Leveraging Large Language Models for Cost Management and Supply Chain Optimization
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In this paper, we introduce a cutting-edge solution to the complex challenge of managing operational costs in unconventional asset development, particularly concerning continuous well drilling, completion, and field maintenance operations within the oil and gas sector. These complicated field operations involve hundreds of service providers and incur vast volumes of invoices every year. Tremendous values are lost due to missed opportunities to improve contracting strategy, optimize material and equipment supplies, and identify cost-prohibitive design elements during drilling, completion, production, and plant maintenance through proper spend categorization. Leveraging the power of a machine learning solution, Large Language Model (LLM), and an interactive user interface, we automate the challenging task of categorizing millions of invoices from diverse service providers. Techniques including sentence transformation embedding, transfer learning, fine-tuning, and re-training process are employed to enhance model performance and adaptability to diverse invoice types. Through rigorous model training and iterative refinement facilitated by the user interface, our approach attains an impressive accuracy exceeding 90% across all regions. Results prove that the Large Language Model has a wide application in business optimization during unconventional asset development. This automated algorithm provides real-time insights through spending and significantly reduces the turnaround time. This study also enables direct identification of cost-saving opportunities such as potential reductions in fuel expenses related to drilling and completion activities. The advanced analytics capabilities following the modeling effort allow engineers and analysts in multiple functions to identify cost-saving opportunities through customizing visualization tools in various areas. This paper presents original methodology to adopt the Artificial Intelligence, i.e., Large Language Model, in the oil and gas industry and demonstrate its values with case histories.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle