بکارگیری از ظرفیت‎های سازندگان داخلی در قراردادهای نفتی

به گزارش گروه اقتصادی ایسکانیوز؛ به نقل از وزارت نفت،حبیب‎اله بیطرف، در نشست تخصصی «نقش پیوست فناوری قراردادهای نفتی ایران در اجرای راهبرد جهش فناورانه صنعت نفت» که در یازدهمین کنفرانس بین‎المللی مدیریت فناوری و نوآوری (IRAMOT ۲۰۱۷) برگزار شد، با بیان این مطلب افزود: دستاورد توافق برجام برای کشور، فراهم شدن فضای توسعه همکاری‎های جهانی بوده است و امیدواریم بتوانیم از این فرصت، برای انتقال فناوری به صنعت نفت استفاده بهینه داشته باشیم.

بیشتر بخوانید: اخباری که در وبسایت منتشر نمی‌شوند!

او که ریاست این نشست تخصصی را برعهده داشت، ادامه داد: تلاش برای جهش فناوری در صنعت نفت از ابتدای فعالیت دولت یازدهم در دستور کار وزارت نفت قرار گرفت؛ زمانی که هنوز تحریم‎های اقتصادی ناشی از قطعنامه‎های شورای امنیت جاری بود؛ پیمانکاران جهانی ایران را ترک کرده بودند؛ صادرات نفت به کمتر از یک میلیون بشکه در روز رسیده بود؛ صنعت نفت در شرایط بسیار سختی قرار داشت و انتقال و توسعه فناوری با محدودیت‎های بسیاری روبه‌رو بود.

مصادیق انتقال فناوری در صنعت نفت

بیطرف با بیان این‎که وزارت نفت در چنین شرایطی سیاست جهش فناورانه نفت را در دستور کار قرار داد، افزود: به این منظور، ۹ قرارداد توسعه فناورانه میدان‌ها در بخش بالادست صنعت نفت بین شرکت ملی نفت ایران و دانشگاه‎ها و مراکز تحقیقاتی کشور امضا شد و سپس ۱۲ قرارداد هم با هدف انتقال و توسعه فناوری در حوزه پایین دست صنعت نفت بین سه شرکت‎ اصلی وزارت نفت با دانشگاه‎ها و پژوهشگاه‎های معتبر ایرانی به امضا رسید.

او از طرح بومی‎سازی ۱۰ گروه خانواده کالاها و تجهیزات صنعت نفت به عنوان گام دیگر وزارت نفت در مسیر توسعه و انتقال فناوری یاد کرد و گفت: مناقصات ساخت این گروه‎های کالایی طی سال‎های اخیر به تدریج برگزار و قراردادهای مربوط به آنها منعقد شد و هم‎اکنون ساخت داخل این تجهیزات در دست اقدام است.

به گفته معاون وزیر نفت، تمام قراردادهای امضا شده در این حوزه، از ویژگی انتقال فناوری ساخت به شرکت سازنده ایرانی برخوردار است و وزارت نفت در این مسیر از ظرفیت‎های انجمن‎های تخصصی سازندگان تجهیزات صنعت نفت در کشور نیز بهره‎مند می‎شود.

بیطرف به تدوین مدل جدید قراردادهای نفتی نیز به عنوان رکن دیگر تلاش برای انتقال فناوری در دولت یازدهم اشاره کرد و افزود: وزارت نفت در صدد است با اجرای این مدل قراردادی، انتقال فناوری و استفاده حداکثری از ظرفیت‎های داخلی را در فرایند توسعه میادین نفت و گاز تحقق بخشد.

معاون وزیر نفت در امور مهندسی، پژوهش و فناوری به تاکید مقام معظم رهبری بر «اهمیت تعامل گسترده با دنیا» در مراسم تنفیذ حکم رئیس جمهوری دولت دوازدهم اشاره و خاطرنشان کرد: صنعت نفت از این که امروز در این زمینه پیشتاز است، خرسند است.

