08:30 – 09:00

Abertura/IEEE CIS

Harold de Mello Junior (UERJ) – IEEE CIS Rio Chapter Chair

Marley Vellasco (PUC-Rio) – IEEE CIS Conferences Committee Chair

09:00 – 10:00

Otimização de estratégias de controle, localização e quantidade de válvulas de poços inteligentes com computação evolucionária de variáveis híbridas

Resumo

Devido aos altos custos associados às tecnologias de extração de óleo e à complexidade dos novos reservatórios de petróleo, há a necessidade de sistemas que apoiem a tomada de decisão nesta área. As tecnologias de campos inteligentes permitem flexibilidade e maior capacidade de gestão, o que torna possível o máximo aproveitamento de um reservatório de petróleo. Campos inteligentes são compostos de Poços Inteligentes, os quais possuem sensores que recebem os dados de produção de determinados setores do poço, e possuem equipamentos, tal como a Válvula de Controle de Influxo (VCI), que possui múltiplos pontos de abertura e é ajustada, automaticamente ou com intervenção do operador, para maximizar a produção de óleo. A otimização de controle das válvulas ao longo do ciclo de vida do reservatório vem sendo objeto de pesquisa, mas ainda há poucos estudos sobre a escolha ótima da localização das válvulas nos poços. Este trabalho apresenta uma metodologia de otimização flexível e capaz de otimizar tanto o controle proativo (previsão de evento indesejado) quanto a quantidade e localização das válvulas ao longo do ciclo de vida do reservatório. Nesse problema, o alto número de variáveis envolvidas e o esforço de simulação do comportamento do reservatório torna métodos de otimização tradicionais ineficientes para resolver o problema no tempo adequado. O objetivo é a maximização do Valor Presente Líquido (VPL) do reservatório. Para avaliar e validar o método proposto, foi utilizado um reservatório sintético com características geológicas que permitem a interpretação visual dos resultados, além de um reservatório com aquífero (subconjunto de campo real) com duas alternativas de desenvolvimento, uma com poços multilaterais e outra com poços horizontais.

Luciana Faletti (CEFET/RJ)

10:15 – 10:55

Smart Tocha – Inteligência artificial para monitoramento da tocha em refinaria

Resumo

Embora seja inerente ao seu processo produtivo, a queima de gases na tocha em uma refinaria é uma operação que se busca minimizar. Essa queima ocorre por motivos de segurança operacional e ambiental. Para garantir essa segurança, unidades de processamento de petróleo contam com o sistema de tocha, onde a qualidade da queima dos gases é controlada através do consumo de utilidades, como por exemplo, o vapor d’água direcionado para a tocha. Aplicando técnicas de aprendizado de máquina e visão computacional o Smart Tocha processa as imagens da queima de forma contínua identificando o estado e a altura da tocha, e pode atuar diretamente no sistema de controle industrial. O processo classificação da tocha foi construído usando DNN (Deep Neural Networks) para determinar a condição da chama. Utilizando técnicas de Data Augmentation e Transfer learning foi possível aumentar diversidade das imagens de treinamento e melhorar a performance desse modelo. Para considerar a relação temporal entre os frames do stream de dados foram utilizadas técnicas de visão computacional para determinar a altura da tocha em conjunção com heurísticas para filtrar e estabilizar as classificações que são enviadas para o sistema de controle. O sistema de controle por usa vez pode atuar diretamente na válvula de vazão de vapor d’água para alterar classificações indesejáveis. Esse processo mantém a queima segura para o meio ambiente, minimiza as emissões de gases de efeito estufa e poupa recursos relativos ao consumo de utilidades. Smart Tocha está implantado na REPAR e em desenvolvimento para outras refinarias. Este é um projeto de P&D ágil da iniciativa de co-criação entre a Petrobras e a EXACTA PUC-Rio.

André Kuramoto (PETROBRAS)

11:10 – 11:50

Predição da litologia por machine learning utilizando perfis de perfuração 

Resumo

A indústria do petróleo está entre uma das atividades mais importantes e caras no mundo, atraindo muita atenção e esforço. Os custos envolvidos na exploração estimulam estudos que visam o aumento do conhecimento que promova a redução das despesas com as atividades do processo de prospecção, exploração e refino. Neste contexto, a utilização de algoritmos capazes de predizer com maior acurácia a litologia, que está estreitamente relacionada à caracterização de reservatórios, tornam-se conhecimentos valiosos. Este trabalho se insere nesse contexto e tem por objetivo a inferência da litologia na área da bacia de petróleo a partir de modelos de Machine Learning, tais como: k-Nearest Neighbors, Random Forest e Redes Neurais, utilizando um número menor de perfis de perfuração. Os resultados mostraram se promissores, podendo ser utilizados no processamento de log de poços para discriminação litológica.

