Подаци су нова нафта
Када се говори о подацима и њиховом експоненцијалном расту у 21. веку, често се користи флоскула „подаци су нова нафта“. Међутим, у индустрији нафте и гаса ова реченица не представља флоскулу, већ реалан циљ - од паметног управљања и употребе података очекујемо нову нафту.
Развој интернета и ИТ система убрзали су развој вештачке интелигенције (енг. Артифициал интеллигенце) у оквиру које се развија наука о подацима (енг. дата сциенце). Наука о подацима примењује напредне аналитичке технике за издвајање вредних информација из података за доношење пословних одлука, стратешко планирање и друге намене.
Наука о подацима повећава оперативну ефикасност
Увиди које генерише наука о подацима у нафтној индустрији доводи до повећања оперативне ефикасности и идентификације нових пословних могућности које могу довести до конкурентских предности на тржишту. Неизоставан део науке о подацима су инжењеринг података (енг. дата енгинееринг), експлоративна анализа података и моделовање алгоритмима машинског учења.
Широка примена алгоритама машинског учења
У раду наше дигиталне лабораторије алгоритми машинског учења (енг. мачине леарнинг) нашли су широку примену, са циљем да предвиде будући сценарио учећи на подацима које добијају на тренингу без експлицитног програмирања. Најпознатији су класификациони и регресиони алгоритми, који спадају у надгледано учење. Употребом класификационих алгоритама предвиђамо категоричке циљне променљиве, нпр. да ли нека стена јесте или није колектор нафте (бинарна класификација) или какав је литолошки састав стене у бушотини (мултиваријабилна класификација). Регресиони алгоритми решавају проблем предвиђања непрекидне циљне променљиве вредности, нпр. проток флуида у нафтној бушотини или предикцију индекса комплексности лежишта.
Ненадгледано учење бави се проналажењем неке структуре у подацима, полазећи од конкретне структуре која се тражи, са кластеровањем као можда најпрепознатљивијим алгоритмом ненадгледаног учења (нпр. груписање потрошача корисника НИС лоyалитy картице Са нама на путу). Комплекснији проблеми решавају се применом аутоенкодера – нпр. за отклањање шума на слици.
Машинско учење и неуронске мреже
Неуронске мреже креиране су према узору на неуронску мрежу човечијег мозга, с циљем да имитира комплексан процес учења. Често се погрешно тумаче као синоним за машинско учење. Напротив, користе се искључиво у случају великог обима података за учење и када се процес учења заснива на основу сирове репрезентације података. Примењују се за решавање проблема у надгледаном и ненадгледаном учењу. Неуронске мреже састоје се од рачунарских јединица („неурона“) које су повезане у слојеве, а уколико мрежа има два или више слоја овај тип машинског учења назива се дубинско учење (енг.deep learning).