Seguridad operativa con IA: Ellen Nielsen de Chevron (I)

Ellen Nielsen, la primera directora de datos de Chevron y ve a la Inteligencia Artificial (IA) como el hilo conductor a lo largo de una carrera que abarca sistemas, datos digitales, adquisiciones y cadena de suministro.

En su puesto actual, aplica lo que ha aprendido a las amplias iniciativas de aprendizaje automático de Chevron. incluido el uso de robots y visión por computadora para inspeccionar tanques, gemelos digitales para simular operaciones y sensores para monitorear equipos en refinerías.

En este episodio del podcast Me, Myself, and AI, Ellen comparte ejemplos de los casos de uso del gigante energético integrado para el aprendizaje automático y la IA generativa.

Además describe el programa de desarrollo ciudadano de la compañía, que integra herramientas seguras de IA. en manos de los colaboradores de Chevron.

Suscríbete a Me, Myself, and AI en Apple Podcasts , Spotify o Google Podcasts.

La mentalidad del innovador: Crear un mañana mejor con IA

Transcripción

Sam Ransbotham: ¿Gemelos digitales? ¿IA generativa para la ingeniería? En el episodio de hoy, descubre cómo una empresa petroquímica mejora las habilidades de su fuerza laboral para beneficiarse de nuevas tecnologías

Ellen Nielsen: Soy Ellen Nielsen de Chevron y me estás escuchando a Me, Myself, and AI .

Sam Ransbotham: Bienvenido a Me, Myself, and AI , un podcast sobre IA en los negocios. En cada episodio, le presentamos a alguien que innova con la IA. Soy Sam Ransbotham, profesor de análisis en Boston College. También soy editor invitado de inteligencia artificial y estrategia empresarial en MIT Sloan Management Review .

Shervin Khodabandeh: Y yo soy Shervin Khodabandeh, socio principal de BCG y uno de los líderes de nuestro negocio de IA. Juntos, MIT SMR y BCG han estado investigando y publicando sobre IA desde 2017. Hemos entrevistado a cientos de profesionales y encuestando a miles de empresas sobre lo que se necesita para construir, implementar y escalar capacidades de IA.

Hola a todos. Hoy, Sam y yo estamos hablando con Ellen Nielsen, directora de datos de Chevron. Ellen, gracias por tomarse el tiempo de hablar con nosotros. Bienvenido al show.

Ellen Nielsen: Gracias por invitarme. Estoy muy emocionado de tener una conversación muy interesante hoy.

¿Cómo utiliza Chevron la IA?

Shervin Khodabandeh: Empecemos. Me imagino que la mayoría de nuestros oyentes han oído hablar de Chevron. Pero lo que tal vez no sepan es hasta qué punto la IA prevalece en toda la cadena de valor de Chevron. Entonces, tal vez cuéntenos un poco sobre su función y cómo se utiliza la IA en Chevron.

Ellen Nielsen: Quizás hablando de mi papel… comenzó hace tres años. Fui el primer responsable de datos dentro de Chevron. Eso no significa que no habíamos estado lidiando con datos durante mucho tiempo. Pero la necesidad de poner más atención en los datos estaba empezando a surgir, y con eso, se me encomendó la tarea de evangelizar los datos.

Usamos IA en muchos lugares. En algunas áreas en las que utilizamos robots, se puede imaginar que era muy engorroso tener a un humano involucrado.

Ahora hacemos esto con robots. Y básicamente sacamos a los seres humanos de estos espacios confinados. Eso es una combinación de visión por computadora y predicciones sobre cuál es el estado de este tanque y de este equipo.

¿Se está oxidando? ¿Necesita mantenimiento? ¿Necesitamos abordarlo de una manera muy predictiva para que funcione de una manera mucho más confiable y segura en el futuro?

La aplicación del desarrollo ciudadano en el área IA

El otro ejemplo es, cuando hablamos de sensores en compresores o cualquier tipo de equipo, en el pasado, por supuesto, los instalábamos. Pero los precios bajaron drásticamente para esos sensores y la recopilación de datos, y acabo de ver recientemente…

En realidad, se creó una aplicación de desarrollo ciudadano, porque estos sensores tienen que instalarse, y cuando los instalas, básicamente tomas un código QR, y con un clic puedes agregar la ubicación geoespacial al sensor.

