Dans le plus récent épisode de notre série de balados Parlons transition énergétique, Maida Zahid s’entretient avec deux experts de CGI, Mark van Engelen et Curtis Nybo, pour discuter du rôle croissant de l’intelligence artificielle (IA) dans le secteur pétrolier et gazier. Plus précisément, ils se penchent sur l’évolution de l’IA générative dans le secteur et sur les besoins que comble cette technologie, sur la valeur d’une approche de mise en œuvre itérative et axée sur les domaines, puis sur certains cas d’utilisation intersectoriels de l’IA à l’appui de la transition énergétique.
L’IA est utilisée depuis un certain temps pour soutenir le secteur pétrolier et gazier – un secteur à forte intensité capitalistique – notamment pour optimiser la maintenance des actifs et la maintenance prédictive. Toutefois, de nouveaux besoins sont à l’origine d’une évolution du rôle et de la valeur croissante de l’IA au sein des organisations.
Tout d’abord, Mark mentionne que l’IA générative est nécessaire pour libérer le potentiel de vastes quantités de données dont disposent les sociétés pétrolières et gazières (p. ex., liées au SIG, au terrain, en amont, en aval, etc.). Cet essor de ce qu’il appelle le « GTP des données » signifie avoir accès à ces données dans un format de langage naturel permettant de poser des questions comme : « Combien de barils a-t-on produits le mois dernier? » sans avoir à cliquer à travers les couches de multiples rapports.
Ensuite, alors que l’évolution de la démographie et de la main-d’œuvre met en lumière une perte de connaissances alors que les nouveaux professionnels ne suffissent pas à remplacer les experts qui prennent leur retraite, l’IA générative aidera les organisations à combler cette lacune et continuer d’accéder efficacement aux connaissances existantes.
Des données de qualité sont encore plus importantes que de vastes quantités de données. Curtis indique que lorsqu’ils travaillent sur des cas d’utilisation avec les clients, ils commencent par les domaines qui disposent de données d’assez bonne qualité ou de processus de gestion des données à l’appui, le but étant de maximiser le rendement du capital investi et le temps nécessaire à l’achèvement.
Comme il l’explique, « on adopte une approche axée sur les domaines, où il est possible, lorsqu’on travaille sur un projet d’IA dans un certain domaine, de nettoyer en parallèle les données d’un autre domaine qui est sur la liste ». De cette façon, l’IA n’est pas appliquée à l’ensemble de l’entreprise en même temps; on commence par un secteur ou une équipe, puis on étend ce travail dans l’ensemble de l’organisation.
Dans un marché si dynamique où plusieurs fournisseurs de produits se font concurrence, les entreprises ont du mal à déterminer si elles devraient acheter les solutions d’IA et créer les leurs.
Selon Mark et Curtis, le plus grand avantage dont peut profiter une entreprise pour cartographier sa stratégie d’IA est de compter sur un partenaire chevronné qui possède de l’expérience dans la mise à l’essai de nouveaux services ou fournisseurs, pouvant lui fournir des conseils et appuyer la conception ou la mise en œuvre des solutions (p. ex., en matière de coûts, de rendement, de compromis, etc.).
Lorsqu’il s’agit de passer de l’étape de validation de concept à une solution prête pour l’exploitation ou pouvant être déployée à l’échelle de l’entreprise, Curtis affirme que les entreprises doivent s’appuyer sur une stratégie de données et d’IA à jour, qui tient compte des récentes règles régissant l’utilisation responsable de l’IA, et doivent avoir mis en place une équipe structurée possédant les compétences et les capacités appropriées.
