Lorsqu'Anthony Chan cherche de nouveaux employés, il ne se contente pas de regarder leur travail passé. Il cherche à savoir s'ils possèdent les compétences nécessaires pour l'avenir, notamment en matière d'apprentissage automatique et d'analyse de données.

M. Chan est PDG et cofondateur de Venturi Engineering Solutions, une société d'ingénierie spécialisée dans l'énergie et les systèmes de pipelines. Selon lui, les technologies émergentes telles que l'apprentissage automatique ont un impact considérable sur le secteur. Lorsqu'il s'agit d'embaucher de nouveaux ingénieurs, il recherche donc des personnes capables de travailler dans ce nouveau monde.

"Lorsque nous nous rendons à des salons de l'emploi et que nous rencontrons des étudiants, nous constatons que l'ingénierie est importante. Mais nous recherchons également des compétences complémentaires. Pouvez-vous travailler avec de grandes quantités de données ?"

M. Chan pense que la flexibilité sera une nécessité dans un secteur qui évolue rapidement. C'est une valeur qu'il défend depuis longtemps et qui a donné naissance à Venturi. À l'époque, M. Chan travaillait dans une grande société d'ingénierie. Bien qu'il ait apprécié l'expérience, les grandes organisations ont beaucoup d'inertie et ne peuvent pas être aussi agiles que certains clients en ont besoin. Il a lancé Venturi dans le but de créer une société d'ingénierie capable de répondre aux besoins individuels, qu'il s'agisse de ceux de ses clients ou de ceux de ses employés.

Prévision de la pression adéquate dans les pipelines

Venturi travaille avec des sociétés pétrolières et gazières pour les aider à exploiter et à optimiser leurs pipelines : contrôle de la pression dans le pipeline, analyse de la consommation d'énergie, soutien des systèmes de détection des fuites et renforcement de la sécurité des pipelines.

Une grande partie de ce travail consiste à analyser de grandes quantités de données afin de fournir aux exploitants de pipelines les informations dont ils ont besoin pour assurer un fonctionnement efficace. Un exemple qu'il cite est celui de la prévision de la pression. Un pipeline qui s'étend sur une longue distance - par exemple de la région d'Edmonton à la frontière américaine - est divisé en stations le long du trajet qui contrôlent la pression du pipeline.

Si un pipeline n'a pas la pression optimale, il risque d'endommager des équipements ou de compromettre la sécurité.

Déterminer la pression nécessaire n'est pas une tâche simple. Elle peut être influencée par un grand nombre de facteurs différents, notamment la température, la densité et le type de produit qui circule dans la canalisation.

Actuellement, les opérateurs prévoient les besoins en pression à l'aide de calculs traditionnels. Mais M. Chan estime que ce processus n'est pas parfait. Les pipelines ne transportent pas toujours le même produit. Un lot de pétrole brut lourd peut être suivi d'un lot de pétrole brut léger ou d'autres fluides, ce qui ajoute de l'incertitude à l'équation. Selon M. Chan, l'utilisation des données de pression des périodes de transition d'un lot à l'autre, et pas seulement des lots eux-mêmes, peut rendre les prévisions plus précises.

À l'origine, Venturi n'avait pas beaucoup d'expérience dans le domaine de l'apprentissage automatique, mais M. Chan avait le sentiment qu'il pourrait s'agir d'un élément clé pour résoudre le problème.

"Lorsque nous avons commencé, nous devions comprendre ce qu'était l'apprentissage automatique et nous devions nous associer à des experts. C'est pourquoi nous nous sommes adressés à Amii", explique-t-il.

"C'est en quelque sorte la porte d'entrée qui m'a permis de comprendre ce qu'est ce monde.

Gagner du temps, de l'argent et de l'énergie grâce à l'apprentissage automatique

Venturi a travaillé avec Amii dans le cadre du programme Supply Chain West et du programme Reducing Emissions through Machine Intelligence (REMI). Cette expérience leur a permis d'acquérir une solide compréhension de l'apprentissage automatique et a aidé l'entreprise à élaborer des stratégies pour l'intégrer dans son travail d'analyse de données existant.

"Le premier résultat que nous constatons actuellement est que nous avons le potentiel d'économiser 10 à 15 % par an pour ces entreprises. Supposons que l'exploitation d'un réseau de pipelines coûte 100 millions de dollars par an ; nous parlons d'une économie de 10 à 15 millions de dollars par an", ajoute-t-il.

Il n'hésite pas à souligner qu'il ne s'agit pas seulement de réaliser des économies. L'utilisation d'une pression trop élevée pour faire passer un produit dans un oléoduc peut entraîner un gaspillage d'énergie considérable. De meilleures prévisions peuvent aider les compagnies pétrolières et gazières à produire moins d'émissions et à respecter leurs obligations en matière de réglementation environnementale.

Selon M. Chan, cela signifie également moins de stress pour les travailleurs qui exploitent les stations de pression. Moins ils doivent consacrer de temps aux prévisions, plus ils peuvent se concentrer sur des aspects plus importants, tels que la sécurité des pipelines.

Chan est convaincu que l'analyse des données et l'apprentissage automatique continueront à transformer la façon dont Venturi travaille et seront des compétences vitales pour les nouveaux ingénieurs qui entrent dans le domaine. Et son expérience de travail avec Amii a contribué à donner à Venturi les bases dont elle avait besoin pour continuer à se préparer à cet avenir.

"Amii a une très bonne approche pour cadrer le problème et nous aider à le comprendre plus en profondeur. Et une fois que nous y sommes, il nous fournit l'expertise et l'assistance nécessaires pour nous aider à développer cette technologie. "