فناوری‌های نوظهور در نفت، گاز و پتروشیمی؛ از ابزار تا تصمیم قابل‌اعتماد
عکس: ThisisEngineering / Unsplash
فناوری‌های نوظهور در نفت و گاز زمانی ارزش ایجاد می‌کنند که یک مسئله مشخص را بهتر حل کنند. خرید نرم‌افزار یا ساخت داشبورد، به‌تنهایی بهبود عملکرد نیست. ابتدا باید مسئله، داده موردنیاز، مسئول تصمیم و معیار موفقیت روشن شود. این مقاله مسیر پیشنهادی استفاده از فناوری را از دید مدیریت کیفیت، ریسک و ممیزی توضیح می‌دهد.
فناوری نوظهور چه معنایی دارد؟
در این مقاله، منظور فناوری‌هایی است که کاربرد آن‌ها در سازمان در حال توسعه است و می‌توانند روش پایش، تحلیل یا تصمیم‌گیری را تغییر دهند. تازه‌بودن نام یک ابزار، دلیل مناسب‌بودن آن برای همه سازمان‌ها نیست. تناسب با ماهیت سازمان، شایستگی کارکنان و کیفیت داده باید بررسی شود.
فناوری‌های نوظهور در نفت و گاز؛ ۱۰ کاربرد صنعتی
موضوعات زیر با تصویر فناوری‌های نوظهور لینکدین هماهنگ‌اند. کاربردها پیشنهادی هستند و گزارش اجرای پروژه مشخصی نیستند. تناسب هر گزینه با مسئله، منابع و ماهیت سازمان باید بررسی شود.
۱. هوش مصنوعی و یادگیری ماشین
تحلیل وضعیت تجهیز، پیش‌بینی الگوی خرابی و کمک به تشخیص انحراف می‌تواند یک کاربرد پیشنهادی باشد. مدل باید با سوابق واقعی اعتبارسنجی شود و هشدار اشتباه نیز اندازه‌گیری گردد. تصمیم عملیاتی حساس بدون تأیید مسئول فنی به خروجی مدل سپرده نمی‌شود.
۲. اینترنت اشیای صنعتی
حسگرهای متصل می‌توانند داده وضعیت تجهیزات و خطوط را فراهم کنند. کالیبراسیون، زمان ثبت، قطع ارتباط و سطح دسترسی باید کنترل شود. هر مقدار داشبورد باید به منبع داده و مرز اندازه‌گیری قابل‌ردیابی باشد.
۳. دوقلوی دیجیتال
مدل دیجیتال تجهیز یا فرآیند می‌تواند برای مقایسه سناریوها و بررسی تغییر به کار رود. فرض‌ها، اعتبار مدل و حدود استفاده باید روشن باشد. نتیجه شبیه‌سازی به‌تنهایی مجوز تغییر شرایط بهره‌برداری نیست.
۴. تحلیل کلان‌داده‌ها
داده‌های کیفیت، تعمیرات و عملیات می‌توانند برای شناخت الگو و ارتباط‌ها تحلیل شوند. پیش از نتیجه‌گیری، نقص داده، تغییر روش ثبت و سوگیری نمونه را بررسی کنید. همبستگی، به‌تنهایی رابطه علت و معلولی را اثبات نمی‌کند.
۵. رایانش ابری
دسترسی مشترک به اطلاعات و همکاری میان واحدها می‌تواند آسان‌تر شود. انتخاب این راهکار باید با نیاز دسترسی، محرمانگی، پشتیبان‌گیری و امکان بازیابی سازگار باشد. مالکیت داده، تعهد تأمین‌کننده و روش خروج از خدمت را روشن کنید.
۶. رباتیک و اتوماسیون پیشرفته
خودکارسازی کار تکراری یا بازرسی می‌تواند خطای انسانی را کاهش دهد، اما ریسک تازه نیز ایجاد می‌کند. معیار پذیرش، نگهداری، حفاظت و روش توقف ایمن را بررسی کنید. تغییر نرم‌افزار یا تجهیز باید از مسیر کنترل تغییر عبور کند.
