Developing an Appetite for AI: ExxonMobil’s Sarah Karthigan
30:06 Share

埃克森美孚是一家能源公司，成立于1870年，远早于人工智能。那么，埃克森美孚的人工智能经理做什么呢？在最新一期的《我和人工智能》播客中，主持人萨姆·兰斯博瑟姆和谢尔文·霍达班德采访了IT人工智能运营经理萨拉·卡蒂根，以了解情况。萨拉领导着一个数据科学团队，其任务是利用大量数据，目标是为各种人群提供可靠且经济的能源。萨拉的主要工作重点是自我修复，这是一种内部流程改进的方法。收听节目，了解她的团队如何为各种技术计划争取支持，以及如何不断改进组织中人机协作的方式。在此处阅读剧集文字记录。《我和人工智能》是由麻省理工学院斯隆管理评论和波士顿咨询集团合作推出的播客，由萨姆·兰斯博瑟姆和谢尔文·霍达班德主持。我们的工程师是大卫·利尚斯基，协调制作人是艾莉森·莱德和索菲·鲁丁格。通过加入我们的LinkedIn小组“领导者的人工智能”，与我们保持联系，网址为mitsmr.com/AIforLeaders。在https://sloanreview.mit.edu/ai上阅读更多关于我们的节目信息并关注系列节目。嘉宾简介：萨拉·卡蒂根是一位著名的领导者，在能源行业领导数字转型计划方面拥有丰富的经验。她被评为2021年25位最有影响力的女性能源领袖之一，以表彰她为加速采用数据科学以推动整个一体化油气价值链的数据驱动决策所做的杰出工作。卡蒂根十多年前开始在埃克森美孚工作，此后在战略规划、项目管理、科学计算和数据科学等领域担任过各种责任越来越大的职位。她目前领导人工智能运营实践，专注于实现自我修复战略，还负责管理与多个技术业务合作伙伴的外部关系。我们鼓励您对我们的节目进行评分和评论。您的评论可能会用于《我和人工智能》的资料中。我们想知道您对《我和人工智能》的感受。请参加一个简短的、包含两个问题的调查。</context> <raw_text>0 今天，我们播放的是由我们的朋友Modern CTO Podcast制作的一期节目，他们最近很友好地邀请我作为嘉宾参加。我们讨论了生成式人工智能的兴起，技术成功的意义，以及领导者在指导技术实施工作时需要考虑的一些因素。您可以在Apple Podcast、Spotify或您收听播客的任何地方找到Modern CTO Podcast。

还有无限量寿司自助餐和人工智能。它们之间有什么关系？今天，当我们与埃克森美孚的萨拉·卡蒂根交谈时，您将找到答案。欢迎收听《我和人工智能》，这是一个关于商业中人工智能的播客。在每一期节目中，我们都会向您介绍一位在人工智能领域进行创新的人。我是萨姆·兰斯博瑟姆，波士顿学院信息系统教授。我还是麻省理工学院斯隆管理评论人工智能与商业战略大创意项目的客座编辑。

我是谢尔文·科达班德，BCG高级合伙人，我共同领导BCG在北美的人工智能业务。麻省理工学院SMR和BCG共同研究人工智能已有五年时间，采访了数百名从业人员，并对数千家公司进行了调查，了解如何在整个组织中构建、部署和扩展人工智能能力，以及真正改变组织运营方式的必要条件。

今天我们与萨拉·卡蒂克哈南交谈。她是埃克森美孚的IT运营人工智能经理。萨拉，感谢您加入我们，欢迎。感谢邀请。埃克森美孚是全球最大的石油和天然气公司之一，它自19世纪70年代就存在了，远早于人工智能。萨拉，你能告诉我们你在埃克森美孚目前的角色吗？我目前负责领导使用人工智能为IT运营设计和执行自我修复策略。

而自我修复的核心是主动监控、检测和修复问题，无需人工干预。你是如何最终担任这个职位的？我的背景是电气工程，我作为技术主管在埃克森美孚开始了我的职业生涯。然后我走上了管理职业道路，但我的其中一份工作把我带到了新泽西州的克林顿，以支持公司战略研究职能。

