Chia sẻ với phóng viên Báo Công Thương, ông Nguyễn Văn Thắng, Giám đốc Chuyển đổi số, Viện Dầu khí Việt Nam (VPI) đã trao đổi về cách tiếp cận, những kết quả bước đầu và các khó khăn trong quá trình ứng dụng công nghệ số, đồng thời chia sẻ định hướng nghiên cứu và phát triển các giải pháp số của Viện nhằm góp phần đẩy mạnh chuyển đổi số trong ngành công nghiệp năng lượng.
Tại Viện Dầu khí Việt Nam, chúng tôi nhìn nhận chuyển đổi số không đơn thuần là đưa công nghệ mới vào sử dụng, mà quan trọng hơn là công nghệ đó giúp giải quyết được vấn đề gì trong công việc. VPI là một đơn vị nghiên cứu khoa học, vì vậy chúng tôi tập trung chuyển đổi số theo ba hướng chính.
Thứ nhất, dữ liệu. Trong ngành dầu khí, dữ liệu được tích lũy qua nhiều năm, từ địa chất, địa vật lý đến khoan, khai thác và chế biến dầu khí. Đây là nguồn tài sản rất có giá trị. Vấn đề đặt ra là làm thế nào để những dữ liệu này được quản lý tốt hơn, kết nối với nhau và dễ dàng khai thác, thay vì nằm phân tán ở nhiều hệ thống.
Thứ hai, ứng dụng trí tuệ nhân tạo (AI) vào nghiên cứu. Chúng tôi đang nghiên cứu, thử nghiệm AI để hỗ trợ xử lý tài liệu kỹ thuật, phân tích dữ liệu, dự báo và tự động hóa một số công việc. Mục tiêu là giúp các nhà nghiên cứu giảm thời gian xử lý những công việc lặp lại, có thêm thời gian tập trung vào phân tích chuyên môn.
Thứ ba, phát triển các công cụ số phục vụ công việc thực tế. Chẳng hạn, VPI đã xây dựng một số hệ thống phục vụ quản lý dữ liệu, tổng hợp báo cáo và khai thác thông tin chuyên ngành. Những công cụ này có thể không quá lớn về quy mô, nhưng giúp giải quyết các nhu cầu cụ thể của đơn vị sử dụng. Bên cạnh đó, chúng tôi cũng đang nghiên cứu những công nghệ mới như bản sao số, tức là tạo ra mô hình số mô phỏng một hệ thống hoặc thiết bị thực tế để hỗ trợ phân tích, dự báo và ra quyết định.
Hướng đi của VPI là bắt đầu từ dữ liệu, lựa chọn đúng bài toán và ứng dụng công nghệ từng bước, phù hợp với năng lực cũng như nhu cầu thực tế.
Theo tôi, nói đến hiệu quả chuyển đổi số, cần trả lời được câu hỏi rất trực tiếp: Công việc có nhanh hơn, tốt hơn hoặc tiết kiệm hơn so với trước đây hay không? Tại VPI, tôi xin chia sẻ hai ví dụ cụ thể.
Ví dụ thứ nhất là ứng dụng AI trong nghiên cứu thực nghiệm. Thông thường, khi nghiên cứu một công thức hoặc một quy trình công nghệ, các nhà khoa học phải tiến hành rất nhiều thí nghiệm với những điều kiện khác nhau để tìm ra phương án tốt nhất.
VPI đã có nghiên cứu kết hợp phương pháp thiết kế thí nghiệm với trí tuệ nhân tạo và học máy. Thay vì phải thực hiện tất cả các thí nghiệm, chúng tôi sử dụng mô hình để hỗ trợ lựa chọn những thí nghiệm cần thiết và dự đoán kết quả. Trong một nghiên cứu đã được công bố, cách tiếp cận này giúp giảm khoảng 70% số lượng thí nghiệm thực tế và rút ngắn khoảng 40% thời gian nghiên cứu.
Tất nhiên, đây là kết quả trong phạm vi nghiên cứu cụ thể, không có nghĩa tất cả các hoạt động nghiên cứu đều đạt được mức tiết kiệm như vậy. Nhưng nó cho thấy công nghệ số có thể mang lại hiệu quả rất rõ ràng.
Sản phẩm bản sao số cho trầm tích Cenozoic khu vực Đông Bắc bể Cửu Long
Ví dụ thứ hai là việc tích hợp dữ liệu địa chấn tại bể Cửu Long. Trước đây, dữ liệu địa chấn được thu thập qua nhiều đợt khảo sát, ở những thời điểm khác nhau nên chất lượng và cách xử lý có thể không đồng nhất. VPI đã thực hiện tích hợp, đồng bộ và nâng cao chất lượng dữ liệu địa chấn trên diện tích hơn 20.000 km², hình thành khối dữ liệu 3 chiều lớn gọi là Mega-cube.
Có thể hình dung đơn giản là thay vì xem nhiều mảnh bản đồ riêng lẻ, chúng ta ghép chúng thành một bức tranh lớn và thống nhất hơn. Nhờ đó, các nhà khoa học có điều kiện thuận lợi hơn để nghiên cứu cấu trúc địa chất và đánh giá triển vọng dầu khí.
