Сайт находится в состоянии доработки. Извиняемся за неудобства.

x
© 1995-2020 Компания «Инфосистемы Джет»
Машинное обучение

Реализация ИИ-проектов в нефтегазовом секторе

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

21

0

12

0

3

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.

Следите за нашими обновлениями

Кластерные СУБД

Направление развития информационных технологий все чаще затрагивает кластеризацию или разделение БД по нескольким серверам.

Как изменится ритейл в 2020 году

Какие тренды характерны для отечественного ритейла, и как мировые гиганты справляются с вызовами рынка

Обзор решений по защите от таргетированных атак

Обзор представляет решения Anti-APT от ведущих производителей: FireEye, Trend Micro Deep Discovery, Check Point SandBlast, Kaspersky Anti Targeted Attack Platform (KATA)

Спасибо!
Ваш материал отправлен.
Мы с вами свяжемся
Предложить
авторский материал
Спасибо!
Вы подписались на обновления наших статей
Подписаться
на рубрику






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 наши новости.
Оформить
подписку на Новости
Спасибо!
Ваша заявка отправлена.
Мы с вами скоро свяжемся.
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