Нейросети в нефтегазе: будущее отрасли или «хайп»?
Генеративный ИИ может принести нефтяным и газовым компаниям ежегодную экономию в размере 343 млрд рублей. К таким выводам пришли эксперты аналитического агентства «Выгон Консалтинг». Однако для достижения этой экономии необходимо обучить ИИ, что потребует около 100 млрд рублей инвестиций ежегодно, подсчитали аналитики.
Какие задачи можно поручить ИИ в нефтегазовой отрасли и где он уже применяется? Какие препятствия стоят на пути внедрения ИИ и как создать эффективные модели для решения задач нефтегазовой отрасли? На что способен ИИ в нефтегазе? Ответы на эти вопросы мы искали вместе с экспертами.
А нужен ли нефтегазу генеративный ИИ?
Нейросети — понятие довольно обширное, и сейчас на повестке находится генеративный искусственный интеллект — тот самый, что впечатляет созданием картинок и текстов. На Национальном нефтегазовом форуме управляющий директор ООО «Выгон Консалтинг» Григорий Выгон отмечал, что он вызывает интерес в нефтегазовой отрасли.
Перспективы искусственного интеллекта связаны с созданием модели месторождения, где на основе большого количества данных он мог бы давать рекомендации по эффективной разработке.
«С появлением GPT модной темой стал генеративный ИИ. Инструмент находит применение в том числе в нефтегазовом бизнесе. Генеративный ИИ способен обрабатывать большие объёмы информации и создавать новый контент. Его можно применять, например, для анализа различных геологических расчётов, оценки перспектив нефтегазоносности, выявления пропущенных залежей, оптимизации систем разработки, выработки каких‑то рекомендаций», — рассказывал о возможностях искусственного интеллекта Григорий Выгон.
Однако заместитель генерального директора по науке ООО «ТИНГ» Михаил Данько относится к идее массового использования генеративного ИИ в нефтегазовой отрасли со скепсисом. Он поясняет, что в базе это имитация человеческого общения, и, в отличие от машинного обучения, перспективы его внедрения не столь прибыльны.
«Надо сразу разграничить терминологию: нейронные сети и генеративный интеллект являются лишь частными случаями методов машинного обучения, причем сами нейронные сети делятся на множество видов и архитектур. Каждый метод машинного обучения хорош для чего‑то своего: генеративный интеллект хорош именно для имитации общения людей.
В промышленной отрасли в целом, как и нефтяной отрасли в частности, его применение избыточно и ограничивается распознаванием геофизической информации и текстовых данных по фотографиям из старых отчётов. Есть хорошая ниша для такого интеллекта — быть проводником в общении между человеком и интеллектуальными системами, т. е. распознавание голосовых команд оператора.
Это важно, но не так масштабно и прибыльно, как применение методов машинного обучения, где и скрывается основная прибыль для компаний, ведь они включают в себя алгоритмы оптимизации — то, что и нужно для нефтяной отрасли. Просто генеративный интеллект вошёл именно в сферу общения людей и охватил миллиарды, а алгоритмы оптимизации проникают в промышленность на первый взгляд незаметно для большинства обычных людей», — разъясняет Михаил Данько.
Схожее мнение высказывает руководитель Лаборатории стратегического развития продуктов кибербезопасности Аналитического центра кибербезопасности ООО «Газинформсервис» Дмитрий Овчинников.
«В нефтегазовой отрасли больше пользы от обычного ИИ, который позволяет моделировать и предсказывать закономерности. Подобные вещи можно использовать для обработки данных при геологоразведке, при проектировании обустройства месторождения, при организации логистики транспортировки продуктов, при проведении химического анализа. Подобного рода ИИ отлично работают с уже изученными наборами данных и позволяют экономить операционные расходы в части производственно-хозяйственной деятельности», — говорит представитель «Газинформсервиса».
На что способен генеративный интеллект в нефтегазе?
Тем не менее крупные компании инвестируют в развитие генеративного интеллекта. Как рассказывает Илья Пугачёв, технический директор департамента искусственного интеллекта «ТерраЛинк» новинкой интересуются Shell, Aker Solutions, Baker Hughes.
