Halliburton mejora la creación de flujos de trabajo sísmicos con Amazon Bedrock y Generative AI

El análisis de datos sísmicos es un componente esencial de la exploración energética, pero la configuración de flujos de trabajo de procesamiento complejos ha sido tradicionalmente un desafío que consume mucho tiempo y es propenso a errores. Seismic Engine de Halliburton, una aplicación nativa de la nube para el procesamiento de datos sísmicos, es una poderosa herramienta que anteriormente requería la configuración manual de aproximadamente 100 herramientas especializadas para crear flujos de trabajo. Este proceso no sólo consumía mucho tiempo sino que también requería una gran experiencia, lo que potencialmente limitaba la accesibilidad y la eficiencia del software.

Para abordar este desafío, Halliburton se asoció con el Centro de innovación de IA generativa de AWS para desarrollar un asistente impulsado por IA para Seismic Engine. La solución utiliza Amazon Bedrock, Amazon Bedrock Knowledge Bases, Amazon Nova y Amazon DynamoDB para transformar la creación de flujos de trabajo complejos en conversaciones. Los geocientíficos y científicos de datos pueden configurar herramientas de procesamiento mediante la interacción del lenguaje natural en lugar de la configuración manual.

En esta publicación, exploraremos cómo creamos una prueba de concepto que convierte consultas en lenguaje natural en flujos de trabajo sísmicos ejecutables y al mismo tiempo brindamos una capacidad de respuesta a preguntas para las herramientas y documentación de Seismic Engine. Cubriremos los detalles técnicos de la solución, compartiremos los resultados de la evaluación que muestran una aceleración del flujo de trabajo de hasta un 95 % y discutiremos aprendizajes clave que pueden ayudar a otras organizaciones a mejorar sus complejos flujos de trabajo técnicos con IA generativa.

Nuestra colaboración con AWS ha sido fundamental para acelerar los flujos de trabajo de interpretación del subsuelo. Al integrar los servicios de Amazon Bedrock con el motor sísmico DS365 de Halliburton Landmark, pudimos reducir en un orden de magnitud las tareas de creación de flujos de trabajo que tradicionalmente consumen mucho tiempo. Este asistente de flujo de trabajo generativo impulsado por IA no solo mejora la eficiencia y la precisión, sino que también hace que nuestras herramientas geofísicas avanzadas sean más accesibles para una gama más amplia de usuarios. La arquitectura escalable nativa de la nube en AWS nos ha permitido ofrecer una experiencia conversacional fluida que mejora fundamentalmente la productividad en los flujos de trabajo subterráneos.

— Phillip Norlund, director de tecnologías subterráneas, Halliburton Landmark — Slim Bouchrara, propietario senior de productos de investigación y desarrollo de subsuelos, Halliburton Landmark

Descripción general de la solución

Nuestro proyecto pretendía abordar dos objetivos clave: transformar consultas en lenguaje natural en flujos de trabajo sísmicos ejecutables y proporcionar un sistema inteligente de preguntas y respuestas (Q&A) para la documentación de Seismic Engine. Para lograr esto, desarrollamos una solución utilizando Amazon Bedrock que permite a los geocientíficos interactuar con herramientas sísmicas complejas a través de una conversación natural. La columna vertebral de nuestro sistema es una aplicación FastAPI implementada en AWS App Runner, que maneja las consultas de los usuarios a través de una interfaz de transmisión. Cuando un usuario envía una consulta, un enrutador de intenciones con tecnología de Amazon Nova Lite analiza la solicitud para determinar si busca generación de flujo de trabajo o información técnica. Para solicitudes de preguntas y respuestas, el sistema utiliza Amazon Bedrock Knowledge Bases con Amazon OpenSearch Serverless para proporcionar respuestas relevantes a partir de documentación indexada. Para solicitudes de flujo de trabajo, un agente de generación que utiliza Claude de Anthropic en Amazon Bedrock crea flujos de trabajo YAML seleccionando entre 82 herramientas disponibles de Seismic Engine.