چالش‏‎های صنعت نفت در مسیر توسعه

بیطرف در بخش دیگری از صحبت‎های خود، به پیچیدگی‎های صنعت نفت به دلیل فناوری‎های خاص این صنعت به ویژه در بخش مهندسی مخزن اشاره کرد و گفت: استفاده از ظرفیت‎های داخلی به صورت حرفه‎ای در صنعت نفت کشور، از حدود ۲۰ سال گذشته مطرح شد و به ویژه در چهار سال اخیر مورد توجه قرار گرفت.

او یکی از دلایل اتخاذ رویکرد اتکا به ظرفیت‎های داخلی در صنعت نفت را تحریم عنوان کرد و افزود: تحریم‎ها باعث شد تکمیل پروژه‎ها با استفاده از ظرفیت‎های داخلی بیش از پیش مورد توجه قرار گیرد و خوشبختانه مدل جدید قراردادهای نفتی هم با نگاه به استفاده حداکثری از توانمندی‎های داخلی و انتقال فناوری در بخش‎های مختلف به ویژه بخش مهندسی مخزن و مدیریت پروژه تدوین شده و در دستور کار وزارت نفت قرار گرفته است.

بیطرف به غنای تحصیلات آکادمیک در رشته‎هایی مانند برق، عمران و راه و ساختمان و سابقه طولانی تدریس این رشته‎ها در دانشگاه‎های معتبر کشور اشاره کرد و افزود: متاسفانه پرداختن به رشته‎های اختصاصی نفت در دانشگاه‎های ایران محدود بوده و عمده آموزش در این حوزه به فعالیت‏‎های دانشکده نفت آبادان مربوط می‎شده است.

به گفته این مقام مسئول، در دولت‎های هفتم و هشتم بود که با تاکید مهندس زنگنه، بحث توسعه رشته‎‎های مهندسی نفت در دیگر دانشگاه‎ها مورد توجه وزارت علوم و متعاقب آن، ارائه این رشته‎های تحصیلی در برنامه دانشگاه‎های معتبر کشور قرار گرفت؛ این چنین است که بر خلاف سال ۷۶ که تعداد اعضای هیئت علمی دانشگاه‎های کشور در رشته مهندسی نفت شاید به ۱۰ نفر هم نمی‎رسید، امروز بیش از ۱۰۰ نفر دانش‎آموخته این رشته به عنوان عضو هیئت علمی باسابقه در دانشگاه‎های معتبر ایرانی فعالیت می‎کنند.

قراردادهای جدید نفتی؛ فرصتی مناسب برای شرکت‎های E&P ایرانی

بیطرف در این نشست با اشاره به معرفی ۱۷ شرکت ایرانی توانمند برای فعالیت در قالب اکتشاف و تولید، یادآور شد: این شرکت‎ها E&P نیستند؛ بلکه از ظرفیت بالقوه برای تبدیل شدن به شرکت‎های E&P برخوردارند.

او ادامه داد: هم‎اکنون ظرفیت کشور در این حوزه محدود به شرکت‎هایی است که معرفی شده‎اند و اجرای مدل جدید قراردادهای نفتی، فرصت خوبی برای توسعه همکاری‎های جهانی این شرکت‎ها با شرکت‎های معتبر خارجی فراهم کرده است.

بیطرف ابراز امیدواری کرد که این شرکت‎ها بتوانند در آینده‎ای نزدیک، خود به صورت شرکت اکتشاف و تولید مستقل و به عنوان طرف قرارداد شرکت ملی نفت ایران همکاری کنند و در سطح منطقه نیز به عنوان شرکت نفتی توانمند حضور یابند.

بر اساس این گزارش، نشست تخصصی «نقش پیوست فناوری قراردادهای نفتی ایران در اجرای راهبرد جهش فناورانه صنعت نفت»، در چهاردهمین کنفرانس بین‎المللی ASLALICS ۲۰۱۷ و یازدهمین کنفرانس جهانی مدیریت فناوری و نوآوری (IRAMOT ۲۰۱۷)، پیش از ظهر امروز (چهارشنبه، هشتم شهریور ماه) برگزار شد.

