От аномалий к автономности: новая эра предиктивного обслуживания
Крупнейший энергетический гигант Shell расширяет сотрудничество с C3 AI, переходя от базового обнаружения аномалий к полностью автономному предиктивному обслуживанию. Компания опирается на действующую платформу C3 AI Reliability Suite, которая уже контролирует более 30 000 критически важных единиц оборудования в рамках как upstream-, так и downstream-операций. Теперь Shell намерена серьёзно инвестировать в автономных ИИ-агентов, поручив им управление всем жизненным циклом технического обслуживания — от первого сигнала тревоги до завершённого ремонта.
«Это расширенное партнёрство с Shell доказывает, что возможно, когда корпоративный ИИ полностью внедряется в глобальном масштабе для предиктивного обслуживания — сокращение незапланированных простоев и получение сотен миллионов долларов экономической ценности», — заявил Стивен Эхикиан, президент C3 AI. — «Shell построила зрелые программы предиктивного обслуживания на нашей платформе, и вместе мы теперь продвигаемся в область агентного ИИ, совершенствуя то, как эта технология может трансформировать надёжность, безопасность, эффективность и операционную производительность».
Как агентный ИИ заменяет ручной труд инженеров
Изначально Shell использовала машинное обучение для выявления нестандартных паттернов в данных с датчиков, предупреждая инженеров о потенциальных поломках заранее. Для этого система поглощает огромные объёмы данных реального времени от технологического оборудования (OT) и комбинирует их с бизнес-контекстом из ERP-платформ, таких как SAP.
Следующий этап вводит ИИ-агентов, способных к Сэмостоятельному рассуждению и независимым действиям. Если старые системы ограничивались отправкой уведомления инженеру при обнаружении необычного показания, то новая агентная платформа Сэмостоятельно расследует причину срабатывания сигнала. Определив корневую причину, агент составляет точные наряды-заказы, проверяет наличие запчастей на складе и формирует запросы на закупку. Платформа C3 AI берёт на себя техническую тяжёлую работу, предоставляя модельное пространство для лёгкой интеграции высокочастотных потоков данных с датчиков со структурированными финансовыми и ремонтными журналами.
Интеграция с SAP и Azure: от прогноза к конкретным действиям
Агентный слой опирается на базовые модели машинного обучения, обученные распознавать нормальные режимы работы конкретного оборудования — насосов, турбин и компрессоров. Операторы настраивают индивидуального агента для каждого агрегата, определяя его цели и допустимые действия. Когда основные модели ML фиксируют отклонение от нормы, агент активируется, собирая обширный контекстуальный массив данных для полной картины ситуации — включая историю обслуживания, экологические условия и переменные upstream-процессов.
На основе всей этой информации агент предлагает решение, подкреплённое убедительными доказательствами. Операторы-люди затем легко утверждают или переопределяют план. По мере того как система доказывает свою эффективность, Shell сможет полностью автоматизировать реакции на определённые типы сигналов. Прямая интеграция с SAP критически важна: она позволяет агенту работать внутри тех же рабочих процессов, что и человеческие планировщики.
Экономический эффект и экспертные оценки
Внедрение агентного ИИ в таких масштабах решает классическую проблему «последней мили» в предиктивном обслуживании. Многие промышленные компании способны предсказывать отказы, но превращение этих прогнозов в быстрые и эффективные действия остаётся вызовом. Обычно инженерам всё ещё приходится вручную разбирать потоки оповещений, расследовать причины и составлять наряды-заказы. Shell стремится сократить этот временной лаг: делегируя ИИ анализ корневых причин и составление нарядов, компания уменьшает задержку между предсказанным отказом и фактическим ремонтом, что напрямую повышает наработку оборудования и защищает производство.
Переход к модели, при которой ремонты проводятся только тогда, когда реальное состояние оборудования этого требует, естественным образом экономит средства — никто не тратит время на обслуживание исправных машин. Оставление здорового оборудования в покое также значительно продлевает его срок службы. Помимо экономии, превентивное вмешательство до наступления катастрофы делает всю операцию значительно безопаснее и снижает экологические риски — вопрос, который всегда стоит на первом месте в энергетическом секторе.
«То, что Shell и C3 AI построили на Azure на протяжении последних нескольких лет, — это именно то, каким должен выглядеть корпоративный ИИ — реальные приложения, работающие в промышленной эксплуатации и приносящие измеримую ценность в глобальном масштабе», — прокомментировал Сэнди Гупта, вице-президент по глобальным стратегическим инвестициям в Microsoft.