Центр компетенций
Искусственный интеллект в нефтегазовой отрасли
Сегодня в нефтегазовой отрасли нет единой стратегии применения ИИ. Компании постепенно изучают и апробируют его в разных процессах – от HR, обучения и техподдержки до аналитики, логистики и отчётности. Чаще всего массово ИИ используют там, где процессы рутинны, данные предсказуемы, а риск ошибок минимален — именно здесь генеративный ИИ и машинное обучение дают быстрый и понятный эффект. В производственных и инженерных процессах ИИ применяется более осторожно, в основном как инструмент поддержки решений, а не полной автоматизации. Ключевая ценность ИИ сегодня — рост производительности, снижение нагрузки на специалистов и возможность перераспределять ресурсы. Подробнее об этом и опыте создания собственных агентов – Дмитрий Архипов, руководитель управления технологического развития Айсорс.
Разработка продуктов для промышленности и нефтегазовой отрасли с помощью ИИ-инструментов. Кейсы
Команда Айсорс занимается промышленной автоматизацией, в том числе в проектах нефтегазовой отрасли. В своей работе при разработке решений мы используем ИИ. Так, у нас есть 3 ИИ-агента, которых мы создали сами.
ИИ-аналитик метрик разработки анализирует обычные и составные метрики, коэффициенты, составляет рекомендации, подсвечивает тренды, формирует долгосрочные прогнозы и генерирует отчёты. Это снижает возможность пропуска важных сигналов в загруженных дашбордах. Отчёты регулярно создаются агентом и рассылаются всем заинтересованным сотрудникам. Агент сократил рутинный анализ на 90%.
ИИ-ревьюер настраивается под требования команды: стиль кода, лучшие практики, контекст используемого стека технологий. Решение ускорило код-ревью на 30% и снизило количество багов.
ИИ-тестировщик работает в контексте в виде функциональных и нефункциональных требований плюс код-системы. Он способен связать все элементы и создать тест-сценарии с высоким процентом покрытия, эффективно находить граничные случаи работы системы. Наш ИИ-тестировщик получает задачу из таск-трекера, выбирает подходящие техники тест-дизайна и создаёт тестовые сценарии, максимально покрывающие функциональность. Результат: создание тест-кейсов ускорилось в 2 раза, стандартизировались тест-сценарии и улучшилось покрытие тестирования.
Совместный эффект применения ИИ-агентов в нашей разработке: время выполнения задач сократилось на 15%, а ошибки в командах — на 25–30%.
Опыт создания ИИ-агентов: акценты
При проектировании ИИ-агентов важно отталкиваться от ролей сотрудников. В результате будущий ИИ-агент должен как минимум повторять работу специалиста или оптимизировать её, что часто приводит к совмещению в одном ИИ-агенте нескольких ролей сотрудников. Такой подход делает понятными метрики, которые мы будем отслеживать при внедрении, позволяет рассчитать ожидаемый эффект.
Кроме того, мы стремимся к переиспользованию ИИ-агентов, чтобы заложенный в их работу контекст и нефтегазовая специфика приносили пользу при создании новых решений без дублирования.
Сдерживающие факторы и драйверы
Сегодня использование ИИ в процессах непосредственно на производстве ограничено по причине возможного риска для жизни людей – применяется либо гибридная модель работы с ИИ-ассистентом и оператором-человеком, либо компании практикуют полный отказ от ИИ.
Расширить применение ИИ в областях, где его ошибки не приведут к критическим последствиям, мешает невозможность прослеживания влияния ИИ на финансовый результат и низкий уровень цифровизации.
Недооценённые направления внедрения
Уже сейчас в нефтегазовой отрасли можно и целесообразно применять ИИ при анализе исторических данных по работе скважин и установок для поиска неочевидных закономерностей. Другой пример – прогнозирование износа оборудования и планирование ремонтов (ТОиР). Искусственный интеллект также можно использовать в рекомендательном формате при оптимизации режимов работы установок, когда ИИ предлагает варианты, а финальное решение принимает инженер. Есть успешные примеры внедрения ИИ при планировании добычи, переработке и загрузке мощностей, где эффект выражается в снижении простоев, энергозатрат и потерь.
При этом, есть сферы, где ИИ внедряют крайне ограничено или не применяют вовсе. Автоматическое управление скважинами, технологическими установками и критическими контурами невозможно без участия человека. Искусственному интеллекту нельзя доверить системы, напрямую влияющие на промышленную безопасность, экологические риски и целостность оборудования. Поэтому сохраняется тренд на лоскутное применение ИИ в виде «накладок», а не на глубокое перепроектирование процессов с учётом новых технологических возможностей и интеграции ИИ с системами управления производством (MES, ERP, АСУ ТП/SCADA). Опыт показывает, что такой подход может давать кратное улучшение финансовых показателей компании, например, снижение затрат и рост EBITDA – при использовании ИИ для мониторинга параметров установок, выявления отклонений, поддержки операторов. Его эффект пока недооценён в части оптимизации производственных цепочек нефтеперерабатывающих заводов в связке «сырье – режимы – выход продукции – экономика». Без интеграции ИИ в MES и ERP его влияние на EBITDA остается неочевидным.
Прогноз на 5 лет
В будущем необходимость создания собственных центров компетенций и ИИ-инфраструктуры будет сдерживающим фактором для масштабного внедрения технологии, но приведёт к появлению в отрасли собственных «специализированных» платформ с готовыми доменными знаниями и моделями. Чаще всего ИИ работает как аналитический и рекомендательный инструмент на этапе планирования и пост-анализа, он почти не интегрирован в оперативное управление и производственные системы, поэтому влияние ИИ на сроки и экономику пока остаются ограниченными. В будущем ситуация может измениться.