ریاست این نشست تخصصی بر عهده حبیب‎اله بیطرف، معاون وزیر نفت در امور مهندسی، پژوهش و فناوری بود و غلامرضا منوچهری، معاون توسعه و مهندسی شرکت ملی نفت ، رضا خیامیان، رئیس هیئت مدیره انجمن سازندگان تجهیزات صنعت نفت، محمدرضا طبیب‎زاده، عضو هیئت مدیره انجمن شرکت‎های مهندسی و پیمانکار صنعت نفت و ناصر باقری مقدم، سرپرست معاونت پژوهشی مرکز تحقیقات سیاست علمی کشور به عنوان سخنرانان در این نشست حضور داشتند.

420

منبع: ایسکانیوز

درخواست حذف خبر:

«خبربان» یک خبرخوان هوشمند و خودکار است و این خبر را به‌طور اتوماتیک از وبسایت www.iscanews.ir دریافت کرده‌است، لذا منبع این خبر، وبسایت «ایسکانیوز» بوده و سایت «خبربان» مسئولیتی در قبال محتوای آن ندارد. چنانچه درخواست حذف این خبر را دارید، کد ۱۴۵۷۷۸۱۹ را به همراه موضوع به شماره ۱۰۰۰۱۵۷۰ پیامک فرمایید. لطفاً در صورتی‌که در مورد این خبر، نظر یا سئوالی دارید، با منبع خبر (اینجا) ارتباط برقرار نمایید.

با استناد به ماده ۷۴ قانون تجارت الکترونیک مصوب ۱۳۸۲/۱۰/۱۷ مجلس شورای اسلامی و با عنایت به اینکه سایت «خبربان» مصداق بستر مبادلات الکترونیکی متنی، صوتی و تصویر است، مسئولیت نقض حقوق تصریح شده مولفان در قانون فوق از قبیل تکثیر، اجرا و توزیع و یا هر گونه محتوی خلاف قوانین کشور ایران بر عهده منبع خبر و کاربران است.

خبر بعدی:

داده‌های آموزشی هوش مصنوعی عرصه جدید رقابت شرکت‌های بزرگ فناوری

به گزارش خبرنگار مهر؛ با ظهور و توسعه روزافزون هوش مصنوعی طی سال‌های اخیر، این فناوری تحول‌آفرین به بخشی جدایی ناپذیر از صنایع مختلف تبدیل شده است و فرآیندها و تصمیم‌گیری ها را به شکلی عمیق تحت تأثیر قرار داده است. همین امر سبب ظهور رقابتی شدید میان شرکت‌های فناوری برای عرضه ارائه خدمات مبتنی بر هوش مصنوعی شده است. در چنین شرایطی، داده‌های آموزشی در کنار توان محاسباتی و الگوریتم‌ها، یکی از ارکان اساسی و تعیین کننده در توسعه این فناوری محسوب می‌شوند. داده‌های آموزشی به عنوان پایه‌ای برای الگوریتم‌های یادگیری ماشینی جهت یادگیری و بهبود عملکرد هوش مصنوعی عمل می‌کنند و همین امر، دستیابی به داده‌های مذکور را در مرکز رقابت استارتاپ‌های هوش مصنوعی و غول‌های فناوری قرار داده است. بازیگران کلیدی این عرصه، رقابت برای دستیابی به داده‌های آموزشی با کیفیت بالا را آغاز کرده‌اند.

داده‌های آموزشی هوش مصنوعی (AI training data) به مجموعه اطلاعات مورد استفاده برای آموزش مدل‌های هوش مصنوعی اطلاق می‌شود. بسته به نوع مدل هوش مصنوعی در حال توسعه، این داده ها می‌توانند به اشکال مختلفی مانند متن، تصویر، ویدئو یا داده‌های عددی مورد استفاده قرار گیرند.

به عقیده طیف گسترده‌ای از کارشناسان، داده‌های آموزشی آینده نوآوری در حوزه هوش مصنوعی را شکل می‌دهند.

