Дмитрий Юдин, Cloud.ru: "Внедрение MLOps-платформ позволяет снизить затраты на эксплуатацию и обслуживание нефтегазового оборудования до 25%"
На индустриальном форуме Smart Oil&Gas провайдер облачных и AI-технологий Cloud.ru рассказал о технологических инновациях, которые формируют новый цифровой ландшафт нефтегазовой отрасли. Редакция Comnews побеседовала с Дмитрием Юдиным, руководителем направления AI Cloud.ru, о том, как на основе облачной AI-платформы внедрять инновационные разработки для решения аналитических и производственных задач.
Насколько широко сегодня нефтегазовые компании используют облачные решения в развитии своей ИКТ-инфраструктуры? Сектор позже других начал переход к их использованию, насколько сегодня глубоко проникновение облаков и AI-технологий в этой отрасли?
Работая с этим рынком, мы видим, что за последние 2-3 года крупные нефтегазовые холдинги стали шире использовать облачные технологии, что во многом связано с растущим спросом на AI-решения. Речь в первую очередь идет о задачах, где необходимы мощности для обработки больших массивов неструктурированных данных при оценке пластов, расчетах параметров скважин, объемов добычи, земных деформаций и геологических данных, создании точных прогнозов добычи нефти и газа, цифрового поиска месторождений полезных ископаемых с использованием генеративного AI. И один из главных аргументов в пользу облака – сокращение времени принятия решений и расходов на геологоразведочные работы.
Стратегии цифрового развития лидеров отрасли как в России, так и в мире включают в себя облачные платформы как в действующих проектах и процессах, так и в R&D-циклах, где используются технологии искусственного интеллекта, интернета вещей и больших данных. Облако помогает обрабатывать данные в реальном времени с высокой скоростью вычислительных операций, а AI-модели в облаке помогают обнаруживать проблемы и оперативно их решать.
Как чаще всего компании нефтегазовой индустрии применяют AI и ML? Как, на ваш взгляд, сегодня выглядит топ-5 сценариев применения технологий искусственного интеллекта?
Искусственный интеллект и машинное обучение позволяют ускорить решение бизнес-задач и оптимизировать процессы в upstream. В первую очередь, речь идет о предиктивном ТОиР: использование AI при анализе данных, получаемых с датчиков на производственном оборудовании, помогает предсказать возможные поломки, снизить риски простоев и затраты на его эксплуатацию.
В сегменте midstream ML-технологии помогают оптимизировать логистические процессы и транспортировку углеводородов, работу газораспределительных сетей, анализируя и оптимизируя транспортные маршруты и цепочки поставок с помощью алгоритмов.
Еще один популярный AI-сценарий – это исследования и анализ геологических процессов, их сценарное прогнозирование и цифровое моделирование разрезов и месторождений. Использование AI для этих задач повышает шансы геологического успеха, эффективность геологоразведки и точность бурения, а в общем итоге - положительно влияет на коэффициент извлечения нефти.
Так, компания Shell внедрила искусственный интеллект для разработки сложных моделей, которые позволяют собирать и анализировать данные о бурении, геологических характеристиках месторождения и параметрах добычи нефти и газа, оптимизировать проведение геолого-технических мероприятий.
Для повышения качества и оптимизации химического состава нефтепродуктов в отрасли применяются технологии генеративного AI. С их помощью можно не только улучшать рецептуру, но и включать искусственный интеллект в процесс разработки новой продукции.
ExxonMobil, например, использует AI для улучшения процессов нефтедобычи и нефтепереработки. Они разрабатывают модели машинного обучения, которые помогают прогнозировать поведение нефтяных месторождений, эффективно настроить процессы добычи и реакторов для переработки нефтепродуктов.
В компании BP искусственный интеллект применяется в ходе анализа больших объемов геологических данных при создании точных прогнозов добычи нефти и газа. Это позволяет компании принимать решения в области планирования и управления добычей нефти и газа на основе data driven подхода, ускорять сроки разработки месторождений, в том числе, на подготовительных этапах.
Как изменились потребности нефтегазовых компаний в условиях импортозамещения и изменений в регулировании КИИ?