« Souvent, dans le cadre de ces projets d’IA, les entreprises se tournent directement vers les experts en science des données, mais ces derniers peuvent seulement les aider jusqu’à un certain point, et c’est là qu’il faut des ingénieurs, des architectes de plateforme et des développeurs qui peuvent passer de l’étape de validation de concept à un environnement de production apte à gérer les charges de travail requises. »
Dans le cadre d’une stratégie de conception à l’interne, une organisation serait responsable de tous ces aspects (p. ex., dotation et juste équilibre entre les ressources en science des données et les ressources chargées de l’exécution du concept validé). Quant à la stratégie qui consiste à acheter les solutions d’IA, elle peut simplifier les choses pour les entreprises, qui peuvent choisir sur mesure des services qui regroupent tous les aspects (ressources, calcul, modèles). « En concevant votre propre solution, vous obtenez un contrôle total et pouvez pousser le cas d’utilisation exactement là où vous le souhaitez. Avec l’achat, le processus est un peu plus facile, mais vous perdez un peu ce contrôle. »
Selon Curtis, un cas d’utilisation important avec les clients est de « démocratiser les données » ou d’utiliser des modèles d’IA générative pouvant convertir les questions formulées en langues naturelles en requêtes SQL codées, puis d’interagir avec vos bases de données et de produire des réponses en 30 secondes. Cela élimine les obstacles à l’accès à ces données au sein d’une organisation.
Selon Mark, la modernisation des systèmes existants fondée sur l’IA est un cas d’utilisation intéressant, car les sociétés pétrolières et gazières disposent souvent de nombreuses applications traditionnelles conçues sur mesure et qui sont coûteuses à mettre à jour. Il a aidé les clients à tirer parti de l’IA pour permettre une conversion de code permettant une évolution rapide des logiciels d’une version à l’autre, améliorant ainsi la rentabilité et libérant les investissements en TI de la dette technique.
Dans le cadre des opérations sur le terrain d’une entreprise du secteur pétrolier et gazier, Mark affirme que l’IA générative permet aussi des interactions de type clavardage avec des manuels d’utilisation afin de partager rapidement, en langage naturel, des bases de connaissances complètes sur les actifs.
En dehors de l’industrie, Mark et Curtis voient d’autres cas d’utilisation desquels on pourrait s’inspirer :
- L’utilisation de l’IA au sein du secteur financier pour prédire les flux de trésorerie nous donne une bonne idée des modèles qui sont utilisés et qui fonctionnent bien.
- Les secteurs d’activité à forte intensité capitalistique (p. ex., chemin de fer de catégorie 1, exploitation minière ou fabrication) ont des apprentissages à tirer quant à la façon dont ils exploitent et optimisent leurs actifs.
- Dans les secteurs de l’exploitation minière et de la foresterie, où les projets s’accompagnent d’activités de restauration semblable à ce que l’on voit dans le secteur pétrolier et gazier, on utilise l’imagerie satellite et l’intelligence artificielle avec vision artificielle pour cartographier et suivre l’avancement des projets.
- Dans le secteur de l’agriculture, l’utilisation de l’IA pour la maintenance prédictive et l’inspection des machines pourrait aussi s’appliquer dans le secteur pétrolier et gazier.
L’IA façonne déjà les activités de la transition énergétique, alors que la maintenance prédictive est maintenant appliquée aux parcs éoliens et aux actifs d’hydrogène. En ce qui concerne les rapports ESG, Mark estime que l’IA générative joue un rôle plus important en fournissant des analyses et des conseils fondés sur les données, par exemple sur la façon de mieux exploiter les actifs pour réduire les émissions de GES.
Pour Curtis, l’optimisation est la clé des objectifs énergétiques. « L’optimisation de toutes les activités, allant des services sur le terrain au contrôle de la qualité, en passant par la maintenance prédictive et le déplacement des matériaux, toujours en veillant à ce que chaque élément de ces processus produise le moins de déchets possible, » libère des flux de trésorerie et des ressources pouvant être utilisés ailleurs.
Pour les entreprises qui amorcent ou évaluent leur parcours dans le domaine de l’IA, Mark et Curtis insistent sur quelques critères clés : la qualité et la gestion des données, les équipes et les plateformes appropriées pour soutenir un projet d’IA (de l’étape de la validation de concept à la production), une approche itérative axée sur les domaines, et une liste de cas d’utilisation pour amorcer la mise à l’essai de votre stratégie.
Comme le dit Mark : « L’IA est déjà là. C’est une aventure à laquelle tout le monde devrait prendre part, d’une façon ou d’une autre. »
Écoutez d’autres balados de cette série pour en apprendre davantage sur la transition énergétique.