Para mantener el contexto y permitir conversaciones de varios turnos, integramos Amazon DynamoDB para el historial de chat y el registro de interacciones. El sistema admite la transmisión de respuestas tanto para preguntas y respuestas como para la generación de flujo de trabajo, brindando retroalimentación inmediata a los usuarios a medida que el sistema procesa sus solicitudes. Esta arquitectura permite crear y modificar flujos de trabajo técnicos complejos a través de una conversación natural, manteniendo al mismo tiempo el control preciso necesario para el procesamiento de datos sísmicos. El siguiente diagrama ilustra la arquitectura de la solución.

Enrutamiento de consultas y clasificación de intenciones

Después de que la consulta del usuario se proporciona al sistema, Intent Router clasifica la etiqueta de intención de la consulta dada llamando a Amazon Nova Lite a través de la API de Amazon Bedrock. Al modelo de lenguaje grande (LLM) se le solicita que produzca una de tres etiquetas de intención: “Workflow_Generation”, “QnA” y “General_Question”. La etiqueta “Workflow_Generation” se utiliza para enrutar consultas relacionadas con la generación de flujo de trabajo, incluida la lectura/carga de conjuntos de datos, operaciones de procesamiento de datos y diversas solicitudes que implican la manipulación de conjuntos de datos específicos. La etiqueta de intención "QnA" se utiliza para preguntas relacionadas con herramientas específicas, solicitudes de flujos de trabajo de muestra o preguntas sobre la documentación de Seismic Engine. La etiqueta "General_Question" está reservada para consultas no relacionadas con las operaciones o los flujos de trabajo del motor sísmico. En nuestra implementación, Amazon Nova Lite realizó la tarea de enrutamiento de manera eficiente, ofreciendo un buen equilibrio entre precisión y latencia.

Implementación de respuesta a preguntas

El componente de preguntas y respuestas maneja consultas relacionadas con Seismic Engine mediante el uso de Amazon Bedrock Knowledge Bases, un servicio totalmente administrado para el flujo de trabajo de generación aumentada de recuperación (RAG) de un extremo a otro. Elegimos Bedrock Knowledge Bases porque alivia la sobrecarga operativa de administrar bases de datos vectoriales, estrategias de fragmentación e incorporación de canalizaciones. Como servicio totalmente administrado, maneja automáticamente el escalado, la seguridad y el mantenimiento de la infraestructura, de modo que nuestro equipo pueda concentrarse en el desarrollo de soluciones en lugar de en las operaciones de infraestructura de RAG. El servicio proporciona soporte nativo para múltiples estrategias de fragmentación, incluida la fragmentación jerárquica, que mantiene relaciones entre padres e hijos para equilibrar la recuperación granular con un contexto de documentos más amplio. Las fuentes de datos incluyen archivos de rebajas de documentación de herramientas y manuales de Seismic Engine almacenados en S3. Mantuvimos los archivos de documentación de herramientas separados porque son relativamente cortos y preservan el contexto completo para las herramientas individuales. Para documentos más extensos, como los manuales de Seismic Engine, utilizamos fragmentación jerárquica con configuraciones predeterminadas. Usamos Amazon Titan Text Embeddings V2 para la generación de incrustaciones y OpenSearch Serverless como base de datos vectorial. El sistema también almacena metadatos como nombres de archivos, URL y tipos de documentos para cada elemento indexado para uso posterior. Tanto para la recuperación como para la generación de respuestas, utilizamos la API retrieve_and_generate de Amazon Bedrock Knowledge Bases con Claude 3.5 Haiku como modelo. El sistema admite conversaciones de varios turnos al mantener el contexto de la sesión y las respuestas se formatean con citas en línea para mejorar la trazabilidad.