«Shell использует платформу предиктивного обслуживания от C3.ai для мониторинга состояния критически важного оборудования на своих добывающих платформах. Анализируя данные в реальном времени, система способна заблаговременно выявлять потенциальные проблемы и генерировать рекомендации по обслуживанию.
Нефтегазовая компания создала самообучающуюся модель геологического объекта. Она содержит информацию о строении недр, рентабельности будущего проекта, рекомендуемых методах разработки и другую информацию.
Aker Solutions внедрила систему Spark Cognition для мониторинга данных от наземных и подводных установок. Это позволяет предсказывать возможные поломки и предпринимать действия по их предотвращению.
Нефтесервисная компания Baker Hughes заявила о выводе на открытый рынок приложения, разработанного совместно с компанией С3.ai. Оно позволяет более точно предсказывать объёмы добычи», — рассказывает Илья Пугачёв.
Возможности генеративного ИИ разнообразны. Самые простые задачи, которые можно ему доверить, — это распознавание текстовых документов, графиков, таблиц, диаграмм, формул, поиск нужной информации в базах и её обобщение, заполнение отчётов по шаблону.
Также генеративному ИИ могут поручить логистику, выдачу рекомендаций по предупреждению поломок, анализ успешности тех или иных операций.
«Возможности, которые открываются перед нефтегазовой отраслью благодаря этим технологиям, несомненно, делают их важным инструментом для достижения устойчивого развития и конкурентоспособности.
Генеративный интеллект может быть особенно полезен на этапах разведки, бурения, добычи и переработки ресурсов. Применение этих технологий позволяет оптимизировать процессы, сокращать издержки и повышать безопасность операций.
Также генеративный ИИ можно будет использовать при создании новых рецептур продуктов и способов переработки нефти и газа», — считает Илья Пугачёв.
«Использование генеративного ИИ сейчас находится в стадии активного развития. В будущем подобные технологии обязательно будут востребованы. Как пример — автоматизированный советчик на месторождении газа, который обладает умением анализировать данные за прошедшие годы, прогнозировать уровень добычи по каждой скважине и при этом может оценивать те или иные показатели и прогнозировать развитие ситуации.
В целом конечная цель использования ИИ в отрасли — это повышение автоматизации процессов, снижение издержек и повышение надёжности всего процесса. Многие задачи, которые выполняют операторы или управленцы, можно поручить системам ИИ.
Отрасль уже давно использует АСУТП в составе ПЛК, управляющих механизмов и SCADA-систем для автоматизации процесса. Теперь есть возможность пойти дальше, оснастить АСУТП искусственным интеллектом и снизить влияние человеческого фактора», — тоже оптимистично настроен специалист «Газинформсервиса» Дмитрий Овчинников.
Мультиагентные системы
Комплексное решение задач — это сфера мультиагентных систем (МАС). Они включают в себя различные модели, каждая из которых отвечает за оптимизацию того или иного участка работ. Именно они в большей мере интересуют нефтегазовые компании: МАС позволяют создать полноценную систему, способную на основе всей имеющейся геологической информации и данных о бурении предложить, например, варианты разработки месторождения.
Причём каждый должен быть детальным: с местами размещения скважин, перечнем необходимых работ и оборудования и оценкой экономических показателей. Однако эффективность нынешних систем пока остаётся недостаточной.
«Знания и функционал лучших зарубежных моделей в сфере ТЭК сегодня ограничены. Но в ближайшем будущем большие языковые модели научатся решать многоуровневые инженерные задачи, анализировать существующие технологии и создавать новые», — отмечается в исследовании «Выгон Консалтинг».
Согласно прогнозам аналитического агентства, экономия при внедрении генеративного искусственного интеллекта может составить 343 млрд рублей в год. Такую сумму дадут сокращение затрат на производство и увеличение производительности труда. Большая часть экономического эффекта придётся на сферу добычи — 69% средств будут сэкономлены на геологоразведке, разработке и обустройстве месторождений, бурении, управлении добычей.
Машинное обучение — важный помощник для оптимизации затрат
Между тем успехи, и немалые, уже есть в производстве у машинного обучения (ML, machine learning), которое включает в себя не только генеративный ИИ. Обработка данных, которую доверили нейросетям, реально помогает сокращать затраты, отмечает менеджер группы разработки цифровых решений направления производственного консалтинга «Рексофт Консалтинг» Александр Чернов.
