Сейсмический анализ — основа разведки углеводородов, но подготовка обрабатывающих цепочек всегда была узким местом. Платформа Seismic Engine от Halliburton Landmark требовала ручной настройки порядка 100 специализированных инструментов для каждого нового воркфлоу. Это занимало значительное время и предполагало глубокую экспертизу, фактически ограничивая круг специалистов, способных самостоятельно работать с системой.
Для решения проблемы Halliburton привлекла AWS Generative AI Innovation Center. Совместно они построили proof-of-concept ИИ-ассистента поверх Amazon Bedrock. Ядро системы — FastAPI-приложение на AWS App Runner со стриминговым интерфейсом. Каждый запрос пользователя сначала попадает к маршрутизатору намерений на базе Amazon Nova Lite: модель определяет, хочет ли пользователь сгенерировать воркфлоу, получить ответ по документации или задаёт общий вопрос, не связанный с Seismic Engine. Это разделение позволяет направить запрос в нужный модуль без лишних вычислений.
| Тип запроса | Метка намерения | Обрабатывающий модуль | Модель |
|---|---|---|---|
| Создание воркфлоу, загрузка данных, обработка датасетов | Workflow_Generation | LLM-агент + LangChain | Claude 3.5 Sonnet V2 |
| Вопросы по инструментам, документации, примеры воркфлоу | QnA | Bedrock Knowledge Bases + OpenSearch Serverless | Claude 3.5 Haiku |
| Вопросы, не связанные с Seismic Engine | General_Question | Прямой ответ LLM | Amazon Nova Lite |
Для вопросов по документации система использует Amazon Bedrock Knowledge Bases — управляемый сервис для построения RAG-пайплайнов. RAG (Retrieval-Augmented Generation) — подход, при котором языковая модель перед ответом извлекает релевантные фрагменты из базы знаний, а не полагается только на параметры, усвоенные при обучении. Это снижает риск галлюцинаций и позволяет работать с актуальной документацией. Источники данных — markdown-файлы с описаниями инструментов и руководства Seismic Engine, хранящиеся в S3. Короткие файлы инструментов загружаются целиком, длинные мануалы разбиваются иерархическим чанкингом. Векторное хранилище — OpenSearch Serverless, эмбеддинги генерирует Amazon Titan Text Embeddings V2. Ответы формирует Claude 3.5 Haiku через API retrieve_and_generate с поддержкой многоходовых диалогов и инлайн-цитатами для отслеживания источников.
Система классифицирует запросы на три типа: генерация воркфлоу, вопросы по документации и общие вопросы.
Генерация воркфлоу работает иначе. Агент на базе Claude 3.5 Sonnet V2, оркестрированный через LangChain, получает описание задачи и спецификации всех 82 доступных инструментов Seismic Engine — с входными параметрами, выходными данными и зависимостями. Агент самостоятельно выбирает нужные инструменты, определяет порядок их выполнения и генерирует готовый YAML-файл воркфлоу. Если пользователь не указал конкретные значения параметров, система подставляет разумные значения по умолчанию. История диалога хранится в Amazon DynamoDB, что обеспечивает контекст при многоходовых уточнениях.
По итогам оценки proof-of-concept ускорение создания воркфлоу составило до 95%. Phillip Norlund, менеджер по технологиям подповерхностной интерпретации Halliburton Landmark, описывает результат как «сокращение традиционно трудоёмких задач на порядок величины». Архитектура изначально проектировалась с расчётом на смену моделей без переписывания кода: Claude 3.5 Sonnet V2 и Claude 3.5 Haiku, на которых велась разработка, уже сменились Claude Sonnet 4.5, Claude Sonnet 4.6 и Claude Haiku 4.5 — все доступны через Amazon Bedrock.
Подобный подход — конвертация экспертных технических конфигураций в диалог на естественном языке — становится устойчивым паттерном в промышленном ПО. Нефтегазовая отрасль здесь не исключение: сложные инженерные системы с большим числом параметров и узкоспециализированной документацией — именно та среда, где RAG-агенты дают измеримый эффект, снижая порог входа для пользователей без глубокой технической подготовки.