所以正是在那里，我接触到了数据科学、人工智能和机器学习。我参与了几个试点项目，我们正在评估人工智能的能力。

这激励我重返校园，我在哈佛大学攻读了数据科学研究生证书。然后一件事接一件事，我回到休斯顿担任我的数据科学经理职位。也许让我们从一个自我修复的项目，或者这些项目中的一个项目开始。你和你团队如何使用人工智能的一个具体例子是什么？

在人工智能之前无法做到的事情？能源领域有很多人工智能的机会。但在实际给出一些例子之前，我认为值得了解一下能源领域的运营规模，对吧？所以从这里开始讲基础知识，能源在不断发展。当你想到能源时，它支撑着一切

现代生活的各个领域，对吧？所以，当你想到交通出行、经济繁荣或社会进步时，能源获取是所有这些的基础。

而我们在埃克森美孚的核心工作是确保我们能够为大众提供可靠、经济的能源。因此，能源本身的规模是难以想象的。我们使用的数据量也很大。大数据对能源行业来说并不新鲜。所以我们处理的数据量非常巨大。

因此，如果没有人工智能、数据科学或机器学习，您可以想象仅仅处理和分析这些数据需要付出多少努力。

而有了人工智能，这是一个非常非常大的优势。人工智能在提高整体效率和成本效益方面的潜力巨大。我们还将人工智能用于能够自动化手动任务的领域，从而提高安全性和生产力。

如果我们能够让人们远离危险，那么这就是人工智能在能源领域的一个巨大应用。此外，埃克森美孚是一家能源公司，但其核心仍然是一家科技公司。因此，我们可以使用人工智能来帮助我们的科学家和工程师进行决策。因此，我们能够增强他们的决策能力，连接各个点，并

并帮助他们以更快的速度发现有价值的见解。所以有很多应用。我和我的团队已经处理了几个用例。而且，当你想到大数据时，很明显你可以想到深度学习在图像处理方面的潜在应用。

现在，无论是价值链的前端，你知道，它可以从地震图像处理开始，甚至到泄漏和火炬检测。所以我们可以将人工智能用于很多用例。

这就是事情的一方面。你也可以使用人工智能，我们已经用它来进行需求感知、动态定价、动态收入管理。此外，我们还将其用于交易。所以我的团队参与了如此多的不同应用。所以告诉我们一些关于自我修复的信息。我认为你提到过构建可以自我修复的人工智能系统。

预先阻止问题、错误或故障，我不想把话放在你嘴里，无需人工干预。你能给我们举一些这方面的例子吗？

所以一切都是从监控开始的，对吧？我们能够多好地监控我们的系统，捕获正确类型的数据，然后集成数据，这些数据可能今天都分散在各个孤岛中。一切都是从捕获数据并将其整合在一起开始的，并将其集成起来，以便您能够了解我们现有的不同孤岛。

它始于可观察性。一旦你有了数据，现在我们讨论的是如何利用数据？我们如何分析它？我们如何教机器？我们如何训练机器从数据中提取见解，观察模式，了解事件发生前通常会发生什么？

因此它能够寻找这些模式。它能够理解历史并检测异常。因此，它能够提示最终用户，或者您可以直接通过自动化完全关闭循环，并启动需要发生、需要发生的必要自动化。因此，我们甚至可以在问题变成问题之前就修复它。这就是自我修复的生命周期。

是的，这非常有帮助。并告诉我们一些关于用例数量的信息，如果你愿意的话。这个团队的影响范围和工作有多大？

埃克森美孚内部有多个团队，因为正如你所说，鉴于公司的规模，不可能只在一个团队中集中所有数据科学能力。所以我们确实有数据科学家。我们在不同的业务职能中嵌入了AI工程师、机器学习工程师。因此，他们能够与业务部门密切合作。机会很多。