Один из главных запросов — это поиск решений для оптимизации производственных процессов при снижении операционных затрат. В условиях строгого законодательного регулирования и подходов к импортозамещению требуется быстрая перестройка технологий и процессов, переход к управлению большими объемами данных. Компании нуждаются в эффективных инструментах для анализа и прогнозирования, чтобы улучшить эксплуатационные показатели и принимать обоснованные решения.
Наши платформы Cloud.ru Evolution и Cloud.ru ML Space учитывают эти и другие потребности нефтегазового сектора, объединяют все необходимые инструменты для разработки, но также сертифицированы для работы в КИИ. Это дает возможность нефтегазовым компаниям использовать их для сложных вычислительных задач в условиях строгих требований к безопасности и надежности. В результате платформы помогают компаниям соответствовать регуляторным требованиям к объектам КИИ, обеспечивая высокую производительность и устойчивость даже в самых критических и чувствительных системах.
Одна из ключевых потребностей – запрос на сложные вычислительные задачи, требовательные к производительности инфраструктуры. Насколько этот запрос покрывает возможности облака, и чем тут может быть полезен ML?
Сейчас мы наблюдаем экспоненциальный рост задач, требующих высокой вычислительной мощности, особенно в областях, связанных с обработкой больших данных и обучением сложных AI-/ML-моделей. Например, они используются для выявления закономерностей при анализе данных геологоразведки, повышения точности обработки сейсмических данных, интеллектуальной обработке результатов геофизической съемки, оптимизации режимов бурения. Эти задачи особенно чувствительны к производительности GPU, которые являются неотъемлемой частью вычислительных кластеров.
Для эффективного выполнения сложных задач мы разработали облачную AI-ready инфраструктуру Cloud.ru Evolution и Cloud.ru ML Space. Доступ к ним в облаке позволяет динамически масштабировать вычислительные ресурсы по мере необходимости, обеспечивая гибкость и поддерживая высокую производительность, что крайне важно для создания и обучения новых моделей. Платформы обеспечивают GPU-поддержку и другие вычислительные мощности, необходимые для обучения и развертывания современных AI-/ML-моделей без лишних расходов на поддержание неиспользуемых ресурсов.
Применение специализированных MLOps/ModelOps платформ в нефтегазовой отрасли существенно изменяет подход к управлению и оптимизации производственных процессов, приводя к значительному экономическому эффекту. Как показывает мировая практика, внедрение этих платформ позволяет снизить затраты на эксплуатацию и обслуживание нефтегазового оборудования до 25%. Оптимизация логистических маршрутов, улучшение точности прогнозирования добычи и повышение эффективности геологоразведочных работ с помощью ML- и AI-технологий приводит к увеличению производительности на 15-20%.
Если говорить о горизонте 5-10 лет, то как облачные технологии и AI-решения повлияют на технологический ландшафт в отрасли?
Согласно отчету PwC, к 2030 году вклад AI в мировую экономику может достигнуть $15,7 трлн, рынок машинного обучения в России будет расти на 25–30% в год. По ряду оценок благодаря использованию платформ для предиктивного обслуживания и оптимизации производственных процессов, российские нефтегазовые компании могут сэкономить до 343 млрд рублей ежегодно. Ожидается, что большая часть этого эффекта может быть достигнута за счет повышения эффективности проектов по разработке, обустройству месторождений, геологоразведке и управлению добычей.
Для их реализации требуется больше вычислительных мощностей. Поэтому на первый план для нефтегазовых компаний выходит фактор инфраструктуры, ее AI-зрелости, скорости доступа к производительным вычислениям и защищенности от киберугроз. Она также должна учитывать постоянно растущие потребности в обработке больших объемов данных, поступающих в реальном времени. Например, при анализе каротажных данных и дальнейшем принятии решений по разработке пластов с помощью алгоритмов глубокого обучения и их моделировании. Облачные ресурсы и MLOps платформы, в том числе, которые предлагаем мы, помогают перестроить IT-ландшафт с фокусом на такие задачи и внедрение AI-разработок как в ближайшей перспективе, так и стратегическом горизонте.