چگونه هوش مصنوعی در حال بهبود کارایی عملیاتی در نفت و گاز ، مراقبت های بهداشتی و غیره است

هوش مصنوعی (AI) در طیف وسیعی از صنایع در خدمت شرکت ها است. این کار جایگزینی کارگران انسانی با همتایان ماشینی نیست بلکه بیشتر به کار مشاغل کمک می کند تا در زمینه های خود فعالیت موثرتری داشته و به افق ها و توانایی های جدید گسترش دهند. من با مدیر عامل و بنیانگذار AJ Abdallat از Beyond Limits ، یک شرکت ارائه دهنده راه حل AI صحبت کردم تا ببینم AI چگونه در قلمرو تجارت به وعده های خود عمل کرده است.

اسکات ماتسون: هوش مصنوعی چگونه در بهره وری عملیاتی در زمینه های نفت و گاز ، انرژی ، تولید و مراقبت های بهداشتی نقش دارد؟

AJ عبداللات: هوش مصنوعی برای بهینه سازی تولید منابع ، دموکراتیزه کردن دانش متخصص حوزه و افزایش ارزش ضمن کاهش خطرات زیست محیطی ، نقشی اساسی در بهره وری عملیاتی در سراسر زنجیره ارزش انرژی دارد. در بخش نفت و گاز ، هوش مصنوعی به شرکت ها این امکان را می دهد تا از بسیاری جهات تولید خود را بهینه کرده و نگهداری دارایی را بهبود ببخشند ، مانند تعیین دقیق موقعیت های حفاری ، بازرسی لوله ها برای مشکلات روبات های خود ناوبری و پیش بینی پارگی و پارگی تجهیزات.

به عنوان مثال ، سنسورهای مجهز به هوش مصنوعی غالباً در سنجش های سوراخ دائمی داخل چاه های روغن نصب می شوند تا فشار ، دما و یکپارچگی چاه ها را کنترل کنند. هوش مصنوعی همچنین به شرکت های بخش کمک می کند تا تقاضای جهانی را برای ساده سازی زنجیره های تأمین و توزیع پیش بینی کنند. شرکت ها می توانند با استفاده از هوش مصنوعی پیش بینی کنند که چگونه تأمین بیش از حد منابع یا شرایط آب و هوایی آینده در یک منطقه خاص می تواند بر بازار آن منطقه تأثیر بگذارد.

پیش بینی و مدیریت تولید انرژی به قدری دشوار شده است که کالیفرنیا برای دریافت انرژی خورشیدی اضافی که ایجاد کرده بودند ، به آریزونا می پرداخت. چالش هایی از این قبیل سرمایه گذاری قابل توجهی در هوش مصنوعی برای بهبود بهره وری عملیاتی از طریق کمک به تأمین کنندگان انرژی برای ایجاد تعادل بهتر در بارها ، پیش بینی عرضه و تقاضا و در غیر این صورت تولید ، ذخیره و توزیع انرژی بهینه سازی کرده است. علاوه بر این ، هوش مصنوعی به ارائه دهندگان خدمات نرم افزاری کمک می کند تا بتوانند شرایط خطرناک را بهتر مدیریت کنند ، مانند توصیه های تعمیر و نگهداری و برنامه ریزی ، جلوگیری از گسل ، جلوگیری از قطع شدن و تجزیه و تحلیل علت ریشه. این امر به ویژه از آنجا که ارائه دهندگان خدمات عمومی به طور فزاینده ای رویکرد محافظه کارانه ای نسبت به شرایط خطرناک دارند ، به ویژه از زمان محکومیت کیفری PG & E در ماه مارس به دلیلخط برق معیوب باعث آتش سوزی مرگبار آتش سوزی 2018 کالیفرنیا است .

در مراقبت های بهداشتی ، هوش مصنوعی در حال بهبود کارایی در سطح بهداشت عمومی و سطح فردی است. در سطح بهداشت عمومی ، مدل های پیش بینی شده مبتنی بر هوش مصنوعی به پیش بینی تأثیر COVID-19 بر روی تجهیزات پزشکی و بیمارانشان کمک می کنند در حالی که امکانات را برای تعیین پاسخ های لجستیکی با وجود چالش هایی با داده های ناکافی و مداوم تغییر می دهند.

