Analizzare i dati per trasformare il settore del petrolio e del gas

Wintershall Dea ha da sempre un occhio al futuro, come dimostra il suo impegno verso l'innovazione tecnologica, l'autonomia dei dipendenti e la produzione di energia sostenibile. Gli eventi recenti hanno reso questa previsione più importante che mai.

L'attuale iterazione della società si è formata nel 2019 a seguito di una fusione tra due società legacy, Wintershall e DEA Deutsche Erdoel AG, ciascuna delle quali era in attività da oltre 120 anni.

Quando le due aziende hanno unito le forze, è emersa chiaramente la necessità di collegare l'AI e capitalizzare i dati provenienti da tutta l'organizzazione. L'AI non solo potrebbe fornire maggiore efficienza e risparmi sui costi, ma potrebbe anche rafforzare la posizione di Wintershall Dea come leader del settore nell'innovazione tecnologica, un fattore importante per attrarre collaboratori all'interno e all'esterno dell'organizzazione.

Entro il 2020, la neonata società era pronta ad accelerare un’iniziativa AI@Scale. Diverse unità aziendali e di business interne stavano già lavorando con l'AI in quel momento, ma i progetti sono stati sviluppati per scopi singoli e isolati. Con un approccio AI@Scale, i progetti di AI sono costruiti per la scalabilità fin dall'inizio. In caso di successo, possono essere ampliati ed estesi ad altri gruppi in modo rapido e semplice.

Lo sviluppo di soluzioni AI@Scale richiede una piattaforma e una metodologia centralizzate. "Vogliamo essere visti come partner di riferimento," afferma Kathrin Dufour, Senior Vice President of Digitization and Technology presso Wintershall Dea. "Se hai a disposizione un ambiente standardizzato attraverso il quale puoi accedere ai tuoi dati e concedere l'accesso ad altri, diventa molto più semplice collaborare all'interno del tuo ecosistema di partner. Questo è sempre più importante oggi, perché scambiamo dati sia internamente sia esternamente molto più che in passato."

Con questo obiettivo, l'azienda ha istituito un centro di competenza (CdC) per l'AI e la data science sotto la guida di Ulrich Lorang che ricopre il ruolo di Vice President of Data Science, Data Governance, and Data Hub. Per la pianificazione, lo sviluppo e la realizzazione del suo CdC e della sua piattaforma AI, Wintershall Dea aveva bisogno di collaborare con un partner in grado di fornire l'accesso a un bacino più ampio e più vasto di competenze ed esperienze in materia di AI.

Nella ricerca di quel partner,IBM Consulting si è distinta dalla concorrenza: vantava una comprovata esperienza di collaborazione con Wintershall Dea su progetti precedenti, oltre a una vasta esperienza nell'aiutare altri clienti a sviluppare le proprie funzionalità di AI su larga scala.

Inoltre, IBM aveva stretto una partnership strategica con Microsoft e Wintershall Dea stava già utilizzando Microsoft Azure per la sua piattaforma dati. IBM è stata in grado di adattare la sua metodologiaIBM AI@Scaleper adattarsi alla piattaforma esistente e apportare le competenze Microsoft secondo necessità.

Fin dall'inizio, la collaborazione tra IBM e Wintershall Dea è stata perfetta. "In realtà il processo è stato molto semplice," afferma Lorang. "Abbiamo costruito un team. Non c'è mai stata una grande distinzione tra le due aziende. Avevamo un obiettivo comune e abbiamo lavorato insieme per raggiungerlo."

Nell'implementazione di IBM AI@Scale, il team si è concentrato su tre aree strategiche: l'architettura tecnica della piattaforma, il modello operativo del CoC e la cultura aziendale.

L'offerta IBM AI@Scale include valutazioni standardizzate che coprono le aree come lo stato attuale dell'AI all'interno di un'azienda, la visione futura dell'AI, i principali stakeholder e le risorse necessarie. IBM ha personalizzato le valutazioni per Wintershall Dea che riguardassero ciascuna delle tre aree strategiche. IBM e Wintershall Dea hanno quindi collaborato per utilizzare i risultati della valutazione per sviluppare una roadmap tecnologica e organizzativa per la data science all'interno dell'azienda.

Per le basi tecniche, il team ha sviluppato un'architettura basata su componenti utilizzando la piattaforma e i servizi Microsoft Azure. Nel progettare questa base, il team ha adottato una metodologia MLOps (Machine Learning Operations), un approccio end-to-end che attinge a data scientist e ingegneri per pianificare, sviluppare, costruire, testare e mantenere i sistemi di AI.

