В Бахрейне прошел ИТ-марафон GeoHack-2019. Команды должны были создать нейронные сети для обработки данных с месторождений нефти. Соревнования завершились победой команды из России, у которой осталось время на мастер-класс для остальных участников.
Реальные задачи
Для поиска нефти используют искусственный интеллект. Специалисты собирают большие данные с действующих месторождений, а также информацию о рельефе и геологическом строении местности, сейсмических процессах. Затем данные обрабатывают специальные алгоритмы, чтобы получить самые перспективные, удобные и безопасные места для бурения скважин.
Участникам GeoHack-2019 предоставили такие наборы данных. У команд было 48 часов, чтобы разработать модель системы искусственного интеллекта, обучить ее и спрогнозировать расположение месторождений полезных ископаемых.
Победители – команда «Газпром нефти»
В соревнованиях участвовали команды ведущих нефтедобывающих компаний мира. Модели разрабатывали на Python – это один из наиболее удобных языков для создания систем искусственного интеллекта, для него существуют мощные библиотеки готовых функций для разработки нейросетей.
Одним из фаворитов была команда самой дорогой корпорация отрасли – арабская Saudi Aramco. Неделю назад она провела крупнейший IPO в истории: привлекла 25,6 млрд долларов за размещение 1,5% акций на Саудовской фондовой бирже. Компанию оценили в 1,7 трлн долларов США.
Но команда из России выступила лучше. Разработчики создали самые точные модели машинного обучения и эффективно применили их на предоставленных данных.
У российской команды даже осталось время показать коллегам, как работают их алгоритмы. В итоге завершающая часть хакатона превратилась в мастер-класс разработчиков из РФ.
Результаты доступны всем
Модели российских разработчиков выложены на GitHub. Создатели отметили: системы универсальные, их можно применять в любых отраслях. Если на хакатоне модели обрабатывали данные с нефтяных месторождений, то в дальнейшем их можно задействовать для диагностики заболеваний и анализа результатов МРТ.
Специалисты «Газпром-нефти» регулярно обновляют на GitHub свои проекты в сфере машинного обучения. К примеру, доступна Python-библиотека PetroFlow, которая позволяет обрабатывать данные скважин (журналы, фотографии и т. д.) и обучать модели. Фреймворк Seismiqb создан для анализа сейсмических данных с применением технологий искусственного интеллекта.
