– Как Вы можете оценить текущее развитие практики применения ИИ в нефтегазе и какие можете выделить основные области его применения?
– На рынке добычи нефтегаза, как и в других отраслях, существует жесткая конкуренция за себестоимость добычи полезных ископаемых, другими словами, компании стремятся постоянно сокращать издержки при качественном повышении эффективности работы с каждой скважиной.
В России нефтегазовые компании применяют ИИ уже более 10 лет, при этом основной фокус кейсов внедрения приходится на развитие «умной скважины», геологоразведки и оптимизации именно производственного процесса. В этой части получение даже небольшого эффекта в десятые процента эффективности приносят для компании многомиллионные эффекты за счет общего объема выработки скважины.
Ситуация существенно изменилась за последние несколько лет, с уходом крупных иностранных сервисных игроков в нефтегазе, российским компаниям пришлось перестроиться на развитие внутренней компетенции ИИ-команд и без доступа к глобальным базам знаний и датасетам, развивать свои ИИ-модели и подходы.
Несмотря на это, наши крупнейшие компании делают большие успехи во внедрении ИИ в добычу и переработку, на регулярной основе в СМИ появляются примеры кейсов-внедрения передовых технологий: это и максимально эффективное моделирование нефтепромыслов для оптимизации режимов эксплуатации скважин, и управление логистикой на земле и в море, и контроль за производством продуктов, даже системы для создания рецептур моторных масел. Такие примеры, несомненно, доказывают, что нефтегазовая отрасль является одним из драйверов развития ИИ в России и качественным образом трансформирует классические методы добычи и переработки полезных ископаемых.
– Какие подходы к внедрению и технологии ИИ сейчас наиболее перспективные, на что конкретно лучше делать ставку?
– Автоматизация рутинных операций и внедрение общедоступных ИИ-кейсов уже реализованы большинством отраслевых лидеров. Все последующие этапы развития ИИ в компании будут глубоко наукоемкими, либо ресурсозатратными в части сбора и подготовки данных, либо обучении моделей. При этом стоит отметить, что наибольший эффект стоит искать на стыке синергии высококвалифицированных сотрудников и ИИ-моделей, такая гибридная модель позволяет максимизировать потенциал человека и минимизировать несовершенство самого ИИ.
Другим фокусом внимания компаний должна стать ориентация на внедрение перспективных технологий или SOTA-подход (state-of-the-art), технологий, находящихся на переднем крае науки. SOTA-подход и SOTA-алгоритмы при написании моделей, хоть и могут в моменте быть дороже в части реализации, но в долгосрочной перспективе позволяют дольше сохранять эффект самой ИИ-модели. Например, большинство ИИ-экспериментов реализовывались классическими ML-методами, потом с применением обучения с подкреплением (reinforcement learning), затем автоматизированного машинного обучения (AutoML). Дальше все более сложные кейсы потребовали развития комбинации ML-моделей и перехода к первым ИИ-моделям. Сейчас же мы активно начинаем внедрять генеративные ИИ-модели (GenAI) и открыто прогнозируем развитие общего искусственного интеллекта (AGI), подобного человеческому, способному к самообучению, а следующим шагом будет появление сверхинтеллекта (ASI). Даже AGI будет мощным геополитическим ресурсом ближайшего будущего, владение которым во многом будет определять не только потенциал и эффективность корпоративных игроков, но и страны в целом.
– Если вернуться к практическому опыту самого Сбера по внедрению ИИ, удается ли предложить какие-то ваши решения компаниям нефтегаза или поделиться опытом?
– Сбер и наши партнеры, с которыми мы развиваем прикладные отраслевые решения, активно делятся своими компетенциями в области ИИ с другими участниками рынка и государством. Мы вкладываем средства как в базовые технологии, например нейросетевую модель GigaChat, так и в инфраструктуру, научные разработки и популяризацию применения ИИ в России.
Сбер, пройдя глубокую цифровую и операционную трансформацию, накопил большой опыт повышения эффективности процессов с помощью использования передовых технологий, в том числе искусственного интеллекта. Финансовый эффект от использования ИИ в Сбере в прошлом году составил 350 млрд рублей и, по нашим оценкам, эта цифра будет только расти.
Реализуя на рынок более 100 цифровых и партнерских продуктов, большинство из которых с уже внедренным искусственным интеллектом, мы стараемся помочь нашим клиентам достигнуть максимальной операционной эффективности, оптимизировать поддерживающие процессы, улучшить качество взаимодействия с контрагентами или конечными потребителями, например, для ВИНКов это даже оптимизация работы АЗС, а также повысить общую технологическую зрелость компании. Такой подход позволяет клиентам высвободить необходимые инвестиции и сосредоточиться на внедрении ИИ в производственных процессах, развивая внутренние команды компетенций.
