Các tác nhân AI của C3 sẽ tự động hóa bảo trì dự đoán cho Shell

Shell sẽ sử dụng các tác nhân (agent) từ C3 AI để chuyển từ phát hiện bất thường cơ bản sang bảo trì dự đoán hoàn toàn tự động. Tập đoàn năng lượng toàn cầu này đang phát triển dựa trên việc sử dụng Bộ công cụ tin cậy C3 AI (C3 AI Reliability Suite) hiện tại, vốn đã theo dõi hơn 30.000 thiết bị quan trọng trong các hoạt động thượng nguồn và hạ nguồn. Shell hiện có ý định tập trung mạnh vào các tác nhân AI tự động, giao cho chúng phụ trách toàn bộ vòng đời bảo trì. Từ dấu hiệu cảnh báo đầu tiên cho đến khi hoàn thành sửa chữa, mức độ tự động hóa này loại bỏ nhu cầu giám sát liên tục của con người và đảm bảo các nguồn lực của công ty được tập trung chính xác vào nơi cần thiết nhất. Ông Stephen Ehikian, Chủ tịch C3 AI, cho biết: “Quan hệ đối tác mở rộng này với Shell chứng minh những gì có thể đạt được khi AI doanh nghiệp được vận hành đầy đủ ở quy mô toàn cầu để bảo trì dự đoán – giảm thời gian ngừng hoạt động ngoài kế hoạch và mang lại hàng trăm triệu đô la giá trị kinh tế”. “Shell đã xây dựng các chương trình bảo trì dự đoán AI trưởng thành trên nền tảng của chúng tôi, và cùng nhau, chúng tôi hiện đang đẩy mạnh vào AI tác nhân (agentic AI), thúc đẩy cách công nghệ này có thể tiếp tục chuyển đổi độ tin cậy, an toàn, hiệu quả và hiệu suất hoạt động.” Các tác nhân AI của C3 giúp Shell vượt qua việc phát hiện bất thường cơ bản Ban đầu, Shell sử dụng học máy (machine learning) đơn giản để phát hiện các mẫu bất thường trong dữ liệu cảm biến, cung cấp cảnh báo sớm cho các kỹ sư trước khi xảy ra sự cố. Để thực hiện điều này, hệ thống thu thập một lượng lớn dữ liệu công nghệ vận hành (OT) theo thời gian thực và kết hợp với ngữ cảnh kinh doanh từ các nền tảng ERP như SAP. Bước tiếp theo giới thiệu các tác nhân AI được xây dựng để thực hiện lý luận và hành động độc lập. Trong khi các hệ thống cũ dừng lại ở việc thông báo cho kỹ sư khi có điều gì đó bất thường, thì khung thế hệ tiếp theo này độc lập điều tra lý do cảnh báo được kích hoạt ngay từ đầu. Khi xác định được nguyên nhân gốc rễ, tác nhân sẽ tiến hành soạn thảo các lệnh công việc chính xác, xác nhận tính khả dụng của phụ tùng trong kho và tạo yêu cầu mua sắm. Nền tảng của C3 AI đảm nhận phần việc nặng nhọc, cung cấp một không gian dựa trên mô hình để dễ dàng tích hợp các nguồn cấp dữ liệu cảm biến tần số cao với các nhật ký tài chính và bảo trì có cấu trúc. Các khả năng AI này được đào tạo để tìm hiểu các đường cơ sở hoạt động bình thường cho các thiết bị cụ thể, như máy bơm, tuabin và máy nén. Lớp tác nhân nằm trên nền tảng này. Các nhà vận hành cấu hình một tác nhân riêng lẻ cho một thiết bị nhất định bằng cách xác định các mục tiêu và phản hồi được phép của nó. Nếu các mô hình học máy cốt lõi phát hiện sự sai lệch so với hoạt động bình thường, tác nhân này sẽ kích hoạt, thu thập dữ liệu ngữ cảnh mở rộng để xây dựng một bức tranh hoàn chỉnh về tình hình. Ngữ cảnh này thường bao gồm lịch sử