Machine learning in het veld

Voorbeeld:een groot olie- en gasbedrijf begon met routine-inspecties van zijn pijpleidingnetwerk, gebruikmakend van hetzelfde fysieke apparaat , d.w.z. "het varken". In plaats van de onbewerkte gegevens naar menselijke analisten te sturen en te wachten op analyse, werden ze naar een machine learning-oplossing gestuurd. Het resultaat was de identificatie van een ernstige fout in een sectie die faalde zodra de bemanning begon met de zandstraalprocedure Door tijdige identificatie heeft het bedrijf ten minste $ 10 miljoen bespaard, wat de schade zou zijn geweest omdat het gedeelte door een amandelboomgaard liep.

Dit waren slechts de resultaten van een enkele studie. Laten we een tandje bijsteken door te kijken naar de 2,7 miljoen mijl aan pijpleiding die door Noord-Amerika loopt. Het is gebleken dat bijna 2/3 van de Amerikanen binnen 600 voet van een pijpleiding woont. In de meeste gevallen blijven lokale autoriteiten worstelen om hulp wanneer er een fout optreedt, omdat hun kaarten slechts een nauwkeurigheid hebben tot 500 ft. Het werd gemeld door de Pipeline and Hazardous Materials Safety Administration (PHMSA) dat tussen de jaren 2006 en 2015 pijplijn incidenten groeide met 26,8%. Deze incidenten ernstig letsel, overlijden of eigendommen met een waarde van meer dan $ 50.000. In 2015 vond er gemiddeld bijna één incident per dag plaats.

Wat betekent het optreden van dergelijke incidenten in het licht van strenge veiligheidsnormen en investeringen ter waarde van miljarden dollars betekenen? Het huidige onderhoudssysteem is simpelweg niet effectief genoeg om het begin van storingen nauwkeurig te voorspellen.

Gegevens

De detectiemethode is niet zo'n groot probleem; het is eerder het gebruik van de gegevens verzameld door het varken dat is het punt van zorg. Sommige anomalieën kunnen eenvoudigweg niet rechtstreeks worden geïdentificeerd met behulp van de momenteel beschikbare technologieën, waardoor een diepgaande correlatie en analyse van de gegevens nodig is. Dit betekent niet dat de schuld wordt verlegd naar de datawetenschappers, aangezien ze werken rond gevestigde praktijken en ervaring hebben die hen helpt problemen te identificeren binnen een schijnbaar onbeperkte stroom gegevens. Het laatste deel vormt het grotere vraagstuk. Het bleek dat slechts 4% van de verzamelde gegevens wordt gebruikt als het gaat om het beheer van pijplijnen.

Alle tekens wijzen in één richting:de gigantische hoeveelheid gegevens.

Er is een dreigende crisis die volledig effect zal hebben zodra de meest ervaren experts in de sector met pensioen gaan. Sommige van deze experts hebben buitengewone vaardigheden die gewoon te moeilijk zijn om vervangingen voor te vinden. Dus waarom brengen we geen computers binnen? Ja, zeker, maar de sterk toegenomen verwerkingskracht maakt computers niet goed in het oplossen van problemen die leervermogen, beoordelingsvermogen en observatievaardigheden vereisen.

Machineleren

De kloof tussen de vaardigheden van ervaren specialisten en repetitieve verwerkingskracht van computers wordt overbrugd door het concept van Machine Learning. Sinds 2014 levert OneBridge Solutions zijn data-analysediensten aan de olie- en gassector, met zijn platform gebouwd bovenop Microsoft Azure Cloud.

Machine Learning vormt, in combinatie met de schaalbare bronnen van cloudtechnologie, een perfecte combinatie, die helpt bij het omgaan met stapels gegevens die door het varken worden gegenereerd. Het beste van een dergelijke oplossing is dat deze wordt gepresenteerd binnen het Software as a Service-model en dus eenvoudig te implementeren en te beheren is door verschillende klanten.

De functies zijn afgestemd op de 'toestand' van het pijpleidingsysteem, wat resulteert in de creatie van een nieuwe 'toestand' die vervolgens kan worden gevisualiseerd op een 3D-beeld. Door middel van cognitief integriteitsbeheer kunnen dergelijke virtuele beelden aan elkaar worden genaaid om complete pijplijnsystemen te vormen die vervolgens binnen enkele minuten in plaats van weken kunnen worden geanalyseerd.

De gebruikers van het systeem kunnen eenvoudig inline inspectierapporten slepen en neerzetten in het systeem, van waaruit ze binnen enkele minuten worden ingenomen en genormaliseerd. Machine learning stelt integriteitsbeheerteams ook in staat inzicht te krijgen in de hele pijplijn zonder al te veel tijd te besteden aan het doorbladeren van de gegevens.

Naast het verhogen van de snelheid van werken, kan Machine Learning ook de precisie van gegevens verbeteren, de operationele effectiviteit vergroten en de dreigingsdetectieratio verbeteren. Door effectief gebruik van gegevens gepresenteerd door het varken , en door het op een snelle, uitgebreide en nauwkeurige manier te presenteren, geeft Machine Learning ruimte aan ervaren specialisten om de resultaten te analyseren en verder te verfijnen. Het eindresultaat zou operationele bemanningen zijn die gewapend zijn met betere gegevens, wat resulteert in de noodzaak om minder grond te bestrijken en uiteindelijk minder verstoring op de werkplek.