I media pubblicano regolarmente notizie e articoli sugli ultimi ingegnosi sviluppi in materia di intelligenza artificiale (AI). Che si tratti di aiutare i radiologi nell’assistenza sanitaria o di permettere ai consumatori di scegliere cosa guardare su Netflix, gli sviluppi in materia di AI attirano sempre enorme attenzione. Anche l’industria Oil&gas sta cominciando a studiare le future conseguenze dell’intelligenza artificiale.
I casi d’uso stanno diventando chiari, si stanno formando start up per affrontare i problemi dell’industria e i primi ad averla adottata stanno avendo successo. Cercando “intelligenza artificiale nel settore Oil&gas” su Google si ottengono circa 26 milioni di risultati, più o meno il 5 percento di tutti i risultati reperibili per “intelligenza artificiale”.
AI: una definizione
Pur non essendo un campo nuovo (la prima indagine sull’AI risale all’alba dell’era informatica) l’AI è declinata in termini e definizioni che creano confusione. Il presente articolo definisce l’AI una capacità computerizzata di analizzare dati utilizzando abilità cognitive normalmente associate agli esseri umani. Oltre alla potenza di calcolo, di queste abilità cognitive fanno parte l’elaborazione del linguaggio naturale, la traduzione interlinguistica, la percezione visiva, l’interpretazione di stimoli sonori e la creazione di strumenti.
In altre parole, un’intelligenza artificiale si serve di sensori per percepire il mondo, di dati storici per fare riferimento a situazioni passate e di computer o strumenti di analisi per elaborare alcune regole sul mondo. Inoltre, l’AI si contraddistingue per la capacità di elaborare enormi quantità di dati da una grande varietà di fonti a velocità sovrumane, interpretandoli in modo conforme all’intelligenza umana.
Un’auto a guida autonoma rappresenta un valido esempio di intelligenza artificiale all’opera. L’auto e i suoi sensori sono in grado di rilevare ed evitare ostacoli, prevedere la traiettoria probabile di altri oggetti in movimento e modificare il comportamento del veicolo a seconda delle condizioni, per esempio rallentando in caso di pioggia o neve. In futuro, molti robot saranno dotati di questo tipo di intelligenza, capacità di apprendimento e adattabilità “soprannaturali”.
L’AI si trova al punto critico per essere adottata su vasta scala perché oggi la velocità, la capacità di archiviazione e la potenza di calcolo dei computer sono in grado di soddisfare i requisiti di elaborazione di un software di AI. Società come Tesla, Amazon e Google stanno operando senza eccezioni massicci investimenti nella ricerca sull’AI, mentre (come illustra il grafico 1) le ricerche di termini come “AI” e “apprendimento profondo” continuano a crescere in termini di percentuale dell’attività di ricerca.
Perché l’Oil&gas?
I dati e il talento umano sono due elementi che consentono di sfruttare con successo l’IA, e di entrambi c’è abbondanza nel settore Oil&gas.
L’industria dispone di enormi quantità di dati registrati che sono disponibili ai fini della preparazione dei motori di AI o dell’analisi che sono in grado di svolgere. Tali dati possono essere dinamici e acquisiti a intervalli orari da sensori sul campo (come nel caso di sensori di movimento o videocamere puntate sui milioni di attività del settore industriale) oppure statici, come lo storico dei dati sismici registrati nel corso dei decenni. Maggiori saranno il volume e l’accuratezza dei dati, maggiore sarà il potenziale impatto dell’AI.
Per interpretare quei dati, l’industria fa ampio ricorso al talento umano: i geologi impiegano molto tempo e denaro a combinare diverse collezioni di dati e a preparare mappe ricavate da dati sismici e altri dati sul sottosuolo, costosi professionisti della finanza leggono faticosamente contratti fondiari e di joint venture per determinare i pagamenti delle royalty derivanti dalla produzione e gli addetti alle sale di controllo monitorano ingressi e parchi serbatoi remoti per garantire ottemperanza alle normative in materia di salute e sicurezza. A livello globale, l’industria Oil&gas si posiziona spesso tra i settori industriali maggiormente retribuiti.
