Sommet OpenText | Résumé de Houston Energy 2024 et principaux points à retenir

Bonjour d’Alaska !

La semaine dernière, des leaders de l’industrie, des experts et des innovateurs se sont réunis à l’Aquarium de Houston pour le Sommet OpenText sur l’énergie à Houstonun événement crucial qui suscite des conversations sur l’intersection de l’intelligence artificielle, de la gestion de l’information et de la dynamique du secteur de l’énergie.

Le sommet a fourni des informations précieuses sur l’avenir des opérations énergétiques avec l’IA.

Passons en revue les principaux points à retenir de cet événement :

Modèles basés sur la physique ou modèles basés sur les données : points de vue d’Arun Narayanan, CIO du groupe RES

Arun Narayanan, l’éminent conférencier et directeur du numérique chez RES, a détaillé la stratégie en matière d’énergies renouvelables qu’il dirige au sein de son organisation. Sa présentation a approfondi l’approche globale des RES dans l’exécution de projets éoliens, solaires et de stockage à l’échelle mondiale. Arun a souligné les piliers fondamentaux de cette stratégie, axés sur l’optimisation des performances, la rationalisation de l’efficacité opérationnelle et l’élévation des normes de sécurité grâce à des solutions innovantes, libérant ainsi toutes les capacités des initiatives en matière d’énergies renouvelables.

Arun a souligné que la modélisation basée sur la physique a résisté à l’épreuve du temps et que lorsque votre problème commercial et votre ensemble de données sont fondés sur la physique, les modèles basés sur la physique fourniront les réponses que vous recherchez. Lorsque votre problème commercial n’est pas fondé sur la physique, les modèles d’IA basés sur les données sont des outils qui peuvent vous aider à résoudre ces problèmes.

Arun a souligné qu’il fallait être sûr d’avoir un problème commercial énoncé et le résultat commercial attendu en résolvant le problème.

Une bonne IA nécessite une bonne gestion de l’information

Phil Schwarz, stratège industriel OpenText pour le secteur de l’énergie a lancé la section suivante : Intelligence artificielle pour l’énergie : pour garantir une énergie sûre et fiable, une bonne IA nécessite une bonne gestion de l’information.

Il y avait un bon mélange de clients ayant des rôles informatiques et non informatiques, ce qui était fantastique car une gestion exceptionnelle des informations est effectuée en collaboration entre l’informatique et chaque secteur d’activité.

Phil a débuté avec quatre thèmes qui composent l’avenir de l’énergie. Chaque thème a des liens directs avec le domaine de la gestion de l’information :

• L’entreprise se réinvente : Chaque entreprise énergétique est désormais, en un sens, une entreprise de logiciels. Qu’il s’agisse de barils/jour, de mcf/jour, de btu/jour, de kilowattheures, la vitesse de l’énergie dépend de la vitesse numérique et cela nécessite que les informations soient organisées, intégrées, automatisées et sécurisées.
• L’intendance est redéfinie : Les entreprises énergétiques exploitent et entretiennent 50 à 100 % d’actifs par employé en plus qu’il y a dix ans et ce ratio hommes/machines continuera d’augmenter rapidement. Les organisations s’attendront à ce qu’elles-mêmes et le marché avancent sur leur chemin vers zéro incident de sécurité. Tous les incidents HSE sont évitables et le fait d’être une marque de confiance dans le secteur de l’énergie aura non seulement la capacité de produire de l’énergie de manière progressive et fiable, mais également de le faire sans accident.
• Un travail centré sur l’humain : Dans certains domaines du secteur de l’énergie, jusqu’à 50 % de la main-d’œuvre devrait prendre sa retraite au cours de la prochaine décennie. Les générations X/Y/Z sont dominantes sur le marché du travail et leurs attentes sont que les informations soient instantanées et contextuelles pour qu’elles puissent réussir dans leur rôle.
• L’IA est courante : Les pièces de rechange critiques, les équipements de remplacement et les services sur le terrain seront automatiquement commandés, et leur statut et leur emplacement pourront être suivis à tout moment de la chaîne d’approvisionnement. La maintenance prédictive sera renforcée et gagnera du terrain sur les autres méthodologies de maintenance. L’identification des dangers liés aux fuites de pipelines, à la prolifération de la végétation, à la sécurité du site de localisation et à de nombreux autres cas d’utilisation sera automatiquement détectée grâce à l’analyse d’images optimisée par l’IA et l’apprentissage automatique.

L’avantage exponentiel de l’IA dans l’énergie – cas d’usage

Phil a partagé trois réussites avec des cas d’utilisation traditionnels (non génératifs), suivis d’une poignée de cas d’utilisation de l’IA générative.

