#TuesdAI: sztuczna inteligencja napędza silniki wnioskowania koncernu BP

Kilometry pod powierzchnią Ziemi, zamknięte w skalnych kieszeniach, kryją się zakopane skarby.

Są to zbiorniki węglowodorowe wypełnione związkami organicznymi, dzięki którym nasz świat „się kręci”. Z wydobytej i rafinowanej zawartości powstają olej i gaz, które pomagają oświetlać miasta, transportować ludzi, a przede wszystkim prowadzić działalność przemysłową.

Dla niektórych inżynierów w BP, podstawowym zadaniem jest lokalizacja tych zbiorników. Kolejnym na liście priorytetów jest określenie, jaki procent zalegających w nich węglowodorów można odzyskać – zwane określeniem „współczynnika odzysku”.

Tradycyjnie, zadanie to było powtarzającym się schematem, obciążającym zasoby i wymagającym ludzkiej ingerencji. Szukając najlepszego modelu prognozowania, specjaliści ds. danych (Data scientists), wykorzystując wiedzę i doświadczenie, próbowali nawet sześciu czy siedmiu algorytmów. Mogło to trwać tygodnie.

Dzięki wykorzystaniu mechanizmów uczenia maszynowego (Azure Machine Learning), BP pracuje nad skróceniem czasu niezbędnego do lokalizowania modeli predykcyjnych, jednocześnie zwiększając efektywność naukowców zajmujących się w firmie danymi. Zautomatyzowane uczenie maszynowe umożliwia użytkownikom identyfikowanie kompleksowe, wytycza ścieżkę opartą na algorytmach i sztucznej inteligencji, która prowadzi do rozwiązania każdego problemu.

Manish Naik, dyrektor BP ds. innowacji cyfrowych zgodził się opowiedzieć w kilku słowach o metodach przeszukiwania danych, które stosuje jego firma.

#MicrosoftMówi: Jaka jest wartość, którą BP zyskuje poprawiając prognozy dla współczynnika odzysku?

Manish Naik: Prognoza współczynnika odzysku z danych bazowych jest dla nas czynnością priorytetową – podstawą kluczowych decyzji podejmowanych przez firmę, które potencjalnie są warte miliardy dolarów. Te dane są rozległe i złożone, obejmują setki właściwości geologicznych.

Aby uzupełnić obecne sposoby przewidywania, które zwykle mają pewien wkład jakościowy, zdecydowaliśmy się sprawdzić uczenie maszynowe, aby przekonać się, czy możemy poprawić prognozy. Staraliśmy się odpowiedzieć na następujące pytania: Czy możemy poprawić jakość prognozy? Czy możemy wyeliminować niektóre ludzkie uprzedzenia?

#MicrosoftMówi: W jaki sposób zatrudnieni w BP analitycy danych używają zautomatyzowanego uczenia maszynowego?

Manish Naik: Nadają mu szeroki kierunek działania. Zaledwie z jedną linijką kodu przechodzi ono przez różne algorytmy predykcyjne i zestawy parametrów (lub zmiennych), które wcześniej były testowane ręcznie przez naukowców. W tym momencie do głosu dochodzi moc chmury obliczeniowej. Co ważne, wyniki są porównywalne do tych uzyskanych przez naukowców.

#MicrosoftMówi: Jedna linia kodu, wow. Ile to pozwala oszczędzić czasu?

Manish Naik: W zależności od ilości danych i rodzaju aktywności – takiej jak przewidywanie lub klasyfikacja – i rodziny algorytmów, zautomatyzowane uczenie maszynowe może potencjalnie zmniejszyć wysiłek z tygodni do dni a z dni zaledwie do godzin.

#MicrosoftMówi: Jak często model predykcyjny opracowany przez BP dla współczynnika odzysku jest obecnie stosowany w całej firmie?

Manish Naik: Ten model jest obecnie wykorzystywany codziennie przez setki ekspertów merytorycznych w ramach całej organizacji.

#MicrosoftMówi: Jak automatyczne uczenie maszynowe staje się podstawowym narzędziem dla analityków danych BP? Jakie są większe, potencjalne korzyści dla firmy?

Manish Naik: Sprawi, że naukowcy zajmujący się danymi będą bardziej produktywni, co oznacza szybszy czas wprowadzenia na rynek projektów uczenia maszynowego (ML).

Ponieważ naukowcy zajmujący się danymi nadal wykorzystują coraz bardziej zautomatyzowane uczenie maszynowe, będą rozwijać zaufanie do dostarczanego przez nich produktu. To może stać się punktem wyjścia dla pracy naszych data scientists. W przyszłości stanie się to częścią solidnego procesu analizy porównawczej dla wszystkich projektów uczenia maszynowego (ML), poprawiając w ten sposób jego jakość.

#MicrosoftMówi: Patrząc na sprawę szerzej – jaki przewidujesz scenariusz przekształcenia całego przemysłu naftowego i gazowego dzięki wykorzystaniu sztucznej inteligencji i chmury?

Manish Naik: Spółki naftowe i gazowe w całym łańcuchu wartości – od poszukiwania po sprzedaż detaliczną – generują znaczne ilości danych. Oznacza to, że istnieje wiele możliwości wykorzystania tych danych przy użyciu technologii AI, ML oraz technologii chmurowych.

Istnieje znaczny potencjał dla tych technologii, aby poprawić efektywność naszych działań i pomóc nam w podejmowaniu lepszych, dokładniejszych i bardziej świadomych decyzji.

Klauzula dotycząca publikowania treści

Treści zamieszczone w Centrum Prasowym Microsoft, w tym również na blogu ekspertów #MicrosoftMówi, zostały przygotowane przez pracowników Microsoft w celu ich dalszego wykorzystania przez dziennikarzy oraz media. Artykuły pracowników Microsoft, opublikowane w Centrum Prasowym Microsoft, w tym na blogu #MicrosoftMówi, mogą być wykorzystywane w całości oraz we fragmentach, pod warunkiem oznaczenia źródła ich pochodzenia. Dotyczy to zarówno tekstów, jak i zdjęć oraz filmów zamieszczonych w Centrum Prasowym Microsoft, w tym na blogu #MicrosoftMówi.

Jednocześnie Microsoft potwierdza, że posiada całość majątkowych praw autorskich do tak udostępnianych treści, uzyskał zgodę na rozpowszechnianie wizerunku osób, występujących w udostępnionych treściach oraz wszelkie inne zgody wymagane przepisami prawa do tego, aby treści mogły być udostępnione i rozpowszechnione publicznie na powyższych warunkach.