FL Гид
Кейсы
Нефть и газ

Нефть и газ

Конфиденциальные ML-вычисления в нефтегазовой сфере

Отрасль:
Нефть и газ
Метод шифрования:
Полностью гомоморфное шифрование
Тип данных:
Таблица
Алгоритм обучения:
Логистическая регрессия
Задача:
Диагностика выноса песка

Заказчик

Группа компаний, состоящая из более чем 20 предприятий, занимающихся диагностикой притока и целостности всей системы нефтяных и газовых скважин, от ствола скважины до пласта, что позволяет их клиентам принимать лучшие решения и повышать эффективность активов.

Среди специализаций Заказчика: диагностика через барьер, оценка дебита скважин и пластов, оценка целостности скважин, оценка пласта в масштабах всего месторождения [многослойная, межскважинная], моделирование измерений, нефть и газ, энергетика.

Заказчик вкладывает значительную часть выручки в НИОКР, сотрудничая с университетами и партнёрами для развития диагностики. Они разрабатывают программы, собирают данные, создают инструменты и ПО, интерпретируют данные, что делает их лидером в диагностике через барьеры.

Среди специализаций заказчика:
  • Диагностика сквозь барьеры
  • Оценка дебита скважин и пластов
  • Оценка целостности скважины
  • Оценка пласта месторождения: многослойная, межскважинная
  • Моделирование измерений
  • Нефть, газ и энергетика

Задача

Нефтяные компании тщательно защищают свои данные. Доступ к ним строго контролируется как между конкурентами, так и внутри компании, между разными отделами. Сохранение конфиденциальности таких данных является приоритетом, особенно когда законодательство запрещает вывоз данных за границу.

С другой стороны, компании активно развивают предиктивную диагностику скважин с использованием методов искусственного интеллекта. Явным препятствием на пути развития ML-алгоритмов является нежелание или неспособность владельцев данных делиться своими данными с ML-разработчиками из-за потенциальных угроз, таких как утечки, кражи и незаконное использование.

В данном случае речь идёт об обнаружении песка на объектах добычи и хранения нефти и газа.

В процессе добычи и хранения газа, газового конденсата и нефти операторы по всему миру сталкиваются с проблемой выноса песка из скважин.

Вынос песка вызывает поломки оборудования, снижает эффективность скважин и увеличивает затраты на эксплуатацию.
Эта проблема остро стоит в нефтегазовой отрасли, как на добывающих скважинах, так и в подземных хранилищах нефти и газа.

Решение — это система с ML-моделями для обнаружения выноса песка на объектах добычи и хранения нефти и газа, обученная на больших данных из разных источников.

Для соблюдения конфиденциальности и обучения моделей данные от разных организаций обменивались в зашифрованном виде.

Защита данных была обеспечена на всех этапах, включая обучение и вывод результатов.

Полностью гомоморфное шифрование Guardora

Защита данных на стороне владельца
Передача защищённых данных команде ML
Хранение защищённых данных
Обучение ML-модели на защищённых данных
Анализ качества ML-модели на защищённых данных
Возврат результатов модели в защищённом виде
Снятие защиты и интерпретация полученных результатов владельцем данных
Инференс

Решение

Машинное обучение на зашифрованных данных.

Guardora обеспечила полное обучение ML-модели на зашифрованных данных с последующим выводом на зашифрованных образцах.

Если модель расшифрована, её можно применять на открытых данных с аналогичными характеристиками. Это удобно, когда обучение происходит в облаке, а затем модель используется на своих ресурсах или открытых данных.

Точность = 0.73585
Результат обучения на открытых данных для логистической регрессии с двумя параметрами
Точность FHE = 0.72453
Результат обучения на полностью гомоморфно зашифрованных данных логистической регрессии с двумя параметрами
Вывод зашифрованных данных.

Guardora также обучила модель на открытых данных, а затем адаптировала её для вывода зашифрованных образцов.

Обучающая выборка не содержала секретных данных, но последующая обработка касалась конфиденциальной информации.

