Гибридное машинное обучение — лучшая модель для улучшения бизнеса и увеличения доходов

До недавнего времени искусственный интеллект, основанный исключительно на данных, в первую очередь машинное обучение, считался наиболее привлекательным, позволяющим использовать новые технологии данных для цифровизации в различных отраслях, включая цифровых двойников, развернутых в таких отраслях, как нефтегазовая и сланцевая. в последнее время привлекает больше внимания в свете атак на ключевые нефтяные объекты в Саудовской Аравии и того, что добыча нефти продолжает достигать новых минимумов.

Более устоявшееся, хотя и гораздо менее раскрученное, моделирование на основе физики в последние годы редко привлекало внимание. Однако искусственному интеллекту присуща природа черного ящика. Модели «черного ящика» показывают результат — например, сколько раз модель правильно идентифицировала кошку на серии фотографий, — но не дают никаких сведений о том, почему модель пришла к такому результату.

Пролить свет на проблему черного ящика

Наиболее часто используемым практическим примером этой проблемы черного ящика является обучение модели идентификации кошек на 1000 изображениях, на которых каждое изображение с помеченной кошкой — скажем, 135 изображений кошек — находится в солнечных условиях с видимым голубым небом. Тогда вполне может случиться так, что алгоритм вообще не рассматривает кота как сигнал на изображении, а вместо этого фокусируется на поиске достаточной площади небесно-голубого цвета и общего светлого цветового тона на изображении. .

Только на выходе эту внутреннюю работу модели невозможно увидеть. И при сравнении с аналогичными фотографиями кошек, сделанными при дневном свете на открытом воздухе, он покажет очень хорошую точность. Однако у него не будет никаких шансов идентифицировать какую-либо кошку, какой бы четкой она ни была на снимке, если она сделана внутри здания без солнца и более темного тона.

Природа искусственного интеллекта как «черного ящика» является причиной того, что подходы, основанные на чистом искусственном интеллекте, не могут получить полного признания в полевых операциях, культура которых уходит корнями в инженерные науки с нулевым допуском к риску для критически важных систем. Кроме того, накопление эмпирических данных из сотен подтверждений концепций, связанных с многообещающими стартапами ИИ от лидеров нефтегазовой отрасли, развенчивает всемогущество ИИ в решении задач по оптимизации производства и профилактическому обслуживанию.

Для полной статьи нажмите здесь!