не возьмется утверждать, что изучил недра на 100%. И это является вызовом для машинного обучения.

Ниже я делюсь своим опытом относительно того, какие факторы отвечают за реализацию и эксплуатацию ИИ-проектов.

Во-первых, всегда нужно предварительно навести порядок в данных. Практика реализации ИИ-проектов показала, что весь процесс от постановки задачи до появления решения на 80% состоит из рутинной работы по обеспечению доступа к данным, приведению их в порядок, формированию обучающей выборки и т.д. И только 20% ― это результат аналитики и машинного обучения.

Во-вторых, было бы крайне полезно иметь цифровые двойники объектов оптимизации (в наше время часто новое оборудование поставляется уже со встроенной функцией цифрового двойника, базирующегося на точных физических моделях). Используя их, можно обучать ИИ-модели работать с этим оборудованием в условиях недостатка исторических данных или в процессе модификации самого оборудования.

В-третьих, очень важный аспект ― согласованность действий разных подразделений компаний. Внедрение ИИ-моделей неизбежно влияет на процесс производства, сотрудники на всех уровнях должны быть готовы к этому. С другой стороны, KPI для разных подразделений компании — топ менеджеров, производства, ИТ и блока, отвечающего за цифровизацию, — зачастую противоречат друг другу. В итоге это может привести к саботажу на этапах промышленных испытаний и оценки экономического эффекта ИИ-разработки. Важно, чтобы в рамках проекта по цифровизации KPI были выровнены, тогда успех от внедрения ИИ-решений возрастет на порядок.

Еще один момент ― наличие специалиста, ответственного за весь процесс, от выбора идеи до ввода в эксплуатацию. Порой внедрением искусственного интеллекта занимаются несколько команд. Так, первая выдвигает идеи, начинает лоббировать их, ищет внешние или внутренние ресурсы и подрядчиков. И успешно реализует проект «на бумаге». Но если для реализации промышленного решения выбирается другая команда, она переделывает все предыдущие наработки, поскольку сталкивается с реальными обстоятельствами и нюансами производства. Та же самая проблема может возникнуть при выборе команды поддержки. Лучше, когда одна команда ведет проект от зарождения идеи до поддержки решения.

Для успешного завершения проекта (а под «успешным» я понимаю выход в продуктив и стабильную работу решения в течение довольно продолжительного времени) необходима преемственность. Ядро команды ― специалисты, понимающие суть технологии и разрабатываемого решения, — должно сохраняться на всех этапах.