ГЛАВНЫЕ НОВОСТИ
Рынок нефтепродуктов: запуск новых фьючерсных контрактов Майские тренды IT-технологии в нефтегазовой промышленности Регистрация правил доступа на торги и новые этапы road show фьючерса на Urals Более 200 представителей геологического сообщества приняли участие в Международной газовой конференции г. Анапе 16 – 18 апреля 2018 года Oil & Gas Journal Russia второй раз подряд признан лучшим брендом среди российских нефтегазовых журналов ИД «Недра» выступил спонсором выставки и конференции Offshore Technology Conference в США Новая парадигма мировой энергетики Анализ применения РУС для зарезок в открытом стволе на Восточно-Мессояхском месторождении Новый уровень эффективности Интенсификация добычи нефти за счет геомеханических процессов Рынок без конкуренции Семь производств на «ТАНЕКО» Brent 73,12 -0,6000 (-0,81%) USD 63,1957 -0,2931 (-0,46%) Micex Oil & Gas 6277,47 -8,91 (-0,14%)

Материалы партнеров

  • image

    Искусственный интеллект на форуме RAIF: AI’M HERE

    23:38 9 Ноябрь 2017 Инфосистемы Джет

    8 ноября 2017 г., Москва. —  7 ноября в Москве прошел первый Российский форум по системам искусственного интеллекта – RAIF (The Russian Artificial Intelligence Forum), организатором которого выступила компания «Инфосистемы Джет». Форум собрал около 500 участников – топ-менеджеров крупных компаний и ИТ-экспертов. Концепция мероприятия «AI’M HERE» была призвана доказать гостям форума: технологии ML/AI не просто доступны для бизнеса, а уже вовсю используются передовыми практиками в ритейле, банках, страховании, медицине, промышленности и других отраслях. В рамках Форума также состоялось награждение победителей онлайн-чемпионата «RAIF-Challenge 2017», проходившего с 20 сентября по 25 октября. Три лучших команды получили денежное вознаграждение в размере 350 тыс. рублей каждая и возможность реализовать пилотные проекты у партнеров Форума.

    Открывая пленарную часть, Майкл Вирт, руководитель по развитию бизнеса IBM в России и СНГ констатировал, что за последние 5 лет направление AI серьезно выросло, и это движение уже не остановить. Спикер подчеркнул, что уже через 10 лет машина сможет принимать решения без человека, а также научится перепрограммировать себя. Для того чтобы это стало возможным, нам нужно сегодня поработать над созданием более мощных устройств обработки данных и процессоров с низким энергопотреблением.

    Владимир Молодых, директор по разработке и внедрению ПО компании «Инфосистемы Джет», привел реальные кейсы, реализованные компанией «Инфосистемы Джет», и призвал гостей к трансформации их бизнеса: «Многие компании не знают, с чего начать движение в сторону AI. Мы в рамках Чемпионата показали, как это сделать. Необходимо выделить бизнес-процесс, по которому есть все данные, и достичь результата по конкретной задаче. Трудно оспорить необходимость внедрения AI в организации, когда, затратив десятки (а не сотни) человекочасов, вы получаете реальную бизнес-выгоду с понятным сроком окупаемости».

    В пленарной секции прозвучало также выступление Заместителя председателя комитета Госдумы по информационной политике, информационным технологиям и связи Александра Ющенко, подчеркнувшего необходимость развития технологий ML/AI – как для бизнеса, так и для государства в целом: «Государство сегодня заинтересовано в развитии ИТ, в поддержке перспективных молодых специалистов, стартапов и, конечно, российских ИТ-компаний и интеграторов. Мы должны сегодня создать все условия, чтобы наши специалисты приносили максимальный результат.  Им в поддержку мы разрабатываем законодательные акты в области новых перспективных технологий. Однако совершенствование данного направления возможно лишь при объединении усилий государства и бизнеса».