Karla Figueiredo (UERJ)

14:00 – 15:00

Otimização multiobjetivo da programação de petróleo em refinaria por programação genética em linguagem específica de domínio 

Resumo

A programação da refinaria compreende um grupo de decisões que visa a otimizar a alocação de ativos, o sequenciamento de atividades e a realização temporal dessas atividades. Essa programação deve atingir vários objetivos, considerando diferentes tipos de restrições. A operação ininterrupta da unidade de processamento, os recebimentos pontuais dos lotes de petróleo e a minimização da troca de tanques coexistem no raciocínio diário de um programador. No entanto, normalmente não há trabalhos que abranjam aspectos operacionais diversos, como objetivos operacionais múltiplos, tempo de decantação e número ilimitado de petróleos misturados em quaisquer tanques. Sendo assim, propõe-se um novo algoritmo, que integra conceitos de programação genética com uma abordagem por inspiração quântica, para se criar programas que representem soluções de programação de petróleo para uma dada refinaria. A função de aptidão é composta por quatro objetivos que orientam a evolução com base na importância predefinida pelo tomador de decisão. Propõe-se uma taxa de sucesso para avaliar o desempenho do algoritmo, considerando-se 50 execuções para cada caso. Uma solução final é considerada como bem-sucedida se os dois objetivos mais importantes forem otimizados. Avaliou-se tal abordagem a partir de cinco cenários diferentes de uma refinaria real e três deles alcançaram um índice de sucesso de 100%.

Douglas Dias (UERJ)

15:15 – 16:15

Inteligência computacional e aplicações em óleo e gás

Resumo

Recentemente, redes neurais têm obtido excelentes resultados em problemas complexos como visão computacional e reconhecimento de fala, entre outros. Estes modelos, chamados de redes neurais de aprendizagem profunda (deep learning) conseguem extrair representações dos dados de entrada em diferentes níveis de abstração, por meio de camadas de processamento sequencial. Diversos setores lidam rotineiramente com grandes bases de dados que podem utilizar as ferramentas de aprendizagem profunda. Este seminário visa apresentar as principais técnicas de machine learning com ênfase nos avanços recentes de aprendizagem profunda e aplicações no setor de Petróleo.

Alexandre Evsukoff (COPPE/UFRJ)

16:30 – 17:30

Smart Cities & Inteligência Computacional: Uma parceria de sucesso no segmento de logistica e transportes

Resumo

Nesta palestra, vamos abordar novas tecnologias conjugando conceitos de cidades inteligentes (CI) e inteligência computacional (IC) para a área de Logística & Transportes. Serão abordadas algumas técnicas inovadoras aplicadas a um conjunto de Problemas encontrados no segmento de Óleo & Gás. Dentre as aplicações devemos incluir: Problemas de roteamento e scheduling de veículos tripulados e não tripulados (drones), incluindo percursos otimizados de: sondas de manutenção (workover rig scheduling problem); transportes de funcionários e/ou produtos; serviços de inspeção por robôs aéreos (VANTs – Drones), terrestres ou aquáticos; Problemas de Otimização de Portfólios entre outros.

Luiz Satoru (UFF)

08:30 – 09:00

Algoritmos evolucionários multiobjetivos aplicados à programação de produção em refinaria

Resumo

A programação de produção em refinaria pode ser compreendida como decisões que buscam otimizar alocação de recursos, o sequenciamento de atividades e a sua realização temporal, respeitando restrições e visando ao atendimento de múltiplos objetivos. Apesar da complexidade e natureza combinatória, a atividade carece de sistemas sofisticados que auxiliem o processo decisório, especialmente baseadas em otimização, pois as ferramentas mais utilizadas são planilhas ou softwares de simulação. A diversidade de objetivos do problema não implica em equivalência de importância. Pode-se considerar que existem grupos, onde os que afetam diretamente a capacidade produtiva da refinaria se sobrepõem aos associados à maior estabilidade operacional. Este trabalho propõe o desenvolvimento de algoritmos multiobjetivos para programação de petróleo em refinaria. As propostas se baseiam em conceituadas técnicas da literatura multiobjetivo, como dominância de Pareto e decomposição do problema, integradas à programação genética com inspiração quântica. A diferenciação dos grupos de objetivos é avaliada com base em critérios estabelecidos para considerar uma solução proposta como aceitável. Os modelos são testados em cenários de uma refinaria real e os resultados são comparados com um modelo que trata os objetivos de forma hierarquizada. As abordagens baseadas em dominância e em decomposição apresentam vantagem sobre o algoritmo hierarquizado, e a decomposição é superior. Neste trabalho é obtido mais de um modelo multiobjetivo capaz de oferecer um conjunto de soluções que atendam aos objetivos críticos e deem flexibilidade de análise a posteriori para o programador de produção.

