Como a IA promoveu a otimização de dados para projetos de capital no setor de petróleo e gás

C omo parte de sua iniciativa de transformação digital, um cliente do setor de petróleo e gás pretendia aumentar a clareza e a eficiência de seus processos de engenharia. Ele envolveu sua equipe interna de projetos de capital para desenvolver declarações claras de requisitos de engenharia e estabelecer relações entre esses requisitos, permitindo que os mais relevantes fossem facilmente identificados para projeto, aquisição e construção. No entanto, os métodos tradicionais revelaram-se trabalhosos e propensos a erros. Para otimizar o processo, melhorar a previsibilidade e aumentar a precisão do catálogo de requisitos de engenharia, o cliente entrou em contato com a Ernst & Young LLP para explorar possíveis soluções.

Para entender o problema do cliente, foi necessário um mergulho mais aprofundado nos processos existentes de desenvolvimento e execução de projetos de capital, com foco no uso de requisitos de engenharia. O principal problema era o volume de conteúdo em uma biblioteca com mais de 750 documentos. Cada documento continha 30 páginas com mais de 100 requisitos, com referências cruzadas a outros documentos. A visão do cliente consistia em aumentar drasticamente o rendimento e criar um sistema que pudesse processar esse grande volume de conteúdo em menos de um mês.

O objetivo do cliente era reduzir o uso de um conjunto interno de requisitos, aproveitando os padrões do setor, permitindo que os usuários finais - como empreiteiros ou subempreiteiros de engenharia, aquisição e construção (EPC), fabricantes de equipamentos, especialistas no assunto e engenheiros do cliente - acessassem facilmente esses conjuntos de requisitos para atividades de projeto, aquisição e construção.

"Temos como objetivo criar uma biblioteca de requisitos mais coesa, fácil de usar e digitalizada, que permita que nossas equipes de projetos de capital entreguem projetos com maior precisão e eficácia", apontou o cliente.

Como parte da transformação, o cliente decidiu primeiro racionalizar os requisitos de engenharia em relação aos padrões do setor e reescrevê-los com base nos padrões técnicos do Conselho Internacional de Engenharia de Sistemas (INCOSE) e da Easy Approach to Requirements Syntax (EARS). Esse esforço traria consistência e clareza aos requisitos. Para facilitar o acesso às equipes de engenharia e projetos de capital do cliente, a equipe do projeto precisava atribuir etiquetas de identificação (tags) de metadados a cada declaração de requisitos. Cada tag de metadados precisaria ser selecionada em uma biblioteca com base em uma taxonomia hierárquica de equipamentos com mais de 1.000 opções.

A inteligência artificial (IA) apresentou uma possível solução para lidar com essas ineficiências, transformando padrões de projeto e engenharia não estruturados em dados de requisitos estruturados. Era necessário um método para reescrever documentos e atribuir metadados aos requisitos de engenharia automaticamente. O cliente tinha capacidade limitada, pois os engenheiros de disciplina só podiam dedicar 20% de seu tempo ao projeto. Apesar de envolver especialistas no assunto nos esforços manuais iniciais, os resultados das tags de identificação estavam abaixo do ideal, levando à redução do rendimento do processo.

Manter processos sem sobressaltos nas operações geradoras de receita e no trabalho de execução de projetos de capital tinha de ser a prioridade máxima, deixando pouco tempo para a implementação de projetos de grande porte, mesmo iniciativas que acabariam por simplificar os processos.

Na visão da equipe da EY, a IA fazia mais sentido como uma solução potencial automatizar as funções de reescrita e etiquetas de identificação (tagging), permitindo mais tempo para validação e outras tarefas de valor agregado e reduzindo o esforço geral de reestruturação. No entanto, o cliente não tinha certeza se a tecnologia de IA poderia gerenciar de forma eficiente e precisa a especificidade e a complexidade dos padrões de engenharia.

Para lidar com essas preocupações, a equipe da EY precisou demonstrar a capacidade da IA de melhorar a precisão e a eficiência, criar a confiança do cliente na tecnologia e orientá-lo nas etapas necessárias para a integração em suas operações.

A equipe da EY apresentou ao cliente a ideia de uma solução pautada pela IA por meio de um aplicativo de prova de conceito (POC), projetado e desenvolvido dentro do ambiente seguro do EY Fabric. Essa POC utilizou dados publicamente disponíveis e padrões simulados para criar agentes de aplicativos de reescrita e metadados alimentados pela tecnologia Generative AI hospedada na nuvem. Esses módulos de aplicativos de IA foram integrados por meio de processos de fluxo de trabalho em um aplicativo da Web, criando uma operação eficiente e sem sobressaltos.

Isso demonstrou a capacidade do modelo de fazer a identificação (tagging) e reescrever documentos com precisão, e seu sucesso inicial ajudou a aumentar a confiança do cliente. Em seguida, a equipe aplicou a solução aos documentos reais de padrões de engenharia do cliente, encarregando especialistas no assunto de fornecer feedback e verificar a precisão e a relevância do modelo.

A experiência da equipe da EY demonstrou ser um grande trunfo nessa iniciativa Com experiência em IA, transformação digital e engenharia, os membros da equipe trouxeram ampla gama de conhecimentos específicos do setor. Sua experiência prática no setor de petróleo e gás, incluindo o tempo gasto em plataformas e refinarias, proporcionou-lhes uma visão interessante, em primeira mão, das preocupações do cliente, permitindo um diálogo produtivo. A equipe era composta por analistas de IA e de dados, especialistas digitais, gerentes de projeto, engenheiros elétricos, geofísicos e engenheiros químicos, todos contribuindo para uma abordagem completa e bem informada.

O aplicativo da Web foi aprimorado durante a fase piloto para incluir recursos de valor agregado, como a identificação de requisitos semelhantes, a criação de referências cruzadas e a oferta de recursos de importação e exportação.   A arquitetura da EY codificou documentos de padrões em prompts de várias etapas, usando a IA generativa para reescrever os requisitos. Além disso, os serviços cognitivos e o armazenamento em banco de dados vetorial foram utilizados para fazer uma correspondência eficiente entre requisitos e metadados e confirmar a relevância das tags, utilizando uma combinação de modelos de IA generativa e aprendizado de máquina.

Durante toda a implementação, a equipe da EY manteve o foco em IA utilizada de forma responsável, confirmando que a solução aderiu aos princípios de governança e incluiu a supervisão humana. Essa abordagem ajudou o cliente a melhorar seus recursos de processamento. Isso também resultou em uma transição tranquila para um fluxo de trabalho orientado por IA, preparando o terreno para escalabilidade e inovação futuras.