Почему морская нефтяная платформа - лучшее место для ИИ. Кейс BCG Gamma Moscow
Когда речь заходит о применении искусственного интеллекта, большинству на ум приходят беспилотные автомобили и «умные» алгоритмы в соцсетях. Однако, как оказалось, «передовая» ИИ - не в офисах с пуфиками, а на морской нефтяной платформе.
Леонид Жуков, директор по анализу данных и машинному обучению BCG Gamma Moscow, рассказывает о том, как ИИ применяется в нефтяной промышленности.
Кейс был представлен на конференции Ai Stories.
ИИ в нефтепромышленности
Если вы хотите заглянуть в будущее искусственного интеллекта, то вам вовсе не нужна машина времени, а вот пару таблеток от морской болезни с собой лучше захватить.
Сначала может показаться, что морская нефтяная платформа - не самый очевидный выбор для применения технологий машинного обучения, однако если подумать, то лучше места не найти.
Промысловая платформа - это сложная и дорогая конструкция. Отказы оборудования приводят к остановке всего процесса добычи, а это выливается в убытки, нередко исчисляющиеся десятками миллионов долларов в год. Поэтому, с точки зрения оператора, техническое обслуживание по состоянию, то есть возможность выявить и предотвратить проблему до того, как она произойдет, - настоящий подарок. Однако это лишь малая часть тех преимуществ, которые предлагает искусственный интеллект.
ИИ открывает возможности оптимизации сразу по двум направлениям.
*Во-первых, техническое обслуживание выполняется не слишком рано, как это бывает, когда компания строго следует рекомендованным регламентам поставщика, составленным на основе усредненных, а не фактических условий эксплуатации, и не слишком поздно - когда ремонты уже обходятся слишком дорого и отнимают слишком много времени.
*Во-вторых, у компании появляется возможность выжать из своей инфраструктуры в буквальном смысле все до последней капли.
Все это выглядит очень привлекательно. Так почему же тогда подобные решения на базе ИИ до сих не установлены на всех нефтяных платформах - да что там, на всех сложных производственных активах?
Если коротко: потому что это сложная задача. Использование ИИ для поддержки, повышения эффективности и оптимизации производственных процессов требует больших вложений - не только финансовых, но и в плане необходимого сотрудничества и трудозатрат.
Готовые алгоритмы не подходят. Нужны будут кастомизированные решения, а список задач, которые необходимо выполнить, занимает не одну страницу.
Опыт «Лукойла»
Однако в «Лукойле» решили, что два столь серьезных преимущества ИИ просто нельзя упустить. Был запущен проект по созданию «умной платформы» - нефтедобывающего комплекса, где самообучающиеся системы обработки данных будут выявлять и предсказывать отклонения в работе оборудования: сейчас, через полчаса и через много дней.
Сегодня проект «Лукойла» Digital ASTRA не просто опытный образец, а полностью функциональный продукт, развернутый и работающий на реальной нефтяной платформе в Каспийском море.
На основе опыта работы с этим проектом мы сделали несколько важных выводов.
Правильно подберите команду и создайте фундамент для командной работы
Настроить алгоритмы для нефтяной платформы, да и для любого другого сложного производственного комплекса, - задача для большой команды.
Разработчики должны разобраться в процессах и ознакомиться с оборудованием на площадке. Им нужен доступ к массивам данных с активов, куда посторонних обычно не пускают.
Они должны одинаково хорошо понимать и разговаривать и «по-инженерному», и «на менеджерском», так как им придется иметь дело и с операторами, и с руководством. Причем выполнять все эти задачи нужно будет одновременно и не мешая штатной работе.
Здесь потребуется уникальная и весьма разношерстная команда, - ведь нужны будут технические знания, доверие и репутация среди представителей отрасли, превосходные навыки проектного управления.
Сбор данных - задача долгая и трудоемкая
Срезать путь не получится. Успех или провал подобного проекта целиком зависит от алгоритмов. Модели «Лукойла» должны были диагностировать состояние оборудования в реальном времени и предсказывать, как оно изменится в недалеком будущем.
Чтобы построить такую модель, исходные алгоритмы необходимо обучать. А это значит анализировать большие объемы данных за прошлые периоды (показывающих, как менялось состояние оборудования с течением времени), увязывать их с предыдущими отказами и ремонтами, а также выявлять паттерны, свидетельствующие о том, что оборудование работает в штатном режиме (система, которая «знает», что считать штатной работой, может выявить самое незначительное отклонение и предупредить оператора о возможной неполадке).
Вам нужен полигон с историей
Как и у других добывающих компаний, у «Лукойла» множество различных активов. Однако, хотя система ИИ была впервые запущена на одной из самых современных платформ, для обучения и тестирования алгоритмов больше подойдет актив постарше.
Для первоначальной разработки модели была выбрана платформа, находящаяся в эксплуатации уже семь лет, и за эти годы «Лукойл» накопил терабайты данных.
Кроме того, как и любой другой подобный актив, эта платформа уже успела переболеть различными «детскими болезнями», так что у компании был еще и приличный архив записей о техническом обслуживании и ремонтах.
Универсальных решений не существует
Одна из особенностей разработанной для «Лукойла» системы ИИ заключается в том, что с ней будут работать разные группы пользователей с разными потребностями.
*Операторы, в частности, захотят увидеть краткосрочный прогноз по состоянию оборудования, которым они управляют, и при необходимости быстро перейти к конкретному датчику.
*Специалистам по ТОиР интересен более долгосрочный прогноз, который позволит им оптимизировать графики техобслуживания.
*Наконец, управленческому персоналу нужна возможность осуществлять мониторинг и получать справки о состоянии платформы в целом.
Смысл в том, чтобы каждая целевая группа пользователей могла получить нужную ей информацию в наиболее удобном формате. Именно поэтому дизайнеры пользовательского опыта и интерфейсов должны быть в команде с самого первого дня. Они будут изучать предпочтения и поведение пользователей и затем тестировать и корректировать дизайн в соответствии с ними.
Управлять изменениями еще важнее, чем вы думали
Помните, выше мы говорили о том, что готовые стандартные решения не подходят? Это верно с нескольких точек зрения. Дело не только в том, что необходимы в высшей степени кастомизированные системы, но еще и в том, что эти системы нужно постоянно поддерживать - их нельзя просто установить и забыть.
ИИ должен учиться постоянно: например, капремонт какой-то одной единицы оборудования изменит паттерн штатной работы всей системы. Это значит, что компаниям нужно создавать у себя в организации новые роли и наращивать новые компетенции, особенно в области исследования данных.
Также необходимо сделать так, чтобы решением пользовались на всех уровнях.
Подробнее о Digital ASTRA и применении ИИ в сложных производственных системах читайте в статье «Умная платформа», написанной в соавторстве с Данисом Магановым (CEO Alma Services Company) и Андреем Скобеевым (заместитель генерального директора ЛУКОЙЛ-Нижневолжскнефть). Статья была опубликована в российском издании журнала Harvard Business Review (выпуск за июнь-июль 2019 г.).