Từ hai ví dụ này, tôi muốn nhấn mạnh rằng giá trị của chuyển đổi số không nằm ở việc chúng ta sử dụng công nghệ hiện đại đến đâu, mà nằm ở kết quả thực tế mà công nghệ mang lại.
Từ góc nhìn của một đơn vị nghiên cứu và ứng dụng công nghệ, tôi cho rằng khó khăn lớn nhất trong chuyển đổi số nhiều khi không nằm ở bản thân công nghệ, mà nằm ở việc đưa công nghệ vào sử dụng thực tế.
Tôi xin chia sẻ ba vấn đề: Một là, dữ liệu. Muốn ứng dụng AI hay các công nghệ phân tích hiện đại thì phải có dữ liệu đủ tốt. Nhưng trong thực tế, dữ liệu có thể nằm ở nhiều hệ thống khác nhau, được thu thập qua nhiều năm, theo những tiêu chuẩn không giống nhau. Vì vậy, trước khi nghĩ đến những ứng dụng AI phức tạp, chúng ta cần giải quyết bài toán dữ liệu.
Hai là, khoảng cách giữa nghiên cứu và thực tế sản xuất. Một giải pháp có thể hoạt động rất tốt trong phòng thí nghiệm, nhưng khi đưa vào nhà máy hoặc một hệ thống vận hành thực tế thì lại phát sinh nhiều vấn đề. Chẳng hạn, mô hình AI có thể dự báo khá tốt trên dữ liệu thử nghiệm, nhưng để sử dụng trong nhà máy, chúng ta còn phải xem dữ liệu thực tế có đáp ứng được không, hệ thống có kết nối được không, kết quả có đủ tin cậy không và ai sẽ chịu trách nhiệm sử dụng. Vì vậy, theo tôi, cần có sự phối hợp chặt chẽ ngay từ đầu giữa đơn vị sử dụng, đơn vị nghiên cứu và đối tác công nghệ.
Hệ thống bản sao số của VPI áp dụng cho nhà máy lọc dầu
Ba là, hiệu quả đầu tư. Doanh nghiệp sẽ khó mạnh dạn đầu tư nếu chưa thấy rõ công nghệ mang lại lợi ích gì. Động lực quan trọng nhất, theo tôi, chính là giải quyết được một vấn đề cụ thể của doanh nghiệp. Ví dụ, giảm thời gian dừng máy, giảm chi phí bảo dưỡng, tiết kiệm năng lượng hoặc nâng cao độ chính xác trong dự báo. Vì vậy, chúng tôi cho rằng nên bắt đầu bằng những bài toán vừa sức, có thể thử nghiệm, đánh giá hiệu quả rồi mới xem xét mở rộng.
Chuyển đổi số không nên bắt đầu bằng câu hỏi “Chúng ta sẽ mua công nghệ gì?”, mà nên bắt đầu bằng câu hỏi “Chúng ta đang cần giải quyết vấn đề gì?”.
Trong thời gian tới, VPI sẽ tiếp tục phát huy thế mạnh nghiên cứu khoa học, công nghệ trong lĩnh vực dầu khí và năng lượng. Đồng thời, từng bước phát triển năng lực ứng dụng công nghệ số.
Chúng tôi xác định ba hướng cần ưu tiên. Đầu tiên là xây dựng và khai thác tốt hơn dữ liệu chuyên ngành. Trong ngành dầu khí, dữ liệu được tích lũy qua nhiều thập kỷ. Nếu quản lý và kết nối tốt, đây sẽ là nguồn thông tin rất quan trọng phục vụ nghiên cứu, phân tích và ra quyết định. Vì vậy, chúng tôi muốn từng bước xây dựng những nền tảng dữ liệu có khả năng lưu trữ, kết nối, chia sẻ và khai thác hiệu quả hơn.
Cán bộ nghiên cứu của Viện Dầu khí Việt Nam lấy mẫu môi trường tại khu vực nước sâu
Tiếp đó, là phát triển những ứng dụng AI giải quyết bài toán cụ thể. Chẳng hạn, AI hỗ trợ phân tích tài liệu kỹ thuật, dự báo, xử lý dữ liệu nghiên cứu hoặc hỗ trợ đánh giá tình trạng thiết bị. Chúng tôi không đặt mục tiêu phát triển AI cho mọi lĩnh vực, mà tập trung vào những bài toán VPI có kiến thức chuyên ngành, có dữ liệu và có khả năng tạo ra giá trị thực tế.
Cuối cùng, là nghiên cứu và từng bước ứng dụng công nghệ bản sao số. Có thể hiểu đơn giản, bản sao số là một mô hình trên máy tính phản ánh một thiết bị hoặc một hệ thống thực tế. Khi kết hợp với dữ liệu vận hành, mô hình có thể hỗ trợ theo dõi, phân tích, mô phỏng và dự báo.
VPI đang nghiên cứu, hợp tác và tìm kiếm cơ hội thử nghiệm công nghệ này trong một số lĩnh vực như lọc hóa dầu và năng lượng. Đây là hướng có tiềm năng nhưng cũng khá phức tạp, đòi hỏi sự kết hợp giữa kiến thức công nghệ, dữ liệu vận hành và kinh nghiệm chuyên ngành. Chúng tôi xác định cần đi từng bước, lựa chọn phạm vi thử nghiệm phù hợp, đánh giá kết quả trước khi đề xuất mở rộng.