Petronorrek GenAI soluzioak probatu ditu bere lantegien eraginkortasuna eta errentagarritasuna handitzeko
Ayesak petrolioa fintzeko unitate baten eragiketa-baldintzak aurreikusteko proba teknologiko kontzeptual batean parte hartzen du
Ayesa teknologia- eta ingeniaritza-zerbitzuen hornitzaile globala da, eta Petronorrekin batera parte hartu du GenAI adimen artifizial generatiboko ereduak bilatzeko ekimen batean, petrolio-enpresak eraginkortasun eta errentagarritasun handiagoa izan dezan bere ekoizpen-plantetan.
Lan horren ondorioz, eta Repsolek (Hackia) sustatutako berrikuntza bizkortzeko ekimenaren bitartez, Ayesak Gidabot erronkari heldu dio. Bertan, bi konpainiek teknologia horren mugak aztertu ahal izan dituzte, Petronorren findegiaren prozesu katalitikoan “agente aditu” bat garatzeko. Agente horrek euskarri azkar eta arin bat emango die ingeniari kimikoei dokumentazio teknikoa kontsultatzeko eta fintzeko eragiketa-baldintzak aurreikusteko.
Begoña López Aiesako Utilities enpresako Data kontuko KAMek azaltzen duenez, “ingeniariek fabrikatzaileen informazio teknikoa kontsultatu behar dute etengabe, azken produktuaren kalitatean eta prozesuaren eraginkortasunean eragin zuzena duten parametroak doitzeko. Hala ere, kontsulta hori errutinazkoa eta aspergarria da, eskuliburu luzeak eta oso hizkuntza teknikoan idatzitakoak berrikustea eskatzen baitu, bilaketa-erraztasun gutxirekin. Gainera, informazioaren zati bat grafiko moduan aurkezten da, eta, egiaztatu ahal izan genuenez, alderdi hori oraindik ez dute behar bezala konpondu GenAI modeloek “.
“Gure erronka”, jarraitzen du, “laguntzaile birtual adituaren prototipo bat diseinatzea izan zen, teknikariei informazioa berehala lortzeko aukera emango ziena, hizkuntza naturalean interakzio sinpleak erabiliz. Azkenik, irtenbide hibrido bat planteatu genuen, IA Generatiboa eta Computer Vision ereduak konbinatzen dituena grafikoen arazoa konpontzeko, eta Machine Learningen eredu prediktibo tradizionalekin aberastu zen, Petronorren findegiko datu historikoetan patroien identifikazioan oinarritutako informazio gehigarria emateko, eta, horrela, findegiaren eredu teorikotik kanpoko aldagaiek doikuntza diferentzialak aplikatzea nola eragiten duten jakiteko informazio baliotsua emateko “.
GenAIren akatsak konpontzen
Adimen artifizialaren esparruan, ikusi da IA sortzailearen ereduek zenbait akats izan ditzaketela jokabidean eta erantzunen zehaztasunean. Eredu horien berezko izaeragatik sortzen dira, askotan inkoherenteak edo ez oso errealistak izan daitezkeen emaitzak sortzen baitituzte. Hala ere, ekimen honekin agerian geratu da IAren ereduen konbinazioak, erantzunaren orkestrazio arduratsuarekin batera, emaitza sendoagoak eta fidagarriagoak ekar ditzakeela. Edo, bestela esanda, “erantzunak egiaztatzeko modu erraz eta berehalakoa emanez gero, irtenbide baliozkoa lor dezakegu”, dio Lópezek.
Marian Aradillasek, Aiesako Analitika Aurreratuko arduradunak, baieztatzen du: “IA Sortzailearen ereduen eta ikasketa automatiko tradizionalaren konbinazioak datu bolumen handiak aztertzeko eta patroi konplexuak ikasteko aukera ematen dio tresnari. Gainera, karaktereen ezagutza optikoaren (OCR) eta ordenagailu bidezko ikusmenaren teknikek instalazioko eskuliburu teknikoetatik informazio garrantzitsua ateratzeko aukera ematen dute, datu-multzoa are gehiago aberastuz eta iragarpenen zehaztasuna hobetuz.
Funtsezko beste gakoetako bat negozioa eta prozesua ulertzea da, eta horrek aukera ematen du behar espezifikoetara zehatz-mehatz egokitzen den irtenbide eraginkor bat garatzeko “. Beraz, soluzio adimentsuagoak lortzen dira IA sortzailearen eredu hibridoak adimen artifizialeko beste soluzio batzuekin konbinatuz. “Horrela da.