Dal punto di vista operativo, il team ha definito il funzionamento del CdC, nonché i tipi di ruoli e competenze che estenderanno le funzionalità di data science in tutta l'organizzazione. Oltre ai data scientist del CdC, la community includeva citizen data scientist delle unità aziendali e di business, geoscienziati, ingegneri, economisti e altre figure professionali con un forte background nella programmazione matematica, che potevano aiutare a guidare i progetti di data science all'interno dei rispettivi team.

In definitiva, Wintershall Dea voleva far crescere questa community, migliorando le competenze dei dipendenti in tutta l'azienda in modo che potessero sviluppare i propri progetti di AI. L'interesse per la data science era forte e la dirigenza riteneva che la maggior parte del valore per l'azienda si sviluppasse a livello di unità aziendali e di business. A tal fine, la roadmap ha incluso le sessioni di abilitazione tecnica per CdC e i citizen data scientist su come utilizzare la nuova piattaforma e i nuovi modelli.

Dal punto di vista della cultura aziendale e della comunicazione, il team ha pianificato una serie di sessioni formative e workshop per le unità aziendali e di business in tutta l'azienda. Queste attività si sono concentrate sul valore commerciale che l'AI può fornire ai dipendenti nel loro lavoro quotidiano e sulle modalità di collaborazione con la CdC per capitalizzare tale valore.

Nel 2021, IBM e Wintershall Dea erano pronte a gettare le basi per l'implementazione di AI@Scale sulla base della roadmap che avevano creato insieme. La creazione dell'ambiente tecnico, il dialogo con le unità di business, l'identificazione di possibili casi d'uso, la promozione del concetto di CdC e il coinvolgimento e l'abilitazione dei dipendenti facevano tutti parte di questo processo.

Sul fronte della tecnologia, il team ha continuato a fornire i servizi necessari all'esterno della piattaforma Azure e a personalizzare i modelli IBM AI@Scale in base alle esigenze e all'ambiente di Wintershall Dea. Da un punto di vista operativo, il team ha condotto sessioni di abilitazione tecnica per consentire al CdC e ai citizen data scientist delle unità di business di creare i propri progetti di AI in futuro.

Per sensibilizzare i dipendenti sul valore della data science e del CdC, sia dal punto di vista tecnologico sia aziendale, il team ha avuto confronti individuali con le unità di business, ha tenuto sessioni formative e sviluppato una campagna interna promuovendo i potenziali vantaggi dell'AI e spiegando come il CdC possa essere di aiuto.

Nel 2022, il team ha iniziato la fase successiva del suo percorso verso l'AI: lo sviluppo di casi d'uso in soluzioni complete. Il processo di selezione e sviluppo dei casi d'uso ha seguito le linee della metodologiaIBM Garage. IBM e Wintershall Dea hanno lavorato fianco a fianco, con IBM che fornisce una guida durante tutto il processo, istruendo e consentendo ai dipendenti di Wintershall Dea di duplicare la metodologia nei progetti futuri.

Il processo di qualificazione ha comportato una stretta collaborazione con le unità di business per comprendere le loro problematiche. "Abbiamo lavorato a stretto contatto con gli esperti di domini per assicurarci di non automatizzare qualcosa solo perché potevamo, ma di tenere davvero al centro il problema aziendale", afferma Max Schemmer, Research-Oriented Artificial Intelligence Consultant di IBM Consulting.

Lorang concorda: "Devi avere un problema aziendale. E devi comprendere le sfide nella tua area e assicurarti di avere accesso a dati pertinenti e di alta qualità, per poi preparare i dati in modo da poterli utilizzare effettivamente."

Wintershall Dea conduce principalmente due tipi di progetti di AI: progetti tradizionali su larga scala e progetti piccoli, facili da implementare. Firefly è un concetto di Wintershall Dea per condurre un progetto di AI rapido e scalabile per risolvere un problema semplice. Dal momento che in tutta l'azienda sono presenti dipendenti formati in data science, le unità di business possono sviluppare e codificare Firefly in modo indipendente e richiedere il supporto del CdC in caso di necessità.

I Firefly iniziano in piccole dimensioni, poi a volte aumentano rapidamente. Quando succede, sono progettati per scalare rapidamente. Ad esempio, un dipendente di un dipartimento di ingegneria è stato incaricato di estrarre manualmente i valori chiave da oltre 2.000 documenti PDF e di inserire tali dati in un foglio di calcolo. Il processo era noioso e sottraeva tempo al dipendente per un lavoro più creativo e significativo.

Applicando l'AI, il team di ingegneri è stato in grado di automatizzare il processo, consentendo al dipendente di lavorare su progetti più impegnativi e fornendo un valore complessivo più elevato all'azienda. Ben presto è diventato evidente che lo stesso modello per l'estrazione di dati in tempo reale da fonti interne ed esterne poteva essere utile per altre parti dell'azienda e non solo. Oggi, la soluzione scalabile viene applicata in diverse unità di business e aziendali per una varietà di scopi.

