Előadás

MI az olajiparban

Baladincz Péter

MOL

Mesterséges Intelligencia: nagyvállalati tanulságok és legjobb gyakorlatok

2025. május 6. 13:00BME Informatikai épület, IB025 · Budapest

Átirat · 27:48

Köszönöm szépen. Hallható vagyok, ugye?

Átirat · 27:50

Igen, igen. Jó, köszönöm szépen a meghívást tanszépvezető úrnak. Örülök, hogy itt lehetek.

Átirat · 27:57

És mint ahogy föl is vezette tanszépkezető úr,

Átirat · 28:03

Emoliparban az előadás címmel, pár szót azért mondanék magamról. Egy kicsit kívülálló vagyok egyébként ebben a társaságban. Végzettségemet tekintve vegyészmérnök végzettségű vagyok.

Átirat · 28:15

ráadásul természettudományos doktora ennek a tudományágnak, és egész egyetemi tanulmányaim során

Átirat · 28:24

finomítói technológiákkal foglalkoztam, alternatív üzemanyagokból doktoráltam, utána foglalkoztam

Átirat · 28:33

termékfejlesztéssel, finomítói technológiákkal, különböző kiolajtermékek minőség

Átirat · 28:40

ellenőrzésével, és lám, hogy hozta a sors Most data scientistként tevékenykedem a MOLnál.

Átirat · 28:49

Úgyhogy így a kívülállóságom okán igazából úgy gondoltam, hogy itt a tanszékvezető úr beengedtek,

Átirat · 28:58

beengedték, vagy engem beengedtek, bocsánat a az ő területükre, akkor valamennyire én is meginvitálom a közönséget a saját területemre. És

Átirat · 29:07

szeretnék egy kis átfogóképet adni arról, hogy az EMI milyen lehetőségeket rejt magában, hogyha magát az egész olajipart nézzük.

Átirat · 29:17

Külön esettanulmányokban nem szándékozom egyébként belemenni. Egy szép összefoglalót szeretnék arról, hogy mi az az

Átirat · 29:24

olajipar, milyen kihívásokkal találkozunk az olajipar tekintetében, hogyha mesterséges intelligenciáról beszélünk, milyen olyan mesterséges

Átirat · 29:33

intelligencia eszközök lehetnek, milyen olyan témákban segíthetik az olajipart magát, illetve a különböző olajipari

Átirat · 29:41

folyamatokat, amelyek értéket teremtenek. És egy kis kitekintést tennék a generatív irányba is, ahol azért még eléggébé bizt úgy

Átirat · 29:51

mondanám, a jelenlét. Mi is ez az olajipar? Lényegében egészen a föld alól

Átirat · 30:00

a kúttól a kerékig lefedjük, illetve lefedi az olajipar az egész mobilitást, hogyha úgy tetszik. Egészen onnantól, hogy maga a kutatás.

Átirat · 30:10

Találjuk meg ezeket a természeti kincseket, termeljük ki ezeket a természeti kincseket, hozzuk föl őket a

Átirat · 30:16

föld alól, dolgozzuk fel, szepáljuk, alakítsuk át kémiailag, állítsunk elő értékes termékeket.

Átirat · 30:24

gondolunk itt legfőképp az üzemanyagokra, de sokkal szélesebb ez a portfólió, tehát ott onnantól kezdve, hogy különböző

Átirat · 30:33

gázfakciók, benzin, dízelgázolaj, kerozin, sorolhatnám még parafinok,

Átirat · 30:42

bitumenek, nagyon-nagyon széles a portfólió. Maga a finomító, ezen kívül egy csomó olyan vegyipari

Átirat · 30:48

intermediert is piacra bocsát, amelyek amelyek kőolajalakúak.

Átirat · 30:53

Ezt követi egy petrolkémia, ahol lebontjuk és újra összerakjuk a molekulákat. Ezáltal polimereket

Átirat · 31:00

állítunk elő. Tehát igazából körbenézünk az életünkben. Szerves része mindennek.