۷. پهپادها و ربات‌های بازرسی
در نمونه پیشنهادی، تصویربرداری از نواحی دشوار می‌تواند به پایش وضعیت کمک کند. مجوزها، شایستگی اپراتور، کیفیت تصویر و حدود تشخیص باید بررسی شوند. تصویر بدون تحلیل معتبر، اثبات سلامت کامل تجهیز نیست.
۸. واقعیت افزوده، مجازی و ترکیبی
شبیه‌سازی می‌تواند برای آموزش و انتقال مهارت استفاده شود. سناریو باید با کار واقعی تناسب داشته باشد و نتیجه یادگیری ارزیابی شود. تجربه موفق در شبیه‌ساز، جای ارزیابی شایستگی در محیط کار را به‌طور خودکار نمی‌گیرد.
۹. بلاکچین و ردیابی دیجیتال
در کاربرد مناسب، ثبت قابل‌ردیابی اطلاعات زنجیره تأمین می‌تواند بررسی اصالت و مسیر سوابق را تسهیل کند. درستی داده ورودی و ارتباط آن با کالای واقعی همچنان ضروری است. تغییرناپذیری یک ثبت، صحت محتوای اولیه آن را تضمین نمی‌کند.
۱۰. فناوری‌های کم‌کربن و انرژی نو
گزینه‌های انرژی و کاهش انتشار باید با شرایط فنی، منابع و تعهدات سازمان بررسی شوند. مزیت ادعاشده نیازمند مرز محاسبه و داده معتبر است. عنوان یک فناوری به‌تنهایی اثبات اثر محیط زیستی کمتر در همه کاربردها نیست.
تحلیل متن و مدیریت دانش
در کنار این نمونه‌ها، تحلیل متن می‌تواند در دسته‌بندی گزارش‌های عدم انطباق، شکایات و درس‌آموخته‌ها کمک کند. محرمانگی، نسخه منبع و بازبینی انسانی ضروری‌اند؛ پیشنهاد تولیدشده پیش از ورود به سند مصوب باید بررسی شود.
کنترل ریسک پیش از توسعه کاربرد
چارچوب داوطلبانه مدیریت ریسک هوش مصنوعی NIST برای توجه به اعتمادپذیری در طراحی، استفاده و ارزیابی سامانه‌های هوش مصنوعی ارائه شده است. برای استفاده سازمانی، پیشنهاد می‌شود ریسک داده نامعتبر، دسترسی غیرمجاز، خطای مدل و وابستگی به تأمین‌کننده در کنار منافع مورد انتظار بررسی شود.
پرسش‌هایی برای مدیر و ممیز
- کدام مسئله با فناوری حل می‌شود و خط مبنای عملکرد چیست؟
- چه کسی خروجی را تأیید می‌کند و اختیار تصمیم با چه کسی است؟
- داده و نسخه مدل چگونه کنترل و ردیابی می‌شوند؟
- هنگام خطا یا قطع سامانه، روش جایگزین چیست؟
- بهبود واقعی با چه شاخصی سنجیده شده است؟
از یک اجرای محدود شروع کنید
یک مسئله محدود انتخاب کنید، معیار پذیرش بنویسید و آزمایش را با داده کنترل‌شده انجام دهید. سپس نتیجه را با خط مبنا مقایسه کنید. توسعه کاربرد زمانی توجیه دارد که منفعت قابل‌اندازه‌گیری و کنترل ریسک، هر دو قابل دفاع باشند.
برای پیوند این موضوع با سیستم مدیریتی، صفحات سیستم مدیریت کیفیت و مدیریت ریسک و ERM را ببینید.
منبع و مبنای مقاله
NIST — چارچوب مدیریت ریسک هوش مصنوعی. نمونه‌های صنعتی و پرسش‌های ممیزی این مقاله، پیشنهادهای کاربردی هستند و گزارش اجرای پروژه مشخصی محسوب نمی‌شوند.