数据驱动,要在边缘部署机器学习而不是在云端!

2023-08-08 17:44:30 来源:中国传动网

通过在边缘部署的可靠平台来运行机器学习,将有助于企业从更多的数据中获取更大的价值。

自推出以来,物联网(IoT)迅速改变了石油和天然气行业的格局。Inmarsat Research公司最近的一项调查显示,大约74%的石油和天然气公司至少部署了一个物联网项目。另有81%的公司表示,他们计划加快采用物联网,以应对最近全球疫情带来的挑战。尽管这些新的数字技术提供了更强的控制、更深入的洞察力和更高效的运营,但最大的障碍之一是克服偏远、离网位置的气隙,并处理物联网传感器和设备产生的大量数据。

据一些资料显示,一台海上钻机每天产生的数据超过1TB,特别是钻井工具的最新创新,如随钻日志(LWD)和随钻测量(MWD)会产生更多的数据。但是,这种数据驱动带来的价值是什么?尤其是在难以采集和连接到其它来源的情况下,价值几何?


(资料图)

据麦肯锡公司估计,在石油和天然气公司中产生的物联网数据中,99%从未用于决策。与此同时,这些数据在获取、处理和存储方面带来了实际成本,希望它能在未来提供价值。

人工智能(AI)和机器学习(ML)有助于检查和排序堆积如山的数据,以产生可操作的见解。数据科学家已经开发了各种ML模型,以较少消耗和成本,预测设备故障和维护需求,优化远程现场运营,并提高安全性。然而,我们持续看到位于供应链上、下游的石油和天然气企业,仍在努力将这些模型应用到现实世界中。

根据笔者在多个行业从事物联网工作的经验,成功的关键不是在云端开发模型,而是在现场或靠近决策所需的数据源来部署模型。

01 从边缘数据中获取更多价值

通常,有三个主要因素会阻止AI/ML从边缘数据中获取价值:1)设备之间的距离以及一致的互联网连接;2)无法监控模型在实际工况下的持续性能;3)边缘环境的计算约束性质。

碳氢化合物的勘探、生产、运输和冶炼地点通常很偏远。这意味着:

1 为了部署在云中训练的模型或将传感器数据中继回云端,该位置可能没有所需的互联网连接。

2 连接可能不可靠,或者没有足够的带宽实现上述功能。

3 即使连接可用,将数据从源中继到云端、运行模型,然后将结果回传到地面设备的延迟也可能过高,尤其是用于控制回路的测量更是如此。

卫星互联网服务可提供远程连接,星链和OneWeb等下一代地球低轨道卫星提供了改进的带宽和更低的延迟。然而,这些服务仍会受到恶劣天气的影响,这可能会使正常运行时间低于关键运营所需的时间。解决方案是部署本地模型,无论是在设备上还是在现场的本地服务器上,都能提供一致的可用性和延迟,并在连接允许时传输监测和可观测数据。

02 模型的更新和监测

数据科学团队很容易变得过于专注于部署、并在边缘上运行模型,以至于他们忘记考虑一旦部署模型会发生什么事情。随着环境的变化,训练模型的条件可能不再适用。

考虑一个基于传感器数据来预测某一设备何时可能发生故障的模型。随着环境温度的变化,来自传感器的某些信号的重要性也可能发生变化。为夏季应用而建造的模型,可能需要在冬季较冷的月份进行升级。

进一步说,ML边缘运营必须能够监控性能,并将更新的模型推送到设备,以返回可观测的数据来进行连续分析。可观测性数据允许自动化工具执行连续的统计分析,将当前运行与先前的行为进行比较,以检测数据或模型漂移(异常),并在问题转化为故障之前发现问题。

03 边缘环境计算约束

边缘设备经常受到CPU功率、内存和网络带宽的限制。将推理数据转移到远程数据中心是一种解决方案,但如果这会带来太多延迟或需要比可用带宽更多的带宽,会发生什么?

ML团队需要一定的灵活性,以便在任何地方、每个地方都能部署模型推送管道,从设备到云部署模型。然而,无论是在设备上、本地服务器上、附近的微型数据中心,还是在传统的数据中心运行,都需要专门的ML推理引擎来在各种环境中高效、一致地运行,以提供数据科学家所需要的监测能力。

石油和天然气对全球经济至关重要。这些企业每天都面临着各种各样的挑战,包括设备故障、泄漏、安全问题和经济处罚。物联网和AI/ML有助于其改善运营,但克服边缘ML挑战对任何成功部署都至关重要。

在边缘而不是在云端部署可靠的平台来运行ML,将有助于行业从更多的数据中获取更大的价值,并提供关键的收益,如早期检测故障、主动维护提醒、动态流量控制和泄漏检测。(作者 | Jason McCampbell)

关键概念 :

■ 机器学习(ML)有助于有望检查和排序堆积如山的数据,以产生可操作的见解。

■ 在边缘部署的可靠平台来运行ML,将有助于行业从更多的数据中获取更大的价值。

思考一下:

您的工厂是否考虑在边缘部署人工智能?

标签:

滚动