«И на этапах добычи, и на этапах переработки генерируется множество данных, поэтому процедуры ML способны создать эффективные ИИ-решения со значимым экономическим эффектом до 10–15%», — приводит цифры эксперт.
И именно технологии машинного обучения востребованы в нефтегазовой отрасли.
«Восходящий тренд — это анализ больших данных по скважинам с формированием рекомендаций по их дальнейшей эксплуатации (яркий пример — „Газпром нефть”). Тренд, который переходит в сферу обязательных проектов, — ситуационные центры с функциями прогнозирования аномалий и формирования планов предиктивных ремонтов/реконструкций для перерабатывающего оборудования. Этим путём идут все крупные нефтегазовые компании», — рассказывает представитель «Рексофт Консалтинг».
ИИ на страже кибербезопасности
Но потенциал применения искусственного интеллекта не исчерпывается только задачами для улучшения производственных показателей. Shell и BP используют ИИ для мониторинга сетевой активности и предотвращения утечек данных. Эти системы способны обнаруживать подозрительное поведение и оперативно реагировать на угрозы, рассказывает директор по развитию направления информационной безопасности ООО «Максофт» Антон Морозов.
Однако только этим возможности нейросетей не ограничиваются. Им можно доверить обнаружение и предотвращение угроз, управление доступом к системе и инцидент-менеджмент. Создание же единой системы на основе ИИ займёт ещё какое‑то время.
«Конечный результат развития ИИ в кибербезопасности — это создание полностью автоматизированных систем защиты, которые смогут предсказывать и предотвращать киберугрозы без вмешательства человека. Основные задачи, которые ИИ сможет решать, — это полная автоматизация мониторинга и анализа сетевой активности, реагирование на инциденты в реальном времени, предсказание новых угроз и разработка мер защиты до их появления.
Достижение этих целей возможно в течение ближайших 5–10 лет. На текущий момент мы находимся на этапе активного внедрения ИИ в процессы кибербезопасности и тестирования его возможностей», — считает Антон Морозов.
Чтобы устранение киберугроз (а нефтяные компании регулярно входят в число организаций, чаще других страдающих от таких атак) стало реальностью, необходимо решить ряд проблем технического характера: обучать модели, формировать базы данных, интегрировать ИИ в существующие системы безопасности, минимизировать ложные срабатывания.
Сколько денег надо на развитие ИИ
Компании высоко оценивают потенциал искусственного интеллекта, однако развитие технологий тормозит отсутствие должных инвестиций. Для того, чтобы обучать модели, нужны базы данных, нужно «железо», где будут физически храниться данные. По подсчётам «Выгон Консалтинг», затраты на обучение одной большой языковой модели только начинаются от $500 млн. Высокий уровень инвестиций — главный сдерживающий фактор для развития искусственного интеллекта.
«Компания OpenAI вложила в создание своего ИИ порядка $1 млрд. Так что сумма в 500 млн выглядит ещё достаточно оптимистичной. Если же говорить про научно-исследовательские работы с созданием новых типов обработки данных, то сумма может кратно превышать траты OpenAI. Если мы говорим про обучение своих моделей на основе общедоступных моделей ИИ, то тогда суммы будут намного меньше.
Если параметров для обработки ИИ мало, то вполне можно обойтись намного более доступными суммами. На Бирже ИТ-стартапов, которая проводилась в 2023 году в Санкт-Петербурге, было много начинающих стартапов которые использовали простые модели ИИ в своих программных продуктах, что свидетельствует о том, что использование ИИ доступно без высоких капиталовложений для решения практических задач», — рассказывает Дмитрий Овчинников.
Илья Пугачёв считает, что затраты можно делить с партнёрами, а для сокращения вложений на графические платы (материальные носители информации) — активнее использовать облачные технологии.
«Развитие генеративного интеллекта действительно требует значительных финансовых вложений. Однако существуют способы оптимизации затрат, такие как использование облачных решений и сотрудничество с международными партнёрами для доступа к необходимым ресурсам. Также важно развивать собственную инфраструктуру и кадровый потенциал для уменьшения зависимости от импортных технологий.