I progetti su larga scala puntano in alto fin dall'inizio. Nel 2021, Wintershall Dea ha esaminato l'applicazione dell'AI per mantenere l'integrità dei suoi pozzi di gas e petrolio in Norvegia. La manutenzione è particolarmente importante per i pozzi operativi, soprattutto quelli sottomarini. Con chilometri di tubi massicci racchiusi in più strati di acciaio e cemento che scavano in profondità nel fondale marino, piccole perdite potrebbero essere impercettibili per lunghi periodi di tempo anche in presenza di un sistema all'avanguardia di monitoraggio dei pozzi, fino a quando tali perdite non diventano abbastanza grandi da causare problemi gravi nei casi peggiori. Pertanto, il rilevamento precoce è fondamentale.

In precedenza, gli ingegneri della Wintershall Dea monitoravano costantemente i dati provenienti dai sensori dei pozzi. Ma anche con l'analisi quotidiana, per l'uomo alcuni problemi erano semplicemente impercettibili.

Utilizzando l'AI, il team ha sviluppato un caso d'uso per analizzare i dati dei sensori esistenti in modo molto più approfondito e accurato di quanto fosse possibile in precedenza. "Innanzitutto abbiamo cercato di convalidare l'ipotesi che avremmo potuto utilizzare l'AI per rilevare una perdita rilevata in precedenza," afferma Prihandono Aditama, Product Manager presso Wintershall Dea. "Una volta che siamo stati in grado di confermare di avere il modello giusto, lo abbiamo collegato ai dati in tempo reale provenienti dai sensori del pozzo.

"Attualmente, se l'AI rileva un'anomalia, invia un'e-mail ai nostri ingegneri," continua. "Stiamo costruendo un'interfaccia utente per gli ingegneri, che sarà disponibile nella prima versione del prodotto."

Gli strumenti e la metodologia di IBM AI@Scale sono stati fondamentali durante tutto il processo. "Uno dei contributi più importanti che IBM ci ha fornito è come portare il proof of concept in produzione," afferma Aditama. "I modelli di IBM ci consentono di effettuare test, proof of concept e sviluppo in parallelo."

Oggi, Wintershall Dea, insieme a IBM, ha identificato oltre 80 possibili casi d'uso di AI e data science, 20 dei quali sta perseguendo attivamente. I casi d'uso spaziano dalle aree tecniche come operazioni, ingegneria e geoscienza, a quelle non tecniche, come commerciale e vendite. IBM è fortemente coinvolta in molti di questi, ma gli altri sono gestiti in modo indipendente all'interno delle unità di business e aziendali e del CdC.

I progetti esistenti stanno progredendo. Il team di Wintershall Dea sta lavorando per scalare il modello di estrattore PDF ad altre parti dell'azienda, trasferendo e applicando dati da database interni ed esterni. Il progetto di integrità del pozzo è entrato in produzione alla fine del 2022. Dopo il lancio, il team ha piani preliminari per ridimensionarlo sia verticalmente, aggiungendo nuove funzioni e capacità, sia orizzontalmente, applicando il modello ad ulteriori pozzi in Norvegia e in altri paesi.

L'entusiasmo in tutta l'azienda per l'iniziativa di data science è alto, sia in termini di potenziale di risoluzione dei problemi di business, sia di opportunità di innovazione e crescita delle competenze. Oltre 100 dipendenti di Wintershall Dea hanno seguito una formazione sull'AI e sulla data science, inclusi 60 dipendenti che hanno partecipato a un recente workshop di sei giorni sulla data science.

"Abbiamo sicuramente ispirato l'organizzazione," afferma Lorang. "Abbiamo costruito una community di citizen data science che si impegna e lavora per utilizzare l'AI per risolvere i problemi con il nostro aiuto."

Il rapporto con IBM continua ad essere saldo. "Abbiamo una collaborazione produttiva con IBM Consulting. I nostri sforzi congiunti hanno dato vita a uno slancio significativo, consentendoci di raggiungere traguardi cruciali e offrire valore in un periodo relativamente ristretto," afferma Hugo Dijkgraaf, CTO di Wintershall Dea. "Non solo hanno apportato competenze ed esperienza nel campo dell'AI, ma il team ha anche personalità che si adattano bene alle nostre."

Wintershall Dea(link esterno a ibm.com) è una delle principali società di gas e petrolio indipendenti europee con sede in Germania. Nata nel 2019 dalla fusione di Wintershall Holding GmbH e DEA Deutsche Erdoel AG, la società opera in 11 paesi e ha circa 2.000 dipendenti.