Важные данные из каждой скважины

Данные имеют ценность, но извлечь ее так же непросто, как добыть нефть из глубокой залежи. На протяжении многих лет канадское подразделение нефтегазовой компании Chevron вручную собирало данные из отчетов по бурению и освоению скважин. Этот трудоемкий процесс отнимал много времени, но критически важная информация нередко оставалась без внимания. В Chevron поняли, что для соответствия постоянно меняющимся условиям современного мира, компании нужна продвинутая аналитика, работающая в режиме реального времени. Внедрение инструментов на базе искусственного интеллекта позволило Chevron получать информацию быстрее, а значит оперативнее принимать решения и добиваться лучших результатов.

Chevron и данные: недостатки ручной обработки

Крупнейшие месторождения Chevron расположены в США, но часть добычи ведется в канадской провинции Альберта. По местным законодательным требованиям операторы скважин обязаны предоставлять общедоступные отчеты по бурению и другим работам. Chevron отчитывается сама и использует такие данные для сравнения своих результатов с показателями других компаний. Ежедневно компания готовит десятки отчетов — от 75 до 300 страниц каждый. Информация для них поставляется в разных форматах.

До недавнего времени данные из разных источников заносились в электронные таблицы вручную. Сотрудники просматривали страницу за страницей каждого из отчетов. И даже при том, что делалось это не для всего потока, а только для критически важных данных, на эту работу уходило слишком много времени и ресурсов, объясняет инженер-технолог Chevron Canada Диана Чиллис.

Из-за сложности данных, содержащихся в отчетах, их извлечением занимались бизнес-аналитики, которые могли бы уделять внимание более серьезным проблемам. «Они пытаются вписать это в свою работу, как только могут, — говорит менеджер по бурению и освоению скважин в Chevron Canada Шон Пейс. — Если бы мы могли автоматизировать данный процесс, это высвободило бы время для выполнения более ценных задач. В конце концов, главный приз — это не данные, а то, что я собираюсь с ними делать».

Извлечь ценность из большого потока данных

Проблема, с которой столкнулась Chevron Canada, актуальна для множества компаний разного размера и из самых разных отраслей. По прогнозу Gartner, данные и аналитика в сочетании с технологиями искусственного интеллекта (ИИ) в ближайшие годы будут играть определяющее значение в бизнес-деятельности. Аналитики прогнозируют, что к концу 2024 года 75% предприятий перейдут от пилотных проектов по применению ИИ к коммерческому применению, что приведет к пятикратному росту инфраструктуры обработки потоковых данных и аналитики. ИИ, машинное обучение и распознавание естественного языка помогут компаниям быстрее приходить к наиболее эффективным решениям.

Chevron выбрала оптимальное время перехода к внедрению ИИ для извлечения данных из множества источников и их удобного использования. Выбор был сделан в пользу одного из когнитивных сервисов Microsoft Azure — Form Recognizer. Он помогает извлекать данные из документов разных форматов. Для начала он «заучивает» конкретные формы компании, обучаясь на образцах — достаточно пяти документов или пустой формы-шаблона. После обучения Form Recognizer начинает понимать содержание исследуемых форм, обнаруживать ключевые значения, ассоциировать их и записи в таблицах, выводить структурированные данные и их взаимосвязь.

ИИ-сервис Microsoft интегрирован с платформой UiPath RPA румынского поставщика инструментов роботизированной автоматизации процессов UiPath. Специальные программы для выполнения операций в одной или нескольких цифровых системах – программные роботы RPA – получают данные при помощи пользовательских интерфейсов и управляют приложениями так же, как это делает человек. Они могут интерпретировать информацию, инициировать ответные действия и коммуницировать с другими системами для автоматизации повторяющихся задач.

Как построено решение

Для выполнения задач Chevron инструмент Microsoft Form Recognizer интегрирован в платформу UiPath. Отчеты для обработки выбираются роботом; он привлекает Form Recognizer для извлечения нужной информации и возврата ее в формате JavaScript Object Notation (JSON). Формат включает в себя показатель доверительной вероятности. Если установленный уровень «доверия» соответствуют значениям, определенным Chevron, данные автоматически обрабатываются и вносятся в различные внутренние системы. Если же информация в формах не может быть обработана с достаточной степенью доверительной вероятности, программный робот уведомляет человека, что содержание документа должно быть проверено.

После того как данные попадают во внутренние системы, они сразу же становятся доступны для анализа, например, через панель Microsoft Power BI. «Нам удалось соединить в работе решения UiPath и Microsoft, — объясняет Диана Чиллис. — И самое захватывающее: мы можем перевести неструктурированные данные в удобный для использования формат, где мы затем можем заняться самой важной частью — аналитической».

Директор по управлению продуктами ИИ в UiPath Марк Беневски объясняет, почему UiPath решила сотрудничать с Microsoft в этом проекте. «Form Recognizer привлекателен по нескольким причинам, главной из которых было то, насколько легко его интегрировать. Документы Chevron очень сложны, разнообразны и зависят от предметной области, но мы можем обучить Form Recognizer каждой форме, используя всего пять образцов, — говорит он. — Это явно тот инструмент, который помогает нам обеспечить уникальную ценность для клиентов и усиливает нашу платформу RPA».

Результат

Благодаря внедрению инструментов для автоматической обработки, первичного анализа и структурирования данных аналитики Chevron получили возможность сконцентрироваться на задачах с более высокой ценностью. Информация для принятия решений поступает быстрее, операционный контроль можно осуществлять практически в режиме реального времени. В итоге компания может анализировать свой бизнес с большей скоростью, точностью и глубиной.

Помимо этого, Chevron больше не упускает важную информацию из открытых отчетов других игроков рынка. Если раньше аналитикам компании требовалось потратить нескольких часов для ручного извлечения данных, теперь менее чем за две минуты данные переводятся в формат, который можно использовать для дальнейшего анализа. «Вся эта информация критически важна для бизнеса, она позволяет нам быстрее принимать решения, выявлять любые пробелы в производительности и видеть, как мы выглядим на фоне конкурентов», — заключает Диана Чиллис.