Развитие таких моделей должно сопровождаться тщательным планированием и учётом всех возможных рисков. Дополнительные инвестиции в исследования и разработки помогут ускорить процесс внедрения этих технологий и повысят их эффективность. Важно также учитывать международный опыт и привлекать к проектам ведущих специалистов из разных стран», — высказал мнение Илья Пугачёв.
Сколько времени займёт внедрение ИИ
Если говорить о технологиях машинного обучения в целом, а не генеративного ИИ, то уже сейчас в нефтегазовой отрасли есть отличные возможности для его массового внедрения, рассуждает заместитель генерального директора по науке ООО «ТИНГ».
«Методы машинного обучения переживают бум. Например, управление добычей на зрелых месторождениях с применением ИИ на проектах ПАО „Лукойл”, где нейронная сеть по найденным откликам на изменение закачки воды подбирает оптимальный режим работы скважин. Или обработка массива геофизической информации, где сеть обучается повторять действия за геологом, который выделяет коллектор и не коллектор.
Нефтяники и газовики уже сейчас близки к созданию цифрового интеллектуального месторождения, где все процессы будут безлюдны, формализованы и находиться под управлением ИИ. Это можно реализовать прямо сейчас, на существующих технологиях», — считает Михаил Данько.
Представитель «ТерраЛинк» Илья Пугачёв уверен, что и генеративному интеллекту найдётся применение в нефтегазе, но сейчас технология не может похвастаться высокой стадией готовности, поэтому и сроки, когда ИИ сможет оправдать возложенные на него надежды на автоматизацию, эксперт называет весьма неблизкие — 2040–2050‑е годы.
«На текущем этапе развития генеративного интеллекта в нефтегазовой отрасли технологии пока только пилотируются ограниченным кругом российских компаний. Мы находимся на этапе активного внедрения и тестирования этих моделей, и, хотя предстоит многое сделать, для полномасштабного применения требуются серьёзные доработки.
Хорошо видно, как эти технологии начинают играть ключевую роль в обеспечении устойчивого роста и конкурентоспособности компаний. В будущем генеративный интеллект станет неотъемлемой частью всех этапов производственного процесса, обеспечивая новые возможности для оптимизации и инноваций.
Переход к полной автоматизации и интеграции генеративных моделей в нефтегазовой отрасли может занять несколько десятилетий. Однако уже сейчас видны значительные успехи и перспективы, которые эти технологии приносят в отрасль. Ключевыми факторами успешного внедрения будут являться инвестиции в исследования и разработки, а также подготовка специалистов, способных эффективно работать с новыми инструментами.
Эти изменения могут включать внедрение новых методов анализа данных, улучшение взаимодействия между различными отделами компании и адаптацию к новым стандартам работы», — рассуждает специалист «ТерраЛинк».
Илья Пугачёв подчёркивает, что внедрение генеративного ИИ может занять значительное время, а кроме того, потребует адаптации текущих процессов к новым технологиям. Однако потенциал этого направления в повышении эффективности и конкурентоспособности настолько высок, что компании будут развивать его, несмотря на сложности.
Дмитрий Овчинников, руководитель лаборатории стратегического развития продуктов кибербезопасности Аналитического центра кибербезопасности «Газинформсервис»
«Нейросети — это не „хайп”, это технология, которая шагнула в нашу реальность и меняет наше представление об управлении и работе с данными. Ограничения использования ИИ лежат только в нашем воображении. Например, искусственный интеллект можно активно применять при геологоразведке. Геологоразведчики проводят разведочное бурение на будущей площадке.
ИИ анализирует данные и подсказывает, где лучше проводить дополнительную разведку и где лучше бурить скважины. При этом ИИ опирается на опыт и знания сотен других уже разведанных месторождений, искусственный интеллект может провести расчёты и спрогнозировать результат в зависимости от тысячи разных показателей.
Фактически получается, что разведка производится, основываясь на опыте тысяч других геологоразведчиков. Такой подход, когда уже есть набор данных и обученная модель, позволяет экономить время и средства и учитывать те факторы, которые могут ускользнуть от человеческого разума».