به عنوان مثال ، کمبود داده های همگن پیش بینی نیازهای تخصیص منابع ، به ویژه تجهیزات حفاظت شخصی را برای بیمارستان ها دشوار کرده است. مدل پیش بینی هوش مصنوعی فراتر از محدودیت ها به آنها کمک می کند تا درصد بیمارانی را که ممکن است به دستگاه های تهویه و اکسیژناسیون غشای خارج از بدن (ECMO) در بخش های ICU و دیالیز نیاز داشته باشند ، بهتر تعیین کنند. چند مثال مشابه دیگر شامل ابزار برنامه ریزی ظرفیت COVID-19 Penn Medicine ، CHIME است. و داشبورد پیش بینی دولت واشنگتن ، ابزاری برای ارزیابی ریسک COVID-19. در سطح فردی ، هوش مصنوعی برای تجهیز وصله های نظارتی بیمار به فناوری های AI استفاده می شود. استقرار این الگوریتم های تشخیصی به کمک هوش مصنوعی در محیط های لبه ای امکان تجزیه و تحلیل در زمان واقعی علائم حیاتی بیماران و اقدامات پیشنهادی را فراهم می کند.

مشاهده کنید: مطالعه نشان می دهد والدین ایالات متحده در زمینه بهداشت و درمان کودکان بیشتر ربات ها را قبول می کنند (TechRepublic)

Scott Matteson: جنبه های منحصر به فرد هر کدام چیست؟

AJ عبداللات: در بخش نفت و گاز ، شرکت ها از زمان شیل در 2015-2016 به طور فزاینده ای به هوش مصنوعی متکی شده اند زیرا برای جلوگیری از ورشکستگی به پیشرفت های قابل توجهی در بهره وری عملیاتی نیاز داشتند. به همین ترتیب ، چالش های اخیر و بازارهای ارزان قیمت ناکارآمدی عملیاتی پرهزینه را در این بخش نشان داده است. در ابتدای همه گیری ، شرکت ها به سرعت به نیاز فوری خود برای بهبود کارایی عملیاتی پی بردند و برای بهبود سودآوری ، جبران کاهش تقاضای بازار ، به هوش مصنوعی روی آوردند. با این حال BP برتر انگلیس داستان متفاوتی است. BP از سالها قبل از همه گیری ، استفاده از هوش مصنوعی را آغاز کرد ، در درجه اول برای کاهش خطر برای پرسنل و دارایی های پس از نشت روغن Deepwater Horizon در سال 2010. در میان نمونه های دیگر ، BP اکنون از یک سیستم مدیریت چاه مجهز به هوش مصنوعی برای شناسایی شن و ماسه استفاده می کند ، که اغلب در اطراف چاه های خاص نفتی تجمع می یابد و با گذشت زمان می تواند تجهیزات را فرسایش دهد و باعث حوادث فاجعه بار شود ، خطر برای پرسنل و عملیات را افزایش می دهد.

نمای نزدیک دستگاه© تصویر: iStock / MaksimTkachenko
در نیرو ، هوش مصنوعی می تواند برای نیروگاه های گازی طبیعی بسیار ارزشمند باشد زیرا کارایی آنها بسیار به شرایط محیطی مانند دما و رطوبت بستگی دارد. هوش مصنوعی می تواند به پیش بینی این شرایط کمک کند و به اپراتورهای انسانی کمک کند تا با آموزش های بیشتر ، گیاه را مطابق با اهداف برنامه ریزی تنظیم کنند. علاوه بر این ، اپراتورها می توانند به جای اینکه فقط به دانش و تجربه شخصی خود اعتماد کنند ، می توانند از یک سیستم شناختی هوش مصنوعی استفاده کنند که ترکیبی از دانش رمزگذاری شده از طیف وسیعی از متخصصان دامنه با یادگیری ماشین است.تکنیک. این فناوری به سیستم این امکان را می دهد تا مانند مهندس “فکر” کند و راهنمایی های تخصصی را به تصمیم گیرندگان ارائه دهد. سیستم های هوش مصنوعی شناختی همچنین می توانند یک ردیابی حسابرسی ایجاد کنند تا اپراتورهای انسانی بتوانند درک کنند که چگونه هوش مصنوعی به توصیه های خود رسیده است ، همچنین سیستم را با منطق و دانش جدید کسب و کار برای بهبود تصمیم گیری در آینده بازآموزی می کنند.