Точность = 0.86792
Результат вывода по незашифрованным образцам на классификаторе XGBoost, обученном на открытых данных с двумя параметрами
Точность = 0.84960
Результат вывода зашифрованных образцов FHE на адаптированном классификаторе XGBoost, обученном на открытых данных с двумя параметрами

Результаты

В пилотном проекте приняли участие 4 компании (Заказчик, 2 конечных пользователя и Guardora).
Объём данных по выносу песка для совместного обучения был получен с 11 скважин 2 конечных пользователей.
Геофизические данные оставались в пределах владельцев, передавались только в зашифрованном виде.
Совместная модель формировалась на сервере на основе зашифрованной информации о модели от обоих пользователей.
Точность модели выявления песка выросла с 70% до 85%.
Внесены существенные коррективы в планирование капитального ремонта скважин на 3, 6 и 12 месяцев.
Незапланированные ремонты были сведены к минимуму.
Уменьшилось время простоя скважин перед ремонтом.
Устранено экологическое воздействие от утечек углеводородов.
Экономия и оптимизация затрат благодаря предиктивной аналитике скважин составили около 200 миллионов долларов в год.
Запланированы работы по прогнозированию коррозии скважин.

Часто задаваемые вопросы

Какую задачу решает этот кейс из нефтегазовой отрасли?
Кейс охватывает две взаимосвязанные проблемы нефтегазовой отрасли.
1. Вынос песка из скважин — выносимый при добыче или хранении песок приводит к поломкам оборудования, снижению производительности и росту операционных затрат. Решение — ML-диагностика для прогнозирования.
2. Конфиденциальность данных, блокирующая развитие ML — нефтегазовые компании предельно защищают свои геофизические данные как из-за конкурентной чувствительности, так и потому, что некоторые юрисдикции юридически запрещают вывоз данных за границу. Без безопасного способа обмена ML-команды не могут эффективно обучать модели. Полностью Гомоморфное Шифрование (FHE) Guardora решает обе проблемы: обеспечивает совместное обучение ML на зашифрованных данных, чтобы несколько владельцев могли сотрудничать, никогда не раскрывая исходные записи.
Как FHE работает в обмене данными нефтегаза?
Рабочий процесс состоит из семи этапов, выполняемых end-to-end на зашифрованных данных.
1. Владельцы данных шифруют геофизические данные скважин на собственной инфраструктуре.
2. Зашифрованные данные передаются ML-команде.
3. Хранение зашифрованных данных на обучающей инфраструктуре.
4. Обучение ML-модели идёт прямо на зашифрованных данных — обучающая инфраструктура никогда не видит plaintext.
5. Контроль качества модели тоже на зашифрованных данных.
6. Возврат результатов модели в зашифрованной форме.
7. Снятие защиты и интерпретация результатов владельцем данных. Критически: геофизические данные никогда не покидают доверенные границы владельцев в незашифрованном виде, что обеспечивает как контрактную конфиденциальность, так и соблюдение применимых законов о локализации (152-ФЗ в РФ).
Какова точность — снижает ли FHE качество ML?
Потеря точности от FHE мала. Логистическая регрессия с двумя параметрами: обучение на открытых данных дало точность 0.73585; обучение на FHE-зашифрованных данных — 0.72453 — потеря около 1.5 п.п. XGBoost-классификатор: инференс на незашифрованных образцах достиг 0.86792; инференс на FHE-зашифрованных через FHE-адаптированный XGBoost — 0.84960 — потеря около 2.1 п.п. Совместная модель обнаружения песка (несколько владельцев данных, объединяющих зашифрованные данные) выросла с 70% до 85% — прирост в 15 п.п., который дала совокупность данных, многократно перекрывая малую цену FHE. Центральный вывод: скромная потеря FHE незначительна по сравнению с приростом точности от многосторонней агрегации данных.
Почему FHE, а не федеративное обучение для нефтегаза?
