BP: Прогнозы искусственного интеллекта могут приносить миллиардные прибыли
Находите свои слабые места
У инженеров в British Petroleum есть два приоритетных направления работы. Первое — поиск углеводородных резервуаров с сырьем, из которого после очистки получают нефть и газ. Второе — точное предсказание того, какой процент углеводородов удастся извлечь. Этот коэффициент извлечения в традиционной модели часто бывает спрогнозирован неточно: все зависит от личного опыта сотрудника компании, верности составленных моделей прогнозирования, человеческого фактора. Сам процесс составления прогноза очень ресурсоемкий и включает в себя много итераций. Как правило, необходимо было выбрать 6–7 алгоритмов, процесс растягивался на недели. Для British Petroleum вариантом решения этой проблемы и сокращения сроков прогнозирования стало использование автоматизированного машинного обучения.
Передавайте человеческую работу машинам
Определение коэффициента извлечения связано с обработкой огромных потоков данных, которые инженеры получают при разведке. В них входят сотни различных специализированных геологических показателей, между которыми необходимо установить взаимосвязи. Перед British Petroleum встала задача повысить производительность своих сотрудников и сделать прогнозирование более точным.
«Точное определение коэффициента извлечения влияет на ключевые решения, принимаемые руководством корпорации. Потенциально они могут приносить миллиарды долларов, — рассказывает Маниш Наик (Manish Naik), глава департамента British Petroleum по цифровым инновациям. — Чтобы дополнить существующие способы прогнозирования, которые, как правило, все же имеют некоторую ценность, мы решили обратить внимание на машинное обучение и понять, сможем ли мы улучшить качество прогнозов и устранить влияние человеческого фактора».
Обрабатывайте данные как можно быстрее
С учетом огромных объемов данных, в BP сделали выбор в пользу сервиса Azure Machine Learning, потребляемого из облака Microsoft Azure. Этот сервис позволяет использовать достаточно сложные модели машинного обучения. Сам процесс построения четко визуализирован, отчего получается простым и наглядным. Кроме того, в Microsoft Azure есть целая библиотека готовых алгоритмов, которые можно использовать для построения собственных моделей.
В случае с BP, программистам удалось построить сквозной сервис машинного обучения, которому заданы самые широкие рамки: всего лишь при помощи одной дополнительной строки кода находятся взаимосвязи между данными и параметрами. Раньше это приходилось делать в ручном режиме.
«В зависимости от объема данных и конкретной задачи, стоящей перед нами, автоматическое машинное обучение потенциально может сократить затраты времени с недель до дней и с дней до часов», — добавляет Маниш Наик.
Развивайте свои компетенции
Разработанной в British Petroleum при помощи сервиса Azure Machine Learning моделью пользуются сотни специалистов компании по всему миру. В BP отмечают, что, помимо выполнения основной задачи, использование автоматизированного машинного обучения еще и серьезно повысило компетенции и продуктивность отдела датасаентистов. А это, в свою очередь привело к сокращению времени выхода на рынок решений, связанных с машинным обучением.
«Нефтегазовые компании генерируют значительные объемы данных по всей бизнес-цепочке создания продукции — от разведки до розничной торговли. Это означает, что существует множество возможностей для использования этих данных с использованием искусственного интеллекта, машинного обучения и, конечно, облачных технологий», — заключает Маниш Наик.
Короткая ссылка на материал: http://cnews.ru/link/a13521
Полный текст статьи читайте на CNews
