Η υιοθέτηση της τεχνητής νοημοσύνης (AI) από εταιρείες τεχνολογίας υπήρξε ταχεία. Άλλοι πιο «παραδοσιακοί» κλάδοι, συμπεριλαμβανομένου του τομέα του πετρελαίου και φυσικού αερίου υιοθετούν επίσης γρήγορα την τεχνητή νοημοσύνη στα επιχειρηματικά τους μοντέλα. Ωστόσο, ο ρυθμός υιοθέτησης για αυτόν τον κλάδο ήταν πιο αργός, επειδή θεωρείται πιο δύσκολο να χρησιμοποιηθούν διαδικασίες τεχνητής νοημοσύνης για τρέχοντα επιχειρηματικά μοντέλα και η ψηφιακή ικανότητα είναι βασική απαίτηση για τη δημιουργία αξίας από την ΑΙ, τονίζει ο οίκος αξιολόγησης Morningstar DBRS.
Ωστόσο, καθώς οι περιπτώσεις και οι κανονισμοί γύρω από την τεχνητή νοημοσύνη εξελίσσονται, οι εταιρείες ενέργειας αρχίζουν να βρίσκουν περισσότερους τρόπους χρήσης της τεχνητής νοημοσύνης, προσθέτει.
Οι εταιρείες συνεργάζονται με νεοφυείς επιχειρήσεις τεχνητής νοημοσύνης και εταιρείες μεγάλης τεχνολογίας για να εκτελέσουν πιλοτικά έργα που αξιολογούν την πρακτικότητα της χρήσης τεχνητής νοημοσύνης στην καθημερινή τους δραστηριότητα, ενώ διερευνούν αλλαγές στα πλαίσια διαχείρισης κινδύνων για την αντιμετώπιση τεχνολογικών και ρυθμιστικών κινδύνων που προκύπτουν από την υιοθέτηση της τεχνητής νοημοσύνης .
Όπως τονίζει ο οίκος, πιστεύει ότι η τεχνητή νοημοσύνη, η οποία περιλαμβάνει συλλογικά τη μηχανική μάθηση (ML), τη ρομποτική και την επεξεργασία φυσικής γλώσσας (NLP), έχει τη δυνατότητα να προσθέσει αξία στον ενεργειακό κλάδο με τρεις τρόπους:
Πρώτον, θα μπορούσε να μειώσει σημαντικά τον χρόνο για διάφορες διεργασίες αυτοματοποιώντας τις βασικές ροές εργασίας.
Δεύτερον, θα μπορούσε να βελτιώσει την ακρίβεια των βασικών προβλέψεων χρησιμοποιώντας τα πιο πρόσφατα εργαλεία για προγνωστικά αναλυτικά στοιχεία.
Και τρίτον, θα μπορούσε να βοηθήσει σε πραγματικό χρόνο την παρακολούθηση των περιουσιακών στοιχείων, επιτρέποντας στις εταιρείες να προλάβουν πιθανές βλάβες του συστήματος.
Η αποτελεσματικότητα των βασικών διαδικασιών, όπως η σεισμική έρευνα και ανάλυση, το reservoir modelling (μοντελοποίηση ταμιευτήρων) και η συντήρηση περιουσιακών στοιχείων, μπορεί να αυξηθεί καθώς τα μοντέλα «εκπαιδεύονται» χρησιμοποιώντας τα ιστορικά δεδομένα μιας εταιρείας. Η προγνωστική ανάλυση, η αυτοματοποίηση διεργασιών και η μηχανική ταμιευτήρων είναι οι πιο εξερευνημένες περιπτώσεις χρήσης τεχνητής νοημοσύνης από ενεργειακές εταιρείες των ΗΠΑ το 2024.
Για παράδειγμα, όπως σημειώνει η DBRS, η BP (η οποία έχει πιστωτική αξιολόγηση "A") έχει επενδύσει σε μια ΑΙ startup pου έχει δημιουργήσει μια πλατφόρμα γεωεπιστημών βασισμένη στο cloud, όπου οι μηχανικοί της BP μπορούν να τροφοδοτούν γεωλογικά, γεωφυσικά και ιστορικά δεδομένα παραγωγής. Στη συνέχεια, η πλατφόρμα χρησιμοποιεί νευρωνικά δίκτυα για να εκτελέσει γρήγορες προσομοιώσεις για τη μοντελοποίηση του ταμιευτήρα και την παρακολούθηση της υγείας των περιουσιακών στοιχείων της BP. Χάρη στην ΑΙ, η BP στοχεύει σε μείωση κατά 90% του χρόνου για τη συλλογή δεδομένων, την ερμηνεία τους και τις διαδικασίες προσομοίωσης.
