数据驱动，要在边缘部署机器学习而不是在云端！

通过在边缘部署的可靠平台来运行机器学习，将有助于企业从更多的数据中获取更大的价值。

自推出以来，物联网（IoT）迅速改变了石油和天然气行业的格局。Inmarsat Research公司最近的一项调查显示，大约74%的石油和天然气公司至少部署了一个物联网项目。另有81%的公司表示，他们计划加快采用物联网，以应对最近全球疫情带来的挑战。尽管这些新的数字技术提供了更强的控制、更深入的洞察力和更高效的运营，但最大的障碍之一是克服偏远、离网位置的气隙，并处理物联网传感器和设备产生的大量数据。

据一些资料显示，一台海上钻机每天产生的数据超过1TB，特别是钻井工具的最新创新，如随钻日志（LWD）和随钻测量（MWD）会产生更多的数据。但是，这种数据驱动带来的价值是什么？尤其是在难以采集和连接到其它来源的情况下，价值几何？

据麦肯锡公司估计，在石油和天然气公司中产生的物联网数据中，99%从未用于决策。与此同时，这些数据在获取、处理和存储方面带来了实际成本，希望它能在未来提供价值。

人工智能（AI）和机器学习（ML）有助于检查和排序堆积如山的数据，以产生可操作的见解。数据科学家已经开发了各种ML模型，以较少消耗和成本，预测设备故障和维护需求，优化远程现场运营，并提高安全性。然而，我们持续看到位于供应链上、下游的石油和天然气企业，仍在努力将这些模型应用到现实世界中。

根据笔者在多个行业从事物联网工作的经验，成功的关键不是在云端开发模型，而是在现场或靠近决策所需的数据源来部署模型。

01

从边缘数据中获取更多价值

通常，有三个主要因素会阻止AI/ML从边缘数据中获取价值：1）设备之间的距离以及一致的互联网连接；2）无法监控模型在实际工况下的持续性能；3）边缘环境的计算约束性质。

碳氢化合物的勘探、生产、运输和冶炼地点通常很偏远。这意味着：

1

为了部署在云中训练的模型或将传感器数据中继回云端，该位置可能没有所需的互联网连接。

2

连接可能不可靠，或者没有足够的带宽实现上述功能。

3

即使连接可用，将数据从源中继到云端、运行模型，然后将结果回传到地面设备的延迟也可能过高，尤其是用于控制回路的测量更是如此。

卫星互联网服务可提供远程连接，星链和OneWeb等下一代地球低轨道卫星提供了改进的带宽和更低的延迟。然而，这些服务仍会受到恶劣天气的影响，这可能会使正常运行时间低于关键运营所需的时间。解决方案是部署本地模型，无论是在设备上还是在现场的本地服务器上，都能提供一致的可用性和延迟，并在连接允许时传输监测和可观测数据。

02

模型的更新和监测

数据科学团队很容易变得过于专注于部署、并在边缘上运行模型，以至于他们忘记考虑一旦部署模型会发生什么事情。随着环境的变化，训练模型的条件可能不再适用。

考虑一个基于传感器数据来预测某一设备何时可能发生故障的模型。随着环境温度的变化，来自传感器的某些信号的重要性也可能发生变化。为夏季应用而建造的模型，可能需要在冬季较冷的月份进行升级。

进一步说，ML边缘运营必须能够监控性能，并将更新的模型推送到设备，以返回可观测的数据来进行连续分析。可观测性数据允许自动化工具执行连续的统计分析，将当前运行与先前的行为进行比较，以检测数据或模型漂移（异常），并在问题转化为故障之前发现问题。

03

边缘环境计算约束

边缘设备经常受到CPU功率、内存和网络带宽的限制。将推理数据转移到远程数据中心是一种解决方案，但如果这会带来太多延迟或需要比可用带宽更多的带宽，会发生什么？

ML团队需要一定的灵活性，以便在任何地方、每个地方都能部署模型推送管道，从设备到云部署模型。然而，无论是在设备上、本地服务器上、附近的微型数据中心，还是在传统的数据中心运行，都需要专门的ML推理引擎来在各种环境中高效、一致地运行，以提供数据科学家所需要的监测能力。

石油和天然气对全球经济至关重要。这些企业每天都面临着各种各样的挑战，包括设备故障、泄漏、安全问题和经济处罚。物联网和AI/ML有助于其改善运营，但克服边缘ML挑战对任何成功部署都至关重要。

在边缘而不是在云端部署可靠的平台来运行ML，将有助于行业从更多的数据中获取更大的价值，并提供关键的收益，如早期检测故障、主动维护提醒、动态流量控制和泄漏检测。