Luego puedes ver todos estos sensores que ha instalado en sus instalaciones en un mapa, por lo que realmente ves es si realmente está funcionando. Así que aquí tenemos una combinación de visión por computadora, uso del desarrollo ciudadano y del uso del sensor en una forma de aprendizaje automático basada en IA para llegar a predicciones y cómo funcionan.

Los gemelos digitales en Chevron

Shervin Khodabandeh: Una de las cosas que sé que haces bastante bien son los gemelos digitales. Quizás puedas comentar un poco sobre ese ejemplo.

Ellen Nielsen: Los gemelos digitales es uno de los muchos ejemplos en los que usamos eso. ¿Qué impulsa a a hacer gemelos digitales? Una es que, como pueden imaginar, tenemos gente trabajando sobre el terreno, por lo que queremos hacerles la vida más fácil y segura.

Eso significa que cuantos más datos y más información podamos recopilar, cumpliremos el propósito de ser más seguros y confiables en las operaciones. Ese fue un detonante.

El segundo desencadenante es que se recopila una gran cantidad de información basada en Internet de las cosas, dispositivos IoT. Eso alimenta otro conjunto de información donde se pueden tomar decisiones incluso predictivas en estos activos.

Entonces, con el gemelo digital, básicamente queremos servir a ambos. Queremos ser más seguros, confiables pero también más predictivos en lo que hacemos que habla de eficiencia y de hacer lo correcto en el momento correcto.

Regular el fenómeno de la IA: David Hardoon de Aboitiz Data Innovation

¿Dónde utiliza Chevron los gemelos digitales?

Sam Ransbotham: ¿Puedes darnos un ejemplo específico de un lugar donde esté utilizando un gemelo digital? ¿Cómo ayuda eso con la seguridad? ¿Cómo ayuda eso a la eficiencia?

Ellen Nielsen: Si tomas un gemelo digital y, digamos, básicamente “gemelos digitales” en una instalación, una refinería. Entonces, en una refinería, puedes imaginar que hay muchas tuberías, hay muchos equipos y la gente tiene que darles mantenimiento para sacar los productos.

Cuando ves la cadena de valor desde la entrada del producto o la entrada de materiales hasta la salida del producto, todo lo demás pasa por esta refinería.

Y si todo está hermanado digitalmente, se puede planificar mejor y operar mejor. Sabes cuándo van a llegar las cosas. Puedes predecir mejor cómo obtener un mejor resultado. Y así es básicamente como lo hacemos en las refinerías o instalaciones donde operamos: analizando realmente el flujo de información y las decisiones basadas en datos.

Las industrias evoluciones y las profesiones también con ayuda de la IA

Sam Ransbotham: Ese es un gran ejemplo. Creo que los oyentes veteranos sabrán que tanto Shervin como yo somos ingenieros químicos. Pero quizás no lo sepas… bueno, ya no soy ingeniero químico.

Esto fue en parte porque me atraía mucho la idea de simular procesos químicos. Descubrimos que no teníamos que crear un pequeño proceso para probar algo. Podríamos construirlo en una computadora y probarlo.

Y ya sabes, eso fue hace mucho tiempo y realmente había algunas herramientas muy, muy feas en aquellos días. Supongo que ahora es mucho más sofisticado que eso.

Ellen Nielsen: Creo que es un espacio en constante evolución, pero estoy muy entusiasmada con las oportunidades.

Me imagino cuando tienes un catalizador o tienes que probar materias primas, tienes que planificarlo con el jefe de producción. Además, tienes que detener la producción, tienes que probarlo en tiempo real. Eso eliminó la producción.

Y ahora puede simular de una manera más eficiente con las especificaciones a su alcance y sin tener que hacerlo físicamente. También estuve en el mundo, en mi antigua empresa, donde teníamos que probar cosas una y otra vez.

Creo que esos tiempos han terminado. Se está volviendo más simulado y de una manera mucho mejor.

Así es como la IA cambia la industria energética

Shervin Khodabandeh: Ellen, ¿puedes darnos otro ejemplo, tal vez sobre exploración o extracción o algo que también solía ser bastante experiencial, costoso y peligroso sin los datos y la IA?

Ellen Nielsen: Creo que también tenemos un gran ejemplo, publicado por la empresa a finales del año pasado. Cuando piensas en petróleo y gas, piensas: ¿cómo sacar más provecho de un yacimiento?

Quieres sacar lo mejor de un depósito y hacerlo de una manera muy eficiente y responsable. Y como se puede imaginar, la recopilación de datos es bastante engorrosa si no se dispone de la potencia de la computadora.

