Москва. 22 августа. ИНТЕРФАКС - Топливно-энергетический комплекс РФ, несмотря на технологический потенциал и наличие ресурсов, медленно и неравномерно осваивает искусственный интеллект (ИИ), отставая, в частности, от агропромышленного комплекса, финансовой и металлургической отраслей. Такой тезис содержится в докладе по итогам сессии экспертного клуба Евразийского союза экспертов по недропользованию.
Отмечается, в частности, что финансовые ресурсы отрасли действуют не только как стимул к развитию ИИ, но и как тормоз. "У нефтяников нет такого стимула, как у металлургов или угольщиков, которые столкнулись с серьезными барьерами и вынуждены искать любые способы оптимизации бизнес-процессов для снижения издержек", - приводится в докладе мнение генерального директора ЦСП "Платформа" Алексея Фирсова.
В докладе рассматривается практика применения ИИ в нефтегазовой отрасли РФ, а также приводится анализ барьеров, препятствующих полномасштабному внедрению инструментов в работу компаний.
ГДЕ ПРИМЕНЯЕТСЯ?
ИИ уже применяется в широком спектре задач, но чаще в виде точечных пилотных проектов. Большие языковые модели (LLM) пока используются в основном в аналитике, документообороте и управлении знаниями, тогда как машинное обучение (ML) активно работает в производственных контурах.
Так, в частности, "Газпром нефть" применяет ML и цифровые двойники в бурении, "ЛУКОЙЛ" и "Нефтиса" используют нейросети для управления заводнением и обводненностью, "Транснефть" ведет наблюдение за трубопроводами с помощью дронов и компьютерного зрения, "Роснефть" пользуется ИИ-поддержкой при мониторинге вечномерзлых пород. "Росгеолфонд" разработал "ГеолGPT" - LLM, обрабатывающую архивные отчеты и генерирующую справки.
Кроме того, имеется опыт использования ИИ для мониторинга прихвата бурового инструмента, оптимизации графиков капитальных ремонтов на месторождениях, предсказания отказов насосов и компрессоров (снижение аварийности), подбора режимов на НПЗ (для увеличения выхода светлых фракций). Генеративный ИИ применяется в бухгалтерии, юридических службах, кадровом документообороте.
"В энергетике и промышленности предиктивная аналитика позволяет заранее выявлять риски - от выхода из строя оборудования до нарушений в технологических цепочках. Мы уже видим схожие результаты в финтехе и госсекторе, где модели прогнозируют сбои и аномалии задолго до инцидента. Такой подход помогает компаниям избежать простоев и финансовых потерь, которые в масштабах отрасли могут исчисляться сотнями миллионов рублей", - рассуждает архитектор решений по ИИ и кибербезопасности, руководитель "ИИКубикс" Дмитрий Дизна.
Реализованные кейсы доказывают потенциал ИИ, но для их масштабирования необходимы единые подходы к архитектуре, качеству данных и управлению знаниями, отмечают авторы доклада.
В ЧЕМ ПРОБЛЕМЫ?
Внедрение ИИ в ТЭК сдерживается не технологиями, а качеством данных, сопротивлением персонала и организационной инерцией, убеждены эксперты.
Одной из главных проблем эксперты считают состояние данных: накопленные архивы содержат ошибки и пропуски. Сюда примешиваются и сложности автоматизации - данные хранятся в разных, порой несовместимых между собой системах. Отсутствие технической совместимости и преемственности между платформами мешает формировать обучающие выборки.
Усугубляет проблему неготовность компаний отрасли делиться данными.
"Качество и количество информации - главные стоп-факторы, которые ограничивают применение генеративного искусственного интеллекта и больших языковых моделей. Но если проблема качества данных объективна и является следствием низкой культуры использования цифровых инструментов, то проблема количества информации сугубо субъективна и может быть легко преодолена через кооперацию всех компаний-участников отрасли: контролируемое раскрытие и обмен данными между всеми участниками, без возможности отказаться, решит данную проблему и будет служить интересам компаний", - считает руководитель управления проектов подразделения Цифровых Решений ООО "БурСервис" Ашот Мосесян.
Немалую роль играют инфраструктурные ограничения - высокая стоимость продвинутых решений и зависимость от зарубежного оборудования.