Átirat · 31:07

Maga az, amit az olajipar képvisel, amit az olajipar előállít. Éppen ezért egy hatalmas nagy

Átirat · 31:13

komplexitással rendelkezik ez az egész egész iparág. Természetesen ezeken kívül a fő főtevékenységeken kívül, mint a

Átirat · 31:22

kutatás, a kitermelés, a downstream, ami lényegében a finomítás és a petrolkémia számos olyan

Átirat · 31:30

nyúlványa van, illetve kiegészítő szervezete van, amik ezt az egészet, az egész cégműködést lehetővé teszik, illetve magát azt, hogy ezek az anyagok

Átirat · 31:38

a bólb eljussanak, logisztika osszuk el, kereskedelem piacsítjuk.

Átirat · 31:45

Emellett, mivel nagy cégekről van szó, általában számos olyan, ami ezzel jár, pénzügy, HR, számos olyan aspektusa van

Átirat · 31:55

egy nagy olajipari cégnek, ami ami növeli növeli a komplexitást, de emellett nagyon jó lehetőségeket is

Átirat · 32:04

kínál arra, hogy különböző mesterséges intelligenciachnikákkal elősegítsük, a folyamatokat és értéket teremthessünk.

Átirat · 32:15

Alapvetően vannak konzervatív és kevésbé konzervatív iparágak. Az olajipar alapvetően konzervatív iparág. Szokták

Átirat · 32:23

volna mondani, hogy a legkonzervatívabb az az acél.

Átirat · 32:27

Azért szerintem közel vagyunk hozzá.

Átirat · 32:31

Nagyon nehezen, sokszor nagyon nehezen mennek át az újítások, főleg olyan újítások, amit

Átirat · 32:39

általánosan nehéz megfogni. mondjuk egy mesterséges intelligencia technológiát, hogyha elkezdünk eltávolodni és megyünk

Átirat · 32:46

a deep learning felé, neurális állok deep learning generatívai felé, nagyon nehéz megmagyarázni, mi zajlik a dobozban. Ezt a mérnökök nem szeretik

Átirat · 32:55

alapvetően, főleg, hogyha olyan veszélyes iparákban tevékenykednek, mint ami az olajipar. Valami történik, halál,

Átirat · 33:03

tűz, hatalmas nagy károk, természeti károk is ráadásul. Tehát nagyon-nagyon tudni kell, hogy mi

Átirat · 33:11

zajlik, mi fog történni, hogy ez az egész irányítható legyen. Alapvetően maga az iparág elég archaikus.

Átirat · 33:23

Bár különös kis dolgot föltettem, nem tudom, hogy a jelenlévők közül tudták-e, vagy tudta-e valaki, hogy mikor mikor

Átirat · 33:30

fúrták az első olajkutat. Igazából egy 1800-as évek közepéről beszélünk. Az első finomító, ez nem a mai értelemben

Átirat · 33:38

vett finomító volt természetesen, de az is az 1800-as 1800-as évek közepén

Átirat · 33:46

épült. Magyarország első finomítója fiume ma riek Horvátország.

Átirat · 33:55

1882 Dunai Finomító 1965 magának a finomítónak az építésének az éve. Tehát

Átirat · 34:04

igazából 160 éves iparágról beszélünk, és közte is Magyarország finomítója, a Dunai

Átirat · 34:12

Finomító is 60 éves, persze nem ezokkal a 60 éves technológiákkal üzemel, de alapvetően

Átirat · 34:19

találhatóak régi ú modern technológiák is ezekben az üzemekben.

Átirat · 34:24

mérnökgenerációk dolgoznak azon, illetve dolgoztak azon, hogy ezek az üzemek a telepítéstől egészen mostanáig minél

Átirat · 34:32

energiahatékonyabban, minél nagyobb termékhozamokkal minél biztonságosabban üzemelhessenek.