No puedo imaginarme cómo lo hacía la gente en el pasado. Tal vez imprimieron cosas y las colocaron encima, y ​​formularon suposiciones basadas en su experiencia.

Ahora hacemos esto con aprendizaje automático, algoritmos. Entendemos cómo es la composición de la roca. Incluso creamos una “rockopedia” para saber cuáles son las diferentes condiciones y composiciones de las rocas para que podamos aprovechar estos datos todos los días cuando los necesitemos.

La misión y propósito de la empresa se alinean con la nueva tecnología

Shervin Khodabandeh: Sí, y creo que hay un tema más amplio: con la llegada de estas tecnologías, el cielo es el límite, por lo que la pregunta es: ¿de qué otra manera se puede aplicar y qué más se puede hacer con ello?

Y creo que esto me lleva a una pregunta sobre la misión y el propósito, porque obviamente hay una gran cantidad de datos. Obviamente hay muchas herramientas. Y los casos de uso están impulsados ​​por la misión y cuáles son algunas de las cosas que queremos hacer con eso.

Ellen Nielsen: Sí. De hecho, en Chevron, lo vincularía con nuestra estrategia. Obtenemos mayores rendimientos y bajas emisiones de carbono de forma segura. Y este es nuestro principio rector: todo lo que hagamos debería, por supuesto, beneficiar el éxito de la empresa, pero también hacerlo en un entorno bajo en carbono.

Sabemos que el mundo se verá diferente dentro de unas pocas décadas. Cuidamos el metano, cuidamos las emisiones de gases de efecto invernadero.

Entonces esto es algo que siempre abordamos. Y los datos y la IA desempeñan su papel, pero también influyen en cómo operamos. La seguridad es un componente importante del sistema de valores de Chevron.

Y cuando piensas en el futuro y piensas en la IA, los robots, los gemelos digitales y todo eso, existe tecnología con la que podemos ayudar a nuestra gente a hacer su trabajo de manera más segura y mucho más confiable.

Ayudar a los médicos a tomar mejores decisiones con datos: Ziad Obermeyer de UC Berkeley

¿Cómo se hace que los ingenieros se sientan cómodos con la IA?

Shervin Khodabandeh: Lo que me resulta interesante de Chevron o de una empresa que es predominantemente de ingeniería y ciencia es cuando la IA se pone en producción para aumentar algunas de las decisiones y algunos de los conocimientos que los trabajadores, los ingenieros y los científicos están tomando.

Pero como ingeniero y como operador de estas plantas, puede que no esté del todo de acuerdo con ello. No sé si esto resuena: ¿cómo lograr que los científicos e ingenieros se sientan cómodos usando estas herramientas?

Ellen Nielsen: Mm-hmm. Creo que en realidad está ayudando porque los ingenieros tienen una mentalidad muy lógica y conocen la ciencia. Entonces, cuando se habla de ciencia de datos y lo que hay detrás de ella, tenemos muchas personas muy interesadas en aprender de ellas.

Entonces pienso: “¿Por dónde empiezo?” Se empieza aprendiendo: “Oye, no entiendo esto”. Ésa es una mentalidad típica de la ingeniería: “No lo entiendo; Quiero entenderlo. Estoy buscando ‘¿Qué me dice? ¿Cómo puede influir en mi solución?’”

Hemos tenido programas de becas digitales. Y de hecho hacemos esto con el MIT, donde tenemos cohortes que duran un año y no salen de un solo departamento.

Realmente están saliendo de toda la empresa, cursando una maestría en ingeniería de diseño en un año, lo cual es realmente algo difícil de hacer. Pero están regresando y entendiendo la nueva tecnología, entendiendo… cómo podemos usarla de manera diferente.

Y son los primeros en regresar a su entorno normal e influir y básicamente hacer que otras personas participen desde su conocimiento. Así que una cosa es influir en la cultura.

Alianzas con universidades, el otro secreto de Chevron

Lo segundo: en el espacio de la ciencia de datos, comenzamos a trabajar con la Universidad Rice. También tenemos un programa de seis o siete meses en toda la empresa que no es solo para que el personal de TI aprenda lo que significa la ciencia de datos y lo lleve a su entorno.

Por tanto, no abandonan su papel por completo. Se van en seis meses, siete meses y luego regresan de la mejor manera posible para influir en la empresa: “Oye, ¿qué es posible?”

