Technology Development Framework: Moving from Qualitative toward Quantitative Decision-Making
Notice bibliographique
Résumé
Summary Technology development in the energy sector typically suffers from an ad hoc approach to making decisions about the key questions of “What is the next derisking step?” and “At what scale?” This lack of structure in decision-making occurs despite the technology development process usually being within a stage-gated protocol. This often leads to significant waste of time and resources and plenty of “surprises” about the extent of additional testing required. The approach proposed in this paper is relatively simple to use, scalable, and transferable across industry sectors. Consistent application of the methodology has the potential to bring a quantitative rigor that can lead to more effective and efficient technology development and improve both intellectual and monetary capital allocation. Additionally, the framework provided facilitates a more structured and faster learning curve for people moving into technology development roles. Starting with a high-level understanding of the technology and business case, the methodology identifies possible commercial deployments and associates key technical and commercial risks that can be barriers to commercialization. Then, using a “risk burndown” approach based around an initial assessment of probability of success (POS), different paths to deployment (PTDs) are developed. A value of information (VOI) approach is used to evaluate key metrics. This leads to a diverse set of derisking options with associated trade-offs for informed decision-making. The methodology has been developed and deployed since 2017 across a portfolio of both incremental improvement and game-changing subsurface technologies at Suncor Energy, a large integrated Canadian energy company. More than 25 technologies have been progressed using elements of this workflow with 7 of the more complex and expensive projects using the full quantitative VOI approach. These analyses have been used to inform decision-making on more than $400 million1 of proposed derisking activity spend.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,062 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,008 | 0,006 |
| Études des sciences et des technologies | 0,003 | 0,012 |
| Communication savante | 0,015 | 0,010 |
| Science ouverte | 0,006 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».