Átirat · 34:37

És ebben kell valamilyen szinten az MM-nek utat törni, megtalálni azokat a pontokat, amikre ezek a szakemberek még

Átirat · 34:46

nem gondoltak, hiszen azért nagyon sok energiát beletettek már. Mi az,

Átirat · 34:55

ami ezen kívül, hogy ez egy viszonylag nem jó szó a a rezisztens, mert igazából

Átirat · 35:03

nem. Tehát mindig beépülnek ezek a törekvések, de nem olyan gyors szellemben, mint mondjuk

Átirat · 35:10

egy egy friss iparágnál, mint egy nagy tekvállalatnál, ahol egyik pillanatról a másikra állnak át különböző dolgokat.

Átirat · 35:16

Nincsen semmi fizikai igazából, amihez kötni kell magukat. nincsenek úgynevezett legacy rendszereik, tehát

Átirat · 35:23

olyanok, amik amik szerves módon, mint egy organizmus fejlődtek ki az évek során. Ezt nagyon nehéz

Átirat · 35:30

ebbe integrálni, egy olyan emi megoldást, ami most jön valahonnan és ezt az egész rendszerbe úgy építsük, úgy

Átirat · 35:39

beépíteni, hogy az az ténylegesen értékteremtő módon, megbízható módon és elfogadott módon üzemelhessen. Tehát, hogy a kollégák higgyenek is benne, hogy

Átirat · 35:47

működik. Ne csak úgy érezzék, hogy ez egy modern újítás, de egyébként én tudom, mint merre kell

Átirat · 35:54

tekergetni. Ami nagyon fontos, ugye nemrégiben nagyon eltelj mondás volt, hogy az adat az új kőolaj.

Átirat · 36:03

Ez most nem is tudom, hogy mennyire van még azért használatban, de termel adatot az olajipar is, rettenetes mennyiségadatot termel. Minél modernebb

Átirat · 36:12

egy üzem, annál jobban föl van szenzorozva. Viszont pontosan azért, mert ezek az üzemek nem ma épültek alapvetően. Vannak hiányosságok. Minden

Átirat · 36:20

olyan, minden esetben előfordulnak adatminőségi problémák, adathiányok, adatelérhetőségi

Átirat · 36:28

problémák. Nagyon szemléletes úgymond karikatúrákkal lehet találkozni

Átirat · 36:34

az interneten, hogy a összes fejlett IT infrastruktúra alapja az Excel valahol a legalján. Ez az olajiparban is nagyon

Átirat · 36:43

sok esetben így van. A mai napig egy fontos eszköz az Excel. Ö és pont emiatt nagyon fontos és nagy

Átirat · 36:52

hangsúlyt is fektet a cég a digitizációra és a digitalizációra is emellett. Tehát, hogy vigyük be, tároljuk egy helyen elérhetően ezeket az

Átirat · 37:01

adatokat. Viszont nagyon sok üzemről, nagyon sok adatról, nagyon sok paraméterről van szó. Tehát ezek is határozottan olyan kihívások, amelyeknek meg kell felelni.

Átirat · 37:14

és a különböző általam említett lényegében egymástól valamennyire elkülönülő

Átirat · 37:23

tématerületek kitermelés, illetve kutatáskitermelés, milyen olyan pontok vannak, ahol a modern technológiákkal,

Átirat · 37:31

mesterséges intelligenciával elő lehet segíteni, folyamatokat, értéket lehet teremteni. Egyrészt

Átirat · 37:42

találjuk meg ezeket a kincseket a föld alatt. Ugye ezt geológusok végzik

Átirat · 37:49

alapvetően különböző talajradarok eredményei, illetve tehát eredményei

Átirat · 37:58

alapján feltérképezik azt, hogy milyen geológiai konstrukciók vannak a föld alatt, hol lehetnek olyan tárolóközetek,

Átirat · 38:05

tárolóstruktúrák, amelyekben kőolaj, földgáz előfordulhat.