    В рамках форума гости могли посетить несколько секции, на каждой из которых были представлены ML-кейсы в различных отраслях от крупнейших российских компаний. Так, директор по продажам Yandex Data Factory Константин Горбач рассказал в своем докладе о возможностях применения машинного обучения в промышленности, а Анна Дубовик из ДИТ Москвы затронула тему распознавания в здравоохранении, поделившись опытом обработки медицинских данных и построения ML-моделей. Рецепт применения технологии в B2B-секторе предложил гостям форума Константин Виноградов, старший инвестиционный аналитик Runa Capital. Также он рассказал об успешных стартапах в сфере искусственного интеллекта и потенциале ML-приложений.

    В секциях «AI в банках», «AI в страховании» и «AI в ритейле» основными темами выступлений стали кейсы работы с данными, в том числе повышение кросс-продаж посредством анализа данных. Много примеров было приведено именно из российской практики. Спикеры также обозначили смену парадигмы работы с данными и переход к новому пониманию профессионализма в ИТ: востребованы не те, кто понимает, как работают технологии, а те, кто понимает, как и какую задачу нужно поставить машине, чтобы получить наилучший результат.

    О нынешних реалиях и будущем AI на российском рынке рассуждали участники дискуссии «Machine Learning: технологический пузырь или насущная необходимость для бизнеса?». Отвечая на этот вопрос, Сергей Сергеев, директор по ИТ «М.Видео», поделился планами крупнейшего ритейлера электроники активно развивать это направление, в первую очередь, в области улучшения клиентского опыта на сайте и управления ассортиментом. Так, еще год назад направление AI в «М.Видео» вел всего один человек, а сегодня это целое подразделение Data Science. При этом компания использует не только внутренние ресурсы, но и привлекает партнеров.

    Компания «Инфосистемы Джет» поделилась опытом реализации ML-проектов в различных отраслях, а также представила собственные ML-системы: JetPluton (система обнаружения сетевых атак нового поколения) и решения  на платформе Jet Galatea – JetDetective (антифрод-система на базе технологий ML/AI) и JetAML (cистема противодействия отмыванию доходов и финансированию терроризма).

    Завершающим аккордом форума стало выступление Вики Ли — известной пианистки, диджея и композитора, лауреата международных конкурсов, а также награждение победителей «RAIF-Challenge 2017»: команды «V-team» с темой работы «Выявление мошеннических действий в страховании», команды «Surf» с темой «Моделирование вероятности покупки в рамках пользовательской сессии» и команды «ЛИАД» (Лаборатории интеллектуального анализа данных компании «Спутник») с темой «Прогнозирование оттока клиентов банка с использованием глубоких нейронных сетей и распределения Вейбулла».

    «По нашей практике, внедрение ML для совершенствования одного показателя в одном бизнес-процессе занимает в среднем 2,5 месяца, – отметил Евгений Колесников, руководитель направления «Большие данные и машинное обучение», «Инфосистемы Джет». – Соответственно на оптимизацию нескольких десятков бизнес-процессов, которые есть в организации, уйдут годы – даже если вести эти проекты параллельно. Компаниям, которые еще не включились в данный процесс, необходимо как можно скорее это сделать – ведь в итоге речь идет о достижении кратного роста прибыли».

    ***

    Партнеры RAIF: Hitachi, IBM, Huawei, «М.Видео», «АльфаСтрахование», Банк УРАЛСИБ.

    Генеральный информационный партнер: ИД «Коммерсантъ».

    Информационные партнеры RAIF: Серебряный дождь, CNews, TAdviser, Аналитический банковский журнал, Ассоциация менеджеров, Банковское обозрение, Бизнес-журнал, БИТ, Деловая Москва, Инвест-Форсайт, Национальный банковский журнал, ПЛАС/Retail&Loyalty, Портал Искусственного интеллекта, РАЭРР, RUБЕЖ, Системный администратор, Стандарт/Comnews, ФРИИ, Computerworld, Connect, 5Future, ICT-Online, Moscow Business School, New Retail, OSP, RoboTrends, Russian Consumer, Sobytiye.ru, Telecom Daily, The Retail Finance.

