Внедряете ИИ и машинное обучение? Ничего не пропустили? Вы точно готовы? Может сначала обратить внимание на старую-добрую автоматизацию? Данные пособирать как следует? Ах, вы сильно не заморачивались, что-то там сделали и оно как-то там работает.. Ну чтож.
Внедрять ИИ не добившись максимальной автоматизации — это как надевать трусы поверх штанов. Можно, но так делают только умственно отсталые.
Почему?
Две причины:
- Возможно, вам вообще не нужен ИИ, если вы правильно автоматизируете процесс.
- Ваш ИИ будет хуже, если вы не знаете, как именно работает ваш автоматизационный слой и какие у него недостатки.
Позвольте мне привести пример не из нефтяной промышленности, а из сельского хозяйства.
Сельское ХЗ
Когда дело доходит до внедрения новых технологий, сельскохозяйственная отрасль значительно отстает от таких секторов, как нефть и газ. Большинство пахотных земель все еще обрабатываются вручную с использованием дешевой рабочей силы и почти без автоматизации. В развитых странах, таких как США, ситуация отличается, но в основном на уровне машин и механизмов.
Есть три компонента сельского хозяйства — машины, семена и почва. Из этих трех компонентов почва является наиболее технологически запущенной. Самая современная технология здесь — VRT (Variable Rate Technology), и она требует много данных.
- Анализ почвы: Детальный анализ свойств почвы, включая уровень питательных веществ, pH и влажность.
- Мониторинг урожайности: Сбор данных о урожайности с помощью сенсоров на уборочной технике.
- Дистанционное зондирование и дроны: Использование спутниковых снимков или сенсоров на базе дронов для получения данных о здоровье растений, влажности почвы и других условиях на поле.
- GPS-картирование: Создание детальных карт поля с геопривязкой данных.
Вы собираете эти данные и создаете карту поля с дозировкой, сколько питательных веществ добавлять на каждый квадратный метр поля. Загружаете эту карту в умный опрыскиватель, и вуаля — вы удобряете только ту часть поля, которая действительно нуждается в этом — эффективность.
Я большой поклонник шоу «Ферма Кларксона» на Amazon Prime. Если внимательно посмотреть на их таблицу в конце третьего сезона, самый большой расход, безусловно, — это удобрения и химикаты.
Представьте, что можно было бы сократить эти расходы наполовину? Насколько выше была бы ваша маржа?
Почему самый известный селебрити-фермер не инвестирует в крутые новейшие технологии? Деньги у него точно есть. Может быть, ему это не интересно. Или, может быть, он заложник старых методов, которые приняты среди местных фермеров. Нет инфраструктуры для поддержки инноваций. Нет знаний о потенциальной эффективности.
Стоимость у всего этого добра разная. Почвенный анализ и спутниковые снимки — дешево. Совмещение их с данными о урожайности требует дисциплины на протяжении многих сезонов, но также возможно при скромных бюджетах. Данных о погоде много, но также требуется дисциплина для сбора и корреляции. Специальное оборудование для точечного применения химикатов и удобрений стоит дорого.
Но вы никогда не дойдете до вопроса о применении умной опрыскивалки. Потому что зачем собирать все данные, если есть опытный агроном с тренированным глазом, который может сказать, в порядке ли поле или нет? Зачем тратить даже малые деньги, если задачу можно решать другим путем.
Но это и есть главный секрет данных. Ты никогда не знаешь когда они могут пригодиться и какую ценность из них можно будет извлечь в будущем с развитием технологий.
Без данных вы никогда не сможете сказать, оставляете ли вы деньги на столе (или в земле) или нет. Без данных вы живете одним днем. С данными — у вас всегда есть неограниченный апсайд в будущее.
Скрытый апстрим
Вы не можете оптимизировать то, что не видите.
Это простое правило является основой современного производства нефти и газа. Я уверен, что это единственная отрасль, которая никогда не видит, с чем она работает. Но при этом знает об этом больше, чем все остальные.
Я имею в виду пласт, содержащий нефть и газ. Он находится глубоко под землей. Так глубоко, что никто никогда не видел, как выглядит настоящий резервуар. Мы получаем лишь небольшие подсказки через пробуренные скважины и извлеченный керн (породу).
Чтобы лучше понять, с чем мы работаем, мы используем тонны данных. Я имею в виду настоящий метрический дохулиард, значений, корреляций, моделей. Мы стараемся использовать все, что можем получить, чтобы лучше понять, с чем мы имеем дело на глубине 2000 метров под землей. Чтобы улучшить производственные показатели и доходность для наших инвесторов.
Сравните это с сельским хозяйством. Фермеры фактически видят почву своими глазами. Могут взять в руки и пощупать ее. Но их анализ часто выглядит так:
- Если почва черная и в ней есть черви — все хорошо.
- Если она серая и в ней нет червей — все плохо.
Как вам такой анализ?
Хотя возможность для анализа есть. Фактически безграничная. Можно получить детальный отчет:
И это дешево. А половина данных доступна с помощью ручного тестового оборудования. Я бы хотел иметь такое же для своей области работы.
Урожай
Какое поле принесет больше плодов от семян ИИ и машинного обучения? То, которое изначально богато данными и анализом, или то, которое богато традициями?
Если вы фермер (или работаете в другой области, где история сбора данных, автоматизации и использования данных минимальна), не спешите заскакивать на поезд до ИИ. Сделайте шаг назад и проанализируйте, что у вас есть.
- Вы гарантированно получите больше ценности и понимания, если сначала попытаетесь дисциплинированно собирать данные и проводить базовую автоматизацию или анализ данных.
- Затем, когда вы сделаете это в течение определенного времени, можно будет начать думать о добавлении крутых ИИ и ML штук поверх созданной вами инфраструктуры данных.
- И когда вы столкнетесь с трудностями (а они обязательно будут), их будет легче решить, поскольку вы будете знать что, проблема в данных или в технологии, которая должна их использовать.
Надеть трусы поверх штанов можно. Это не мешает ходить и в целом так даже теплее. Но адекватные прохожие будут обходить вас стороной.