Pembelajaran Mesin di Lapangan
Contoh kasus:Sebuah perusahaan minyak dan gas besar memulai inspeksi rutin jaringan pipanya, menggunakan perangkat fisik yang sama , yaitu "babi". Alih-alih mengirim data mentah ke analis manusia dan menunggu analisis, data tersebut dikirim ke solusi pembelajaran mesin. Hasilnya adalah identifikasi kesalahan parah di bagian yang gagal segera setelah kru memulai prosedur sandblasting. Karena identifikasi tepat waktu, perusahaan menghemat setidaknya $10 juta yang akan menjadi biaya kerusakan karena bagian tersebut melewati kebun almond.
Ini hanya hasil dari satu penelitian. Mari kita tingkatkan ini dengan mempertimbangkan jalur pipa sepanjang 2,7 juta mil yang melintasi Amerika Utara. Telah ditemukan bahwa hampir 2/3 orang Amerika tinggal dalam jarak 600 kaki dari pipa. Dalam kebanyakan kasus, otoritas lokal dibiarkan berebut bantuan ketika terjadi kesalahan karena peta mereka hanya memiliki akurasi hingga 500 kaki. Dilaporkan oleh Pipeline and Hazardous Materials Safety Administration (PHMSA) bahwa antara tahun 2006 dan 2015, jalur pipa insiden tumbuh sebesar 26,8%. Ini insiden melibatkan cedera serius, kematian atau harta benda senilai lebih dari $50.000. Rata-rata pada tahun 2015, terjadi hampir satu insiden per hari.
Apa yang terjadi dengan insiden seperti itu di hadapan standar keselamatan yang ketat dan investasi bernilai miliaran dolar artinya? Sederhananya, sistem pemeliharaan saat ini tidak cukup efektif untuk memprediksi awal kesalahan secara akurat.
Data
Metodologi deteksi tidak sebesar masalah; melainkan penggunaan data yang dikumpulkan oleh babi itulah titik perhatiannya. Beberapa anomali tidak dapat diidentifikasi secara langsung melalui teknologi yang tersedia saat ini, membutuhkan korelasi &analisis data yang mendalam. Ini tidak berarti kesalahan dialihkan ke ilmuwan data, karena mereka bekerja di sekitar praktik yang sudah mapan dan memiliki pengalaman yang membantu mereka mengidentifikasi masalah dalam aliran data yang tampaknya tidak terbatas. Bagian terakhir membentuk masalah yang lebih besar. Terungkap bahwa hanya 4% dari data yang dikumpulkan yang digunakan untuk mengelola saluran pipa.
Semua tanda menunjuk ke satu arah:ukuran data yang sangat besar.
Ada krisis yang akan datang yang akan berlaku penuh setelah pakar industri yang paling berpengalaman pensiun. Beberapa ahli ini memiliki keterampilan luar biasa yang terlalu sulit untuk dicari penggantinya. Jadi mengapa kita tidak membawa komputer? Ya, tentu saja, tetapi kekuatan pemrosesan yang sangat meningkat tidak membuat komputer pandai memecahkan masalah yang membutuhkan kemampuan belajar, penilaian, dan keterampilan observasi.
Pembelajaran Mesin
Kesenjangan antara keahlian yang dimiliki oleh spesialis berpengalaman dan kekuatan pemrosesan berulang yang ditawarkan oleh komputer dijembatani oleh konsep Pembelajaran Mesin. Sejak 2014, OneBridge Solutions telah menyediakan layanan analitik datanya untuk sektor Minyak dan Gas, dengan platform yang dibangun di atas Microsoft Azure Cloud.
Pembelajaran Mesin, jika digabungkan dengan sumber daya teknologi cloud yang dapat diskalakan membuat kombinasi sempurna, membantu menangani tumpukan data yang dihasilkan oleh babi . Bagian terbaik dari solusi tersebut adalah bahwa hal itu disajikan dalam model Perangkat Lunak sebagai Layanan dan dengan demikian mudah diterapkan dan dikelola oleh berbagai klien.
Fitur-fitur tersebut diselaraskan dengan "status" sistem pipeline, sehingga menghasilkan "status" baru yang kemudian dapat divisualisasikan pada gambar 3D. Melalui manajemen integritas kognitif, gambar virtual tersebut dapat digabungkan untuk membentuk keseluruhan sistem saluran yang kemudian dapat dianalisis dalam hitungan menit, bukan minggu.
Pengguna sistem cukup drag-and-drop lembar penghitungan inspeksi inline ke dalam sistem, dari mana mereka dicerna dan dinormalisasi dalam beberapa menit. Machine learning juga memungkinkan tim manajemen integritas untuk mendapatkan wawasan tentang keseluruhan alur tanpa menghabiskan terlalu banyak waktu untuk membaca sekilas data.
Selain meningkatkan kecepatan operasi, Machine Learning juga dapat meningkatkan presisi data, meningkatkan efektivitas operasional, dan meningkatkan rasio deteksi ancaman. Melalui pemanfaatan yang efektif dari data yang disajikan oleh babi , dan menyajikannya dengan cepat, komprehensif, dan akurat, Machine Learning memberi ruang bagi spesialis berpengalaman untuk menganalisis dan menyempurnakan hasilnya lebih lanjut. Hasil akhirnya adalah kru operasional yang dipersenjatai dengan data yang lebih baik, sehingga kebutuhan untuk menjangkau lebih sedikit lapangan dan pada akhirnya mengurangi gangguan di lokasi kerja.
