Przejdź do głównej zawartości

Wydobycie potencjału danych ze złóż BP. #TuesdAI

W ramach procesu cyfrowej transformacji koncern BP wykorzystuje sztuczną inteligencję (AI) do zmiany sposobu działania firmy. W tym celu naukowcy BP badają potencjał nowych złóż za pomocą usługi Microsoft Azure Machine Learning. Dzięki funkcji automatycznego uczenia maszynowego budują oni dokładne modele w znacznie krótszym czasie, pomagając lepiej ocenić dostępne rezerwy węglowodorów.

W BP technologia nie tylko ułatwia procesy biznesowe – firma stosuje zaawansowaną technologię informatyczną, aby realizować swój strategiczny cel, jakim jest redukcja emisji dwutlenku węgla przy jednoczesnym zapewnieniu paliwa, który potrzebuje świat. Mając na uwadze realizację powyższych założeń BP przeprowadziło transformację cyfrową obejmującą wszystkie poziomy działalności.

„Kluczową częścią naszej transformacji było wykorzystanie chmury i związanych z nią rozwiązań i usług cyfrowych” – mówi Diana Kennedy, wiceprezes ds. strategii, architektury i planowania technologii i usług informatycznych w BP. „Oznacza to głębokie wejście w sztuczną inteligencję i uczenie maszynowe, których używamy do przeprojektowywania naszych procesów zarówno wewnątrz firmy, jak i w terenie, tak by były bezpieczniejsze, wydajniejsze i lepiej zorganizowane”.

Odkrywanie siły AI

BP stosuje technologie Microsoft, aby zrealizować kilka celów stawianych przed sztuczną inteligencją i uczeniem maszynowym. „Sztuczna inteligencja zasadniczo zmienia wszystkie aspekty naszego świata”, wyjaśnia Kennedy. „Możemy być bardziej innowacyjni jako firma, unowocześniając standardowe procesy i zapewniając najzdolniejszym pracownikom platformę, dzięki której wejdziemy w przyszłość”.

W tym celu BP stworzyło w firmie centrum doskonałości AI (Center of Excellence), aby rozwijać i realizować nowe pomysły. „Bezpieczeństwo pozostaje naszym najwyższym priorytetem i widzimy tutaj możliwości sztucznej inteligencji, która pomoga nam zwiększyć bezpieczeństwo naszych operacji” – mówi Kennedy. „Spodziewamy się również znaczącego wzrostu wydajności, ponieważ uczymy się efektywnej pracy z AI”.

Firma BP opracowała również koncepcję „inteligentnych działań operacyjnych, która polega na przejęciu ogromnych repozytoriów danych firmy i bogatego doświadczenia inżynierów i zaszczepieniu ich w rozwiązaniach AI, które pomagają w prowadzeniu działań operacyjnych, np. takich jak konserwacja predykcyjna.

„Nasze platformy wiertnicze stanowią potencjalnie niebezpieczny element otoczenia, dlatego są dla nas ważne z punktu widzenia bezpieczeństwa” – mówi Kennedy. „Chcemy stworzyć autonomiczne platformy, w których pracownicy będą mogli bezpieczniej zarządzać codziennymi operacjami za pomocą sztucznej inteligencji w sposób zdalny. Badamy także możliwości uczenia maszynowego, aby podejmować lepsze decyzje dotyczące planowania transportu statków w celu zwiększenia wydajności i zmniejszenia zużycia energii”.

Wykorzystanie uczenia maszynowego

Kolejnym z obszarów zastosowania AI jest projekt wprowadzający zautomatyzowane uczenie maszynowe do prognozowania współczynnika odzysku potencjalnych złóż ropy i gazu – współczynnikiem odzysku jest procent węglowodorów, które można wydobyć ze złoża podziemnego. Obliczanie tej liczby jest ważnym, ale skomplikowanym czynnikiem dla każdego projektu rozwoju złoża.

„Prognozowanie współczynnika odzysku wymaga analizy bazy danych zawierającej prawie 200 różnych właściwości zbiornika – na przykład właściwości skały, właściwości geologiczne i geograficzne – oraz porównania ich z dostępnymi danymi z poprzednich projektów”, wyjaśnia Mercia Silva, inżynier danych w BP. „W tym ręcznym procesie błędne założenia i przyzwyczajenia poszczególnych naukowców mogą mieć wpływ na wyniki. Przy tych samych danych wejściowych można uzyskać różne wyniki od różnych osób, a nawet od tej samej osoby w innym dniu”.

Silva i jej zespół chcieli znaleźć lepsze rozwiązanie, dlatego przeanalizowali możliwości opartej na chmurze usługi Microsoft Azure Machine Learning, w szczególności jej możliwości automatycznego uczenia maszynowego. Proces opracowywania rozwiązania do uczenia maszynowego obejmuje stworzenie modeli opartych na danych historycznych i wykorzystywanych do przewidywania przyszłych wyników.

Zautomatyzowane uczenie maszynowe robi dokładnie to, co sugeruje nazwa – automatyzuje etapy opracowywania modelu – uwalnia naukowców od powtarzalnych ręcznych zadań, pozwalając im skupić się na wydajności i celach biznesowych. Może to skrócić czas poświęcony na budowanie modeli z tygodni czy miesięcy do kilku dni. Zautomatyzowane uczenie maszynowe w ramach usługi Azure Machine Learning zapewnia tworzenie funkcji, wybór algorytmu i dostosowanie hiperparametrów, umożliwiając naukowcom szybkie i rygorystyczne testowanie szerokiej gamy funkcji, algorytmów i hiperparametrów w celu optymalizacji całego modelu.

„Korzystając z usługi Azure Machine Learning mamy spokojną głowę, że wyczerpujemy wszystkie możliwe scenariusze i używamy najlepszego modelu dla naszych danych wejściowych” – mówi Silva. „Ponadto badacze danych cały czas opracowują nowe algorytmy, a automatyzacja ułatwia nam szkolenie i testowanie wielu modeli za pomocą prostych linii kodu”.

„Skala rygoru naukowego zapewniana przez zautomatyzowane uczenie maszynowe był ważnym czynnikiem w zachęcaniu wszystkich do wspólnego wysiłku. Ze względu na znaczący wpływ wykorzystania prognoz uczenia maszynowego, musieliśmy sprawić, by inni zaufali takim rozwiązaniom i przyjęli je w firmie” – mówi Lance Goodship, architekt AI w firmie BP. „Było to wspólne działanie inżynierów, badaczy danych i biznesu w celu opracowania udanego rozwiązania”.

Szczegółowy opis projektu znajduje się TUTAJ