Applied Computing ต้องการให้ AI model สำหรับโรงงานน้ำมันและก๊าซทั้งหมด

เรื่องราวเกี่ยวกับ AI ในอุตสาหกรรมส่วนใหญ่ปฏิบัติตามรูปแบบที่คุ้นเคย: โซลูชันจุดเดียวที่ปรับปรุงสิ่งหนึ่ง — ปั๊ม, ท่อส่ง, หรือตารางการบำรุงรักษา Applied Computing กำลังเดิมพันว่านั่นเป็นระดับนามธรรมที่ผิด บริษัทสตาร์ทอัพที่ตั้งอยู่ในลอนดอนต้องการสร้าง foundation AI model สำหรับโรงงานน้ำมัน ก๊าซ และปิโตรเคมีทั้งหมด — และการระดมทุน Series A จำนวน 20 ล้านดอลลาร์ที่เพิ่งเกิดขึ้นแสดงให้เห็นว่าเงินทุนจำนวนมากเริ่มเห็นด้วย สำหรับนักพัฒนาและผู้ก่อตั้งที่ติดตามว่า AI กำลังลงจอดในอุตสาหกรรมหนักอย่างไร นี่คือสัญญาณที่คุ้มค่าที่จะศึกษา

Applied Computing ต้องการให้ AI model สำหรับผู้ประกอบการน้ำมันและก๊าซ — ไม่ใช่แดชบอร์ด ไม่ใช่ตัวตรวจจับความผิดปกติที่แคบ แต่เป็นโมเดลแบบรวมที่รับข้อมูลจากกระแสเซ็นเซอร์ เอกสารวิศวกรรม และฟิสิกส์กระบวนการพร้อมกัน ความทะเยอทะยานนี้ทำให้มันอยู่ในหมวดหมู่ที่แตกต่างจากซอฟต์แวร์อุตสาหกรรมส่วนใหญ่ และผลกระทบขยายไปไกลกว่า North Sea

เกิดอะไรขึ้น

Applied Computing ก่อตั้งในปี 2023 และตั้งสำนักงานใหญ่ในลอนดอน ระดมทุน Series A จำนวน 20 ล้านดอลลาร์นำโดยบริษัทวิศวกรรมยักษ์ใหญ่ KBR โดยมี Databricks Ventures เข้าร่วมด้วย รอบการระดมทุนนี้น่าสังเกตไม่เพียงแต่ในด้านขนาด แต่ยังในด้านใครที่เขียนเช็ค — KBR เป็นหนึ่งในบริษัทวิศวกรรมและบริการรัฐบาลที่ใหญ่ที่สุดในโลก มีรากฐานลึกในการออกแบบและการดำเนินงานโรงงานปิโตรเคมี นี่ไม่ใช่เงินทุนสตาร์ทอัพเชิงสัญหรณ์ แต่เป็นการเดิมพันเชิงกลยุทธ์ของผู้บุกเบิกในอุตสาหกรรม

ปัญหาหลักที่ Applied Computing กำลังโจมตีคือการแยกตัวของข้อมูลในระดับขนาดใหญ่ สิ่งอำนวยความสะดวกน้ำมัน ก๊าซ หรือปิโตรเคมีเพียงแห่งเดียวสามารถมีเซ็นเซอร์นับพันตัวที่วัดอุณหภูมิ ความดัน ความเร็ว ความหนืด และตัวแปรอื่นๆ อีกหลายตัวพร้อมกัน ผู้ประกอบการเก็บรวบรวมข้อมูลส่วนใหญ่นี้อยู่แล้ว ปัญหาตามที่ Callum Adamson ผู้ร่วมก่อตั้งและซีอีโอกล่าว คือว่าสิ่งอำนวยความสะดวกในปัจจุบันตัดสินใจในการดำเนินการโดยใช้ข้อมูลน้อยกว่า 8% ของข้อมูลที่มีให้ส่วนที่เหลือนั่งอยู่ในไซโล — การอ่านค่าเซ็นเซอร์ที่ไม่เชื่อมต่อกับเอกสารวิศวกรรม โมเดลเคมีกระบวนการที่ไม่เคยพูดคุยกับข้อมูลการดำเนินการแบบเรียลไทม์

โซลูชันที่ Applied Computing กำลังสร้างคือ foundation model ที่ได้รับการฝึกอบรมเกี่ยวกับฟิสิกส์ เคมี และรูปแบบการดำเนินการเฉพาะของระบบน้ำมัน ก๊าซ การกลั่น และปิโตรเคมี ลองนึกถึงมันว่าเป็นโมเดลขนาดใหญ่ที่เฉพาะเจาะจงกับโดเมน — ไม่ใช่ LLM วัตถุประสงค์ทั่วไปที่ปรับปรุงใหม่ด้วยพรอมต์อุตสาหกรรม แต่เป็นโมเดลที่มีสถาปัตยกรรมและข้อมูลการฝึกอบรมสร้างขึ้นรอบ ​​เทอร์โมไดนามิกส์ พลศาสตร์ของไหล และจลนศาสตร์ปฏิกิริยาที่ควบคุมวิธีการทำงานของโรงงานเหล่านี้จริงๆ