Átirat · 38:11

ezeknek a adatfeldolgozást nagy mértékben tudja segíteni a mesterséges intelligencia. Gyorsítja, segíti,

Átirat · 38:18

ráirányítja a szakember figyelmét azokra a helyekre, amit felül kell vizsgálni, meg kell nézni tényleg emberileg is,

Átirat · 38:26

hogy és az emberi tapasztalatot mögé tenni, hogy sikeres legyen az a az a

Átirat · 38:33

kutatás. Meg kell megfelelően meg kell határozni azt, hogy hol fúrunk. Egy fúrás nagyon-nagyon drága.

Átirat · 38:40

Tehát millió dollárokról beszélünk napi szinten, hogyha egy egy kutatófúrás elindul, és

Átirat · 38:49

nagyon sokszor fúrás közben is döntéseket kell hozni. Minél gyorsabban kell döntéseket hozni, függően attól, milyen kőzettípusban haladnak, milyen

Átirat · 38:57

mélyen járnak, megszakítsák a fúrást, milyen olyan veszélyeket rejt magába az egész, ami ami katasztrófához vezethet.

Átirat · 39:09

Ezekben is nagyon nagy segítséget nyújthat egy mesterséges intelligencia.

Átirat · 39:13

Kielemezheti, segítheti a fúró szakemberek munkáját adatelemzéssel rámutatni, illetve rámutatni olyan dolgokra, amik

Átirat · 39:22

veszélyesek lehetnek, illetve javasolni, hogy milyen gyorsan folytassák azt a fúrást. Mennyire?

Átirat · 39:34

Igen, bocsánat. Milyen milyen ütemben folytassák tovább a fúrást? Vagy ne adj isten valami miatt álljanak meg. Nagyon nagy segítséget jelenthet, hogyha egy

Átirat · 39:43

fúrás elkészül, azt különböző horizontális utakon fúrják meg, ahol valamilyen kincset feltételeznek.

Átirat · 39:54

Nagyon nagy segítség abban egy mesterséges intelligencia, hogy azonosítsa ezeket a fúrási helyeket. Mi az, ahol biztosabb a találat, hogy ne különböző szekciókat kelljen megfúrni?

Átirat · 40:04

Tényleg olajat vagy földgázt találjanak, ne a rétegvizet fúrják meg, ne a semmit fúrják meg. Ez mind-mind

Átirat · 40:13

költségcsökkentés. Megelőző karbantartás. Ugye itt gépekről beszélünk, forgógépek, nagy, nagy terhelésnek kitett gépekről beszélünk

Átirat · 40:21

fúrás közben. Szintén nagyon fontos, hogy ezek a berendezések jól működjenek, még azelőtt elkaphatóak legyenek a műszaki

Átirat · 40:28

meghibátosodások, mielőtt mielőtt nagyobb probléma történik.

Átirat · 40:34

Tehát mindent összevetve számos olyan aspektusa van a kitatásnak és a kitermelésnek, ahol ahol ezek a korszerű

Átirat · 40:43

emi mesterséges intelligencia technológiák segítséget nyújthatnak, gyorsabb döntést eredményezhetnek és

Átirat · 40:49

ezáltal nagy mértékben csökkenthetik a a költségeket. Downstream és

Átirat · 40:56

petrokémia. Maga a termelés hatalmas nagy üzemekről beszélünk.

Átirat · 41:02

Hogyha valakiózik a hatos hatos autópályán, ott van a Dunai Finomító mellette, látja, hogy hatalmas nagy

Átirat · 41:10

kiterjedésű, számtalan üzem számtalan helyen még lángcsúvák is vannak, úgynevezett fáklyák, amik amik mutatják, hogy igen üzemel.