我们正在处理无数这样的用例，而且这些用例还在不断增长。谁启动这些项目？这些是你们小组想出来的，还是业务部门把它们交给你们？那里的工作关系是什么？人工智能项目的性质以及谁启动它们，

这通常取决于业务部门在其人工智能采用和利用旅程中的位置。如果他们处于早期阶段，你会看到他们通常会查看一些潜在的用例。他们正在探索一些企业规模的机会。这就是它开始的地方。但是

但当他们继续沿着成熟度曲线发展时，你会注意到，现在我们谈论的是将人工智能能力系统地引入核心业务。我们谈论的是真正的企业规模的机会。因此，我们能够推动数据驱动的决策。

因此，根据业务部门在其旅程中的位置，这决定了项目的性质以及谁启动它。业务部门越成熟，业务部门自己启动的项目就越多。举一个有人启动的项目的例子？或者你能给我们举一个非常具体的例子，在人工智能之前，他们正在做X，然后他们来了，我们说，嘿，让我们使用人工智能，然后我们可以做Y。发生了什么？

有什么区别？你能给我们一些关于其中一个的具体信息吗？我将从一个简单的例子开始。我之前提到了这一点。埃克森美孚是一家非常数据丰富的公司，对吧？所以大数据对我们来说并不新鲜。有锁在盐矿中的数据。所以我们有大量的数据。过去，我们的一些地球科学家和地球物理学家

他们不得不手动处理大量非结构化数据。他们才是连接各个点的人。他们是主题专家。所以他们正在吸收所有这些非结构化数据，他们正在连接各个点，他们正在确定我们应该去追求的正确位置。

但是现在随着人工智能的引入，我们能够构建一个智能系统，该系统使用自然语言处理能够吸收大量数据。并且我们能够训练该系统来寻找正确的模式类型，并帮助增强地球科学家或地球物理学家将做出的决策。这就是我们如何使用机器学习洞察力的一个例子。

我本来想问你，萨拉，在这个你给出的例子中，似乎需要进行大量的人工智能协作，因为我们必须想象一系列过去由人类专家、地质学家和工程师执行的决策

随着时间的推移，它正在被增强，甚至可能完全自动地由人工智能执行，一定经历了一段相当漫长的旅程，才能达到专家们感到舒适并真正寻求机器而不是依赖他们判断的程度。所以评论一下这个过程是如何发生的，以及你如何将

专家、地质学家、工程师和其他人员从旧方法带到新方法，感觉如何？这是一段旅程。它首先要了解最终用户群对新兴解决方案的兴趣如何。因为这不仅仅是技术挑战。这在很大程度上也是文化挑战。

然后，当然，在我们开始任何这些人工智能试点、人工智能解决方案项目之前，我们确保我们在业务中拥有支持者。

因为最终，最终用户需要参与进来，对吧？他们不应该反对这个解决方案。他们应该非常乐意采用这些解决方案，并帮助传播这将产生的变化。我们已经看到，拥有非常强大的变更管理流程对于任何人工智能解决方案的采用至关重要，以使其取得成功。而且

我们还了解到，让最终用户了解技术的实际作用、它带来的好处，非常有帮助。他们能够看到这将增强他们正在做的事情，而不是取代他们。他们的反应是什么？你给他们这个解决方案，它做了很多他们以前习惯的事情。他们的反应是什么？他们感觉如何？他们怎么说？当他们意识到机器实际上正在帮助他们时，他们实际上很喜欢它。

有时它甚至能够引导他们进入他们自己可能没有检查过的领域。我看到，一旦他们了解新解决方案能够带来的价值，这种伙伴关系就会变得非常好。你实际上在对这个问题的回答中充满信心地领导了。

首先是几个非技术因素，对吧？那么你的兴趣是什么？对变化的开放程度如何？

以及你有多想要它？这确实很有见地，因为我认为在过去的十年里，它只是对技术方面进行了如此多的索引。然后，某种变更管理就变成了事后诸葛亮。我真的很兴奋你实际上以变更管理为首。在我做任何事情之前，在我编写任何一行代码之前，你有多想要它？我想谈谈兴趣问题。

