知识计算白皮书—使能行业智能化升级地全新路径.pptx

;;深耕数字化，人工智能成为核心驱动力 行业渗透率低，人工智能行业落地面临诸多挑战 人工智能与知识的结合，为行业 AI 落地提供了新思路;;2015-2020数字经济GDP占比图;page;page;page;在 AI 求解阶段中，单纯基于大数据方式求解模型，在复杂的业务场景下往往难以得到令人满意的结果。以石油勘;page;page;;page;page;通过对知识计算框架中算子的使用，可形成有哪些信誉好的足球投注网站、推荐、预测、优化、正演、反演等行业应用。例如，知识可以;page;概念性知识的示例主要包括;在认知的过程里所获得的知识，也就是可用于控制认知过程的知识。;知识计算技术框架基于不同的数学模型（主要是行业中重点涉及的数学模型），认为能够用数学模型来刻画的知 识可以参与计算，例如事实性知识、概念性知识等，其中事实性知识可以通过图模型来表示，概念性知识可以通 过代数方程模型或微分方程模型来表示。此处给出了行业中代表性的数学模型，它们所属的大类以及应用场景等。;知识计算算子是实现知识参与计算的手段，可以对知识进行建模和求解。算子本质上是一种映射，可以互相替换、 进行组合，构建解决行业问题所需的计算逻辑。知识计算框架将知识计算整个流程中涉及到的算子纳入到一个体 系当中，规范化为两类：建模算子和求解算子。;数据转换是将数据从一种格式或结构转换为另一种格式或结构的过程，包括模态转换 （Modality Transformation）、结构转换（Structure Transformation）、表征转 换（Representation Transformation）等。其中，模态转换是指不同模态之间的转 换，例如通过语音识别（ASR）算子将语音转换成文本形式，通过 OCR 算子将图像 转换成文本，通过图像描述（IC）算子将图像转换成文本等；结构转换是指在同一模 态下不同结构之间的转换，例如通过命名实体识别（NER）算子识别文本中的命名实 体、通过关系抽取（RE）算子抽取文本中实体间的关系等；典型的表征转换是特征工 程（Feature Engineering），即把原始数据转变成特征的过程，例如词向量（WE） 模型和预训练模型（PLM）。转化后的特征可以很好地描述数据的分布及关系，从而 构建更适合数据的模型。;模型选择一般由人来完成。基于人的相关知识与经验，通过对问题的分析来选择相应 的模型。但是随着自然语言处理技术的不断发展，情况发生了变化，现在机器也可以 部分参与到模型选择这一过程。一方面，通过调查问卷或者对话机器人，模拟建模人 员跟场景需求客户之间的访谈获取建模必要信息，机器可以自动选择合适的模型来完 成建模。例如，通过调查问卷获取用户的分词偏好，机器自动根据用户需求生成一个;page;page;page;page;page;求解算子;统计模型是指以概率论为基础，采用数学统计方法建立的模型。主要针对的是有些过程无法用理论分析方法导出 其模型，但可通过试验测定数据，经过数理统计法求得各变量之间的函数关系。深度神经网络也属于统计模型。;page;page;page;page;page;;;近年来，国际石油公司纷纷与 IT 巨头联手，加大知识计算技术的应用，促进勘探开发业务的数字化转型。 例如国际石油公司沙特阿美运用知识计算等 AI 技术，使钻井时间普遍缩短 5%，成本下降 10%；通过部 署井下机器人，实现操作成本减少 60%。 普华永道专家认为，到 2025 年，油气公司通过将知识计算等 AI 技术在勘探开发业务上应用，可节省 1000 亿 ~10000 亿美元的资本和运营支出。据《展望》预测，到 2050 年，油气行业将有四分之一的增 量和三分之一的成本削减是通过数字化实现的，油气公司将更多地通过信息化手段实现增储上产。;并构建了知识驱动的神经网络测井油气层识别模型（KPNFE，Knowledge-Powered Neural Formation Evaluation Model）。通过求解算子中的图表示学习算法和反向传播算法得到知识图谱表达和测井曲线表达，并 融合表示到油气层识别的深度学习模型中，实现油气水层位的智能识别。;自 2019 年 6 月河南鑫磊集团采用知识计算解决方案以来，生产每吨焦炭，配合煤成本结合生产实际工况节约在 10 元 / 吨左右。以河南鑫磊集团每年 130 万吨的产量来推算，每年节省成本约 1000 万，大大提升了其在市场中 的竞争力。整个河南的焦炭产量约 2000 万吨，如果整个河南地区的焦化企业都采用知识计算解决方案，预计每 年最少可节省 2 亿；全国独立焦化企业数量 400 多家，产量高达 4 亿吨，全国范围内的焦化企业都采用智能配煤 解决方案，则整个行业每年可节约至少 40 亿的成本。;page;page;