• کنتراست

  • ساعت : ۱۵:۲۶
  • تاريخ :
     ۱۴۰۴/۰۲/۱۹ 
  • تعداد بازدید : 58
  • کد خبر : ۱۵۷۲۶
در کارگاه «خدمات داده‌محور در صنعت نفت از داده خام تا بینش‌های تحلیلی» مطرح شد
كشف تخلف و تقلب با یادگیری ماشین و انبار داده
یک متخصص حوزه داده‌کاوی با اشاره به استفاده از ظرفیت تکنولوژی‌های داده‌محور و ماشین لرنینگ در فرآیند پالایش و پخش فرآورده‌های نفتی، گفت: با استفاده از یادگیری ماشین در‌ حوزه پالایش و پخش، می‌توان کشف تخلف و تقلب داشت، الگوهای غیرعادی مصرف را شناسایی کرد، تقاضای فرآورده‌های نفتی را پیش‌بینی کرد، اینکه تجهیزات چه زمانی به تعمیر و نگهداری نیاز دارند را مورد بررسی قرار داد.

screenshot_20250510_071143.jpg

به گزارش پایگاه اطلاع‌رسانی شرکت ملی پالایش و پخش فرآورده‌های نفتی ایران، کارگاه «خدمات داده‌محور در صنعت نفت از داده خام تا بینش‌های تحلیلی» در دومین روز از نمایشگاه نفت، گاز، ‌پالایش و پتروشیمی غرفه شرکت ملی پالایش و پخش فرآورده‌های نفتی ایران برگزار شد.

مسعود طاهری، متخصص حوزه دیتا در این کارگاه، به استفاده از ظرفیت‌های دیتا و اطلاعات در حوزه صنعت نفت و پالایش پرداخت و بیان کرد: هدف از برگزاری چنین کارگاهی این است که بدانید برای اینکه سازمان شما به سازمان داده‌محور تبدیل شود، باید چه کار کنید، زیرا داده‌محور شدن سازمان‌ها به بهبود تصمیم گیری منجر می‌شود. هدف از جمع‌آوری دادها  پردازش و تحلیل داده است تا بر اساس نتایج، اقدام لازم صورت گیرد. 

او با بیان اینکه برای بهره‌برداری از داده و دیتا، تکنولوژی‌هایی در اختیار سازمان‌ها قرار دارد، گفت: از جمله این تکنولوژی‌ها، استفاده از BI یا هوش تجاری، یادگیری ماشین و هوش مصنوعی که با این فناوری‌ها می‌توان به خدمات داده‌محور رسید. ارائه امروز ما یادگیری استفاده از ابزار هوش تجاری است. برای این کار، اولین اقدام این است که هوش تجاری را پیاده‌سازی کنیم. تعریف هوش تجاری، مجموعه‌ای از ابزارها و برنامه‌های کاربری و شیوه‌های کسب‌وکار است تا بتوانیم تصمیم‌گیری را مبتنی بر داده انجام دهیم. ما در هوش تجاری، داده‌ها را جمع آوری، یکپارچه‌سازی، ذخیره و در انتها تجزیه و تحلیل می‌کنیم تا در نهایت داشبورد داده ایجاد شود.

این کارشناس حوزه دیتا با اشاره به استفاده از هوش تجاری در ‌حوزه پالایشگاه، اظهار کرد: شرکت پالایش و پخش نیز داشبوردهایی دارد و می‌تواند بر اساس این داشبوردها، متوجه شود که ورودی پالایشگاه بر‌ اساس خوراک‌های مختلف به چه صورت بوده است. برای این کار باید داده‌ها از کل کشور جمع‌آوری و یکپارچه شود تا بتوان آنالیز دقیق داشت که در آن صورت می‌توان تصمیمات درستی اتخاذ کرد. اهداف استفاده از هوش تجاری، این است که اطلاعات مناسب، در زمان مناسب، در قالب مناسب و به شکل امن در اختیار سازمان باشد.