I primi indizi suggeriscono che non esiste un unico incentivo economico a utilizzare l’AI, tra i principali motivi per farlo: integrare le professioni esistenti con l’AI per liberare capacità e ridurre i costi, migliorare la qualità di analisi per ridurre rischi o discrepanze, accelerare o incrementare l’esecuzione dei lavori o acquisire capacità latente in termini di apparecchiature o personale.
Una ricerca del McKinsey Global Institute indica che il 45 percento dei dirigenti d’azienda considera l’AI un potente “differenziatore” in termini di competitività. I differenziatori sono fattori generali di crescita del rendimento, applicabili inoltre a molti aspetti dell’industria, il che lascia intravedere ampie opportunità per l’applicazione dell’AI alle sfide industriali. Come illustra il McKinsey Global Institute nella figura 3, sfruttando l’AI il settore Oil&gas potrebbe essere in grado di acquisire valore per 150 miliardi di dollari. Stanno cominciando a fare la loro comparsa i primi casi di utilizzo di tale tecnologia e, dal momento che gli ostacoli all’adozione di soluzioni di AI sono assai scarsi, questa potrebbe essere molto rapida.
Primi esempi
Ecco solo alcuni dei casi d’uso attualmente in funzione nell’industria.
Analisi delle riserve
Il settore upstream sta facendo rapidi progressi nell’utilizzo dell’AI, in particolare nell’area del sottosuolo: i dati sono abbondanti, le conoscenze tecnologiche sono già molto avanzate e la posta in gioco supera di gran lunga i costi di collaudo della nuova tecnologia per interpretare i dati.
Le società che operano nel settore upstream si avvalgono dell’AI per migliorare la conoscenza delle proprie riserve. Quando si applica l’AI all’interpretazione e all’analisi dei dati disponibili sul sottosuolo, i tassi di recupero delle risorse migliorano. Il McKinsey Global Institute calcola che l’AI incrementi il rendimento dell’analisi dei dati del 79 percento rispetto all’attività umana. L’attività dell’AI è all’opera su risorse convenzionali e non convenzionali, tanto sulla terraferma quanto in alto mare. Nel caso delle riserve di shale, per esempio, le curve di declino sono migliorate progressivamente nel corso del decennio, ma restano ancora indietro rispetto al recupero delle risorse convenzionali. L’Agenzia internazionale dell’energia (IEA) prevede che innovazioni digitali come l’AI, impiegate per comprendere meglio porosità, permeabilità, dinamica dei fluidi e rendimento del fracking, potrebbero aumentare le riserve fino al 5 percento, soprattutto nel caso di risorse non convenzionali che sono particolarmente predisposte a migliorare l’analisi dei dati.
I geologi stanno inoltre ricorrendo all’AI per rivedere vecchie attività, come dati sulle risorse accantonati decenni prima perché la potenza di calcolo, la capacità di elaborazione o l’ambiente informatico non erano all’altezza del compito. Potenza di calcolo e capacità di elaborazione hanno fatto progressi tali che si stanno applicando con successo tecniche di AI ai dati sul sottosuolo archiviati e all’interpretazione di bacini convenzionali noti da tempo per aumentare la fedeltà o la precisione delle risorse, incrementare la produzione e prolungare la vita dei pozzi esistenti. Stanno anche nascendo società di gestione dati che offrono questo tipo di servizio. Per esempio, l’archivio dei dati originali di Enersoft su 200.000 pozzi canadesi ammontava a un quarto di terabyte (ovvero 250 gigabyte). Nel frattempo, l’analizzatore di cutting robotico di Enersoft genera oltre 2 terabyte di dati per pozzo, producendo risoluzioni che sono ordini di grandezza più dettagliati. In pratica, l’AI permette ai geologi di riprodurre modelli di bacini petroliferi o di gas naturale a livello di un granello di sabbia. La quantità di dati attualmente disponibile per l’analisi e l’interpretazione rende necessari nuovi strumenti di AI.