Cristiane Salgado (PETROBRAS)

09:00 – 10:00

Estimativa de permeabilidade em reservatórios carbonáticos na bacia de Campos usando técnicas de mineração de dados e aprendizado de máquina, juntamente com dados de perfil de poço

Resumo

A permeabilidade é uma das propriedades petrofísicas essenciais dos reservatórios de hidrocarbonetos, o que tem se mostrado difícil de prever, principalmente quando falamos de reservatórios carbonáticos heterogêneos. Hoje em dia, os modelos de Mineração de Dados (MD) e Aprendizado de Máquina (AM) como Análise Discriminante, Árvores de Decisão (AD), Naive Bayes (NB), Vizinho Mais Próximo (VMP), Máquina de Vetor de Suporte (MVS) e Classificadores de Ensemble são importantes modernos técnicas de previsão de permeabilidade, devido ao seu bom desempenho e capacidade preditiva superior, podem ser aplicadas tanto em pesquisas científicas quanto no aumento da lucratividade da empresa petrolífera madura, inovadora e competitiva. Este estudo mostrou os potenciais dos modelos MD e AM para prever a permeabilidade usando dados de perfis de poços: raios gama (GR), densidade (RHOB), Sonic (DT), Porosidade de Nêutrons (NPHI) como dados de entrada e Permeabilidade de Schlumberger-Doll-Research (SDR) como um alvo. Todos esses dados de perfilagem de poços são usados nesta pesquisa para estudar a propriedade petrofísica de poços de petróleo carbonato no Brasil por meio de tecnologias modernas e sua substituição de métodos tradicionais e comparar os resultados entre poços de carbono no mesmo campo de petróleo.

Mohammad Saad (UENF)

10:15 – 10:55

IAGO – Inteligência artificial para gestão de odores em refinaria.

Resumo

Emissões de compostos odoríferos por unidades industriais não são incomuns, mas eventualmente podem causar desconforto nas comunidades do seu entorno. O diagnóstico das possíveis causas é complexo e demorado, podendo levar tempo para que a mesma seja corrigida. A proposta do projeto IAGO é desenvolver uma ferramenta de suporte a decisão usando Aprendizado de Máquina para que seja possível agir preventivamente nas causas de emissão de odor, alertando a equipe de operação da refinaria sobre o aumento da probabilidade de seu processo produtivo causar odor que incomode as comunidades. O modelo precisa reconhecer padrões nas variáveis operacionais e condições meteorológicas para que seja possível ter um diagnóstico preciso, fornecendo informações de forma a auxiliar os técnicos da refinaria a determinarem com agilidade as causas deste cenário indesejado e, dessa forma, poderem atuar no processo com o objetivo de diminuir a probabilidade de haver algum odor. Interpretabilidade tem ganhado um significado importante e se colocado como uma importante característica a se buscar em modelo de Inteligência Artificial, fazendo com que haja uma resistência a proposta de modelos black box muito usados atualmente. Tais modelos buscam uma performance competitiva sem perder interpretabilidade. Nessa pesquisa um requisito importante era que o resultado obtido fosse o mais interpretável possível para que fosse possível apoiar o processo de decisão com analises e informações, consequentemente focamos em processos de análise diagnóstica. Por esse motivo, durante esse projeto foram testados diferentes modelo e levantadas as diferenças em termos de performance e capacidade de interpretação de cada um deles. Utilizando modelos altamente interceptáveis, como árvore de decisão e regressão logística, foi possível desenvolver formas de visualização dos dados de maneira que os técnicos conseguissem avaliassem as principais causas para um determinado diagnóstico. O IAGO é um projeto de P&D ágil da iniciativa de co-criação entre Petrobras e ExACTa PUC-Rio.