ضرورت استفاده از بهترین ابزارهای هوش تجاری برای تحلیل داده‌ها

طاهری با تاکید بر بهره‌برداری از بهترین ابزارهای هوش تجاری برای تحلیل داده‌ها بیان کرد:  انتخاب ابزار بسیار مهم است، زیرا ابزار چون بخش عمده کار شما را تشکیل می‌دهد. یکی‌ از بهترین ابزارها توسط مایکروسافت ایجاد شده که تا سال ۲۰۲۴ از بقیه ابزارها بهتر ارزیابی شده‌است. از طرف دیگر از آنجایی که کشور با کمبود نیروی انسانی مواجهه است، برای کاهش هزینه‌ها باید ابزار مناسبی اتخاذ کرد که ابزار هوش تجاری مایکروسافت از نمونه‌های‌ مناسب است.

او در ادامه توضیح داد: استفاده از این ابزار برای اجرای یک پروژه هوش تجاری، به دو حالت سلف سرویس و اینترپرایز اجرا می‌شود. حالت اینترپرایز برای داده‌های با حجم بالا مناسب است. برای این کار باید انبار داده تهیه و  بارگذاری شود. در مثال استفاده از هوش تجاری اینترپرایز در پالایشگاه‌های کشور، داده‌ها باید در انبار داده تهران ذخیره شده، بانک اطلاعاتی تهیه شده، داشبورد مورد نظر آماده شود تا بتوان به خروجی مناسب رسید. 

این متخصص حوزه داده‌کاوی با طرح این پرسش که برای اجرای هوش تجاری، پالایش و پخش باید چه اطلاعاتی در اختیار تیم انبار داده بگذارد، گفت: اطلاعات مختلفی در سیستم‌های اداری، تولید و سنسورها وجود دارد که باید به عنوان منبع اطلاعاتی شناسایی شود و در انبار داده قرار گیرد. اگر کل داده‌ها در اختیار باشد، آنگاه می‌توان تصمیمات درست گرفت. بنابراین یکی از زیرساخت‌های درست، انبار داده است و در چنین شرایطی وقتی مدیر سازمان گزارش نهایی را می‌گیرد، می‌تواند بفهمد چه اتفاقی در اقصی نقاط کشور رخ می‌دهد.

تمرکز تیم داده، بهینه‌سازی آمارها است 

طاهری درباره روند جمع‌آوری داده‌ها توضیح داد: وقتی پروژه‌ای کلید می‌خورد، تمام داده‌‌ها از بخش‌های مختلف جمع‌آوری می‌شود. در مرحله بعد، تمام داده‌ها باید از کل نقاط کشور به انبار منتقل شود، برای این کار داده‌ها باید از تک‌تک پالایشگاه‌های کشور استخراج و پالایش شده و در انبار ذخیره شود. با جمع‌آوری داده‌ها در انبار داده، باید داده‌ها را تحلیل کرد تا داشبورد‌ آماده شود، برای این کار نیز باید بانک اطلاعاتی تحلیلی یا OLAP ایجاد شود.

در مرحله آخر نیز می‌توان داشبورد ایجادشده را روی گوشی موبایل مشاهده کرد. تمرکز تیم داده نیز بهینه‌سازی آمارها است برای اینکه داشبورد مناسب در اختیار مدیران قرار گیرد.

او در پایان خاطر نشان کرد: برای استفاده از یادگیری ماشین یا ماشین لرنینگ در سازمان، باید انبار داده مناسبی داشته باشیم. با استفاده از یادگیری ماشین در‌ حوزه پالایش و پخش، می‌توان کشف تخلف و تقلب داشت، الگوهای غیرعادی مصرف را شناسایی کرد، تقاضای فرآورده‌های نفتی را پیش‌بینی کرد، اینکه تجهیزات چه زمانی به تعمیر و نگهداری نیاز دارند را مورد بررسی قرار داد. انبار داده و ماشین لرنینگ می‌تواند این اطلاعات را در اختیار قرار دهد که فعالیت‌های پالایش و پخش فرآورده‌‌های نفتی را بهینه می‌کند. به همین دلیل هم این پروژه در شرکت پالایش و پخش در‌حال انجام است.

امتیاز :  ۰ |  مجموع :  ۰

برچسب ها

    V6.1.12.0