Introduzione

Shell, gigante globale dell'energia, sta portando la sua strategia di manutenzione predittiva a un livello superiore, espandendo la sua partnership con C3 AI. L'azienda intende ora sfruttare appieno il potenziale degli agenti AI autonomi per trasformare radicalmente la gestione delle sue infrastrutture critiche. Questo passo segna un'evoluzione significativa rispetto agli approcci tradizionali, puntando a un'automazione completa del ciclo di vita della manutenzione.

Attualmente, Shell si affida già alla C3 AI Reliability Suite per monitorare oltre 30.000 componenti essenziali nelle sue operazioni upstream e downstream. L'introduzione degli agenti AI rappresenta un salto qualitativo, spostando il focus dalla semplice rilevazione di anomalie a un sistema capace di agire in modo indipendente, gestendo l'intero processo dalla segnalazione iniziale fino alla riparazione completata.

Dal monitoraggio all'azione autonoma

Inizialmente, l'approccio di Shell si basava sull'apprendimento automatico per identificare schemi insoliti nei dati dei sensori, fornendo agli ingegneri un preavviso prima di potenziali guasti. Questo sistema integrava una vasta quantità di dati operativi (OT) in tempo reale con il contesto aziendale proveniente da piattaforme ERP, come SAP. Tuttavia, questa fase si limitava a segnalare un'anomalia, richiedendo ancora un intervento umano per l'analisi e l'azione.

La nuova generazione di agenti AI di C3 AI è progettata per andare oltre. Questi agenti sono in grado di effettuare un ragionamento autonomo e intraprendere azioni indipendenti. Quando un'anomalia viene rilevata, l'agente investiga in modo indipendente la causa principale, non limitandosi a un semplice allarme. Una volta identificata la radice del problema, l'agente è in grado di redigere ordini di lavoro precisi, verificare la disponibilità dei ricambi in magazzino e generare richieste di approvvigionamento, integrandosi direttamente nei workflow esistenti.

Architettura e implicazioni operative

La piattaforma di C3 AI gestisce l'integrazione complessa, fornendo un ambiente basato su modelli per combinare facilmente i flussi di dati ad alta frequenza dei sensori con i log finanziari e di manutenzione strutturati. Le capacità di AI sono addestrate per apprendere le linee di base operative normali per apparecchiature specifiche, come pompe, turbine e compressori. Lo strato agentico si posiziona su questa fondazione, permettendo agli operatori di configurare ogni agente definendo obiettivi e risposte consentite.

Quando i modelli di machine learning rilevano una deviazione dalle operazioni normali, l'agente si attiva, raccogliendo dati contestuali estesi – inclusa la cronologia di manutenzione recente, le condizioni ambientali e le variabili di processo a monte – per costruire un framework completo della situazione. Sulla base di queste informazioni, suggerisce una soluzione supportata da prove concrete. Gli operatori umani mantengono la possibilità di approvare o annullare il piano, ma con il tempo e la validazione del sistema, Shell potrà automatizzare completamente le risposte a determinati tipi di allarmi. Questo approccio affronta il problema del “last mile” nella manutenzione predittiva, dove la previsione è efficace ma la trasformazione in azione rapida ed efficiente è spesso un collo di bottiglia.

Valore economico e prospettive future

L'implementazione di agenti AI su questa scala promette di ridurre significativamente i tempi tra una previsione di guasto e la sua effettiva risoluzione. Questo si traduce direttamente in un miglioramento dell'uptime delle apparecchiature e nella protezione della produzione. Il passaggio a un modello in cui le riparazioni avvengono solo quando la condizione dell'attrezzatura lo richiede, porta a risparmi sui costi, evitando interventi non necessari su macchinari perfettamente funzionanti e prolungandone la vita utile.

Oltre ai benefici economici, intervenire prima che si verifichi una catastrofe aumenta la sicurezza complessiva delle operazioni e riduce i rischi ambientali, aspetti di primaria importanza nel settore energetico. Come sottolineato da Stephen Ehikian, Presidente di C3 AI, questa partnership dimostra il valore dell'AI aziendale pienamente operativa su scala globale per la manutenzione predittiva, riducendo i fermi macchina non pianificati e generando centinaia di milioni di dollari in valore economico. Sebbene la soluzione sia stata sviluppata su Microsoft Azure, il principio di agenti AI autonomi che agiscono su dati operativi e di business è un modello che può essere replicato e adattato a diverse architetture di deployment, inclusi scenari ibridi o on-premise, a seconda delle esigenze di sovranità dei dati e controllo infrastrutturale.