El desarrollo ciudadano, la pieza clave

La última pieza es quizás la más amplia porque la llamamos desarrollo ciudadano. Creemos que muchas, muchas personas en la empresa tienen las cosas en sus manos ahora con la evolución de la IA.

Y acabamos de ver que la IA gen. ahora está en manos de todos los que la quieran. Con este tipo de desarrollo ciudadano en general, queremos llevar la tecnología, que se ha vuelto mucho más fácil.

Por supuesto, necesitan datos para ello y es por eso que proporcionamos los datos en estos sistemas: para ser más autoeficientes. Entonces, yo diría que hay un tipo de enfoque de tres puntas para influir en la cultura, el liderazgo, y tenemos casos realmente interesantes en el desarrollo ciudadano de la IA.

También hablamos públicamente de ello con ciertos casos de uso que hacemos. Creo que esa es la pieza cultural. Se necesita un tiempo para llegar a todas las arterias de la empresa.

Duplicar la cultura científica

Shervin Khodabandeh: Lo que me gusta de lo que estás diciendo es que en realidad estás duplicando la cultura predominantemente científica y de ingeniería de la empresa y haciendo de esto una colaboración interdisciplinaria entre ciencia, ingeniería e inteligencia artificial, frente a cualquiera de estos reemplazándose entre sí. Es un “y” , no un “o” .

Sam Ransbotham: ¿Tienes algún ejemplo específico en el que alguien haya asistido a uno de estos programas de siete meses o al programa académico digital y haya traído algo que haya producido algún cambio, haya marcado una diferencia?

Ellen Nielsen: Sí, definitivamente. Así que tenemos muchos porque creo que llevamos dos o tres años en esto y, por supuesto, lo recuperan y resuelven varios problemas.

A veces incluso nos pasa esto con las pasantías. Después de dos o tres semanas, reconocieron que podían resolver un problema de planificación que estaban dándole vueltas… y era bastante complejo. Pero con las nuevas vistas, datos e IA, los resultados fueron realmente sorprendentes.

De hecho, tenemos a alguien que también influye en la planificación de nuestro campo (desarrollo de campo) y crea un entorno de código bajo, y esto realmente irrumpe y realmente cambia la forma en que trabajamos.

Lo digital es primero, lo físico después: Fiona Tan de Wayfair

Los desafíos de volver a una empresa más eficiente

Shervin Khodabandeh: En términos de hacer que la empresa sea más productiva, más eficiente, garantizar que sea segura, garantizar que beneficie a las personas, las comunidades, el medio ambiente y las especies en todas sus diferentes formas, ¿cuál ha sido el desafío? ¿Qué es difícil?

Ellen Nielsen: Yo diría que definitivamente hay algunas partes desafiantes. Esta es una tecnología en etapa inicial, especialmente la generación de IA.

Las cosas van muy rápido. Entonces, lo que es desafiante es que cualquier cosa que hagas hoy puede ser diferente dentro de tres meses. La parte desafiante es que no puedes trabajar de la misma manera que tal vez trabajaste en el pasado.

Quizás tengas que girar más rápido. No es que construyas una solución. Creo que una empresa me dijo que habían creado una solución y que, seis meses después. S la volvieran a crear ahora, lo harían de forma totalmente diferente.

Así que tienes que tener cuidado cuando… lo llamo tal vez poner los huevos en una canasta. Tienes que pensar en cuál es el momento adecuado para qué tipo de caso de uso y resolverlo porque no quieres quedarte encerrado cuando la tecnología todavía se encuentra en ese tipo de etapa de evolución. Esto es algo que observamos.

IA y la seguridad de los datos de Chevron

La segunda cosa es que no todo en términos de seguridad o manejo de datos de la manera correcta está resuelto todavía en la IA generativa. Eso es sólo que… la tecnología no está lista. Aún no hay soluciones.

Puedes construir una especie de caja de arena o una especie de entorno vallado, pero tienes que vallarlo tú mismo. Y creo que los hiperescaladores, como Microsoft y demás. Creo que también están trabajando para adaptar esos casos de uso en su panorama normal, donde se puede tener un proceso de autorización. Así que yo diría que esto todavía falta.

Tengo muchas esperanzas de que esto se cierre muy rápido, pero hoy hay que recurrir a diferentes tecnologías. Si se trata de una base de datos vectorial, no está del todo lista para usarse a gran escala de manera muy segura.

Hay que imaginar que, si tienes una corporación, existen derechos en términos de qué información se puede compartir, qué no se debe compartir, etc. Y eso es algo que creemos que es un desafío.

