Как ИИ используют нефтегазовые предприятия

Раунд возглавила инженерная корпорация KBR, соинвестором выступил венчурный фонд Databricks Ventures. По данным TechCrunch, Applied Computing уже использует модель Orbital на площадках крупных публичных компаний в сегментах добычи, переработки и нефтехимии, хотя точное число клиентов основатель не раскрыл.

Orbital объединяет три модели в одну и выдаёт ответ за минуты вместо дней

На типичном нефтеперерабатывающем или нефтехимическом предприятии установлены тысячи датчиков: температура, давление, скорость потоков, вязкость. По словам сооснователя и гендиректора Applied Computing Каллума Адамсона, операторы используют менее 8% доступных данных при принятии решений. Информацию собирают, но не успевают свести воедино показания датчиков, инженерную документацию и физико-химические модели.

Orbital устроена иначе, чем большие языковые модели (LLM, модели, которые предсказывают следующее слово в тексте). Она совмещает три компонента:

• модель временных рядов (time series model), которая анализирует поток показаний датчиков,
• физико-химическую модель, учитывающую законы процессов внутри установки,
• языковую модель, которая распознаёт документацию, ограничения оборудования и действия оператора.

Вместе они прогнозируют состояние всего объекта, а не отдельного параметра. Оператор может запустить симуляцию: что произойдёт с остальными системами, если изменить один узел. По заявлению компании, Orbital находит аномалию, определяет причину и моделирует последствия предложенного исправления за минуты. Адамсон утверждает, что расследования, которые раньше занимали дни или недели, сжимаются до секунд.

Кто уже использует и с кем конкурирует?

Среди партнёров Applied Computing названы индийская энергетическая компания Wipro и сам KBR, который встроил Orbital в свою цифровую платформу INSITE 3.0 для энергетических проектов и применяет продукт в производстве аммиака. Адамсон упомянул работу с «крупным американским оператором в сегменте добычи» и анонсировал партнёрство с «европейским нефтяным мейджором» в ближайшие недели. Конкретные имена он не назвал.

Рынок при этом занят. AspenTech продаёт софт для симуляции и ИИ-моделирования в добыче, переработке и химии. AVEVA предлагает физическое моделирование процессов и сценарное планирование для промышленных предприятий. Cognite и Seeq работают на уровне данных, помогая предприятиям анализировать промышленную информацию и выстраивать рабочие процессы с помощью ИИ. Все четыре компании уже имеют устоявшуюся базу клиентов.

Адамсон считает, что конкурентное преимущество Applied Computing не в доступе к данным или знании процессов, а в команде ИИ-исследователей, которые способны построить модель уровня Orbital.

«Это задача для ИИ-исследователей, а не проблема данных и не проблема энергетики. Если вы исследователь ИИ первого эшелона, куда вы пойдёте работать? Не думаю, что Shell есть в этом списке.» : Каллум Адамсон, сооснователь и гендиректор Applied Computing

Второй барьер, по его словам, это операционные данные, которые Orbital получает через реальные внедрения. Данные с работающих заводов не доступны публично, а синтетические данные не воспроизводят полностью то, что происходит внутри действующей установки.

Куда пойдут деньги?

Привлечённые 20 миллионов долларов пойдут на международную экспансию, найм исследователей и инженеров и новые внедрения у энергетических клиентов. Компания открыла офис в Хьюстоне (в дополнение к штаб-квартире в Лондоне и операционному центру в Бангалоре). Американский офис расположен ближе к двум существующим клиентам в Северной Америке. Адамсон также заявил, что расширение на Ближний Восток находится в проработке.

Для молодого стартапа выход на двузначную годовую выручку (в миллионах) менее чем за 18 месяцев после выхода из скрытого режима (stealth, когда компания работает, не привлекая публичного внимания) говорит о том, что промышленные заказчики готовы платить за реальное ускорение, а не за ещё один аналитический инструмент.

Что это значит для вас?

Двадцать миллионов долларов для промышленного ИИ-стартапа возрастом два года, это подтверждение, что индустрия перешла от пилотов к оплате результата. Для тех, кто строит аналогичные решения в России, главный вывод из кейса Applied Computing прост: покажите, что ваша модель ускоряет конкретную операцию в разы, и промышленный заказчик заплатит, не дожидаясь, пока вы станете единорогом.