我第一次吃到寿司时，我对它的兴趣为零。但是当有人有效地强迫我尝试它时，它就变成了我的食物。那么，你如何平衡不强迫最终用户，但同时帮助他们理解他们在尝试之前认为自己的兴趣是什么

将与他们在尝试之后兴趣会是什么不同。当我第一次组建团队时，当我拥有我的第一批数据科学家时，

我们实际上遇到了相当多的怀疑，正如你所说。所以很多人认为这一切都只是炒作。就像，我们为什么要这样做？好吧，我们知道我们在做什么。我们已经非常成功地完成了我们所做的事情。那么我们为什么要改变它呢？所以当我们开始时，它实际上归结为展示可能的艺术。我们敲了很多门，并要求人们，嘿，给我们你的数据。

而且你甚至不必与我们互动，因为当时人们对它需要花费多少时间有点怀疑。他们不一定准备好一开始就提供这些。所以我们从只给我们你的数据开始。

让我们带着我们自己能发现的东西回到你身边，看看你是否感兴趣。现在你有很多寿司店了。非常多。一个无限量自助餐。所以假设你让这些人多少有些信服和感兴趣，然后你开始将事情投入生产。

你如何让他们继续下去？你如何让他们不断改进？你如何让他们不断变得更好？你是否有这方面的流程？如果有，它是如何组织的？我会告诉你这一点。这是一个有趣的学习经验，对吧？因为构建模型是一回事。创建原型并让一切正常运行是一回事。但是当你试图将其操作化时，情况就完全不同了。

在将人工智能解决方案操作化之后，我们了解到，首先，要确保它完全集成到业务流程中，有一些事情你必须注意并跟踪。我们确保在解决方案操作化后对其进行监控。

这是极其重要的。现在，我们很快了解到，你无法监控模型的所有特征。所以有一些特征你必须关注，这些特征有可能破坏，我想说，不一定是破坏模型，但它最有可能影响预测。所以我们想关注这些类型的特征并监控它们，看看是否出现了概念漂移。

因为一旦模型投入生产，它就开始退化。这就是现实。因此，我们需要确保我们密切关注模型，以确保预测仍然准确，仍然有用。我们还确保我们的模型正在使用最新和最好的数据进行重新训练。

我们正在研究采用加权机制，以便在重新训练模型时，最近的数据比旧数据具有更高的权重。我们还在研究模型的持续改进、持续训练和持续学习方法。所以这些是我们一旦解决方案产品化后会做的一些事情。

所以在组织内部，这就是模型如何变得更好。你如何帮助最终用户变得更好？你最初提到与他们合作，以确保他们不会过于抵制甚至考虑尝试模型。这甚至包括首先尝试寿司。但是

你如何让他们欣赏更精细的烹饪方面？我的意思是，就我们所知，谢尔文可能还停留在几年前开始使用的同一块寿司上。我的意思是，还有很多其他类型。你如何提高用户群的这种理解？

我们在公司内部开展了几项工作，我们正在努力提升员工技能，确保我们能够对最新和最伟大的新兴技术进行培训。因此，他们对人工智能提供的功能、我们可以考虑的潜在用例有足够的了解。所以有很多培训工作正在进行。

你对什么感到兴奋？我的意思是，明天我们将阅读到埃克森美孚使用人工智能做了什么？你对什么感到兴奋，无论是技术还是项目？

我真正感到兴奋的，也是我希望你很快就能读到的，是我们正在准备进行的这个自我修复试点。自我修复试点正在研究如何采用面向最终用户的应用程序，以及我们可以在其中实现多少自我修复成果

我们一直在投入时间来构建基础，即真正将整个解决方案整合在一起的重要结构。所以现在我们非常兴奋地对其进行测试，并将战略付诸行动。萨拉，当你考虑你自己的团队建设、培养和扩展团队时，有两个问题。那么，你在招聘的候选人中寻找什么？一些……

