Возможности технологий интеллектуального анализа данных открывают новые пути для решения технологических задач, которые стоят перед нефтедобывающими компаниями. Для получения максимального эффекта необходима четкая стратегия применения и внедрения данных технологий в существующие бизнес-процессы компании. В статье рассотрены приоритетные направления внедрения когнитивных технологий в Блоке разведки и добычи компании ПАО «Газпром нефть». Обозначены ключевые шаги: от поиска релевантных технологий решения бизнес-задач до путей их реализации. Отмечено, что наиболее эффективный путь для поиска новых релевантных технологий в сфере искусственного интеллекта - это сотрудничество с лидерами в области цифровых технологий, передовыми российскими и международными университетами и научными центрами. Для формирования внутренних компетенций по когнитивным технологиям нефтедобывающим компаниям необходимо развивать активное взаимодействие с инновационным окружением: участие в форумах, специализированных конференциях, организация семинаров, технологических сессий и круглых столов. Показано, что наибольший эффект от внедрения когнитивных технологий будет достигаться только при их органичном дополнении традиционной области знаний и инструментов нефтяного инжиниринга. Сделан вывод, что интеллектуализация меняет парадигму эволюции месторождения: от цифрового, в основе которого лежит частичная автоматизация процессов, к интеллектуальному, не требующего вмешательства человека при принятии большинства решений. Цифровизация нефтегазовой отрасли предопределяет ход эволюции деятельности инженера-нефтяника: от выполнения потоковых операций до системного интегрированного анализа при поддержке искусственного интеллекта.
Список литературы
1. Перспективные технологии Big Data в нефтяном инжиниринге: опыт компании «Газпром нефть» / М.М. Хасанов, Д.О. Прокофьев, О.С. Ушмаев [и др.] // Нефтяное хозяйство. – 2016. – № 12. – С. 76–79.
2. Технологическое развитие Блока разведки и добычи ПАО «Газпром нефть» / В.В. Яковлев, М.М. Хасанов, Д.О. Прокофьев, А.В. Шушков // Нефтяное хозяйство. – 2016. – № 12. – С. 6–10.
3. Zaid Rawi. Machinery Predictive Analytics//SPE 128559. – 2010.
4. Akande Kabiru O. Comparative Analysis of Feature Selection-Based Machine Learning Techniques in Reservoir Characterization// SPE 178006-MS. – 2015.
5. Gaganis Vassilis. Machine Learning Methods to Speed up Compositional Reservoir Simulation // SPE 154505-MS. – 2012.
6. The Most Important Big Data Concepts and What They Mean [Электронный ресурс] // Datafloq: [сайт]. URL: http://datafloq.com/read/important-big-data-concepts-what-they-mean/2988