هوش مصنوعی می تواند به ویژه برای انرژی ، مراقبت های بهداشتی و سایر بخشهای بسیار تنظیم شده مفید باشد زیرا سیستم های هوش مصنوعی می توانند مقررات را در نظر بگیرند و اطمینان حاصل کنند که توصیه های آن با آن الزامات مطابقت دارد. در مراقبت های بهداشتی ، پذیرش هوش مصنوعی طی یک سال گذشته به طرز چشمگیری افزایش یافته است زیرا سیاست گذاران ، پزشکان ، پرستاران و بیماران بیشتری از فناوری های AI به سرعت و در مقیاس خارج از ضرورت استفاده می کنند. اکنون افراد از سرویس های بهداشتی مجازی و مجهز به هوش مصنوعی استفاده می کنند و از دستگاه های مانیتورینگ مجهز به هوش مصنوعی استفاده می کنند که در آنجا به طور سنتی شخصاً به پزشک مراجعه می کنند. با پیشرفت سریع در اینترنت اشیا و اتصال ، تعداد دستگاه های مراقبت های بهداشتی دیجیتال متصل و همچنین حجم داده های جمع آوری شده ، در دهه های آینده به طور مداوم افزایش می یابد.

اسکات ماتسون: چالش های باقی مانده برای حل وجود دارد؟

AJ عبداللات: مانع برجسته در برابر پذیرش هوش مصنوعی در همه صنایع عدم اعتماد به فناوری است – خواه این عدم اعتماد به ارزش آن باشد ، نگرانی در مورد تعصبات آن ، یا ترس از جایگزینی آن برای نیروی کار .

بسیاری از شرکتها فقط از هوش مصنوعی صنعتی در مقیاس اثبات مفهوم (POC) و حداقل محصول با دوام (MVP) استفاده کرده اند ، اساساً به این دلیل که آنها نتوانسته اند سرمایه گذاریهای عمده در هوش مصنوعی را بدون اثبات اثبات و اثبات ارزش اثبات کنند. . با این حال ، در سال گذشته ، بسیاری از شرکت ها شروع به دیدن این ارزش با POC ها و MVP های خود کرده اند ، و همچنین درک بهتری از چگونگی اعمال هوش مصنوعی در مناطق مختلف پیدا کرده اند. با این اوصاف ، من منتظر افزایش فرزندخواندگی در سال 2021 هستم.

نگرانی گسترده در مورد تعصب AI یکی دیگر از موانع اصلی تصویب و اثر بخشی AI است. در حقیقت ، طبق گزارش اخیر DataRobot ، 42٪ از متخصصان هوش مصنوعی در ایالات متحده و انگلیس “بسیار” یا “بسیار” نگران تعصب AI هستند (که می تواند بر اساس نژاد ، جنسیت ، سن ، مکان یا داده های خاص مغرضانه باشد) سازه های). این مشکل از چند سیستم AI به عنوان راه حل “جعبه سیاه” ناشی می شود ، به این معنی که آنها در تجزیه و تحلیل داده های خود و نحوه دستیابی به تصمیمات یا توصیه های خاص قابل مشاهده نیستند. (گزارش DataRobot همچنین نشان داد که 38٪ از متخصصان هوش مصنوعی هنوز از سیستم جعبه سیاه استفاده می کنند.) برای از بین بردن سوگیری هوش مصنوعی – و افزایش اعتماد و پذیرش هوش مصنوعی ، سازمان ها باید از “جعبه شیشه” استفاده کنند. راه حل های هوش مصنوعی که مسیرهای حسابرسی واضحی را برای توضیح استدلال در توصیه ها و نشان دادن شواهد ، خطر و اطمینان در پشت تصمیمات ارائه می دهد. این به کاربران اجازه می دهد ببینند که چگونه سیستم هوش مصنوعی به یک تصمیم بالقوه نادرست رسیده است ، و همچنین تصحیح رو به جلو مشکل را آسان می کند.

این مسیرهای حسابرسی به گونه ای طراحی شده است که توسط مردم قابل درک باشد و توسط ماشین قابل تفسیر باشد ، به عنوان یک شریک زندگی می کند تا جایگزین کارگران انسانی ، و باعث پیشرفت مداوم در کل سازمان می شود.

چالش های ادغام همچنین محدود به صنایع قدیمی مانند انرژی بوده است. این صنایع دارایی های کلان را به بلوغ رسانده اند که قبل از این عصر تحول دیجیتال برنامه ریزی و ساخته شده بودند. پایه های این دارایی ها برای کار با فناوری های پیشرفته دیجیتالی مانند حسگرهای AI و فوق مدرن ساخته نشده است. شرکت های در حال گذار به استراتژی های دیجیتال با پیری شبکه های محاسباتی ، کمبود داده های حسگر و سیستم های ناسازگار مانع شده اند. با نگاه به آینده ، شرکت ها باید به تیم های نوآوری خود متکی باشند تا به طور مداوم هنگام برنامه ریزی برای سیستم عامل های آینده و دارایی های کلان ، فناوری های دیجیتال را در نظر بگیرند تا بتوانند به آسانی هوش مصنوعی پیشرفته و عملیات ضد آینده را ادغام کنند.