Thuener Silva (PUC-Rio)

11:10 – 11:50

Um sistema não intrusivo para classificar a gravidade de danos causados pela corrosão interna usando a técnica de queda potencial e mapeamento de imagem

Resumo

Este trabalho apresenta um método não intrusivo para obter informações sobre danos causados por corrosão interna em uma placa de aço inoxidável e classificá-los de acordo com sua severidade. A técnica de queda de potencial fornece um mapa de gradiente de potencial elétrico, que é analisado por meio da aplicação de técnicas de processamento de imagens, como análise morfológica e segmentação. Simulações de Modelagem de Elementos Finitos foram realizadas para obter exemplos de placas defeituosas (com quatro danos diferentes). O processamento de imagem na simulação atua como um extrator de recursos que alimenta diferentes classificadores para acessar a gravidade dos danos. Além disso, os recursos extraídos são alimentados em diferentes regressores para avaliar a profundidade do dano. Uma rede neural de convolução também obteve a classificação de gravidade dos danos e foi capaz de atingir uma precisão de 92%.

Jorge Luís do Amaral (UERJ)

14:00 – 15:00

Aplicação de técnicas de aprendizado de máquina para previsão de perda severa na perfuração de poços do pré-sal

Resumo

Este trabalho visa apresentar modelos de classificadores binários para auxiliar na determinação da ocorrência do fenômeno de perda de circulação na construção de poços submarinos do pré-sal da Bacia de Santos. O conhecimento prévio sobre a possibilidade de ocorrência do fenômeno possibilita alocar sondas com a tecnologia adequada para a construção dos poços. Neste contexto, os sistemas de classificação baseados em aprendizado de máquina podem apoiar a tomada de decisão. Serão apresentados classificadores baseados em algoritmos clássicos de aprendizado de máquina e os resultados são apresentados utilizando a Área Sob a Curva ROC (AUC) como métrica.

Giovani Machado (PETROBRAS)

15:15 – 16:15

Sistema de apoio à decisão SimProxy: Um modelo de proxy baseado em redes neurais aplicado à otimização integrada de superfície e reservatório

Resumo

O desenvolvimento de um reservatório de petróleo consiste na perfuração de poços que maximizam a receita do projeto. A busca por esta configuração é frequentemente baseada em processos de otimização que usam o valor presente líquido como a função de avaliação. Determinar a quantidade, localização, tipo e trajetória de poços em um reservatório é um problema de otimização complexo, que possui um alto custo computacional devido ao uso contínuo de simuladores de reservatório e de elevação e escoamento. Muitos pesquisadores têm proposto a substituição do simulador de reservatório por um aproximador (proxy), para reduzir o custo computacional, com resultados promissores. Porém, para analisar todas as variáveis relevantes e obter uma solução mais adequada, um modelo proxy abrangente deve também considerar as condições do comportamento da superfície, incorporando o sistema integrado completo. Nenhum dos trabalhos anteriores desenvolveu um modelo baseado no comportamento de simulação integrada. Este trabalho apresenta a proposta de um novo modelo de proxy baseado em redes neurais, denominado SimProxy, que integra reservatório e comportamento de superfície, para reduzir o custo computacional de um sistema de suporte à decisão. O modelo proposto foi avaliado em um reservatório real e os resultados indicam que o SimProxy pode substituir com eficiência o uso de simuladores comerciais em um processo de otimização, proporcionando boa precisão com uma redução substancial no custo computacional.

Manoela Kohler (PUC-Rio)

16:30 – 17:30

Petrolês: Técnicas de NLP para a indústria do petróleo

Resumo

A área de processamento de linguagem natural é uma das fronteiras da Inteligência Artificial mais efervescentes nos últimos anos. A cada semana, uma novidade é divulgada e o estado da arte avança rapidamente. No entanto, em sua maioria, os produtos e modelos são desenvolvidos para a língua inglesa. Aplicar as técnicas de processamento de linguagem natural para o português e para o domínio específico da indústria do petróleo – com todos os seus jargões e termos técnicos – demanda muito trabalho adicional. Apresentaremos os avanços que a Petrobras e seus parceiros estão fazendo para incorporar as técnicas de processamento de linguagem, que vão desde a extração de informação de documentos, classificação de texto e imagens para gerar metadados, até a construção de um Knowledge Graph e um sistema de busca de informações técnicas. Este trabalho só é possível através da uma verdadeira rede de parcerias universidade-indústria com a colaboração de uma equipe multidisciplinar.