bảo trì gần đây, điều kiện môi trường và các biến quy trình thượng nguồn. Sử dụng tất cả thông tin đó, nó đề xuất một giải pháp được hỗ trợ bởi bằng chứng vững chắc. Các nhà vận hành con người sau đó có thể dễ dàng phê duyệt hoặc ghi đè lên kế hoạch. Khi hệ thống chứng minh được hiệu quả theo thời gian, Shell có thể tự động hóa hoàn toàn các phản hồi của mình đối với một số loại cảnh báo nhất định. Việc kết nối trực tiếp với các hệ thống như SAP là rất quan trọng ở đây, cho phép tác nhân hoạt động trong cùng một quy trình làm việc mà các nhà hoạch định con người đã sử dụng. Tác động thực sự của AI tác nhân đối với bảo trì dự đoán Việc ứng dụng AI tác nhân (agentic AI) ở quy mô này giải quyết vấn đề nan giải "chặng cuối" trong bảo trì dự đoán. Nhiều công ty công nghiệp có thể dự đoán lỗi khá tốt, nhưng việc biến những hiểu biết đó thành hành động nhanh chóng, hiệu quả vẫn là một thách thức. Thông thường, các kỹ sư vẫn phải tự mình xem xét các cảnh báo, điều tra nguyên nhân và lập phiếu yêu cầu công việc. Shell mong muốn rút ngắn thời gian này. Bằng cách để AI xử lý phân tích nguyên nhân gốc rễ và phiếu yêu cầu công việc, khoảng thời gian giữa một lỗi được dự đoán và việc sửa chữa thực tế sẽ giảm xuống. Điều này trực tiếp cải thiện thời gian hoạt động của thiết bị và bảo vệ sản xuất. Chuyển sang mô hình mà việc sửa chữa chỉ diễn ra khi tình trạng thiết bị thực sự yêu cầu sẽ tiết kiệm chi phí một cách tự nhiên, đơn giản vì không ai lãng phí thời gian sửa chữa máy móc đang hoạt động tốt. Để phần cứng khỏe mạnh không bị can thiệp cũng có nghĩa là nó sẽ bền hơn nhiều. Ngoài việc tiết kiệm chi phí, việc can thiệp trước khi thảm họa xảy ra giúp toàn bộ hoạt động an toàn hơn nhiều và giảm thiểu rủi ro môi trường, điều luôn được ưu tiên hàng đầu trong lĩnh vực năng lượng. Ông Sandy Gupta, Phó Chủ tịch GISV, Công ty Phát triển Phần mềm tại Microsoft, nhận xét: “Những gì Shell và C3 AI đã xây dựng trên Azure trong vài năm qua chính xác là những gì AI doanh nghiệp nên có – các ứng dụng thực tế, đang hoạt động trong sản xuất, mang lại giá trị có thể đo lường được ở quy mô toàn cầu”. Việc triển khai mở rộng này cho thấy chúng ta cuối cùng đang nói về các quy trình làm việc sản xuất AI công nghiệp thực tế thay vì chỉ là các thuật toán. Thay vì chỉ là bản thân dự đoán, giá trị thực sự đến từ khả năng của hệ thống hành động dựa trên dự đoán đó mà hầu như không cần sự giám sát của con người. Xem thêm: Meta Business Agent thúc đẩy thương mại đàm thoại được hỗ trợ bởi AI Bạn muốn tìm hiểu thêm về AI và dữ liệu lớn từ các nhà lãnh đạo ngành? Hãy tham dự AI & Big Data Expo diễn ra tại Amsterdam, California và London. Sự kiện toàn diện này là một phần của TechEx và được tổ chức cùng với các sự kiện công nghệ hàng đầu khác bao gồm Cyber Security & Cloud Expo. Nhấp vào đây để biết thêm thông tin. AI News được cung cấp bởi TechForge Media. Khám phá các sự kiện và hội thảo trực tuyến về công nghệ doanh nghiệp sắp tới khác tại đây.