Nota: Esta solución fue desarrollada y evaluada utilizando Claude 3.5 Sonnet V2 y Claude 3.5 Haiku. Desde entonces, estos modelos han sido sucedidos por Claude Sonnet 4.5 y, más recientemente, Claude Sonnet 4.6, así como por Claude Haiku 4.5, todos disponibles a través de Amazon Bedrock. La arquitectura de la solución admite actualizaciones de modelos sin cambios de código, para que pueda utilizar las capacidades del modelo más reciente.

Este enfoque permite que nuestro sistema proporcione respuestas relevantes y conscientes del contexto a las consultas de los usuarios sobre las herramientas y los flujos de trabajo de Seismic Engine.

Generación de flujo de trabajo

Para consultas clasificadas como "Workflow_Generation", nuestra solución utiliza agentes LLM para convertir el lenguaje natural en flujos de trabajo YAML ejecutables. El agente está vinculado con 82 herramientas disponibles en Seismic Engine. Según la consulta del usuario y las especificaciones de las herramientas que definen entradas, parámetros y salidas, el agente selecciona las herramientas adecuadas, determina su orden de ejecución correcto y genera un flujo de trabajo YAML que aborda los requisitos del usuario. La siguiente figura ilustra el proceso de generación del flujo de trabajo.

Diagrama que muestra la llamada a herramientas LLM que procesa consultas de usuario e historial de chat en un solo paso para generar resultados YAML

Usamos Claude 3.5 Sonnet V2 y Claude 3.5 Haiku en nuestra implementación, orquestados a través del marco LangChain para la gestión de agentes y la vinculación de herramientas. Los modelos cuentan con descripciones y especificaciones detalladas de las herramientas, para que puedan comprender las capacidades y requisitos de cada herramienta. Al generar flujos de trabajo, el sistema considera no solo los requisitos explícitos en la consulta del usuario, sino que también incluye los parámetros predeterminados necesarios cuando no se proporcionan valores específicos. El proceso de generación de flujo de trabajo admite conversaciones de varios turnos, de modo que los usuarios pueden modificar los flujos de trabajo generados previamente a través de solicitudes en lenguaje natural. Al utilizar el historial de conversaciones almacenado en Amazon DynamoDB, el LLM puede generar nuevos flujos de trabajo o modificar los existentes según la consulta actual del usuario.

Evaluación

Para evaluar la efectividad de nuestra solución, creamos un conjunto de datos de prueba integral de pares de flujo de trabajo de consulta, que consta de flujos de trabajo de complejidad baja y media. Estos se derivaron de flujos de trabajo históricos reales y fueron validados por expertos en la materia para verificar que representan con precisión las solicitudes típicas de los usuarios.

Resultados de la generación del flujo de trabajo

Complejidad del modelo Tasa de éxito Tiempo medio de generación (s) Tiempo medio de generación Claude Haiku 3,5 simple 84 % 8,3 5,9 medio 90 % 12,4 9,1 Claude Sonnet 3,5 V2 simple 86 % 11,2 11,5 medio 97 % 15,8 16,6

Ambos modelos demostraron un rendimiento sólido, y Claude Sonnet 3.5 V2 mostró tasas de éxito superiores, particularmente para flujos de trabajo de complejidad media. El sistema ofrece respuestas a través de streaming, brindando a los usuarios retroalimentación inmediata a medida que se genera el flujo de trabajo, con flujos de trabajo completos entregados en 5,9 a 16,6 segundos. Claude Haiku 3.5 ofrece tiempos de generación más rápidos, proporcionando una opción de equilibrio entre velocidad y precisión.

Comparación con el rendimiento inicial

Tipo de usuario % de éxito % de fracaso Tiempo para crear un flujo simple (min) Tiempo para crear un flujo complejo (min) Usuario nuevo 70 % 20 % 4 20 Usuario experimentado 85 % 10 % 2 5 Nuestra solución 84-97 % 3-16 % 0,13-0,26 0,21-0,28

Nuestra solución de IA generativa demuestra las siguientes mejoras:

Las tasas de éxito del 84-97% superan tanto a los usuarios nuevos como a los experimentados. El tiempo de creación del flujo de trabajo se reduce de minutos a segundos, lo que representa una reducción de tiempo de más del 95 %.

