能源行業屬于高技術驅動性行業。由于需要在嚴苛的條件下處理大型設備中的各類自然資源數據，石油與天然氣行業長期使用數據及分析技術提高流程效率。近年來，能源行業企業開始加大對各類AI這既的應用，通過多種方式做出探索，試圖了解如何進一步提升能源利用效率。隨著大數據技術、低成本計算資源以及七大AI應用模式的廣泛普及，能源行業得以更全面、更便捷地從AI及ML中獲取實際價值。
Halliburton公司首席數據科學家兼技術研究員Satyam Priyadarshy博士
Halliburton公司首席數據科學家兼技術研究員Satyam Priyadarshy博士表示，在能源行業這一受到嚴格監管的領域內，人工智能的采用往往面臨諸多獨特挑戰。在最近的AI Today播客中，他分享了過去十年以來能源行業在數據使用方式層面的變化，關于AI及ML的具體使用案例，以及各地區戰略方針給AI技術帶來的整體影響。
Satyam Priyadarshy博士: 能源行業一直在業務生命周期中的各個環節使用數據科學與AI解決方案，而且此前已經獲得了不同程度的成功。但隨著大數據技術的全面普及，這類方案在能源行業中的擴展范圍與部署規模也在不斷增長。例如，現在企業可以使用無人機拍攝的視頻實時分析傳送管道泄漏情況、太陽能板上的灰塵規程量或者風力輪機葉片的彎曲程度。我們率先以石油與天然氣行業的非結構化數據為基礎構建起自然語言編程算法并部署AI解決方案，旨在減少資金浪費并以近實時方式建立具備可操作性的洞見。能源行業目前已經在超過100種場景下部署商業用例，通過簡單集群到復雜的深度學習算法產生不同程度的經濟價值。獲得成功的一大核心標志，在于iEnergy（石油與天然氣行業的首套混合云解決方案）等云平臺的開發與部署，以及OpenEarh.community行業開放訪問平臺的正式上線。
Satyam Priyadarshy博士: 目前能源行業在應用人工智能及數據科學方面的挑戰可以概括為“FEAR”，其中包含的四大主要挑戰分別為：
第一原理（First-principles）。科學與工程技術在整個能源行業中一直占據主導地位，但長期積累的慣性導致不少專業人士難以大規模思考并實施數據科學與AI解決方案。
新興技術的發展（Evolutionary）步伐與行業中的實際應用情況不符。事實證明，正是由于這種技術空缺，導致行業不得不浪費大量時間與資源搜索能夠建立能源數據科學模型所需要的數據集。如果這方面空白得不到填補，AI在能源行業中的影響始終難以擴大。
以往的成就（Accomplishment）掩蓋了新興解決方案的真正意義，從業內人士的評論觀點中可以明顯看出，能源行業一直是高性能計算與海量數據分析領域的先驅。
面對如此根深蒂固的思維模式與自然反應（Reactive），VPS租用，數據科學與AI要想真正在解決效率問題方面發揮作用，首先需要推動行業經歷一場深刻的轉型與變革。
Satyam Priyadarshy博士: 數十年來，能源行業一直在創造各種多維、多元且多樣化的數據集。但即使是在今天，從海量數據中獲取價值仍是一項嚴苛的挑戰。過去十年以來，大數據技術、云計算范式以及平臺方法的快速成熟與全面普及，使得行業數據的實際應用獲得長足進步。但就價值優化與最大化而言，能源行業距離建立“數據原生業務”還有很長的路要走。
從石油與能源行業的角度來看，處理數據與人工智能問題有哪些實際挑戰？
Satyam Priyadarshy博士: 根據麥肯錫公司的研究結果，CNBC曾在2015年3月發表一篇報告，標題為《石油企業正被無法使用的數據所吞沒》。這篇報道的關鍵在于，石油與天然氣行業能夠實際使用的數據僅占全部數據收集量的1%，而高管們的愿望則是利用其中的95%。為什么在實踐與愿景之間會存在如此巨大的差距？因為與其他行業不同，石油與天然氣行業面臨著極為復雜的數據挑戰。從行業角度來看，數據大眾化與數據驅動型創新一直被限制在難以共享的小圈子之內。換言之，任何一家企業，只要其中仍然存在數據與文化孤島，就不可能利用可擴展的AI驅動型方案從數據中創造價值。