Cas d’utilisation n°1

Tout d’abord, Phil a partagé l’histoire à succès de Ouest du secteur intermédiaire. À l’aide des solutions OpenText™ AI & Analytics, ils ont analysé et classé de grands volumes de documents papier et électroniques, identifiant les attributs clés et les termes de recherche et déterminant la valeur commerciale du contenu. Non seulement ils ont automatiquement enrichi leur contenu opérationnel à l’aide de l’IA, mais ils ont également migré leur contenu vers une plateforme de gestion de contenu d’entreprise leader du secteur. En tirant parti de l’IA, ils ont pu créer rapidement une source unique d’informations fiables, réaliser d’importants gains de temps et de productivité, et simplifier la conformité à des réglementations strictes.

Il a développé qu’il s’agissait d’un événement commercial de type M&A, ce cas d’utilisation est évolutif pour les projets de friches industrielles où la documentation des actifs peut manquer de gouvernance depuis des décennies et cela pourrait être une bonne première étape pour organiser les informations avant le FEED (conception technique frontale).

Il s’agit également d’un cas d’utilisation qui peut être utilisé pour évoluer entre les unités commerciales. Peut-être qu’une unité commerciale a modernisé son contenu, mais pas une autre. L’IA est un excellent outil pour organiser et moderniser rapidement les unités commerciales en retard dans les meilleures pratiques de gestion de l’information.

Cas d’utilisation n°2

Ensuite, Phil a raconté l’histoire de son beau-père travaillant comme superviseur de la maintenance civile et des pipelines sur le pipeline qui transporte du pétrole brut de Prudhoe Bay jusqu’à Valdez, en Alaska.

Son beau-père a passé 25 ans sur le pipeline et une partie de son rôle consistait à monter à bord d’un hélicoptère une fois par semaine pour effectuer une inspection aérienne de la section de 100 milles du pipeline dont il était responsable. Des inspections similaires ont été effectuées pour les sections restantes du pipeline de 800 milles. Cette histoire montre comment en combinant l’utilisation de l’IA avec des moyens uniques d’obtenir des images via des drones, des satellites et d’autres moyens, l’identification des dangers peut être effectuée sur davantage d’actifs, à moindre coût et avec des taux de détection des dangers plus élevés. Cette histoire est ensuite devenue une deuxième success story partagée.

Une société énergétique mondiale intégrée était confrontée à des problèmes liés au vol incontrôlé de pétrole dans ses oléoducs en Afrique. Non seulement cela créait un risque opérationnel important, mais cela constituait également un risque pour la sécurité des personnes impliquées dans la surveillance humaine du pipeline. Cette super major a utilisé OpenText AI sur l’imagerie satellite pour détecter le ravitaillement en pétrole. Dans cette région, le ravitaillement en pétrole est un endroit où les voleurs creusent sous le pipeline, créant ainsi un tas de terre à côté du pipeline. Ensuite, ils effectuent une procédure de « hot-tap » pour percer un trou et installer une simple vanne dans un pipeline en fonctionnement actif.

La mise en œuvre de l’IA dans ce cas d’utilisation implique le traitement d’images satellite de haute qualité dépourvues de ravitaillement en pétrole via le logiciel OpenText. Grâce à ce processus, le système apprend rapidement à reconnaître et à identifier les caractéristiques indiquant un état de pipeline bien entretenu. Ensuite, des images satellite illustrant des cas de ravitaillement en pétrole sont analysées et, à l’aide de techniques connues de classification d’objets, le client peut localiser ces emplacements. Par la suite, ils collaborent avec les autorités locales pour prendre les mesures appropriées contre le vol de pétrole dans l’oléoduc.

Ce cas d’utilisation est évolutif pour la gestion de la végétation pour les services publics, la surveillance visuelle de la corrosion, la sécurité du site pour le suivi automatique des plaques d’immatriculation, etc. dans le secteur de l’énergie.

Cas d’utilisation n°3

La troisième réussite en IA partagée était celle de Chambre de commercialisation de l’énergie électrique (CEEC). Le CEEC est l’opérateur électrique brésilien dont les deux tiers de l’électricité du pays proviennent de l’hydroélectricité. Leur modèle de tarification de l’électricité était établi sur une base hebdomadaire et ils cherchaient à passer à un modèle de tarification horaire en fonction de l’heure d’utilisation (TOU) pour aligner les coûts d’approvisionnement sur la consommation. Dans leur modèle précédent, les requêtes de tarification pouvaient prendre plus de cinq heures, ce qui n’était tout simplement pas réalisable dans un modèle de tarification horaire.