Formuladores de políticas, el otro desafío

El tercer desafío que quiero mencionar son los formuladores de políticas. Por eso seguimos esto muy de cerca con una IA responsable.

Somos miembros del Responsible AI Institute y observamos con mucha atención lo que sucede allí. ¿Qué tipo de políticas están a la vuelta de la esquina? ¿Cómo incorporamos eso de manera responsable en nuestras operaciones, en nuestra productización de modelos de IA?

Y eso es, por supuesto, evolución. No es algo que puedas comprar y ejecutar. Y sí, veremos cómo las empresas están llenando estos vacíos.

¿Chevron utiliza o utilizará la IA generativa?

Shervin Khodabandeh: Ellen, ¿puedes comentar sobre la IA generativa y si se está utilizando o se planea utilizar y cómo?

Ellen Nielsen: Sí, absolutamente. Habíamos estado siguiendo la IA generativa desde hace aproximadamente dos años, tal vez un poco más. El desarrollo no nos sorprendió del todo.

Tal vez puedas decir: “Está bien, ¿cuándo llegará ChatGPT?” Quizás fue una sorpresa para todos: que sucediera tan rápido. Pero estábamos observando esto y ya hicimos algunos casos de uso en una especie de entorno de pruebas innovador para ver cuál será.

Y cuando salió, dijimos: “Está bien, esta es una tecnología nueva. Queremos entenderlo. Lo ponemos en manos de la gente y lo usamos, y luego entendemos la telemetría de ‘¿Para qué lo usamos y cómo resuena?’”

¿Cómo está actuando la compañía?

En mayo/junio, decidimos poner un equipo más dedicado a esas actividades, y ahora tenemos cientos de casos de uso en proceso, que seleccionamos a los más destacados y los abordamos.

Pero en lo que respecta a la tecnología, yo diría que estamos muy al tanto de lo que está sucediendo y tenemos gente súper inteligente trabajando en ello.

Puedo contarte mi propio caso de uso. Lo uso para escribir cosas. Puede hablar sobre escribir su acuerdo de desempeño con su supervisor o con su equipo.

Verificas las presentaciones o la documentación que tienes que hacer para optimizar realmente la redacción. Sé que mi equipo lo está utilizando porque estamos pensando en el desarrollo de productos, la gestión de productos y la gestión de carteras.

Entonces, en el pasado, les tomaba mucho más tiempo escribir sus pensamientos, y hablé con uno de los miembros de mi equipo y ella me dijo: “Sabes, en el pasado, me tomó tal vez una o dos semanas. Ahora me lleva una hora hacer esto”. Entonces hay muchas eficiencias al usar, digamos, ChatGPT en el espacio.

Aún hay trabajo por hacer en Chevron

Cuando analizamos otros ejemplos, puedes imaginar que tenemos bases de datos de conocimiento. Tenemos conocimientos sobre ingeniería de sistemas y otra información que tenemos disponible dentro de la empresa a una escala muy amplia.

En el pasado, si querías saber cómo funciona este generador, básicamente tenías que escribir criterios de búsqueda y finalmente encontrabas el documento y tenías que leerlo.

Este documento no fue suficiente; necesitas otro documento. Bien, encuentras el segundo documento, luego completas, básicamente, tu respuesta, luego regresas y básicamente lo ejecutas.

Hemos creado un sistema de chat donde puedes colaborar con este tipo de información y resolverlo mucho más rápido. Así que estos son quizás dos, quizás uno más sobre un asunto diario y otro quizás relacionado con la forma en que trabajamos en el enfoque de sistemas.

ACERCA DE LOS ANFITRIONES

Sam Ransbotham es profesor en el departamento de sistemas de información de la Carroll School of Management de Boston College, así como editor invitado de la iniciativa Grandes Ideas de Inteligencia Artificial y Estrategia Empresarial del MIT Sloan Management Review . Shervin Khodabandeh es socio senior y director general de BCG y colíder de BCG GAMMA (la práctica de IA de BCG) en Norteamérica. Se le puede contactar en shervin@bcg.com .

Me, Myself, and AI es un podcast colaborativo de MIT Sloan Management Review y Boston Consulting Group y está presentado por Sam Ransbotham y Shervin Khodabandeh. Nuestro ingeniero es David Lishansky y los productores coordinadores son Allison Ryder y Sophie Rüdinger.

Síguenos en Google News