Podaci su nova nafta

Kada se govori o podacima i njihovom eksponencijalnom rastu u 21. veku, često se koristi floskula „podaci su nova nafta“. Međutim, u industriji nafte i gasa ova rečenica ne predstavlja floskulu, već realan cilj - od pametnog upravljanja i upotrebe podataka očekujemo novu naftu.

Razvoj interneta i IT sistema ubrzali su razvoj veštačke inteligencije (eng. Artificial intelligence) u okviru koje se razvija nauka o podacima (eng. data science). Nauka o podacima primenjuje napredne analitičke tehnike za izdvajanje vrednih informacija iz podataka za donošenje poslovnih odluka, strateško planiranje i druge namene.

Nauka o podacima povećava operativnu efikasnost

Uvidi koje generiše nauka o podacima u naftnoj industriji dovodi do povećanja operativne efikasnosti i identifikacije novih poslovnih mogućnosti koje mogu dovesti do konkurentskih prednosti na tržištu. Neizostavan deo nauke o podacima su inženjering podataka (eng. data engineering), eksplorativna analiza podataka i modelovanje algoritmima mašinskog učenja.

Široka primena algoritama mašinskog učenja

U radu naše digitalne laboratorije algoritmi mašinskog učenja (eng. machine learning) našli su široku primenu, sa ciljem da predvide budući scenario učeći na podacima koje dobijaju na treningu bez eksplicitnog programiranja. Najpoznatiji su klasifikacioni i regresioni algoritmi, koji spadaju u nadgledano učenje. Upotrebom klasifikacionih algoritama predviđamo kategoričke ciljne promenljive, npr. da li neka stena jeste ili nije kolektor nafte (binarna klasifikacija) ili kakav je litološki sastav stene u bušotini (multivarijabilna klasifikacija). Regresioni algoritmi rešavaju problem predviđanja neprekidne ciljne promenljive vrednosti, npr. protok fluida u naftnoj bušotini ili predikciju indeksa kompleksnosti ležišta.

- Nenadgledano učenje bavi se pronalaženjem neke strukture u podacima, polazeći od konkretne strukture koja se traži, sa klasterovanjem kao možda najprepoznatljivijim algoritmom nenadgledanog učenja (npr. grupisanje potrošača korisnika NIS loyality kartice Sa nama na putu). Kompleksniji problemi rešavaju se primenom autoenkodera – npr. za otklanjanje šuma na slici - kaže Tanja Micić Ponjiger, specijalista za istraživanje i razvoj.

Mašinsko učenje i neuronske mreže

Neuronske mreže kreirane su prema uzoru na neuronsku mrežu čovečijeg mozga, s ciljem da imitira kompleksan proces učenja. Često se pogrešno tumače kao sinonim za mašinsko učenje. Naprotiv, koriste se isključivo u slučaju velikog obima podataka za učenje i kada se proces učenja zasniva na osnovu sirove reprezentacije podataka. Primenjuju se za rešavanje problema u nadgledanom i nenadgledanom učenju. Neuronske mreže sastoje se od računarskih jedinica („neurona“) koje su povezane u slojeve, a ukoliko mreža ima dva ili više sloja ovaj tip mašinskog učenja naziva se dubinsko učenje (eng. deep learning).