Una recente innovazione di Bluware applica la tecnologia dello streaming alla gestione dei dati, proprio come Netflix o Spotify trasmettono in streaming filmati e brani musicali. Grandi archivi di dati sul sottosuolo vengono compressi ed “emessi in continuo” a un motore di AI per essere interpretati, senza che chi li riceve sia costretto ad acquistarli o a procurarsene una copia. Questo sviluppo modifica la nozione di una data room ad accesso ristretto utilizzata per fusioni e acquisizioni, consentendo invece a molti piccoli attori di mettere in comune i rispettivi dati per migliorare l’interpretazione delle proprie risorse.
Operazioni
L’interpretazione dei dati visivi migliora i risultati in materia di sicurezza, la conformità alle normative e le operazioni nei siti. Un servizio di AI fornito da Osprey Informatics interpreta i feed di dati dei sensori visivi rilevando eventuali problemi per la sicurezza dei lavoratori (non indossare dispositivi di protezione, fumare o trovarsi nel posto sbagliato) e inviando messaggi di allarme ai supervisori. Il suo motore di AI monitora i pennacchi e rileva la presenza di vapori di idrocarburi pericolosi. Il sistema monitora il 100 percento dei siti ed è interamente controllabile, il che incrementa i tassi di conformità.
Produzione
I clienti di Ambyint, che fornisce una soluzione di AI per applicazioni di sollevamento artificiale, riferiscono un aumento nella produzione fino al 5 percento e una riduzione dei costi del 10 percento. La soluzione di AI di Ambyint si aggancia a una pompa petrolifera, ottimizzandola per eliminare l’attività di sovra o sotto-pompaggio.
Infine, l’AI risolve pressoché istantaneamente compiti che l’uomo può svolgere solo impiegando molto tempo. Woodside Petroleum, per esempio, usa Watson, un sistema di intelligenza artificiale sviluppato da IBM, per catalogare tutti gli studi e i documenti ingegneristici precedenti sui progetti di gas di Woodside al largo della costa dell’Australia Occidentale. Gli ingegneri pongono a Watson domande di ingegneria espresse in linguaggio naturale, Watson interpreta la domanda e poi presenta gli studi in ordine di rilevanza. Woodside calcola che prima di Watson gli ingegneri impiegassero fino al 40 percento del proprio tempo a cercare studi e analisi precedenti. Il tempo così risparmiato è ora disponibile per attività ingegneristiche più produttive, riducendo i tempi di ricerca del 75 percento.
Midstream
Anche le attività midstream si prestano a nuove soluzioni intelligenti. Per esempio, gli addetti agli oleodotti e ai parchi serbatoi creano copie digitali delle loro complesse attività di rete e si servono di motori di intelligenza artificiale per ottimizzare la rete, usando soluzioni offerte da società come Stream Systems.
Una copia digitale perfettamente funzionante di un’attività è costituita da molti livelli di dati che concorrono a offrire una versione software dell’attività ricca, pienamente integrata e analiticamente approfondita. Questi livelli comprendono contenuto ingegneristico (diagrammi, specifiche, configurazioni), limiti fisici (capacità operative, volumi di produzione e pressioni), parametri operativi delle attività (energie in ingresso, materiali di consumo, sottoprodotti ed emissioni), caratteristiche finanziarie (costo fisso di struttura, spese di gestione per unità) ed elementi incerti (domanda dei clienti, eventi atmosferici, interruzione della fornitura). Applicare la tecnologia dell’AI a questo modello digitale della rete consente ai proprietari di ottimizzare le attività in modi prima impossibili, o di simulare la durata di un’attività. Nel corso di un hackathon, per esempio, Microsoft ha utilizzato i dati relativi agli oleodotti per capire se fosse possibile usare uno strumento di AI per individuare eventuali punti soggetti a corrosione. È stato un successo: il vincitore dell’hackathon è stato in grado di trovare la corrosione con una precisione del 99 percento.