اسکات ماتسون: چگونه متخصصان فناوری اطلاعات باید خود را با این راه حل ها و روش ها هماهنگ کنند؟

AJ عبداللات: متخصصان فناوری اطلاعات برای ایجاد اعتماد و اطمینان به راه حل بدون نیاز به انجام کورکورانه ، باید از راه حل های AI جعبه شیشه استفاده کنند. علاوه بر این ، متخصصان فناوری اطلاعات باید مرتباً بررسی ممیزی های راه حل AI را انجام دهند تا اطمینان حاصل شود که هیچ گونه تعصب یا عدم صحتی وجود ندارد – و پس از تأیید مداوم این ، متخصصان فناوری اطلاعات می توانند با اطمینان از توصیه های راه حل پیروی کنند.

تغییر به کار از راه دور چالش دیگری را در زمینه آموزش کاربران اضافه کرده است ، به ویژه به این دلیل که بسیاری از سازمان ها از زمان شروع همه گیری ، استراتژی های AI خود را افزایش داده اند. تغییر کاربری به راه دور ارائه راهنمایی فوری به کارگران سطح پایین را برای کارگران ارشد چالش برانگیزتر کرده است. بنابراین ، برای کاربران سطح پایین بسیار مهم است که برای درک بهتر نتایج بدون نیاز به تماس با یک متخصص برای پشتیبانی ، دنباله های حسابرسی را با دقت بررسی کنند.

متخصصان باتجربه فناوری اطلاعات می توانند با به اشتراک گذاشتن تخصص خود با راه حل ها ، در بهبود راه حل های هوش مصنوعی و کاهش شکاف دانش سازمانی نقش عمده ای داشته باشند. در بسیاری از صنایع از جمله نفت و گاز ، تولید و انرژی ، شکاف دانش نگران کننده و در حال رشد وجود دارد زیرا بسیاری از کارشناسان برجسته صنعت بازنشسته می شوند یا قرار است به زودی بازنشسته شوند. متخصصان فناوری اطلاعات ورودی و با تجربه کمتری که در این نقش ها قدم می گذارند ، برای ادامه کارکرد م needثر ، نیاز به دسترسی به سطح تخصص ارشد از دست رفته دارند. خوشبختانه دانش بشری می تواند در بسیاری از راه حل های هوش مصنوعی نهفته باشد تا دانش در کل نیروی کار دموکراتیک شود.

متخصصان فناوری اطلاعات باید اعتبار فنی را برای فناوری های AI فراهم کنند تا اطمینان حاصل شود که این برنامه های پیشرفته می توانند در بالای سیستم های فعلی شرکت ادغام یا لایه لایه شوند. هوش مصنوعی با قابلیت استفاده بسیار مهم کلیدی است ، به سیستم هوش مصنوعی اجازه می دهد تا در سناریوهای خاص در ابر ، محل کار یا لبه کار کند. متخصصان فناوری اطلاعات همچنین می توانند از دانش دانشمندان داده ها از ارائه دهندگان راه حل AI استفاده کنند تا اطمینان حاصل شود که سیستم های AI به طور کامل توسط اپراتورهای شرکت با رابط کاربر پسند قابل تنظیم هستند.

اسکات ماتسون: این روند به کجا می رود؟

AJ عبداللات: فناوری هوش مصنوعی می تواند از طریق استفاده از دانش متخصص دامنه ، آن را در سیستم قرار دهد و سپس دانش آن را در سراسر سازمان دموکراتیک کند. لایه بعدی بومی سازی و جمع آوری دانش است که به چندین کاربر در چندین سازمان امکان تغییر و افزودن دانش به چارچوب را بر اساس موقعیت های منحصر به فرد خود می دهد. این ارزشمند است زیرا سیستم هوش مصنوعی می تواند از ورودی های دانش بیاموزد و ورودی ها را با داده ها ترکیب کند و درک وسیع تری از دارایی های مختلف بدست آورد و موارد استفاده را به دست آورد.

سیستم های هوش مصنوعی در تعامل با متخصصان دامنه ، مشکلات و داده ها به طور قابل توجهی انعطاف پذیرتر و هوشمندتر خواهند شد. سرانجام ، سیستم های هوش مصنوعی می توانند تشخیص دهند که آیا تصمیم گیرندگان اقدامات پیشنهادی خود را اجرا یا رد می کنند ، آیا اقدام انجام شده همان کاری را که قرار بود انجام شود انجام می دهد و آیا این سیستم قادر به یادگیری از آن اقدام اصلاح است.