نقش داده‌های آموزشی در توسعه هوش مصنوعی

داده‌های آموزشی نقش مهمی در شکل دادن به رفتار و قابلیت‌های الگوریتم‌های هوش مصنوعی ایفا می‌کنند. توسعه‌دهندگان می‌توانند با قرار دادن مدل‌های یادگیری ماشینی در معرض مقادیر زیادی از داده‌های آموزشی برچسب‌گذاری شده، آن‌ها را برای تشخیص الگوها، پیش‌بینی و انجام وظایف با دقت بالا آموزش دهند. همه انواع متنوع برنامه‌های مبتنی بر هوش مصنوعی از جمله تشخیص تصویر، پردازش زبان طبیعی یا رانندگی خودکار، برای دستیابی به عملکرد بهینه و افزایش توان، به شدت به مجموعه‌های داده آموزشی متنوع و غنی متکی هستند.

شرکت‌های بزرگ فناوری و داده‌های آموزشی هوش مصنوعی

غول‌های فناوری آمریکایی مانند گوگل، آمازون، متا، مایکروسافت و اپل در خط مقدم تحقیق و توسعه هوش مصنوعی قرار دارند و از منابع وسیعی برای عبور از مرزهای نوآوری و پیش‌برد فناوری استفاده می‌کنند. به عقیده کارشناسان، این شرکت‌ها اهمیت استراتژیک داده‌های آموزشی را در افزایش قابلیت‌های سیستم‌های هوش مصنوعی خود و به دست آوردن مزیت رقابتی در بازار می‌شناسند. در نتیجه، رقابت شدیدی بین غول‌های فناوری برای به دست آوردن داده‌های آموزشی با کیفیت بالا وجود دارد که می‌تواند به ابتکارات فناورانه آن‌ها در بخش هوش مصنوعی کمک کند.

چالش‌ها در دستیابی به داده‌های آموزشی

در حالی که با توسعه روزافزون هوش مصنوعی و نیاز رو به رشد بازار تقاضا برای داده‌های آموزشی همچنان در حال افزایش است، شرکت‌ها با چالش‌های مختلفی در دسترسی به منابع و استفاده مؤثر از داده‌ها مواجه هستند. نگرانی‌های حریم خصوصی داده‌ها با قوانینی از جمله مانند مقررات عمومی حفاظت از داده اروپا (GDPR) که دستورالعمل‌های سخت‌گیرانه‌ای را در مورد جمع‌آوری و استفاده از داده‌های شخصی اعمال می‌کند، به یک موضوع مهم تبدیل شده است. علاوه بر این، اطمینان از تنوع و نمایندگی داده‌های آموزشی برای جلوگیری از تعصب، سوگیری و اطمینان از استحکام مدل‌های هوش مصنوعی ضروری است.

راهبردهای موجود برای تولید داده‌های آموزشی

شرکت‌های بزرگ فناوری برای مقابله با چالش‌های موجود در مسیر دستیابی به داده‌های آموزشی، در حال بررسی استراتژی‌های نوآورانه جهت تولید مجموعه داده‌های متنوع و با کیفیت هستند. در چنین شرایطی پلتفرم‌های جمع‌سپاری به سازمان‌ها این امکان را می‌دهند که داده‌ها را از مجموعه بزرگی از مشارکت‌کنندگان جمع‌آوری کنند و آن‌ها را قادر می‌سازد تا مجموعه داده‌های خود را به طور مؤثر مقیاس‌بندی کنند. علاوه بر این، تکنیک‌های تولید داده مصنوعی برای تقلید سناریوهای دنیای واقعی نیز بخشی کلیدی از داده‌های آموزشی هستند که از سوی شرکت‌ها مورد استفاده قرار می‌گیرند.

تأثیر کیفیت داده‌های آموزشی بر عملکرد هوش مصنوعی

کیفیت داده‌های آموزشی به طور مستقیم بر عملکرد و قابلیت اطمینان مدل‌های هوش مصنوعی تأثیر می‌گذارد. مجموعه داده‌های ضعیف یا دارای سوگیری می‌توانند منجر به پیش‌بینی‌های نادرست شوند و تعصبات موجود در سیستم‌های هوش مصنوعی را تقویت کنند. برای کاهش این مسائل، شرکت‌ها باید فرآیندهای تضمین کیفیت داده‌ها را اولویت بندی کنند و اقداماتی را برای شناسایی و اصلاح سوگیری‌ها در داده‌های آموزشی خود اجرا کنند.

