通過在邊緣部署的可靠平臺來運行機器學習，將有助于企業(yè)從更多的數(shù)據(jù)中獲取更大的價值。

　　自推出以來，物聯(lián)網(wǎng)(IoT)迅速改變了石油和天然氣行業(yè)的格局。Inmarsat Research公司最近的一項調查顯示，大約74%的石油和天然氣公司至少部署了一個物聯(lián)網(wǎng)項目。另有81%的公司表示，他們計劃加快采用物聯(lián)網(wǎng)，以應對最近全球疫情帶來的挑戰(zhàn)。盡管這些新的數(shù)字技術提供了更強的控制、更深入的洞察力和更高效的運營，但最大的障礙之一是克服偏遠、離網(wǎng)位置的氣隙，并處理物聯(lián)網(wǎng)傳感器和設備產生的大量數(shù)據(jù)。

　　據(jù)一些資料顯示，一臺海上鉆機每天產生的數(shù)據(jù)超過1TB，特別是鉆井工具的最新創(chuàng)新，如隨鉆日志(LWD)和隨鉆測量(MWD)會產生更多的數(shù)據(jù)。但是，這種數(shù)據(jù)驅動帶來的價值是什么?尤其是在難以采集和連接到其它來源的情況下，價值幾何?

　　據(jù)麥肯錫公司估計，在石油和天然氣公司中產生的物聯(lián)網(wǎng)數(shù)據(jù)中，99%從未用于決策。與此同時，這些數(shù)據(jù)在獲取、處理和存儲方面帶來了實際成本，希望它能在未來提供價值。

　　人工智能(AI)和機器學習(ML)有助于檢查和排序堆積如山的數(shù)據(jù)，以產生可操作的見解。數(shù)據(jù)科學家已經(jīng)開發(fā)了各種ML模型，以較少消耗和成本，預測設備故障和維護需求，優(yōu)化遠程現(xiàn)場運營，并提高安全性。然而，我們持續(xù)看到位于供應鏈上、下游的石油和天然氣企業(yè)，仍在努力將這些模型應用到現(xiàn)實世界中。

　　根據(jù)筆者在多個行業(yè)從事物聯(lián)網(wǎng)工作的經(jīng)驗，成功的關鍵不是在云端開發(fā)模型，而是在現(xiàn)場或靠近決策所需的數(shù)據(jù)源來部署模型。

　　01 從邊緣數(shù)據(jù)中獲取更多價值

　　通常，有三個主要因素會阻止AI/ML從邊緣數(shù)據(jù)中獲取價值：1)設備之間的距離以及一致的互聯(lián)網(wǎng)連接;2)無法監(jiān)控模型在實際工況下的持續(xù)性能;3)邊緣環(huán)境的計算約束性質。

　　碳氫化合物的勘探、生產、運輸和冶煉地點通常很偏遠。這意味著：

　　1 為了部署在云中訓練的模型或將傳感器數(shù)據(jù)中繼回云端，該位置可能沒有所需的互聯(lián)網(wǎng)連接。

　　2 連接可能不可靠，或者沒有足夠的帶寬實現(xiàn)上述功能。

　　3 即使連接可用，將數(shù)據(jù)從源中繼到云端、運行模型，然后將結果回傳到地面設備的延遲也可能過高，尤其是用于控制回路的測量更是如此。

　　衛(wèi)星互聯(lián)網(wǎng)服務可提供遠程連接，星鏈和OneWeb等下一代地球低軌道衛(wèi)星提供了改進的帶寬和更低的延遲。然而，這些服務仍會受到惡劣天氣的影響，這可能會使正常運行時間低于關鍵運營所需的時間。解決方案是部署本地模型，無論是在設備上還是在現(xiàn)場的本地服務器上，都能提供一致的可用性和延遲，并在連接允許時傳輸監(jiān)測和可觀測數(shù)據(jù)。

　　02 模型的更新和監(jiān)測

　　數(shù)據(jù)科學團隊很容易變得過于專注于部署、并在邊緣上運行模型，以至于他們忘記考慮一旦部署模型會發(fā)生什么事情。隨著環(huán)境的變化，訓練模型的條件可能不再適用。

　　考慮一個基于傳感器數(shù)據(jù)來預測某一設備何時可能發(fā)生故障的模型。隨著環(huán)境溫度的變化，來自傳感器的某些信號的重要性也可能發(fā)生變化。為夏季應用而建造的模型，可能需要在冬季較冷的月份進行升級。

　　進一步說，ML邊緣運營必須能夠監(jiān)控性能，并將更新的模型推送到設備，以返回可觀測的數(shù)據(jù)來進行連續(xù)分析?？捎^測性數(shù)據(jù)允許自動化工具執(zhí)行連續(xù)的統(tǒng)計分析，將當前運行與先前的行為進行比較，以檢測數(shù)據(jù)或模型漂移(異常)，并在問題轉化為故障之前發(fā)現(xiàn)問題。

　　03 邊緣環(huán)境計算約束

　　邊緣設備經(jīng)常受到CPU功率、內存和網(wǎng)絡帶寬的限制。將推理數(shù)據(jù)轉移到遠程數(shù)據(jù)中心是一種解決方案，但如果這會帶來太多延遲或需要比可用帶寬更多的帶寬，會發(fā)生什么?

　　ML團隊需要一定的靈活性，以便在任何地方、每個地方都能部署模型推送管道，從設備到云部署模型。然而，無論是在設備上、本地服務器上、附近的微型數(shù)據(jù)中心，還是在傳統(tǒng)的數(shù)據(jù)中心運行，都需要專門的ML推理引擎來在各種環(huán)境中高效、一致地運行，以提供數(shù)據(jù)科學家所需要的監(jiān)測能力。

　　石油和天然氣對全球經(jīng)濟至關重要。這些企業(yè)每天都面臨著各種各樣的挑戰(zhàn)，包括設備故障、泄漏、安全問題和經(jīng)濟處罰。物聯(lián)網(wǎng)和AI/ML有助于其改善運營，但克服邊緣ML挑戰(zhàn)對任何成功部署都至關重要。

　　在邊緣而不是在云端部署可靠的平臺來運行ML，將有助于行業(yè)從更多的數(shù)據(jù)中獲取更大的價值，并提供關鍵的收益，如早期檢測故障、主動維護提醒、動態(tài)流量控制和泄漏檢測。(作者 | Jason McCampbell)

　　關鍵概念 ：

　　■ 機器學習(ML)有助于有望檢查和排序堆積如山的數(shù)據(jù)，以產生可操作的見解。

　　■ 在邊緣部署的可靠平臺來運行ML，將有助于行業(yè)從更多的數(shù)據(jù)中獲取更大的價值。

　　思考一下：

　　您的工廠是否考慮在邊緣部署人工智能?