Grâce à la solution d’analyse avancée d’IA d’OpenText, les prix sont plus proches de la réalité opérationnelle puisqu’ils sont calculés quotidiennement, sur une base horaire, et publiés la veille de l’opération. Leur courbe de prix a tendance à suivre de manière plus réaliste la courbe de la demande réelle, réduisant ainsi le besoin de frais supplémentaires et minimisant considérablement les coûts globaux du système.

Se tourner vers OpenText™ Aviator

Phil a couvert six exemples d’OpenText Aviator, une famille de fonctionnalités d’IA générative qui exploitent de grands modèles de langage (LLM) et des ensembles de données privées pour résoudre des cas. Il a donné trois exemples de la façon dont il aurait utilisé cette technologie en tant qu’ancien ingénieur de terrain dans le secteur de l’énergie :

• Trouvez plus rapidement la documentation des actifs grâce à un assistant basé sur l’IA : « Bien souvent, je n’avais pas besoin d’un document en soi, j’avais besoin d’informations contenues dans un document, telles que les spécifications de l’équipement, les étapes opérationnelles, les informations de sécurité, etc. Grâce à la recherche conversationnelle basée sur le chat, je peux trouver rapidement les réponses à ces questions et les documents qui contiennent ces réponses.
• Permettre aux utilisateurs de rechercher et d’accéder facilement aux informations sur la chaîne d’approvisionnement : « Avant de partir à l’étranger, j’ai passé beaucoup de temps à rechercher l’emplacement des pièces de rechange, l’état des équipements en cours de route et d’autres informations liées à la chaîne d’approvisionnement. Generative-AI peut être utilisé pour établir une connectivité sécurisée avec vos fournisseurs afin que vous n’ayez pas besoin de décrocher un téléphone ou d’envoyer un e-mail pour avoir une visibilité sur l’état des pièces de rechange, des équipements de remplacement et du personnel de service pour maintenir le fonctionnement des actifs énergétiques critiques. .»
• Redéfinir le support de niveau 1 avec une IA générative comme expert en la matière : « De nombreux départements disposent d’une sorte de système d’assistance à plusieurs niveaux pour obtenir rapidement des réponses aux questions. L’un des meilleurs exemples que j’ai rencontré au cours de ma carrière est une application développée par Schlumberger appelée InTouch et conçue pour connecter le terrain avec des experts de sorte que si j’étais sur une opération et que j’avais besoin d’une réponse rapide à une question, il y avait un piste pour y parvenir. Ce qui se passe dans plus de 90 % du temps, c’est que la question à laquelle j’avais déjà reçu une réponse enregistrée dans InTouch pour un autre ingénieur de terrain à l’autre bout du monde. Au lieu d’analyser les tickets d’assistance de niveau 1 pour trouver des réponses aux questions, l’IA générative peut trouver des réponses à ces questions à partir des cas enregistrés.

Analogie de « la dernière frontière » : l’Alaska contre l’IA

Sur une note inspirante, Phil a partagé une analogie entre son État d’origine, l’Alaska, et l’intelligence artificielle.

La masse terrestre de l’Alaska s’étend sur plus de 570 000 miles carrés avec une densité de population d’un peu plus d’une personne par mile carré. L’Alaska est souvent appelée la dernière frontière en raison de ses vastes étendues de terres qui n’ont pas encore été affrétées, cartographiées ou explorées avec précision.

La même chose peut être dite pour l’information, mais contrairement à l’Alaska, l’information croît considérablement à un rythme très rapide. Dans Le livre du PDG et CTO d’OpenText, Mark Barrenechea, Versant, il déclare que « les machines génèrent désormais un million de fois plus d’informations en une journée que tous les humains sur cette planète ne le font en une année entière ». Toutes les industries possèdent des machines, mais il n’existe aucune industrie aussi intensive en machines ou en capital que le secteur de l’énergie.

Comme l’Alaska, l’IA présente des possibilités infinies et des territoires inexplorés pour l’innovation et la découverte dans toutes les industries et en particulier dans le secteur de l’énergie. À l’instar des pionniers qui se sont aventurés dans la nature sauvage de l’Alaska, de plus en plus d’entre vous s’aventureront dans l’IA. La gestion de l’information est un voyage et une bonne IA nécessitera une bonne gestion de l’information. Au nom de l’ensemble d’OpenText, nous serions heureux d’avoir l’opportunité d’être votre partenaire stratégique tout au long de votre parcours.

Un immense merci à tous les participants et au partenaire d’extension de solution OpenText, Homme rapidequi a sponsorisé l’événement.