Estos resultados demuestran que los usuarios de todos los niveles de experiencia pueden mejorar la productividad en más del 95 %, manteniendo o superando la precisión de la creación manual del flujo de trabajo.

Conclusión

En esta publicación, mostramos cómo utilizamos Amazon Bedrock para transformar procesos técnicos complejos en conversaciones naturales. Al implementar un asistente impulsado por IA con capacidades integradas de preguntas y respuestas, logramos tasas de éxito en la generación de flujos de trabajo del 84 al 97 % y, al mismo tiempo, redujimos el tiempo de creación en más del 95 % en comparación con los procesos manuales. La capacidad del sistema para manejar flujos de trabajo de complejidad baja y media, combinada con su comprensión contextual de las herramientas de Seismic Engine, demuestra cómo la IA generativa puede mejorar la usabilidad del software industrial sin comprometer la precisión.

Este enfoque también se generaliza bien a otros dominios con flujos de trabajo agentes complejos de varios pasos que requieren configuración y conocimiento de herramientas especializadas. Como próximos pasos, considere explorar arquitecturas de múltiples agentes utilizando marcos como Strands Agents SDK con Amazon Bedrock AgentCore para mejorar la precisión a través de subagentes especializados.

Sobre los autores

Yuan Tian

Yuan es científico aplicado en el Centro de innovación de IA generativa de AWS, donde diseña e implementa soluciones de IA generativa, como sistemas de agentes para clientes de atención médica, ciencias biológicas, finanzas y energía. Aporta una formación interdisciplinaria que combina el aprendizaje automático con la biología computacional y tiene un doctorado. en Inmunología de la Universidad de Alabama en Birmingham.

Di Wu

Di es arquitecto de aprendizaje profundo en el Centro de innovación de IA generativa de AWS y se especializa en GenAI, agentes de IA y personalización de modelos. Trabaja con clientes empresariales de diversas industrias para diseñar y ofrecer soluciones de inteligencia artificial listas para producción, incluidos agentes analistas de datos de atención médica, agentes de voz para reservas de viajes y agentes de investigación profunda de bases de datos. Fuera del trabajo, a Di le gusta leer y escribir.

Gan Luan

Gan es científico aplicado en el equipo de innovación y entrega de IA generativa de AWS. Le apasiona aprovechar las técnicas de IA generativa para ayudar a los clientes a resolver problemas comerciales del mundo real.

Haochen Xie

Haochen es científico de datos sénior en el Centro de innovación de IA generativa de AWS. Es una persona común y corriente.

Parque Hayley

Hayley es científica aplicada en el Centro de innovación de IA generativa de AWS, donde ayuda a las empresas a abordar problemas comerciales reales mediante la creación de aplicaciones de IA generativa. Antes de unirse a AWS GenAI, trabajó en experiencias de voz y lenguaje en los equipos de Alexa Kids y Fire TV SLU. Tiene un doctorado. en Lingüística Computacional de la Universidad de Illinois en Urbana-Champaign, donde su investigación se centró en métodos computacionales para lenguajes de bajos recursos, así como una maestría en Estadística.

Baishali Chaudhury

Baishali es científica aplicada en el Centro de innovación de IA generativa de AWS, donde se centra en el avance de soluciones de IA generativa para aplicaciones del mundo real. Tiene una sólida experiencia en visión por computadora, aprendizaje automático e inteligencia artificial para la atención médica. Baishali tiene un doctorado en Ciencias de la Computación de la Universidad del Sur de Florida y un postdoctorado del Moffitt Cancer Center.

Jared Kramer

Jared es gerente de ciencias aplicadas en el Centro de innovación de IA generativa de AWS.

Arun Ramanathan

Arun es estratega sénior de IA generativa en el Centro de innovación de IA generativa de AWS.