การมีส่วนร่วมของ Databricks Ventures ก็น่าสังเกตเช่นกัน Databricks ได้วางตำแหน่งแพลตฟอร์ม data lakehouse ของตนเองอย่างก้าวร้าวเป็นชั้นโครงสร้างพื้นฐานสำหรับ AI ขององค์กร การมีส่วนร่วมของพวกเขาบ่งชี้ว่าแนวทางของ Applied Computing — การรวมข้อมูลเซ็นเซอร์ที่มีโครงสร้างกับเอกสารวิศวกรรมที่ไม่มีโครงสร้าง — สอดคล้องกับที่ไปของ enterprise AI data pipelines ที่จริงจัง

ทำไมมันจึงสำคัญสำหรับเอเชีย

เอเชียไม่ใช่ผู้สังเกตการณ์ที่ไม่มีส่วนร่วมในเรื่องราวน้ำมัน ก๊าซ และปิโตรเคมี ภูมิภาคนี้เป็นเจ้าภาพของโรงกลั่นและคอมเพล็กซ์ปิโตรเคมีที่ใหญ่ที่สุดบางแห่งในโลก — จากโรงกลั่น Jamnagar ของ Reliance ในอินเดีย (ที่ใหญ่ที่สุดในโลกตามความจุ) ไปจนถึงศูนย์กลางปิโตรเคมีขนาดใหญ่ใน Jurong Island ในสิงคโปร์ Map Ta Phut ในประเทศไทย และคลัสเตอร์ downstream ที่ขยายตัวในมาเลเซียและอินโดนีเซีย เอเชียตะวันออกเฉียงใต้เพียงอย่างเดียวคิดเป็นส่วนแบ่งที่มีนัยสำคัญของความจุการกลั่นทั่วโลก และความจุนั้นกำลังเพิ่มขึ้นเมื่ออุปสงค์พลังงานในภูมิภาคยังคงเพิ่มขึ้น

สิ่งอำนวยความสะดวกเหล่านี้เผชิญกับปัญหาการแยกตัวที่ Applied Computing อธิบายไว้อย่างแน่นอน หลายแห่งทำงานบนระบบควบคุมแบบกระจาย (DCS) และโครงสร้างพื้นฐาน SCADA ที่เก่าแก่ซึ่งไม่เคยออกแบบมาพร้อมกับความพร้อม AI ข้อมูลอยู่ในฐานข้อมูล historian ที่เป็นกรรมสิทธิ์ — OSIsoft PI เป็นตัวเลือกที่พบบ่อยที่สุด — และการนำข้อมูลนั้นเข้าสู่รูปแบบที่โมเดล AI สมัยใหม่สามารถใช้ได้นั้นต้องใช้งานวิศวกรรมที่ไม่ใช่เรื่องเล็กน้อย ช่องว่างระหว่าง "เรารวบรวมข้อมูลจำนวนมาก" และ "เราตัดสินใจด้วยข้อมูลนั้น" อาจจะกว้างกว่าในสิ่งอำนวยความสะดวกที่เก่าแก่ของเอเชียมากกว่าที่อื่นใด

จากมุมมองเทคโนโลยีเอเชีย วิทยานิพนธ์การลงทุนที่นี่ก็มีความสำคัญเช่นกัน KBR นำรอบนี้หมายความว่าผู้รับเหมาวิศวกรรม — ประเภทของบริษัทที่ออกแบบ สร้าง และดำเนินการโรงงานเหล่านี้ — กำลังให้เงินทุนโดยตรงให้กับชั้น AI นั่นคือสัญญาณจัดซื้อจัดจ้าง มันบ่งชี้ว่าผู้รับเหมาวิศวกรรมในเอเชีย หลายแห่งเป็นพันธมิตรหรือคู่แข่งของ KBR จะต้องเผชิญกับความกดดันในการเสนอความสามารถ AI ที่คล้ายกันให้กับลูกค้าของพวกเขา บริษัทสตาร์ทอัพและนักพัฒนาในสิงคโปร์ กัวลาลัมเปอร์ หรือมุมไบที่กำลังสร้างเครื่องมือ industrial AI ควรติดตามสิ่งนี้อย่างใกล้ชิด