Η Shell (αξιολόγηση AAlLow) συνεργάζεται με εταιρείες ανάλυσης Big Data για σεισμική έρευνα και ανάλυση. Η εταιρεία αναμένει ότι η τεχνολογία έχει τη δυνατότητα μείωσης της διάρκειας εξερεύνησης σε λιγότερο από εννέα ημέρες από εννέα μήνες.
Η Chevron (αξιολόγηση AA) αναπτύσσει έξυπνα μηχανήματα για να μειώσει την έκθεση των ανθρώπινων επιθεωρήσεων των δεξαμενών σε επικίνδυνα περιβάλλοντα. Ρομπότ, εξοπλισμένα με προηγμένους αισθητήρες και HD live κάμερες, αναπτύσσονται σε όλες τις εγκαταστάσεις της Chevron στις ΗΠΑ για να αυξήσουν την ακρίβεια των επιθεωρήσεων του πυθμένα της δεξαμενής, μειώνοντας το χρόνο διακοπής λειτουργίας και μειώνοντας τους κινδύνους ασφαλείας
Η Equinor έχει αναπτύξει την Omnia Prevent που έχει πάνω από 520 μοντέλα ML που αναλύουν δεδομένα από περισσότερους από 18.000 αισθητήρες από περισσότερες από 30 εγκαταστάσεις πετρελαίου και φυσικού αερίου.
Πιστωτικά θετική μεσοπρόθεσμα η υιοθέτηση της ΑΙ
Η υιοθέτηση της τεχνητής νοημοσύνης στον κλάδο του πετρελαίου και αερίου βρίσκεται ακόμη σε αρχικό στάδιο και είναι απίθανο να έχει ουσιαστικό αντίκτυπο στο πιστωτικό προφίλ των εταιρειών που αξιολογεί η DBRS βραχυπρόθεσμα, όπως τονίζει ο οίκος.
Ωστόσο, εάν υλοποιηθούν όλες οι βελτιώσεις απόδοσης, τότε οι ενεργειακές εταιρείες που υιοθετούν τεχνητή νοημοσύνη θα μπορούσαν να δουν βελτίωση στα προφίλ επιχειρηματικού κινδύνου σε σχέση με άλλες που δεν το έχουν κάνει, κάτι που στο μεσοπρόθεσμο διάστημα θα είναι θετικό για την αξιολόγησή του.
Επιπλέον, οι εταιρείες που καθυστερούν στην υιοθέτηση της τεχνητής νοημοσύνης ενδέχεται να εκτεθούν σε αυξημένους κινδύνους κυβερνοασφάλειας και κανονιστικής συμμόρφωσης, οι οποίοι θα μπορούσαν να είναι πιστωτικοί αρνητικοί, προειδοποιεί η DBRS.
Οι προκλήσεις
Πάντως, όπως επισημαίνει ο οίκος, οι εταιρείες πετρελαίου και αερίου εντοπίζουν και κινδύνους που σχετίζονται με τη χρήση της ΑΙ και οι οποίοι πρέπει να ληφθούν υπόψη. Η Shell, στην ετήσια έκθεσή της για το 2023, προσδιόρισε την τεχνητή νοημοσύνη ως τομέα αναδυόμενου κινδύνου, για παράδειγμα, Καθώς το ρυθμιστικό τοπίο γύρω από την ηθική χρήση της τεχνητής νοημοσύνης εξελίσσεται, η DBRS αναμένει ότι το κόστος συμμόρφωσης με τους κανονισμούς θα αυξηθεί καθώς επιταχύνεται η υιοθέτηση της τεχνητής νοημοσύνης.
Σε αυτό το πλαίσιο, κατά την DBRS οι πιθανές προκλήσεις για την υιοθέτηση της τεχνητής νοημοσύνης περιλαμβάνουν:
1) την αυξημένη απειλή κυβερνοεπιθέσεων, οι οποίες είναι πιθανό να ενταθούν δεδομένων των αυξανόμενων γεωπολιτικών κινδύνων,
2) τον ανταγωνισμό για ταλέντα με τις απαραίτητες δεξιότητες καθώς οι εταιρείες του κλάδου πετρελαίου και αερίου ανταγωνίζονται τις μεγάλες εταιρείες τεχνολογίας και τις startups τεχνολογίας και
3) την επένδυση που απαιτείται για την ενίσχυση της υποδομής πληροφορικής και την εφαρμογή αποτελεσματικών προγραμμάτων ανάπτυξης δεξιοτήτων.