Átirat · 41:23

Nagyon nagy energiafogyasztóak ezek az üzemek. Korszerű adatanalitikai módszerekkel. Mesterséges

Átirat · 41:31

intelligenciának hívhatjuk lényegében ezt is. Nagy mértékben optimalizálható maga az üzemelésük.

Átirat · 41:40

meg lehet találni olyan kis nansznyinak számító, üzemeltetés szempontból mondjukinak

Átirat · 41:47

számító változtatásokat, amelyek nagy mértékű energiamegtakarítást eredményezhetnek. Csak egy kiragadott

Átirat · 41:55

példa azzal, hogy egy termikus technológia, ahol fölmelegítjük az anyagot, tehát nagy energiát közlünk vele az elején, egy termikus

Átirat · 42:04

technológia hatékonyságát növeljük, hogyha régi a rendszerünk, elég csak kimenni.

Átirat · 42:10

és állítani a zsaluzást, hogy a levegő tehát a a kemencében lévő oxigéntartalom megfelelő legyen, és az égés tökéletes

Átirat · 42:19

legyen, és ezzel már millió dollárokat lehet megtakarítani egy ilyen üzem esetén.

Átirat · 42:26

Tehát nagyon, nagyon nagyon jól alkalmazhatóak ezek a technikák, hogy ilyen apró dolgokra rávilágítsanak, amelyek a végén nagyon nagy költséget tudnak megtakarítani.

Átirat · 42:41

Hozamnövekedés szintén megvizsgáljuk egy üzem adatait, megkeressük a különböző üzemállapotokat,

Átirat · 42:49

és látni fogjuk, hogy a különböző üzemállapotokon azért ingadozik magának az üzemnek a termelése. Ezt a megfelelő analitikai módszerekkel vissza tudjuk

Átirat · 42:57

fejteni, mik azok a paraméterek, amik befolyásolják, hol volt magasabb az üzemhozama, és utána ezt lényegében

Átirat · 43:05

algoritmizálva akár jósolhatjuk is, hogy adott paraméterek mozgatásával milyen termékkihazatalok érhetőek el. Lehet-e

Átirat · 43:13

még egyébként növelni ennek eznek a termékeknek a kihazatalát?

Átirat · 43:19

szoft szenzorok, szoft szenzornak hívunk minden olyan lényegében szenzort, ami mesterséges

Átirat · 43:26

intelligenciával épül fel. Tehát különböző telepített szenzorok adatai

Átirat · 43:32

alapján becslünk, jósolunk egy számunkra érdekes és információtartalommal bíró

Átirat · 43:39

értéket. Biztonságosabb üzemeltetés, jobb termékminőség, energiahatékony üzemeltetés. Ezek mind elősegíthetőek

Átirat · 43:48

különböző szoftzenzorok felépítésével, telepítésével. Minőség

Átirat · 43:55

ellenőrzés. Mindent a minőség határoz meg az olajiparban is. Onnantól, hogy a kőolaj minősége mian, milyen, az alapjaiban meghatározza már azt, hogy

Átirat · 44:04

milyen termékstruktúra, milyen termék struktúra hozható ki belőle.

Átirat · 44:09

ezeknek a termékeknek a minőségét is nagy mértékben, illetve az üzemeknek az optimális működési paramétereit is, és nem állítható minden mindenhova.

Átirat · 44:18

Tehát erre is nagyon kell figyelni. A minőségellésben külön tudományák, kemometria nagyon-nagyon hasznos tud

Átirat · 44:27

lenni. gyors optikai módszerekkelre és optikai módszerek és klasszikus labormérések adataira olyan

Átirat · 44:35

algoritmusokat építeni, amik a gyors mérésekből vagy akár inline mérésekből egyből

Átirat · 44:43

tudnak tájékoztatást adni arról, hogy mi történik valójában abban a csőben. és nem 3árom-4 óra múlva kapok majd meg egy laboreredményt, hanem azonnal látom,