你正在寻找的技术和非技术能力？这是我的第一个问题。第二个问题是，鉴于所有正在发生的事情以及他们所有其他选择，你如何让他们对数据科学和人工智能保持兴趣和兴奋？让我先回答你的第二个问题。那么，我们如何让他们保持兴趣呢？

我们通过让他们接触不同的用例来保持他们的兴趣。你不必离开公司就能解决财务问题。公司内部有这样的机会。

因此，数据科学家能够参与、能够解决的无数用例，这就是我发现能够让他们兴奋，让他们想继续在公司内部发展职业生涯的原因。所以这就是我们内部留住人才的秘诀。至于我在候选人中寻找什么？

我非常重视多样性。我不想要一个像回音室一样的团队。我专门去寻找邻近领域的技能。我的团队中有数据科学家的背景是生物统计学。

我甚至有英语和政治专业的人，当然。现在，我也在寻找拥有数据科学技能的人。所以他们要么在该领域拥有本科学位，然后他们也学习了数据科学。我去寻找这些类型的候选人，因为当你试图解决问题时，拥有非常多样化的观点在桌面上至关重要。

我正在寻找一个好奇的人，一个非常热衷于解决问题的人。再说一次，让他们兴奋的是具有挑战性的问题。我们谈论的是一个真正难以想象的规模。萨拉，你被评为科技领域的领导者。你被评为25位最有影响力的女性能源、科技领袖之一。你认为公司还能做些什么

更多地确保数据科学角色中更公平的性别平衡？你认为数据科学家，那些刚刚开始职业生涯的女性数据科学家，还能做些什么？我会说这一切都始于提供平等的机会。

我之所以在这里，是因为我有机会展示我能做什么，我能做什么。确保这个机会之窗对女性和男性真正开放至关重要。这就是一切的开始。对于有抱负的数据科学家，对于初中、高中甚至正在考虑从事STEM职业的女孩来说，

我的鼓励是，是的，绝对的，我们需要你。女性带来的视角是如此不同，而且在工作环境中非常需要。特别是，你知道，我们谈到了负责任的人工智能。这是必不可少的。

重要的是从一开始，从制定战略到执行，都要有这种多样化的视角。它不应该是一个事后诸葛亮。你不应该试图附加，嘿，让我继续确保我在最后解决多样性和包容性问题。不，事实并非如此。

你从这一点开始，这是至关重要的。女性在实现这一目标方面发挥着关键作用。你认为那些刚刚开始职业生涯或正在接受学术培训的女性数据科学工作者，她们可以做些什么来为自己寻找合适的机会？你对她们有什么建议？我会说，你知道，确保你拥有……

非常好的毕业设计项目或实习经验的例子，或者

合作机会，无论你想称这些与公司的经验为合作机会，你都处理过真实数据。我认为这绝对会增强你的简历。然后最重要的是，一旦你找到了进入公司的切入点，就大胆地说出来，并大声地将你的解决方案摆在桌面上。这就是我想说的。今天，我们了解了很多关于

从人工智能链的组织方面开始，而不是技术方面。学习了以展示人们可能实现的目标和人工智能的潜力为首要任务。我们了解了数据过程中充满危险的许多步骤，但组织可以克服这些步骤。我真的很感谢你今天抽出时间与我们交谈，萨拉。感谢你的加入。谢谢萨拉，我很荣幸。谢谢。

在下一期节目中，我们将与道格·汉密尔顿谈谈纳斯达克如何使用人工智能来减轻高风险情况。请加入我们。感谢收听《我和人工智能》。我们相信，就像你一样，关于人工智能实施的对话不会始于本播客，也不会止于本播客。这就是为什么我们在LinkedIn上专门为像你这样的听众创建了一个小组。它被称为“领导者的人工智能”。如果你加入我们，你可以与节目创建者和主持人聊天，提出你自己的问题，分享你的见解，

并获得来自麻省理工学院SMR和BCG关于人工智能实施的有价值的资源，你可以通过访问mitsmr.com/AIforLeaders来访问它。我们将把链接放在节目说明中，我们希望在那里见到你。