Реализация и эксплуатация ИИ-проектов в нефтегазовом секторе
Машинное обучение Машинное обучение

Почему ИИ лучше всех в мире играет в шахматы, но не готов заменить менеджмент на производстве?

Главная>Машинное обучение>Реализация ИИ-проектов в нефтегазовом секторе
Машинное обучение Тема номера

Реализация ИИ-проектов в нефтегазовом секторе

Дата публикации:
16.09.2020
Посетителей:
208
Просмотров:
216
Время просмотра:
2.3

Авторы

Спикер
Анджей Аршавский Директор по анализу данных и моделированию компании «Газпром нефть»

Почему ИИ лучше всех в мире играет в шахматы, но не готов заменить менеджмент на производстве?

 

В чем секрет реализации проектов с использованием искусственного интеллекта?

 

Почему ядро команды, работающей над внедрением ИИ, должно сохраняться на протяжении всего проекта?

  

Название: «Газпром нефть»

Руководство компании: Председатель правления, Генеральный директор Александр Валерьевич Дюков

Отрасль: Нефтегазовая

Год основания: 1995

Количество сотрудников: 78,8 тыс. человек на 31 декабря 2019 г.

Сайт: www.gazprom-neft.ru

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.

На заметку

Появляется яркая идея, под нее нанимаются дата-сайентисты, которые считают своей главной целью разработать чистую модель «в сферическом вакууме», не уделяя достаточного внимания постоянной переоценке ее применимости на практике. Это может привести к ситуации, когда хорошая модель просто ляжет на полку до момента, когда производственные процессы и данные станут более пригодными, ― то есть навечно. В такой ситуации способны помочь аналитики бизнес-практики ИИ — Analytic AIB. Они могут постоянно держать руку на пульсе и сверять путь, обеспечивая достижение практических целей.

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.

Сокращение легкоизвлекаемых запасов нефти и выход компании в новые регионы добычи, где не работает старый опыт, требуют от нас нестандартных методов исследований, расчетов, моделирования и проектирования. Для того чтобы оставаться эффективной, «Газпром нефть» увеличивает коэффициент извлечения нефти на сложных месторождениях, не увеличивая при этом стоимость ее добычи. Мы не решили бы все эти задачи без искусственного интеллекта и машинного обучения.

Читайте также

Цифровая нефть

Уведомления об обновлении тем – в вашей почте

«Мы уже цифровая компания»: как технологии изменили работу ММК

Какие решения внедряет ММК в рамках цифровизации?   Какой должна быть команда, реализующая цифровую ...

DevOps/NetOps заказывали? Автоателье для сетевиков

Что такое DevOps/NetOps? Объясняем на автомобилях. Когда компаниям необходимо DevOps/NetOps-решение? Как мы разрабатывали собственный продукт?

Цифровизация — это инструмент, а не самоцель

Почему у директоров по цифровой трансформации в промышленности короткий кредит доверия рассказывает Наталья Чернышева, директор по акселерации Кластера передовых производственных, ядерных и космических технологий (Промтех) Фонда «Сколково»

Segezha Group: «Запускать пилоты и не бояться неудач»

Почему бессмысленно создавать многолетнюю инновационную стратегию? Как технология компьютерного зрения помогает улучшить качество фанеры? Чем Segezha Group привлекает кадры в условиях тотальной конкуренции? Как показать новым луддитам, что цифровые технологии не угрожают, а помогают бизнесу?

VDI в промышленности

Из модной, но сырой технологии VDI (Virtual Desktop Infrastructure) превратилась в надежный рабочий инструмент.

Контуры промышленности: объединяй, оптимизируй

Ниже мы затронем специфическую и при этом крайне актуальную для российской промышленности тему.

Аутсорсинг для промышленности

По оценке TAdviser, в последние 2 года российский рынок ИТ-аутсорсинга стабильно растет на 15–17%.

Главные плюсы от цифровизации в угольной промышленности лежат в логистике

Угольная промышленность — крупнейший сегмент в сфере добычи энергоносителей в мире.

Спасибо!
Вы подписались на обновления наших статей
Предложить
авторский материал





    Спасибо!
    Вы подписались на обновления наших статей
    Подписаться
    на тему







      Спасибо!
      Вы подписались на обновления наших статей
      Оформить
      подписку на журнал







        Спасибо!
        Вы подписались на обновления наших статей
        Оформить
        подписку на новости







          Спасибо!
          Вы подписались на обновления наших статей
          Задать вопрос
          редактору








            Оставить заявку

            Мы всегда рады ответить на любые Ваши вопросы

            * Обязательные поля для заполнения

            Спасибо!

            Благодарим за обращение. Ваша заявка принята

            Наш специалист свяжется с Вами в течение рабочего дня