صنعتی که برای افزایش پذیرش هوش مصنوعی بسیار مناسب است ، زنجیره تأمین است. زنجیره تأمین دارای یک شبکه گسترده از افراد ، مشاغل و شیوه های حمل و نقل است و بیشتر سیستم در حال حاضر دستی است (به عنوان مثال مردم هنوز تماس تلفنی برقرار می کنند تا دیگران را در مورد زمان ورود کامیون ها یا کشتی ها با کالا مطلع کنند). این روش فقط التماس می کند که توسط هوش مصنوعی به طور خودکار انجام شود ، به خصوص وقتی مقدار داده های استفاده شده و مقیاس عظیم صنعت زنجیره تأمین را در نظر بگیرید.

نحوه استفاده از هوش مصنوعی در یک بیمارستان
من در مورد نقشی که هوش مصنوعی می تواند در زمینه پزشکی ایفا کند برای یادگیری چند مثال ذهنی ، مزایا و چالش ها با شانا بلوس ، مدیر پذیرش عمل در مرکز پزشکی تافتس در بوستون ، بحث کردم.

Scott Matteson: آیا می توانید چند نمونه از نحوه استفاده از هوش مصنوعی در مرکز پزشکی Tufts ارائه دهید؟

شانا بلوس: ما در حال استفاده از فناوری AI Olive برای تسهیل جریان بیمار از طریق سایت آزمایش COVID جامعه ما در مرکز پزشکی Tufts هستیم. عملیات سایت آزمایش ما در مارس 2020 آغاز شد و در پاسخ به روند همه گیر شدن به تکامل خود ادامه داد. حجم ما اخیراً به اوج رسیده است. ما اکنون بیش از 500 بیمار در روز را آزمایش می کنیم. به منظور تأمین رشد چشمگیر تقاضا برای آزمایش که در ماههای آخر امسال پیش بینی می کردیم ، به حداکثر رساندن بازده در کار ما بسیار مهم بود. برای دستیابی به این اهداف ، چند ماه پیش تصمیم گرفتیم رویکردی نوآورانه را دنبال کنیم که اولین رویکرد سازمان باشد: هوش مصنوعی.

مشاهده کنید: 7 پیش بینی برای نحوه شکل گیری فناوری مراقبت های بهداشتی در سال 2021 (TechRepublic)

بیماران حال حاضر در حال حاضر از طریق ارائه فرم ثبت نام آنلاین قبل از ثبت نام که در وب سایت بیمارستان میزبانی می شود ، استقلال دارند که اطلاعات خود را مستقیماً و به راحتی به بیمارستان ارائه دهند. پس از ارسال فرم ، یک ربات AI Olive اطلاعات ارسالی را بازیابی می کند و یک حساب پیش ثبت نام برای آزمایش COVID ایجاد می کند که به بیمار داده می شود. این ربات همچنین پاسخ بیماران به س questionsالات بالینی مرتبط با آن را در سیستم EMR بالینی بیمارستان مستند می کند. در نتیجه ، زمان بازگشت بیمار برای انجام آزمایش به طور قابل توجهی سریعتر است. زمان انتظار بیمار از نظر مادی کاهش یافته و ظرفیت آزمایش ما افزایش یافته است.

اسکات ماتسون: مزایای هوش مصنوعی برای بیمارستان هایی مانند مرکز پزشکی Tufts چیست؟

شانا بلوس: استفاده از اتوماسیون به شما این امکان را می دهد که سرمایه انسانی ارزشمند را نسبت به کارهای معمول که می تواند توسط هوش مصنوعی تکرار شود ، به سمت ابتکارات معنادار متمرکز کنید. علاوه بر قابلیت اطمینان و کارایی عملیاتی ، هوش مصنوعی از یک تجربه مثبت بیمار پشتیبانی می کند و رضایت و تعامل کارمندان را ارتقا می دهد.

Scott Matteson: برخی از چالش های شما با اجرای AI چیست؟

شانا بلوس: با توجه به تازگی استفاده از هوش مصنوعی در سازمان خود ، ما می خواهیم اطمینان حاصل کنیم که همه درک درستی از هوش مصنوعی دارند ، اینکه چه چیزی می تواند به ما کمک کند و هدفی که سازمان برای دستیابی به آن دارد. تاکنون هیجان زیادی در رابطه با امکاناتی که برای گسترش بیشتر توانایی هوش مصنوعی در کل سیستم Wellforce وجود دارد ابراز شده است. بزرگترین چالش ما این خواهد بود که چگونه فرصتهای مختلف شناسایی شده را در اولویت قرار دهیم