Fábio Cordeiro (PETROBRAS)

09:00 – 10:00

Metodologia inteligente para tratamento de incertezas geológicas de campos petrolíferos

Resumo

O desenvolvimento de uma estratégia de produção para campos de petróleo é um problema de grande complexidade, pois é necessário levar em consideração as variáveis geológicas e geofísicas a fim de definir a quantidade, tipo e localização ótimas de poços, o que requer um grande esforço computacional do simulador de reservatórios. As incertezas geológicas do campo são um grande desafio à estratégia de produção, pois podem impactar negativamente nas previsões do retorno financeiro do campo. Nesse sentido, faz-se necessário um tratamento destas incertezas. Desta forma, deseja-se desenvolver uma metodologia de tratamento de incertezas geológicas que sirva de apoio ao especialista na tomada de decisão da melhor estratégia de produção que possibilite o máximo aproveitamento do reservatório de petróleo, levando em consideração estas incertezas e seus riscos associados.

Juan Lazo (Universidad del Pacífico/Peru)

10:15 – 10:55

Guardião – Inteligência artificial para segurança de colaboradores em área industrial

Resumo

Os acidentes de trabalho atingem 2,3 milhões de trabalhadores por anos no mundo (OMT, organização mundial do trabalho). Na indústria, há maior ocorrência de acidentes nas atividades intensas em uso de mão de obra e realizadas em ambientes de produção. Há grande esforço como, por ex., comissões de inspeções de frentes de trabalho, porém limitado pela disponibilidade das pessoas, para fiscalizar essas atividades em campo e preventivamente evitar acidentes. Além disso, a OSHA (Occupational Safety and Health Administration), através de um método quantitativo, estima o “benefício” médio de 77 mil dólares (~315 mil reais) por lesão evitada. Esse método não contabiliza outras perdas além da atividade do trabalhador. Neste projeto buscamos aplicar técnicas de Inteligência Artificial (IA) para fiscalizar continuamente uso de forma adequada dos EPIs(Equipamentos de Proteção Individual) em atividades intensas em mão de obra. O sistema construído, denominado Guardião, tem como base o estado da arte e se utiliza das melhores técnicas de aprendizado usando DNN (Deep Neural Networks) e Transfer Learning para visão computacional. Estudamos duas abordagens para resolver o problema de detecção de EPI. Na primeira abordagem foi desenvolvido um classificador com apenas um estágio, já na segunda abordagem foi construído um classificador com múltiplos estágios. Outra contribuição importante deste projeto é a geração de um conjunto de dados para detecção de EPIs e uma estrutura que inclui classificadores de conjunto para realizar a tarefa de detecção de vários EPIs. O Guardião é um projeto de P&D ágil da iniciativa de co-criação entre Petrobras e ExACTa PUC-Rio.

Pedro Henrique Torres (PUC-Rio)

11:10 – 11:50

RockML: da sísmica à interpretação

Resumo

A grande maioria dos trabalhos para estudar a sub-superfície da Terra em grande escala dependem da interpretação de dados sísmicos por especialistas que as segmentam em camadas, o que exige muito tempo. Nesta palestra, examinamos as etapas necessárias para aplicar redes neurais profundas, desde a identificação de camadas de estratos até a geração de geometrias de horizonte. Além disso, também discutimos como concluir essa tarefa usando poucos dados de treinamento. No percurso de experimentos que fizemos, investigamos as etapas de pré e pós-processamento, técnicas de transferência de conhecimento, identificação de estruturas compostas e criação de bases de conhecimento, segmentação estratigráfica e criação de geometrias. Finalmente, discutimos a ferramenta RockML desenvolvida para executar todas as centenas de experimentos usando centenas de CPUs e GPUs sem esforço. Para nossos experimentos, anotamos manualmente dois conjuntos de dados públicos: o conjunto de dados Penobscot 3D e o bloco F3 da Holanda, onde ambas as anotações estão publicamente disponíveis no Zenodo.