Отраслевой эксперт Сергей Пархонюк отметил, что инвестиции российских компаний в ИИ недостаточны: "Последние данные, которые я смотрел: только Stargate в США оценивается в $500 млрд. Если говорить про Россию, то объем инвестиций составляет порядка $1,5-2 млрд. Разница впечатляет".
В то же время сложности наблюдаются и в части принятия новых практик сотрудниками. Эксперты отмечают сопротивление нововведениям и недоверие к алгоритмам на разных уровнях - от главного геолога до оператора.
"Люди перегружены текущими задачами, боятся перемен или просто не верят в реальную пользу. Мы наблюдали это и в юридических организациях, и в крупных ИТ-службах, и в государственных структурах. Чтобы ИИ начал работать на бизнес, важно учитывать не только технологии, но и поведение людей, вовлекая их в процесс трансформации", - отмечает Дизна.
Кроме того, сотрудников смущают нерешенные юридические и этические вопросы, в частности, кто несет ответственность за ошибку ИИ?
Нередко сложности внедрения связаны с ошибочными представлениями о сути и формах ИИ: "В нефтегазовой и других отраслях нет единого понимания, что такое искусственный интеллект. Под ИИ часто подразумевают все подряд: от автоматизации до генеративных моделей (LLM). Отсюда - искажение ожиданий и запросов. Рынок стимулирует хайп: заказчики требуют ИИ во всех технических заданиях, не осознавая суть и техническую необходимость. Из-за искажения понятия порой создаются фиктивные KPI, что заведомо дискредитирует внедрение ИИ".
Наконец, компании осознают формирование новых видов угроз со стороны технологий, работающих с огромными массивами данных.
КАК ИХ ПРЕОДОЛЕТЬ?
Эксперты ожидают участия государства в преодолении обозначенных барьеров: поддержки профильных НИОКР, создания отраслевых консорциумов (по аналогии с машиностроением), а также решений, направленных на стандартизацию данных и открытие репозиториев. Среди практических предложений - создание публичных датасетов, (аналогов ImageNet) для обучения моделей, запуск площадок для безопасного тестирования ИИ без риска для производства, а также введение бонусных стимулов за решение конкретных задач.
"Дальнейшее развитие технологий ИИ в отрасли невозможно без двух вещей: платформизации данных и технологий. Есть хороший пример агропромышленного комплекса, который в недавнем прошлом сильно отставал от других секторов по этому направлению. Но затем на уровне правительства было принято решение о необходимости обмена данными и создании унифицированных технологий. И внедрение решений пошло в ускоренном темпе, сегодня агросектор - один из лидеров по ИИ-технологиям. Тот же путь должна пройти и нефтегазовая отрасль", - убежден партнер "Яков и Партнёры" Олег Шендерюк.
Компаниям авторы доклада рекомендуют рассматривать ИИ не как внешний инструмент, а как внутреннюю часть трансформации бизнеса - только в этом случае его внедрение даст устойчивый эффект.
"ИИ должен быть встроен в бизнес-логику, а не быть отдельным модным направлением. ИИ меняет не только процессы, но и способы мышления, архитектуру управления и культуру принятия решений. Поэтому ориентир только на краткосрочные измеримые эффекты ограничивает потенциал его применения", - отмечают они.
Кроме того, эксперты предостерегают компании ТЭК от оценки эффективности внедряемых ИИ-решений только с точки зрения рентабельности: "Эффект от ИИ не всегда выражается в сокращении затрат или увеличении выручки. Это могут быть устойчивость, скорость реакции, снижение риска, интеллектуализация компании".
Важно и признание ИИ как драйвера культурных изменений: "Автоматизация, работа с моделями, человеко-машинные интерфейсы - это не просто технологии, а новая культура труда. Она требует переобучения, адаптации, принятия иной логики взаимодействия с информацией".
"Компании не всегда могут спроецировать свои бизнес-задачи на ИИ-технологии, поскольку просто не понимают, какие эффекты они получат от внедрения ИИ для решения конкретной задачи, каковы границы применимости и качества ИИ-решений, насколько компания готова к внедрению, чего ей не хватает. Решением здесь может быть всесторонний анализ с привлечением внешних консультантов либо развитие собственных компетенций", - приводится в докладе взгляд независимого консультанта по разработке и внедрению ИИ-решений Александра Ученова.