Átirat · 44:52

hogy milyen változtatás mit okoz a termékstruktúrában, termék

Átirat · 45:00

minőségében. Érintettük már a megelőző karbantartást egy finom étő esetében is. Igazából mindenhol, ahol

Átirat · 45:08

gépek vannak, ahol valamilyen vas dolgozik, ott ott a megelőző karbantartás nagyon fontos. Ugye ezek folyamatos

Átirat · 45:17

üzemek. Egy finomító nem áll le. Egy finomító üzem nem áll le egyik pillanatról a másikra. Éjelnappal mennek. Hogyha

Átirat · 45:25

valami leállás van, az hatalmas nagy kiesést okoz. Hogyha tervezett leállás van előre, nagyon pontosan meg kell tervezni, hiszen a tárolókapacitás

Átirat · 45:33

véges. Nagyon nagy sakkozást igényel adott esetben. Pont ezért mesterséges intelligencia és analitika használható

Átirat · 45:43

inventory managementre. lényegében hogyan és mint mit hova tároljunk el ahhoz, hogy ezeket ezeket áthidaljuk.

Átirat · 45:51

Árazási kérdésekben nagyon hasznos tud lenni mesterséges intelligencia, mikor, hova, milyen árakon sikerült eddig

Átirat · 45:58

eladni, hogyan lehet maximalizálni a profitot. Energia

Átirat · 46:05

energiatrading, minden vegyipari üzem, illetve minden üzem hatalmas nagy energiafogyasztó.

Átirat · 46:11

elektromos energiát. Mindenki az elektromos energiát egy ipari létesítmény nem tudja bármikor úgy vételezni, mint mi otthon. Megvan, hogy

Átirat · 46:19

konkrét menetrendet kell benyújtania a a villamoshálózat felé, hogy mikor mennyit fog vételezni, és elég súlyosan

Átirat · 46:27

büntetik, hogyha ettől eltér, és olyan időszakokban igyekszik vételezni, amikor mondjuk energiadeficit van a hálózatban.

Átirat · 46:35

Erre is nagyon jó előrejelzéseket lehet építeni mesterséges intelligencia segítségével. És szintén már érintettük gyorsabb döntéshozatal.

Átirat · 46:46

Minden olyan technológiánál fontos, ahol ahol folyamatos az üzem, illetve elnézést, minden technológiánál

Átirat · 46:55

fontos. Hol lehet még alkalmazni különböző mesterséges intelligencia? És itt már egy kicsit eltérnék a klasszikus

Átirat · 47:02

értelembe vett emítől. illetve algoritmusoktól.

Átirat · 47:09

AI képfeldolgozás nagyon sok esetben igen hasznos tud lenni egy ilyen ipari létesítmény

Átirat · 47:16

tekintetében. Bármilyen kamerafelvétel, hőkép alapján nagyon gyorsan meg lehet találni hibahelyeket.

Átirat · 47:29

Például levált szigetelés darabok, valamilyen anyag kifolyik, spriccel ki valahonnan, nagyon, nagyon,

Átirat · 47:38

nagyon gyorsan felderíthetőek ezekkel a módszerekkel.

Átirat · 47:42

Gondoljunk arra, hogy kőolaj hazánkba is vezetéken érkezik, hogyha valahol most nemrég volt a hírekben, ha jól

Átirat · 47:49

emlékszem, hogy volt egy lukadás, és ezért ezért le is kellett szakaszolni a területet. Ilyenkor rekultiválni kell a

Átirat · 47:57

területet, hatalmas nagy földmunka javítás. Minden drónok, videófelvételek segítségével nagyon jól monitorozhatóak

Átirat · 48:05

ezek a dolgok, és a megfelelő időben sokkal gyorsabb reakcióidővel lehet odajenni.

Átirat · 48:11

Általános védőfelszerelés. Vegyipari üzemekről beszélünk. Biztonsági előírások vannak. Muszáj viselni ezt,

Átirat · 48:17

azt amaz. Szintén videó vagy képfeldolgozással lehetőség nyílik arra, hogy hogy figyelmeztessük a kollégákat

Átirat · 48:26

arra, hogyha nem viselnek valamilyen védőfelszerelést.