Слово экспертам
Дмитрий Овчинников, руководитель лаборатории стратегического развития продуктов кибербезопасности Аналитического центра кибербезопасности «Газинформсервис»
«Нейросети — это не „хайп”, это технология, которая шагнула в нашу реальность и меняет наше представление об управлении и работе с данными. Ограничения использования ИИ лежат только в нашем воображении. Например, искусственный интеллект можно активно применять при геологоразведке. Геологоразведчики проводят разведочное бурение на будущей площадке. ИИ анализирует данные и подсказывает, где лучше проводить дополнительную разведку и где лучше бурить скважины.
При этом ИИ опирается на опыт и знания сотен других уже разведанных месторождений, искусственный интеллект может провести расчёты и спрогнозировать результат в зависимости от тысячи разных показателей. Фактически получается, что разведка производится, основываясь на опыте тысяч других геологоразведчиков. Такой подход, когда уже есть набор данных и обученная модель, позволяет экономить время и средства и учитывать те факторы, которые могут ускользнуть от человеческого разума».
Михаил Данько, заместитель генерального директора по науке ООО «ТИНГ»
«Основные временные затраты на обучение генеративного интеллекта — это создание обучающей выборки. Сами алгоритмы уже есть и лежат практически в открытом доступе. Инвестиции зависят от того, чему именно мы хотим научить такой алгоритм: распознавать кошек и собак или отличать аргелит от алевролита. В интернете миллиарды изображении кошек и собак в цифровом виде, поэтому выборка для обучения уже готова и размечена миллионами людей.
А вот изображений геологических пород не так много, поэтому если мы хотим сделать из ИИ геолога, то нам придется сделать такие фотографии в количестве нескольких миллионов (а лучше миллиардов), а лучшие геологи должны разметить эти фотографии сами. Это колоссальные затраты, и они не нужны».
Александр Чернов, менеджер группы разработки цифровых решений направления производственного консалтинга «Рексофт Консалтинг»
«Есть объективная статистика развития рынка больших данных в России, которую формирует НИУ ВШЭ по итогам опроса руководителей крупных компаний. Согласно этой статистике, рынок больших данных, являющихся основой для машинного обучения, растёт на 15–20% в год. Так, если в 2022 году больше половины крупных компаний относились к „цифровым пионерам” и лишь 2% достигли уровня „цифрового управляющего”, то по итогам 2023 года основная доля компаний перешла на уровень „цифровой владелец” (уверенный сбор и обработка данных в отдельных сегментах с фокусом на анализ прошлых периодов). Можно полагать, что в пределах 5 лет крупные нефтегазовые компании приблизятся к уровню „цифрового управляющего”.
Илья Пугачёв, технический директор департамента искусственного интеллекта «ТерраЛинк»
«Скептики утверждают, что, несмотря на широкий интерес к нейросетям, многие компании не видят немедленной отдачи от их внедрения. В некоторых случаях затраты на разработку и внедрение действительно могут превышать предполагаемую выгоду, особенно если подход к интеграции технологий не систематизирован. Однако, с другой стороны, успешные примеры внедрения показывают, что при правильном подходе нейросети действительно могут приносить значительную пользу.
Они способны ускорить процессы анализа данных, улучшить принятие решений и оптимизировать операционные процессы. Таким образом, важно не только учитывать возможные риски и затраты, но и видеть потенциальные выгоды от использования нейросетей в долгосрочной перспективе. Важно учитывать, что успешное внедрение нейросетей требует системного подхода и постоянного совершенствования технологий».
Антон Морозов, директор по развитию направления ИБ ООО «Максофт»
«По данным исследования Positive Technologies, промышленные организации не выходят из первой пятёрки отраслей по количеству киберинцидентов. С помощью технологии можно автоматически обнаруживать хакера, определять захваченные им ресурсы, прогнозировать сценарий развития атаки с учётом недопустимых для предприятия событий и останавливать атаку до того, как организации будет нанесён непоправимый ущерб.
Например, с применением автопилота MaxPatrol O2 российского вендора в области результативной кибербезопасности Positive Technologies эффективность работы аналитиков по обнаружению, расследованию и реагированию на инциденты повышается до 50 раз.
Метапродукт формирует и выполняет сценарий реагирования, позволяющий вовремя остановить хакера, меньше чем за минуту. Применение технологий искусственного интеллекта в кибербезопасности позволяет не упускать атаки, незамеченные традиционными средствами мониторинга».
Текст: Юлия Григорьева.
Фото: freepik.com.