Обе техники имеют валидные сценарии; этот кейс выбрал FHE по конкретным причинам. Сильные стороны FHE в этом сценарии: (а) сама обученная модель остаётся зашифрованной и применимой для инференса на зашифрованных образцах — удобно, когда модель обучается в облаке или на сторонних зашифрованных данных и затем используется на собственных ресурсах или открытых данных; (б) защита покрывает весь пайплайн, включая обучение и инференс, а не только передачу градиентов; (в) владельцы данных сохраняют абсолютный криптографический контроль — ML-команда никогда ничего не видит расшифрованным. Федеративное обучение (например, Guardora VFL) предпочтительно для вертикальных коллабораций двух сторон, объединяющих разные feature-столбцы об одних и тех же сущностях (банк + бюро кредитных историй про одних клиентов). Для нескольких владельцев нефтегазовых данных, объединяющих похожие столбцы про разные скважины, FHE подошёл лучше.
Каков бизнес-эффект этого внедрения?
В пилотном проекте участвовали 4 компании (Заказчик + 2 конечных пользователя + Guardora), обучение шло на данных с 11 скважин. Конкретные результаты: (а) Точность совместной модели обнаружения песка выросла с 70% до 85%. (б) Существенные коррективы в планировании капремонтов на горизонтах 3, 6 и 12 месяцев. (в) Незапланированные ремонты были сведены к минимуму. (г) Сокращено время простоя скважин в ожидании ремонта. (д) Устранено экологическое воздействие от утечек углеводородов. (е) Прямая экономия и оптимизация затрат от предиктивной аналитики состояния скважин: ~200 млн USD в год. (ж) Запланирована работа по прогнозированию развития коррозии в скважинах. Цифра 200 млн делает этот кейс одним из наиболее ROI-эффективных публично задокументированных внедрений конфиденциального ML в нефтегазовом секторе.
Какие ML-алгоритмы работают с Guardora FHE — только логистическая регрессия?
Кейс демонстрирует два алгоритма в продакшене: логистическую регрессию (полное FHE-обучение и инференс end-to-end) и XGBoost-классификатор (FHE-адаптированный, где обучение на открытых данных, а инференс — на зашифрованных). FHE-реализация Guardora расширяется на дополнительные табличные ML-алгоритмы по запросу клиентов. Важная оговорка: вычислительная стоимость FHE растёт с сложностью модели. Глубокие нейросети остаются сложными под полностью гомоморфными схемами из-за нелинейных функций активации, хотя исследования FHE-дружественных аппроксимаций активны. Для табличных ML-задач (как обнаружение песка) логистическая регрессия и tree-based классификаторы дают правильный баланс точности и вычислительной выполнимости под FHE.
Соответствует ли FHE требованиям локализации данных?
Да — это один из сильнейших юридических аргументов в пользу FHE. Данные никогда не покидают свою юрисдикцию в открытом виде. Зашифрованные данные, пересекающие границы, трактуются иначе под большинством режимов защиты данных (GDPR Article 4(1) определяет персональные данные как относящиеся к «идентифицированному или идентифицируемому» лицу — зашифрованные данные, которые невозможно реидентифицировать, обычно считаются вне рамок персональных данных согласно Recital 26 GDPR). Российский Федеральный закон 152-ФЗ о локализации персональных данных также соблюдается: персональные данные физически остаются в российской инфраструктуре; только зашифрованные результаты вычислений пересекают границы. Для фармы, здравоохранения и нефтегаза — секторов с жёсткими требованиями локализации — FHE часто представляет наиболее соответствующий подход к многосторонней ML-коллаборации.
Как этот кейс связан с другими продуктами Guardora (VFL)?
Коммерческие предложения Guardora охватывают несколько примитивов конфиденциального ML. Guardora VFL (вертикальное федеративное обучение) — флагманский продукт для двусторонних коллабораций по табличному ML, например, банк и бюро кредитных историй, объединяющие feature-столбцы. FHE-возможности Guardora (продемонстрированные в этом кейсе из нефтегаза) — отдельный, но дополняющий примитив для сценариев, где требуется end-to-end шифрование всего ML-пайплайна. Guardora FFT (федеративный файнтюнинг) покрывает дообучение foundation-моделей в федеративном режиме. Эти примитивы выбираются под конкретный use case — иногда применяются в комбинации. Владельцам нефтегазовых данных, рассматривающим аналогичное развёртывание, можно обратиться в Guardora для scoping-сессии по подбору оптимального микса примитивов.