Átirat · 48:32

és áttérnék a generatívra, és ígérem tényleg ez az utolsó most már ugye bejött az életünkben a

Átirat · 48:40

generatív AI-nak mondott dolog a nagynyelvi modellekkel lényegében. Mire használjuk, mire használja az olajipar teljesen

Átirat · 48:48

általános dolgokra egyelőre. Intelligens hát smart search, most nem tudom a magyar szót így hirtelen elnézést érte.

Átirat · 48:58

különböző chatbotok, tehát beszélgess az adataiddal, megoldásokra, tudásbázisokra, hogy közelebb hozzuk az

Átirat · 49:06

általános felhasználóhoz, egyszerűbbé tegyük ezeknek a tudásbázisoknak a böngészését.

Átirat · 49:13

És valamilyen hát most a kopyajlot az nem, most véletlenül azt írtam, hogy copylot, ms kopylot volt a fejemben, hiszen cégen belül mi ezt az eszközt

Átirat · 49:22

használjuk, de ugyanúgy SGPT-t is ide értem. mindennapi tevékenység során, főleg irodai tevékenység során nagyon hasznos eszköz. Irányba állítja az

Átirat · 49:29

embert, megspórolja azt az egy-két óra netes böngészést, ami ami elindít valamilyen irányba.

Átirat · 49:40

Ez a jelen, de hogy mi lehet a jövő, és itt leginkább az olajipar tekintetében attól függ ez a nagy a Big

Átirat · 49:48

Bang, hogy mikor tudja a generatívai meglépni azt, hogy

Átirat · 49:55

a szakmaiságot, azt a vegyipari, kémiai, technológiai, gépészmérnöki tudást mikor

Átirat · 50:02

tudja ötvözni és felhasználni és eljutni egy sokkal magasabb szintre, ami már segítség.

Átirat · 50:11

Hiszen hogyha megkérdezzük a chat GPT-t, hogy milyen moziműsort ajánl, akkor nagy valószínűséggel azért max egy kicsit csalódottan távozunk. De ha mondom a

Átirat · 50:20

chat GPT-nek, hogy tervezzen egy vegyipari üzemet, és azt nem sikerül neki, akkor az hatalmas nagy pusztítás,

Átirat · 50:28

emberhalál. Tehát, hogy itt itt van az a mérce, amit ami elválasztja igazából a a tényleges olajipari felhasználhatóságát ezeknek a generatív technikáknak.

Átirat · 50:41

adatfeldolgozásra nagyon gyorsan alkalmassá fognak válni, de hogy mikor lépjük át ezt a ezt a konkrét határt, ezt még ezt még nem tudom, és nem tudom

Átirat · 50:49

eldönteni, hogy ez ez izgalmas, vagy vagy egy kicsit inkább ijesztő, hogy hogy ez a technológia

Átirat · 50:57

mennyire fejlődik és és hova fog kifutni. És én ennyit szerettem volna igazából. Úgyhogy köszönöm szépen. És

Átirat · 51:06

még még időben, akkor még időben. Köszönöm szépen

Témák

MI-támogatott

Ipari MI Adattudomány

Összefoglaló

MI-támogatott

Baladincz Péter az olajipari mesterségesintelligencia- és adatelemzési alkalmazásokat mutatja be a MOL tapasztalatain keresztül. Az előadás áttekinti az iparági adatok sajátosságait és több gyakorlati felhasználási területet: az üzemi működés elemzését, rendellenességek felismerését, hozamnövelést, soft szenzorokat, minőség-ellenőrzést és prediktív megközelítéseket. A példák központi kérdése, hogyan fordítható az ipari adatokból kinyert információ mérhető működési és gazdasági előnnyé.

Videó navigáció

Fejezetek

MI-támogatott