Лидерами в направлении станут те компании, которые найдут гибридный подход. Он будет сочетать применение облачных генеративных моделей и ИИ-агентов на базе них, с соблюдением требований конфиденциальности и сохранением локальных решений для применения в самых чувствительных сценариях. Облачные ИИ-модели продолжат развиваться быстрее решений на локальной инфраструктуре. В результате будет расти объём применения отечественных ИИ-продуктов и партнёрств в этом направлении.
Команда Айсорс занимается промышленной автоматизацией, в том числе в проектах нефтегазовой отрасли. В своей работе при разработке решений мы используем ИИ. Так, у нас есть 3 ИИ-агента, которых мы создали сами.
ИИ-аналитик метрик разработки анализирует обычные и составные метрики, коэффициенты, составляет рекомендации, подсвечивает тренды, формирует долгосрочные прогнозы и генерирует отчёты. Это снижает возможность пропуска важных сигналов в загруженных дашбордах. Отчёты регулярно создаются агентом и рассылаются всем заинтересованным сотрудникам. Агент сократил рутинный анализ на 90%.
ИИ-ревьюер настраивается под требования команды: стиль кода, лучшие практики, контекст используемого стека технологий. Решение ускорило код-ревью на 30% и снизило количество багов.
ИИ-тестировщик работает в контексте в виде функциональных и нефункциональных требований плюс код-системы. Он способен связать все элементы и создать тест-сценарии с высоким процентом покрытия, эффективно находить граничные случаи работы системы. Наш ИИ-тестировщик получает задачу из таск-трекера, выбирает подходящие техники тест-дизайна и создаёт тестовые сценарии, максимально покрывающие функциональность. Результат: создание тест-кейсов ускорилось в 2 раза, стандартизировались тест-сценарии и улучшилось покрытие тестирования.
Совместный эффект применения ИИ-агентов в нашей разработке: время выполнения задач сократилось на 15%, а ошибки в командах — на 25–30%.
Опыт создания ИИ-агентов: акценты
При проектировании ИИ-агентов важно отталкиваться от ролей сотрудников. В результате будущий ИИ-агент должен как минимум повторять работу специалиста или оптимизировать её, что часто приводит к совмещению в одном ИИ-агенте нескольких ролей сотрудников. Такой подход делает понятными метрики, которые мы будем отслеживать при внедрении, позволяет рассчитать ожидаемый эффект.
Кроме того, мы стремимся к переиспользованию ИИ-агентов, чтобы заложенный в их работу контекст и нефтегазовая специфика приносили пользу при создании новых решений без дублирования.
Сдерживающие факторы и драйверы
Сегодня использование ИИ в процессах непосредственно на производстве ограничено по причине возможного риска для жизни людей – применяется либо гибридная модель работы с ИИ-ассистентом и оператором-человеком, либо компании практикуют полный отказ от ИИ.
Расширить применение ИИ в областях, где его ошибки не приведут к критическим последствиям, мешает невозможность прослеживания влияния ИИ на финансовый результат и низкий уровень цифровизации.
Недооценённые направления внедрения
Уже сейчас в нефтегазовой отрасли можно и целесообразно применять ИИ при анализе исторических данных по работе скважин и установок для поиска неочевидных закономерностей. Другой пример – прогнозирование износа оборудования и планирование ремонтов (ТОиР). Искусственный интеллект также можно использовать в рекомендательном формате при оптимизации режимов работы установок, когда ИИ предлагает варианты, а финальное решение принимает инженер. Есть успешные примеры внедрения ИИ при планировании добычи, переработке и загрузке мощностей, где эффект выражается в снижении простоев, энергозатрат и потерь.
При этом, есть сферы, где ИИ внедряют крайне ограничено или не применяют вовсе. Автоматическое управление скважинами, технологическими установками и критическими контурами невозможно без участия человека. Искусственному интеллекту нельзя доверить системы, напрямую влияющие на промышленную безопасность, экологические риски и целостность оборудования. Поэтому сохраняется тренд на лоскутное применение ИИ в виде «накладок», а не на глубокое перепроектирование процессов с учётом новых технологических возможностей и интеграции ИИ с системами управления производством (MES, ERP, АСУ ТП/SCADA). Опыт показывает, что такой подход может давать кратное улучшение финансовых показателей компании, например, снижение затрат и рост EBITDA – при использовании ИИ для мониторинга параметров установок, выявления отклонений, поддержки операторов. Его эффект пока недооценён в части оптимизации производственных цепочек нефтеперерабатывающих заводов в связке «сырье – режимы – выход продукции – экономика». Без интеграции ИИ в MES и ERP его влияние на EBITDA остается неочевидным.
Прогноз на 5 лет
В будущем необходимость создания собственных центров компетенций и ИИ-инфраструктуры будет сдерживающим фактором для масштабного внедрения технологии, но приведёт к появлению в отрасли собственных «специализированных» платформ с готовыми доменными знаниями и моделями. Чаще всего ИИ работает как аналитический и рекомендательный инструмент на этапе планирования и пост-анализа, он почти не интегрирован в оперативное управление и производственные системы, поэтому влияние ИИ на сроки и экономику пока остаются ограниченными. В будущем ситуация может измениться.
Лидерами в направлении станут те компании, которые найдут гибридный подход. Он будет сочетать применение облачных генеративных моделей и ИИ-агентов на базе них, с соблюдением требований конфиденциальности и сохранением локальных решений для применения в самых чувствительных сценариях. Облачные ИИ-модели продолжат развиваться быстрее решений на локальной инфраструктуре. В результате будет расти объём применения отечественных ИИ-продуктов и партнёрств в этом направлении.