Nova ferramenta da BP para minerar dados já está propiciando decisões mais inteligentes

Nas profundezas da Terra, em muitos casos quilômetros abaixo da superfície, bolsões selados nas rochas escondem tesouros.

Estes reservatórios de hidrocarbonetos são embalados com compostos orgânicos que fazem o mundo girar. Quando o conteúdo é extraído e refinado, o petróleo e o gás resultantes ajudam a iluminar cidades, transportar pessoas e administrar indústrias.

Para alguns engenheiros da BP, o Job One está localizando os reservatórios. O Job Two prevê com precisão qual porcentagem de hidrocarbonetos é recuperável, também conhecida como “fator de recuperação”.

Tradicionalmente, essa tarefa tem sido iterativa, pesada em recursos e pode ter um elemento de viés humano. Os cientistas de dados, usando seus próprios conhecimentos e experiências, podem experimentar seis ou sete algoritmos diferentes enquanto trabalham para criar o melhor modelo de previsão. Isso pode levar semanas.

Mas, usando o serviço de aprendizado de máquina do Azure, a BP trabalha para reduzir o tempo necessário para identificar modelos preditivos e, ao mesmo tempo, aumentar a produtividade de seus cientistas de dados. O aprendizado de máquina automatizado permite que os usuários identifiquem um pipeline de aprendizado de máquina de ponta a ponta para qualquer problema.

O blog Transform recentemente conversou com Manish Naik, diretor de inovação digital da BP, em seu escritório em Londres, para saber mais sobre o novo método da empresa para minerar seus dados.

TRANSFORM: O que a BP ganha ao melhorar suas previsões de fator de recuperação?

MANISH NAIK: A previsão do fator de recuperação a partir de dados subjacentes é uma atividade crucial – a base das decisões importantes tomadas pela empresa que potencialmente valem bilhões de dólares. Esses dados são vastos e complexos, envolvendo centenas de propriedades ou características geológicas.

Para complementar as formas atuais de previsão, que tendem a ter alguma informação qualitativa, decidimos explorar o aprendizado de máquina para ver se podemos melhorar o resultado. Procuramos responder a estas perguntas: Podemos melhorar a qualidade da previsão? Podemos eliminar alguns dos vieses humanos?

TRANSFORM: Como seus cientistas de dados usam o aprendizado de máquina automatizado?

NAIK: Eles definem uma direção ampla. Com uma linha de código, o aprendizado de máquina é executado através de diferentes algoritmos dentro da família de previsão e diferentes combos de parâmetros (ou variáveis) que foram previamente testados manualmente pelos cientistas. O poder da nuvem sobressai aqui. Os resultados são comparáveis ​​aos que os cientistas de dados produziram.

TRANSFORM: Uma linha de código, uau. Quanto tempo é poupado com isso?

NAIK: Dependendo da quantidade de dados, tipo de atividade – como previsão ou classificação – e família de algoritmos, o aprendizado de máquina automatizado poderia reduzir potencialmente o esforço de semanas para dias ou de dias para horas.

TRANSFORM: Com que frequência o modelo de previsão que a BP desenvolveu para o fator de recuperação agora é usado em toda a empresa?

NAIK: Este modelo está em produção e é usado por centenas de especialistas no assunto globalmente na BP todos os dias.

TRANSFORM: À medida que o aprendizado de máquina automatizado se torna uma ferramenta essencial para os cientistas de dados da BP, quais são os benefícios maiores e potenciais para a empresa?

NAIK: Essa ferramenta tornará os cientistas de dados mais produtivos, o que significa um tempo mais curto de comercialização para projetos de aprendizado de máquina.

E à medida que usam mais e mais aprendizado de máquina automatizado, os cientistas de dados terão mais confiança na saída que ele fornece. Isso pode se tornar um ponto de partida para o trabalho de nossos cientistas de dados. No futuro, fará parte de um processo robusto de benchmarking para todos os projetos de aprendizado de máquina, melhorando assim a qualidade.

TRANSFORM: De forma mais ampla, de que maneira você antevê a transformação que a inteligência artificial e a nuvem provocarão no setor de petróleo e gás?

NAIK: Empresas de petróleo e gás em toda a cadeia de valor, da exploração ao varejo, geram quantidades expressivas de dados. Isso significa que há muitas oportunidades de explorar esses dados usando as tecnologias de IA, aprendizado de máquina e nuvem.

Em termos gerais, existe um potencial significativo para que essas tecnologias ajudem a melhorar a eficiência de nossas operações e nos ajudem a tomar decisões melhores, mais precisas e mais respaldadas.

Foto de cima: Logotipo da BP plc visto em um posto de gasolina da BP em Liverpool, em 7 de fevereiro de 2018. (Paul Ellis / AFP / Getty Images)