人工智能的“黑匣子”——机器学习在页岩气开采中应用的主要障碍

摘要

人工智能可以帮助页岩气钻井者降低成本、提高生产率并改善工作方法，但如何让人们相信人工智能算法内部“黑匣子”的逻辑却成为当前人工智能应用的主要障碍。

从机械化到电气化，从大规模生产到自动化程度的不断提高，工业革命一直以来都是用机器代替人的力量。这对于许多可能面临裁员威胁的工厂工人来说，这已经足够可怕了。但是第四次工业革命更多的是用人工智能(AI)代替人脑的力量，这种改变将使得更多的工人难以接受。

人工智能可以为石油和天然气公司带来直接的影响，包括减少开支、提高生产率、改进工作方法等。但能源公司在采用现有技术方面进展缓慢。这可能与安全问题、成本、甚至只是对获得的好处缺乏了解有关。但它也可能与人类无法理解“黑匣子”内部发生的事情有很大关系。

Publicis.Sapient公司一直试图将其AI技术应用于能源行业，帮助石油和天然气公司优化他们的钻井作业，特别是在页岩气行业。虽然一些公司专注于帮助石油公司找出钻探的位置，但Publicis.Sapient公司使用数据分析钻井周围的其他信息，例如，井的使用寿命以及钻井开始后如何指导钻井。

“许多公司都会分析他们在哪里钻岩石，然后分析需要钻多深。但是，基于这些模型的平台采用机器学习算法后会变得更快。”Publicis.Sapient公司的AI全球负责人Rashed Haq说，“当钻探水平井时，是如何根据你得到的数据来指导钻井。用一种简单的方式来思考，这取决于传感器正在识别的内容和相关的历史数据，这是否意味着你会撞上一块岩石，以及什么样的岩石等类似这样的事情。我们可以通过历史数据，了解到过去的钻探中遇到了哪些种类的岩石，以及它是否损坏了设备。然后将新的钻探过程中传感器识别的内容与历史数据进行比较，就会清晰的了解到新的钻探过程中将遇到哪种岩石。”

人工智能有不同的类型。在某些情况下，这项技术正在接受训练，以遵循人类所遵循的类似过程。但是机器可以更快更准确地完成它。

Rashed Haq提供的另一个例子是钻井期间的报警管理。"通常当他们钻探时，所有东西都有传感器，而且他们会在什么时候停止，什么时候改变方向等方面发出很多警报，"他解释说。"有控制报警和错误报警。当发生错误报警时，他们不得不停止钻探，然后一队工程师进行一系列测试 ，包括审查传感器数据和地球物理模型，然后弄清楚这是否会造成影响。"

这是一个工程师必须经历的手工过程，决定什么是错误的警报，或者他们是否需要停止这个过程。"因果推理引擎可以通过与工程师们所经历的完全相同的步骤来决定这是否是一个错误的警报，" Haq说。这无疑节省了工程时间，其次是错误少。

因果推理是人工智能的一种。机器学习是另一回事，它的逻辑对人类大脑来说是如此陌生。当谷歌的AlphaGo AI在2016年击败备受瞩目的围棋棋手李世石，然后在2017年又打败围棋世界冠军柯洁时，围棋的动作完全违背了围棋专家的直觉。

“因果推理系统不会自己学习，必须手动创建本体”，Haq解释道。"但之后，它就会发现相关性；像人类一样，需要很长时间才能找到相关性。"

另一方面，机器学习让计算机以一种人类想不到的方式思考。"通常这个模型不是人类可以确定的，" Haq指出。对于那些信任该模型的人来说，这可能令人不安。

"我经常从客户那里听到的是，他们不信任'黑匣子'，" Haq说。"如果一台机器基于从数据中学习到的东西来建立一个模型，而我看不出它的逻辑流程，我就会觉得很不安。"

Publicis.Sapient认为不仅在石油和天然气行业，而且在所有的行业。随着越来越多的公司尝试使用人工智能，并证明其好处，在行业中会有更好的案例。但这是在现有实践中的基本挑战，Haq补充道。

很长一段时间以来，人们通过模型成功地做到了这一点，理解为什么事情会发生或不发生的所有步骤。在人工智能领域，他们正在走向一个“黑匣子”。我们需要将人工智能所能实现的和人类能够理解的东西结合起来，这样人们才能理解和接受它，并加以应用。

因此，改变管理方式是将AI技术引入石油钻探作业的重要一步。"它的可信度部分是与数学家一起工作，并且阅读关于语言的相同页面以及为什么你在做你正在做的事情，"Haq说，他发现地质学家对数据普遍缺乏信心，这让他有些吃惊。我们花了一些时间了解他们对模型的看法，地质学家就像物理学家，而数据科学家更像经济学家。

但为了真正利用机器学习带来的大脑力量，人类需要能够信任他们接收到的数据，这使得这种行为可能并不直观。正如柯洁在输给AlphaGo之后的一次采访中所说，"他看到的是整个宇宙，而我们看到的只是我们面前的一个池塘。"

本文原文作者：Aaron Hand，CEChina整理翻译。