นอกจากนี้ยังมีพลวัตด้านความสามารถที่ควรสังเกต เอเชียผลิตส่วนแบ่งที่มีนัยสำคัญของวิศวกรเคมีและวิศวกรกระบวนการของโลก เมื่อ foundation models สำหรับอุตสาหกรรมกระบวนการเติบโตขึ้น วิศวกรที่เข้าใจทั้งโดเมนและเครื่องมือ AI จะมีค่าอย่างยิ่ง จุดตัดนั้น — ความรู้โดเมนกระบวนการบวก AI engineering — คือที่ที่ leverage ที่แท้จริงอยู่ และมหาวิทยาลัยเอเชียอยู่ในตำแหน่งที่ดีในการผลิตมัน

นี่หมายถึงอะไรสำหรับนักพัฒนา

หากคุณเป็นนักพัฒนาที่สร้างในพื้นที่ industrial AI หรือ energy tech แนวทางของ Applied Computing จะเปิดเผยแนวคิดสถาปัตยกรรมบางประการที่คุ้มค่าที่จะคิดอย่างรอบคอบ

Foundation models ที่เฉพาะเจาะจงกับโดเมนคือ moat ที่แท้จริง LLM วัตถุประสงค์ทั่วไปมีปัญหาในการให้ความแม่นยำที่วิศวกรรมกระบวนการต้องการ เมื่อโมเดลต้องให้เหตุผลเกี่ยวกับปฏิสัมพันธ์ระหว่างอัตราการสะสมตะกรันของเครื่องแลกเปลี่ยนความร้อนและประสิทธิภาพของคอลัมน์ดาวน์สตรีม มันต้องได้รับการฝึกอบรมเกี่ยวกับความสัมพันธ์เทอร์โมไดนามิกส์พื้นฐาน — ไม่ใช่แค่การจับคู่รูปแบบบนข้อความเกี่ยวกับพวกมัน เดิมพันของ Applied Computing คือการฝึกอบรมโมเดลเกี่ยวกับฟิสิกส์เฉพาะของระบบเหล่านี้ให้ผลการให้เหตุผลที่ดีกว่าในเชิงคุณภาพมากกว่าการปรับแต่งพรอมต์ของโมเดลทั่วไป หากเดิมพันนั้นได้ผล มันจะสร้าง data และ training moat ที่ยากต่อการจำลองอย่างแท้จริง

ข้อมูลเซ็นเซอร์ + เอกสารที่ไม่มีโครงสร้างคือปัญหาการรวมที่ยาก โครงการ industrial AI ส่วนใหญ่ล้มเหลวไม่ใช่ที่ระดับโมเดล แต่ที่ระดับ data pipeline การรวมกระแสเซ็นเซอร์ time-series (ความถี่สูง โครงสร้าง ตัวเลข) กับเอกสารวิศวกรรม (PDF P&ID แผ่นข้อมูลอุปกรณ์ — ไม่มีโครงสร้าง ต่างกัน) ต้องใช้สถาปัตยกรรมข้อมูลที่ระมัดระวัง นักพัฒนาที่ทำงานในปัญหาที่คล้ายกันควรคิดอย่างรอบคอบเกี่ยวกับกลยุทธ์ embedding ของพวกเขาสำหรับชั้นที่ไม่มีโครงสร้างและวิธีที่พวกเขาจัดการการจัดตำแหน่งชั่วคราวระหว่างเหตุการณ์เซ็นเซอร์และเอกสารที่อธิบายพวกมัน

ชั้น integration คือที่ที่โครงการติดขัด แม้ว่าจะมีโมเดลที่ยอดเยี่ยม การนำข้อมูลออกจาก plant historian และเข้าสู่ AI pipeline สมัยใหม่ก็เป็นเรื่องที่เจ็บปวด OSIsoft PI Honeywell PHD และระบบที่คล้ายกันมี API แต่ไม่ได้ออกแบบมาสำหรับ workload ML ที่มีปริมาณงานสูง นักพัฒนาที่สร้างในพื้นที่นี้จะใช้เวลาจำนวนมากไม่สมส่วนกับ connectors — ท่อประปาระหว่างระบบ OT เก่าแก่และโครงสร้างพื้นฐานข้อมูลสมัยใหม่ แพลตฟอร์มใดๆ ที่แยกชั้นนั้นออกมาอย่างสะอาดจะมีข้อได้เปรียบที่แท้จริง

Physics-informed AI กำลังได้รับความนิยม แนวทางของ Applied Computing โดยปริยายพึ่งพา physics-informed machine learning — แนวคิดที่ว่าคุณจำกัดผลลัพธ์ของโมเดลให้สอดคล้องกับกฎฟิสิกส์ที่ทราบ นี่คือการออกจากแนวทาง data-driven บริสุทธิ์ที่มีความหมาย และมีความสำคัญโดยเฉพาะในอุตสาหกรรมที่มีความเสี่ยงต่อความปลอดภัยซึ่งโมเดลที่ทำนายสถานะที่เป็นไปไม่ได้ทางกายภาพนั้นแย่กว่าไร้ประโยชน์ นักพัฒนาที่สร้างใน