Другим нашим направлением являются научные исследования и совместная реализация R&D-кейсов в тех областях, где у Сбера присутствует сильная прикладная компетенция, например – машинное зрение, аудио распознавание, биометрия, прогнозные модели, генеративные модели и другие. Совместная реализация таких научных задач позволяет Сберу развивать базовую технологию, накапливать отраслевые практики и масштабировать применение ИИ в России, а клиенту – получить поддержку высококвалифицированных команд Сбера для кейсов, которые не реализованы на рынке, либо экономический эффект по которым невозможно оценить заранее.
У нас уже накопилось достаточно много успешно реализованных пилотных проектов для нефтегазовых компаний. Для одной из компаний мы совместно реализуем кейс по прогнозированию фоновой коррозии в трубопроводах, для другой компании мы успешно реализовали пилот по распознаванию снимков, полученных с использованием аэрофотосъемки для детектирования нарушений эксплуатации трубопроводов.
Внедрение в нефтегазовом секторе инновационных технологий позволяет не только оптимизировать бизнес-процессы, но и внести вклад в их декарбонизацию. Разрабатываемый нашей дочерней компанией Сбер Бизнес Софт AI-сервис составляет почасовой прогноз реализации топлива по резервуарам на каждой АЗС и формирует план доставок на 5–7 дней. Это позволяет избежать простоев заправки, а также исключает финансовые потери от «пересыханий» резервуаров на АЗС. Для бензовозов модель составляет маршруты с почасовой детализацией. Среди множества вариантов выбираются оптимальные как с точки зрения сбережения времени (сокращение длины маршрута), так и с точки зрения экономии топлива (учитываются даже географические условия: например, высота над уровнем моря). Кроме того, выбор лучшего маршрута позволяет уменьшить выброс парниковых газов.
Еще одним ярким примером прикладного применения ИИ-моделей у Сбера является развитие геоаналитической платформы «Геометрия», способной эффективно решать широкий круг задач в различных секторах экономики, включая нефтегаз. Платформа «Геометрия» осуществляет мониторинг промышленных объектов в автоматическом режиме по множеству параметров. Поступающие спутниковые снимки обрабатывает нейросеть, обученная с высокой точностью детектировать отдельные объекты и их свойства. Благодаря этому значительно сокращаются трудозатраты и роль человеческого фактора при одновременном повышении скорости и качества работ. Хоть работу с геосервисами можно назвать довольно узким направлением, наработки в этой среде весьма эффективны с точки зрения бизнеса в целом.
Зачастую такие R&D-проекты реализуются впервые не только в России, но и в мире. Именно партнерская модель работы Сбера и клиента позволяет решать такие сложнейшие научные задачи. Внедрение подобных ИИ-моделей дает значительный финансовый и оптимизационный эффект.
– У каких компаний есть запрос на подобные решения и что за ИИ-решения вы готовы интегрировать? Готовы ли предприятия отдавать данные для обучения вашего искусственного интеллекта на примере GigaChat?
– ИИ-интегратор помогает компании внедрить в свой бизнес решения на базе ИИ и получить от них максимальный эффект, в том числе кастомизирует решения под конкретные потребности или даже разрабатывает их «с нуля».
Спрос на подобные продукты есть уже у компаний из самых разных областей: это и ритейлеры, и телеком, и промышленность, и нефтегазовые компании. Все они уже могут оценить реальный эффект, который можно получить за счет подобного рода решений.
Возьмем, к примеру, нейросетевую модель GigaChat. Если говорить про нефтегазовую отрасль, то искусственный интеллект Сбера предлагает компаниям разнообразные возможности по оптимизации бизнес-процессов. Например, технологии могут оказывать помощь при исследовании рынка, в принятии управленческих решений, разработке новых продуктов. Эти возможности способствуют улучшению оперативной эффективности, стратегическому планированию и инновационному развитию отрасли.
Отвечая на вопрос про готовность компаний отдавать данные для обучения модели, то, конечно же, для бизнеса этот момент остается достаточно чувствительным. Наша задача – объяснить, что для обучения модели требуются только обезличенные данные, что гарантирует защиту личной информации и конфиденциальность пользователей.
Для дальнейшего развития GigaChat и обучения прикладным навыкам, а также агентности для решения конкретных задач необходимо придерживаться партнерской модели работы с бизнесом. Так, нефтегазовые компании, желающие в дальнейшем использовать GigaChat, могут уже сейчас в партнерстве со Сбером предоставлять конкретные бизнес-задачи для генеративной модели и помогать своими внутренними компетенциями дообучать модель для отраслевого применения. Это позволит не только ускорить применение модели в корпоративной архитектуре компании, но и при выборе on-premise поставки модели в контур заказчика получить сразу предобученную модель для решения внутрикорпоративных корпоративных задач. Именно таких заказчиков-партнеров мы готовы подключать к обучению GigaChat и в последующем предоставлять модель на партнерских условиях.