Daniel Chevitarese (IBM Research)

14:00 – 15:00

FLEXWELL – Um sistema para estimar o valor da flexibilidade e gestão de poços inteligentes sob incerteza

Resumo

Apresentaremos uma abordagem baseada na inteligência artificial para avaliar flexibilidade no desenvolvimento de campos petrolíferos sob condições de incerteza, buscando a estratégia de controle de fluxo que maximize o valor presente líquido esperado, reagindo dinamicamente a novas informações. Essa abordagem pode ser utilizada para avaliar as soluções de otimização em uma ampla gama de cenários, incluindo incertezas e flexibilidade, com um reduzido tempo de avaliação comparada a estratégias que avaliam todos os possíveis cenários. A aplicação desta abordagem no desenvolvimento de reservatórios destaca aspectos como: otimização de ativos sob incerteza, controle flexível baseado em informações futuras, e quantificação do valor da flexibilidade e medições futuras. Além disso, contribuindo para seleção apropriadas da tecnologia flexível como, por exemplo, o uso de poços inteligentes, a abordagem proposta oferece uma árvore de decisão que descreve a estratégia flexível ideal, com os controles da válvula que adequadamente consideram medições futuras e seus impactos na redução de incertezas. No caso dos poços inteligentes, sua capacidade de adquirir informações permite tomadas de decisão mais precisas, no entanto, se não considerarmos as incertezas quando pretendemos calcular o valor dessa flexibilidade podemos, incorretamente, atribuir um valor muito elevado para os poços inteligentes e também não tirar proveito da capacidade de adaptar e mitigar incertezas. Esta abordagem provê uma avaliação qualitativa, indicando se o campo tem potencial de melhoria significativa utilizando poços inteligentes, e avaliação quantitativa dos benefícios da tecnologia, resultando em uma estratégia realizável, que orienta o ajuste das válvulas um campo real.

Ana Carolina Abreu (PUC-Rio)

15:15 – 16:15

Modelos de aprendizado de máquina não supervisionados aplicados a interpretações sísmicas

Resumo

A interpretação sísmica compreende a identificação de informações geológicas através do processamento e análise de dados sísmicos. Esse processo está intimamente relacionado ao intérprete, que seleciona entre um grande número de atributos sísmicos, por meio da experiência e do conhecimento, cujo conjunto descreve melhor uma camada geológica. A introdução de modelos de aprendizado de máquina não supervisionados neste processo pode auxiliar em uma interpretação mais precisa, identificando relações previamente desconhecidas entre diferentes atributos sísmicos. Além disso, a análise não supervisionada pode ser estendida para perfis de poços, resultando em grupos de características litológicas que podem ser associadas a fácies sísmicas. Portanto, o principal objetivo deste trabalho é associar resultados de agrupamento, no domínio de dados sísmicos, aos perfis geofísicos de poços obtidos separadamente, produzindo uma metodologia automatizada de interpretação sísmica. A análise incluiu três abordagens não supervisionadas diferentes – Agrupamento tradicional e redes neurais (K-médias e Kohonen); Segmentação de imagens (SLIC e Watershed); e Deep Learning (W-Net) – e um estágio de seleção de recursos que explorou as abordagens Filter e Wrapper, selecionando o melhor subconjunto de um total de 32 atributos sísmicos. A associação entre resultados de agrupamento dos dados sísmicos e perfis geofísicos de poço, em primeiro lugar, passa por uma etapa de up-scaling dos dados de poço, a fim de ser compatível com a resolução dos dados sísmicos e, então, empregando a similaridade entre os grupos, cada grupo de dados sísmicos está associado aos de perfis geofísicos de poço.

Alimed Celecia (PUC-Rio)

16:30 – 17:30

Gypscie: Gerência de modelos de inteligência artificial

Resumo

Dados sobre os processos ligados à indústria de óleo e gás se tornam cada vez mais abundantes. Sensores alocados em sondas e amarras permitem o monitoramento do estado de poços e plataformas, desde a perfuração, passando pela exploração até seu descontingenciamento. Fica claro que a coleta pura e simples de dados não é suficiente para apoio à tomada de decisão. Seguindo a tendência da Indústria 4.0, as empresas investem na construção de modelos preditivos de inteligência artificial baseados em dados. Modelos preditivos de IA são treinados a partir dos dados observados e, uma vez em produção geram predições, detectam e interpretam anomalias e, de uma maneira geral, auxiliando na tomada de decisão. Nesta palestra, apresentaremos o Gypscie que é um sistema para gerência de modelos de aprendizado de máquina e de dados associados. Gypscie foi desenhado para suportar modelos de aplicações da área de óleo e gás e para automatizar as tarefas necessárias para suportar o ciclo de vida de dados e modelos.

Fabio Porto (LNCC)