La manutenzione delle risorse si sta riconfigurando per sfruttare l’AI offrendo ai tecnici un nuovo modo di svolgere il proprio lavoro. Anziché prendere appunti su carta o digitare su piccole tastiere per registrare informazioni su attività e interventi di riparazione, gli addetti alla manutenzione si servono di videocamere e microfoni potenziati con l’IA per registrare l’attività lavorativa in tempo reale. Secondo Kimberlite Research, la ricerca basata sui dati e potenziata dall’AI dimezza i costi di manutenzione. Il motore di AI interpreta i dati visivi e la produzione orale sia per coadiuvare il manutentore sia per creare dati strutturati per i sistemi di manutenzione.
Oltre il petrolio
I timori per le emissioni di carbonio, le preferenze dei consumatori e la conformità alle normative vigenti stanno spingendo molte industrie a dotare di maggiore intelligenza i propri impianti, prima fra tutte quella automobilistica, la cui tecnologia del motore a combustione interna consuma il 25 percento di tutto il petrolio. Le 6 maggiori aziende automobilistiche, che rappresentano il 50 percento delle vendite del settore, stanno facendo a gara per installare l’AI nei propri prodotti. I veicoli odierni sono già ricchi di software: nelle sue varie componenti, per esempio, il Ford F-150 (uno dei pick-up più venduti) ha più linee di codice del Large Hadron Collider (il più grande e potente acceleratore di particelle realizzato finora presso il CERN di Ginevra), dello Space Shuttle, di un caccia F-35 o di Facebook.
I veicoli di prossima generazione, che stanno gradualmente arrivando sul mercato, saranno dotati di livelli maggiori di connettività, supporto per la condivisione e autonomia, che per funzionare non possono fare a meno dell’intelligenza artificiale. I primi risultati sull’utilizzo di mezzi pesanti a guida autonoma in operazioni di estrazione mineraria indicano che uno dei vantaggi cruciali è dato dal risparmio di carburante, dal momento che i veicoli regolano automaticamente le prestazioni del motore a seconda delle caratteristiche del carico e della pendenza stradale. I veicoli connessi in grado di comunicare tra loro possono formare gruppi o convogli più ravvicinati. In questo modo, gli effetti aerodinamici riducono la resistenza e aumentano l’efficienza del carburante.
Verso l’adozione delle soluzioni di IA
Per adottare con successo soluzioni di intelligenza artificiale, le società che operano nel settore Oil&gas devono fare tre cose.
Solidità di garanzie e sostegno finanziario
La dirigenza deve dimostrare appoggio incondizionato all’AI, regolando per esempio gli standard di misurazione del rendimento per premiare il comportamento richiesto. Prima di investire molto tempo in una nuova tecnologia che si tende ad associare alla perdita di posti di lavoro, i dipendenti in prima linea devono sapere di avere l’appoggio dei dirigenti. Il successo dell’AI nel settore, infatti, non si baserà sulla qualità degli algoritmi, bensì sulla capacità dei dirigenti di promuovere il cambiamento sul posto di lavoro.
Formazione
Le società di Oil&gas devono investire nella promozione della conoscenza dell’AI all’interno delle rispettive organizzazioni. Analogamente, per contribuire a superare la diffidenza degli ingegneri nei confronti della tecnologia, i fornitori di AI devono offrire anche preparazione e formazione sulle effettive modalità di funzionamento dei loro algoritmi, sulle loro capacità di autoapprendimento e sui loro limiti.
Collaborazione
I sostenitori dell’AI devono lavorare in modo più collaborativo per superare le carenze di competenze. La domanda di know-how nel campo dell’AI ha subito un’accelerazione in molte industrie, determinando un’elevata domanda di lavoratori qualificati in campi come scienza dei dati, apprendimento automatico, apprendimento profondo, reti neurali, analitica e intelligenza artificiale. Lavorare a stretto contatto con laboratori, start up, incubatori e acceleratori aziendali è una necessità.
In conclusione, l’intelligenza artificiale è ormai talmente sviluppata da avere profonde ripercussioni su alcune delle sfide più complesse dell’industria. Pertanto, non c’è più alcun motivo per ritardare gli investimenti in questa tecnologia promettente e matura.
Be the first to comment