    RAIF (Российский Форум по Системам Искусственного Интеллекта) — масштабный проект по искусственному интеллекту (AI) и машинному обучению (ML), собирающий на одной площадке представителей крупнейших российских и международных компаний, а также специалистов в области машинного обучения. В рамках RAIF прошел первый онлайн-чемпионат по искусственному интеллекту. На Форуме рассматриваются практические аспекты применения искусственного интеллекта. На реальных кейсах спикеры RAIF демонстрируют возможность извлечь конкурентное преимущество из накопленных у компаний данных.

    Компания «Инфосистемы Джет» — один из крупнейших российских системных интеграторов — образована в 1991 году. Основные направления деятельности компании: бизнес-решения и программные разработки, ИТ- и телекоммуникационная инфраструктура, информационная безопасность, ИТ-аутсорсинг и техническая поддержка, управление комплексными проектами и др. Компания располагает 12 офисами и представительствами на территории РФ и СНГ.

    Новости компании доступны на facebook, twitter, telegram и на сайте компании www.jet.su

Другие статьи по этой теме
Основные индексы:
Brent 73,12 -0,6000 (-0,81%)
Dow Jones 25 058,12 -6,38 (-0,03%)
Курсы валют:
USD 63,1957 -0,2931 (-0,46%)
EUR 74,1286 0,1959 (0,26%)
CNY 93,1829 -0,4736 (-0,51%)
JPY 56,9408 0,4938 (0,87%)
Акции нефтегазовых компаний:
Micex Oil & Gas 6277,47 -8,91 (-0,14%)
Rosneft 394,2 0,9500 (0,24%)
Lukoil 4358 58,0000 (1,35%)
Gazprom 138,29 1,8200 (1,33%)
Gazprom Neft 340,5 2,7500 (0,81%)
Surgutneftegaz 28,375 -0,0900 (-0,32%)
Tatneft 694,3 -5,7000 (-0,81%)
Bashneft 2012 9,0000 (0,45%)
Источник – Финмаркет
Tools
Длина, расстояние
000,00
Площадь
000,00
Объем
000,00
Вес
000,00
Скорость
000,00
Температура
000,00
Плотность
000,00
Давление
000,00
Сила
000,00
Объемная
скорость
000,00
Объем/Вес нефти
000,00
Плотность нефти
000,00
Объем/вес/энергия
природного газа
000,00
Объемный расход
газа
000,00
Rad
Gra
x!
(
)
С
AC
Inv
sin
ln
7
8
9
/
Pi
cos
log
4
5
6
*
e
tan
sqrt
1
2
3
-
Ans
exp
x^y
0
.
=
+

"Бурение и освоение нефтяных и газовых скважин. Терминологический словарь-справочник", Булатов А.И., Просёлков Ю.М., М.: Недра, 2007

Примеры терминов:

  • Карбонатность

    (carbonate content) общее содержание карбонатов в обломочных и глинисто-мергельных породах, устанавливаемое объёмным методом (по выделению СО2), либо по нерастворимому остатку, либо путём пересчета данных количественного определения кальция и магния из солянокислой вытяжки.

    (carbonate content) общее содержание карбонатов в обломочных и глинисто-мергельных породах, устанавливаемое объёмным методом (по выделению СО2), либо по нерастворимому остатку, либо путём пересчета данных количественного определения кальция и магния из солянокислой вытяжки.

  • Жидкости глушения для ремонта скважин

    (workover kill fluids) жидкости определённой плотности, применяемые для глушения скважины (прекращения её работы) перед началом её капитального ремонта.

    (workover kill fluids) жидкости определённой плотности, применяемые для глушения скважины (прекращения её работы) перед началом её капитального ремонта.
  • Явление конусообразования

    (coning) явление образования конуса на поверхности приподнявшегося зеркала подошвенных вод под эксплуатирующейся скважиной. Высота поднятия конуса подошвенной воды под забоем эксплуатирующейся скважины находится в прямой зависимости от депрессии пластового давления у забоя скважины, определяемой дебитом скважины.

