Cómo la IA impulsó la optimización de datos para proyectos de capital de petróleo y gas

Como parte de su iniciativa de transformación digital, un cliente del sector del petróleo y el gas se propuso mejorar la claridad y la eficiencia de sus procesos de ingeniería. Contrató a su equipo interno de diseño de proyectos de capital para desarrollar declaraciones claras de requisitos de ingeniería y establecer relaciones entre ellos, lo que permitió identificar fácilmente los requisitos pertinentes para el diseño, la adquisición y la construcción. Sin embargo, los métodos tradicionales requerían mucha mano de obra y eran propensos a errores. Para optimizar el proceso, mejorar la previsibilidad y aumentar la precisión del catálogo de requisitos de ingeniería, el cliente se puso en contacto con Ernst & Young LLP para explorar posibles soluciones.

Para comprender el problema del cliente era necesario profundizar en los procesos existentes de desarrollo y ejecución de proyectos de inversión, centrándose en el uso de los requisitos de ingeniería. El problema principal era el volumen de contenido de una biblioteca con más de 750 documentos. Cada documento contenía 30 páginas con más de 100 requisitos, con referencias cruzadas a otros documentos. La visión del cliente era aumentar drásticamente el rendimiento y crear un sistema que pudiera procesar este gran volumen de contenido en menos de un mes.

El cliente tenía como objetivo reducir el uso de un conjunto interno de requisitos aprovechando los estándares del sector, lo que permitía a los usuarios finales —como contratistas o subcontratistas de ingeniería, adquisición y construcción (EPC, por sus siglas en inglés), fabricantes de equipos, expertos en la materia e ingenieros del cliente— acceder fácilmente a estos conjuntos de requisitos para las actividades de diseño, adquisición y construcción.

«Nuestro objetivo es crear una biblioteca de requisitos más cohesionada, fácil de usar y digitalizada que permita a sus equipos de proyectos de inversión ejecutar los proyectos con mayor precisión y eficacia», afirmó el cliente.

Como parte de la transformación, el cliente decidió primero racionalizar los requisitos de ingeniería según los estándares de la industria y reescribirlos basándose en los estándares técnicos del Consejo Internacional de Ingeniería de Sistemas (INCOSE, por sus siglas en inglés) y el Enfoque Fácil de la Sintaxis de Requisitos (EARS, por sus siglas en inglés). Este esfuerzo aportaría coherencia y claridad a los requisitos. Para facilitar el acceso a los proyectos de inversión y a los equipos de ingeniería del cliente, el equipo del proyecto necesitaba asignar etiquetas de metadatos a cada declaración de requisitos. Cada etiqueta de metadatos debería seleccionarse de una biblioteca basada en una taxonomía jerárquica de equipos con más de 1.000 opciones.

La inteligencia artificial (IA) presentó una posible solución para abordar estas ineficiencias mediante la transformación de estándares de ingeniería y proyectos no estructurados en datos de requisitos estructurados. Se necesitaba un método para reescribir documentos y asignar metadatos a los requisitos de ingeniería de forma automática. El cliente tenía una capacidad limitada, ya que los ingenieros de disciplina solo podían dedicar el 20 % de su tiempo al proyecto. A pesar de contar con expertos en la materia en las tareas manuales iniciales, los resultados del etiquetado no fueron óptimos, lo que provocó una reducción en el rendimiento del proceso.

Mantener la fluidez de los procesos en las operaciones generadoras de ingresos y en la ejecución de proyectos de capital tenía que ser la máxima prioridad, lo que dejaba poco tiempo para implementar proyectos de gran envergadura, incluso iniciativas que, en última instancia, agilizarían los procesos.

En opinión del equipo de EY, la IA era la solución más lógica para automatizar las funciones de reescritura y etiquetado, lo que permitiría dedicar más tiempo a la validación y otras tareas de valor añadido y reduciría el esfuerzo global de reestructuración. Sin embargo, el cliente no estaba seguro de si la tecnología de IA podía gestionar de manera eficiente y precisa la especificidad y complejidad de las normas de ingeniería.

Para abordar estas preocupaciones, el equipo de EY necesitaba demostrar la capacidad de la IA para mejorar la precisión y la eficiencia, generar confianza en la tecnología por parte del cliente y guiarlo a través de los pasos necesarios para su integración en sus operaciones.

El equipo de EY presentó al cliente la idea de una solución basada en inteligencia artificial a través de una aplicación de prueba de concepto (POC, por sus siglas en inglés), diseñada y desarrollada dentro del entorno seguro de EY Fabric. Este POC utilizó datos disponibles públicamente y estándares simulados para crear agentes de reescritura y aplicación de metadatos impulsados por tecnología de IA generativa alojada en la nube. Estos módulos de aplicación de IA se integraron a través de procesos de flujo de trabajo en una aplicación web, creando un funcionamiento fluido y eficiente.

Esto demostró la capacidad del modelo para etiquetar y reescribir documentos con precisión, y su éxito inicial en esta tarea contribuyó a generar confianza en el cliente. A continuación, el equipo procedió a aplicar la solución a los documentos normativos de ingeniería reales del cliente, encargando a expertos en la materia que proporcionaran comentarios y verificaran la precisión y relevancia del modelo.

La experiencia del equipo de EY resultó ser un gran activo en este esfuerzo. Con experiencia en inteligencia artificial, transformación digital e ingeniería, los miembros del equipo aportaron un amplio conocimiento específico del sector. Su experiencia práctica en el sector de petróleo y gas, incluyendo el tiempo que pasaron en plataformas petrolíferas y refinerías, les proporcionó un conocimiento de primera mano de las preocupaciones de los clientes, lo que permitió un diálogo productivo. El equipo estaba compuesto por analistas de inteligencia artificial y datos, especialistas digitales, gestores de proyectos, ingenieros eléctricos, geofísicos e ingenieros químicos, todos los cuales contribuyeron a un enfoque completo y bien informado.

La aplicación web se mejoró durante la fase piloto para incluir características de valor añadido, como la identificación de requisitos similares, la creación de referencias cruzadas y la oferta de capacidades de importación y exportación.   La arquitectura EY codificó los documentos de estándares en indicaciones de varios pasos, utilizando IA generativa para reescribir los requisitos. Además, se utilizaron servicios cognitivos y almacenamiento en bases de datos vectoriales para realizar una comparación eficiente entre los requisitos y los metadatos, y confirmar la relevancia de las etiquetas mediante una combinación de modelos de inteligencia artificial generativa y aprendizaje automático.

A lo largo de la implementación, el equipo de EY se centró en la IA responsable, confirmando que la solución se ajustaba a los principios de gobernanza e incluía la supervisión humana. Este enfoque ayudó al cliente a mejorar sus capacidades de procesamiento. También dio lugar a una transición fluida hacia un flujo de trabajo impulsado por la inteligencia artificial, sentando las bases para la escalabilidad y la innovación futuras.