چارچوب‌های قانونی برای داده‌های آموزشی هوش مصنوعی

در طول سال‌های اخیر و به منظور پاسخ به نگرانی‌های فزاینده در مورد حفظ حریم خصوصی داده‌ها و اخلاقیات، برخی چارچوب‌های نظارتی برای کنترل مدیریت داده‌های آموزشی در توسعه هوش مصنوعی ایجاد شده‌اند. از همین روی، شرکت‌ها ملزم به رعایت مقررات حفاظت از داده‌ها و اطمینان از شفافیت در شیوه‌های جمع آوری داده‌های خود هستند. رعایت این مقررات برای ایجاد اعتماد در میان کاربران و ذی‌نفعان و کاهش خطرات مرتبط با سو استفاده از داده‌ها ضروری است.

روندهای آینده در داده‌های آموزشی هوش مصنوعی

با نگاهی به آینده، انتظار می‌رود که پیشرفت در روش‌های جمع‌وری منابع داده، کیفیت و تنوع داده‌های آموزشی در دسترس توسعه‌دهندگان هوش مصنوعی را افزایش دهد. تکنیک‌هایی مانند شبکه‌های زایای دشمن‌گونه (Generative Adversarial Networks) یادگیری انتقالی (transfer learning)، مدل‌ها را قادر می‌سازد که از منابع داده محدود استفاده کنند و به طور مؤثر وظایف جدید را بیاموزند. علاوه بر این، اتخاذ رویکردهای یادگیری فدرال (federated learning) امکان آموزش غیرمتمرکز در مجموعه داده‌های توزیع شده را فراهم و حریم خصوصی داده‌ها را حفظ می‌کند. این مدل‌ها همچنین عملکرد مدل را بهبود می‌بخشند.

نتیجه‌گیری

رقابت بین شرکت‌های بزرگ فناوری برای به دست آوردن داده‌های آموزشی هوش مصنوعی بر اهمیت استراتژیک داده‌ها در هدایت نوآوری این فناوری افزوده است. از آنجایی که شرکت‌ها پیچیدگی‌های جمع‌آوری و استفاده از داده‌ها را درک می‌کنند، اطمینان از کیفیت، تنوع و انطباق آن‌ها با مقررات بسیار مهم و حیاتی شده است. سازمان‌ها با قرار گرفتن در خط مقدم روندهای نوظهور تولید و استفاده از داده‌های آموزشی، می‌توانند از پتانسیل کامل فناوری هوش مصنوعی بهره ببرند و راه حل‌های تأثیرگذاری را برای چالش‌های جهانی این حوزه ارائه دهند.

چشم‌انداز داده‌های آموزشی هوش مصنوعی، با پیشرفت در تکنیک‌های جمع‌آوری و افزایش حجم داده‌ها، به طور مداوم در حال تغییر است. با ادامه رشد تقاضا برای برنامه‌های کاربردی هوش مصنوعی در صنایع، نیاز به داده‌های آموزشی با کیفیت بالا و متنوع افزایش می‌یابد. در چنین شرایطی شرکت‌هایی که می‌توانند به‌طور مؤثر چالش‌های کسب و استفاده از داده‌های آموزشی را پشت سر بگذارند، در بازار هوش مصنوعی مزیت رقابتی به دست خواهند آورند و نوآوری در این زمینه را هدایت خواهند کرد.

در عصر پیشرفت سریع هوش مصنوعی، رقابت برای داده‌های آموزشی این حوزه صرفاً به دست آوردن حجم وسیعی از داده‌ها نیست؛ بلکه اطمینان از کیفیت، ارتباط و استفاده اخلاقی از داده‌ها نیز مسائل کلیدی این حوزه محسوب می‌شوند. شرکت‌ها می‌توانند با اولویت دادن به یکپارچگی و تنوع داده‌ها، مدل‌های هوش مصنوعی قوی، بی‌طرفانه و توانمند بسازند. با تشدید رقابت بین شرکت‌های بزرگ فناوری، کسب مزیت در استفاده از داده‌های آموزشی همچنان یک تمایز کلیدی در چشم‌انداز هوش مصنوعی خواهد بود.

کد خبر 6096023