    (coning) явление образования конуса на поверхности приподнявшегося зеркала подошвенных вод под эксплуатирующейся скважиной. Высота поднятия конуса подошвенной воды под забоем эксплуатирующейся скважины находится в прямой зависимости от депрессии пластового давления у забоя скважины, определяемой дебитом скважины.
  • Подпор бурового раствора

    (drilling mud hydrostatic upthrust) технологическая операция прокачивания бурового раствора по стволу скважины, заключающаяся в принудительной подаче бурового раствора в приёмную линию бурового насоса.

    (drilling mud hydrostatic upthrust) технологическая операция прокачивания бурового раствора по стволу скважины, заключающаяся в принудительной подаче бурового раствора в приёмную линию бурового насоса.
  • Карбонатность пород

    (rock carbonate content) наличие в обломочных породах-коллекторах больших или меньших количеств карбонатов натрия, калия, кальция, магния, железа и др. (Ф.И. Котяхов, 1956; А.А. Ханин, 1969). Наличие карбонатности предопределяет целесообразность применения кислотной обработки прискважинной зоны пласта в целях увеличения ее проницаемости.

    (rock carbonate content) наличие в обломочных породах-коллекторах больших или меньших количеств карбонатов натрия, калия, кальция, магния, железа и др. (Ф.И. Котяхов, 1956; А.А. Ханин, 1969). Наличие карбонатности предопределяет целесообразность применения кислотной обработки прискважинной зоны пласта в целях увеличения ее проницаемости.
    Каротаж потенциалов самопроизвольной поляризации (ПС) (spontaneous potential [SP] logging) один из основных методов электрического каротажа, основанный на изучении естественного стационарного электрического поля в скважинах (образование которого связано с физико-химическими процессами, протекающими на поверхностях раздела скважина  породы и между пластами различной литологии). Он позволяет решать обширный круг задач, связанных с изучением литологии пород, установлением границ пластов, проведением корреляции разрезов, выделением в разрезах пород-коллекторов, определением минерализации пластовых вод и фильтрата бурового раствора, коэффициента глинистости, пористости, проницаемости и нефтегазонасыщения пород (Д.И. Дьяконов, Е.И. Леонтьев, Г.С. Кузнецов, 1977). Или: электрический каротаж (electrical resistivity logging) метод, основанный на изучении распределения искусственного стационарного и квазистационарного электрического поля в горных породах, позволяющий по величине удельного электрического сопротивления устанавливать литологию пород, их структуру, содержание в разрезах полезных ископаемых (Д.И. Дьяконов и др., 1977). Или: электрический каротаж, основанный на измерении кажущегося удельного электрического сопротивления пород.

  • Расклинивающий материал

    (material for propping of fracture) материал, вводимый в образованную в результате гидроразрыва трещину пласта для предотвращения её смыкания (кварцевый песок, раздробленная ореховая скорлупа, стеклянные или алюминиевые шарики, боксит, пропан).

    (material for propping of fracture) материал, вводимый в образованную в результате гидроразрыва трещину пласта для предотвращения её смыкания (кварцевый песок, раздробленная ореховая скорлупа, стеклянные или алюминиевые шарики, боксит, пропан).
  • Приёмный чан для бурового раствора

    (active pit) приёмный чан, в котором хранится перемешанный, очищенный, доведенный до нужной кондиции и готовый к употреблению буровой раствор.

    (active pit) приёмный чан, в котором хранится перемешанный, очищенный, доведенный до нужной кондиции и готовый к употреблению буровой раствор.
  • Линия выклинивания пласта

    (line of pinching out, thinning out, petering out, tapering out) линия, являющаяся проекцией на плоскость условной вертикальной поверхности, за пределами которой пласт не отлагался или размыт (толщина рассматриваемого пласта на этой линии равна нулю) (З.Г. Борисенко, 1980 и др.).

    (line of pinching out, thinning out, petering out, tapering out) линия, являющаяся проекцией на плоскость условной вертикальной поверхности, за пределами которой пласт не отлагался или размыт (толщина рассматриваемого пласта на этой линии равна нулю) (З.Г. Борисенко, 1980 и др.).

Совместно с "Мультитран"
Яндекс.Метрика