Аббревиатура ЖКХ хорошо знакома каждому россиянину. За ней скрывается целый спектр привычных образов. При этом цифровизация и применение искусственного интеллекта в этом контексте вспоминаются далеко не первыми. Сфера коммунальных услуг не чужда высоким технологиям, просто они не всегда заметны пользователю. Naked Science рассказывает, как искусственный интеллект, большие данные, нейросети и машинное обучение делают городскую инфраструктуру надежнее и эффективнее.
Определению понятия «искусственный интеллект», истории его развития и основным вехам связанного с ним научно-технического прогресса посвящен первый материал нашего цикла про ИИ. Там же описаны основные нюансы классификации подобных алгоритмов. Но в этом тексте нам придется кратко вернуться к тонкостям терминологии, чтобы немного сузить определения.
Первое, что важно упомянуть — в информатике сейчас понятие «искусственный интеллект» практически не используется в контексте прикладных задач. Этот термин чаще эксплуатируют маркетологи и журналисты, чтобы кратко описать целый комплекс технологий, методов и подходов: большие данные, нейросети, машинное обучение. Если очень сильно упрощать, то ИИ в привычном современному массовому читателю понимании — это нейросетевой алгоритм, обученный на неком наборе данных для решения задач, которые с трудом поддаются «обычным программам» (детерминированным алгоритмам).
Строго говоря, нет никаких физических препятствий для создания программы, способной распознавать изображения, находить оптимальный маршрут и определять самого качественно работающего дворника безо всяких нейросетей. Даже без машинного обучения. Просто это потребует заранее учесть при написании ее кода все нюансы использования — сразу создать набор любых триггеров и определить необходимые действия в ответ на их срабатывание. Со стороны такой продукт будет выглядеть мало отличающимся от современных нам программ с припиской ИИ в названии либо описании. И, в каком-то смысле, это будет слабый искусственный интеллект, просто с невероятно узким полем применения.
Машинное обучение позволяет обойти проблему необходимости заранее предугадать все возможные исходы событий. Более того, иногда точно предсказать вообще ничего нельзя — многие задачи требуют оперирования вероятностями. Тут и приходят на помощь обучаемые алгоритмы, главное — подобрать достаточно релевантных данных для их тренировки. Они выявляют скрытые или просто неочевидные человеку закономерности и хорошо работают со стохастическими процессами (в ходе которых множество переменных изменяется случайным образом).
Для градостроительной отрасли нейросети стали незаменимым инструментом. Представьте себе, сколько работы инженеров и картографов экономит ИИ, который создает векторные схемы жилой застройки с прилегающими территориями на основе аэрофотосъемки или спутниковых снимков. В левой части изображения — фото, в правой — готовая карта с цветовым кодированием площадей (дома, дороги, коммуникации, растительность, газоны) / ©Ecopia
Для удобства и простоты далее будем называть нейросетью любой обученный алгоритм. И назначим этот термин, пусть немного условно, синонимом искусственного интеллекта.
Также требуется определить, что вообще скрывается за аббревиатурой ЖКХ помимо красочных образов. В общем смысле — всё, что связано с обеспечением населения благами цивилизации. То есть — водоснабжением, электричеством, теплом, связью, канализацией, а также комфортной городской средой. Такая среда — это исправные дома с дворами около них и определенный набор основных бытовых услуг (например, вывоз мусора и уборка общественно доступных территорий). Если трактовать жилищно-коммунальное хозяйство совсем широко, то в него входит вообще вся городская инфраструктура: от дорог и мостов до транспорта и градоуправления.
С точки зрения российского законодательства, жилищно-коммунальное хозяйство — комплекс подотраслей, обеспечивающий функционирование инженерной инфраструктуры, различных зданий населенных пунктов, создающий удобства и комфортность проживания и нахождения в них граждан путем предоставления им широкого спектра жилищно-коммунальных услуг.
Остановимся на таком варианте: ЖКХ — это комплекс услуг по снабжению жилого фонда водой, топливом (газом, в случае России), теплом, электричеством и обеспечению его безопасной эксплуатации. Последний пункт подразумевает вывоз мусора и отвод канализационных стоков, а также уборку, техническое обслуживание и ремонт всей связанной инфраструктуры, включая водопроводы, линии электропередач и технику домового хозяйства (лифты, насосы водоснабжения, домофоны, электротехническое оборудование). Не забываем также о дворах, парках, скверах, детских и спортивных площадках, а также местах для выгула собак — все их нужно содержать в порядке. Список можно продолжать долго, но суть понятна. Какое место во всем этом может найти себе искусственный интеллект?
Универсальные функции
Нейросети отлично показывают себя в задачах, требующих распознавания образов и голоса. Эта область применения искусственного интеллекта не уникальна для ЖКХ, но не упомянуть ее было бы преступлением. Дело в том, что любая коммунальная организация в своей работе обязана оперативно и качественно реагировать на огромное количество обращений пользователей — рядовых граждан, на деньги которых они существуют. Содержание целого штата телефонных диспетчеров (операторов) для каждого района города или отдельного населенного пункта обходится в немалые суммы. Вдобавок нагрузку на диспетчерские заранее рассчитать невозможно — в случае какого-то происшествия или просто неполадок дозвониться бывает невозможно. Работу этих структур можно оптимизировать — сделать более эффективной и экономичной.
Решения существуют давно, их разработано множество — это широчайший спектр программно-аппаратных комплексов для контакт-центров. Среди них есть системы управления персоналом (WFM), прогнозирующие нагрузку на операторов первой линии с помощью ИИ, роботы-автоответчики, распознающие сложные устные обращения, и даже полноценные голосовые помощники. Правда, важно учитывать один нюанс — чтобы их эффективно применять, необходимо модернизировать структуру старых добрых диспетчерских ЖКХ, отделив от них задачи обработки входящих обращений. Тогда сотрудники не будут выполнять в одном лице роли и телефонного оператора, и диспетчера. Процесс становится гораздо эффективнее: ИИ снимает нагрузку с первой линии контакт-центра (типовые звонки и справка), живые операторы занимаются обращениями, требующими внимания человека (с которыми не справился робот), а диспетчеры координируют работу выездных служб и контролируют качество выполнения заявок.
В этой сфере много отечественных продуктов — и некоторые из них уже адаптированы под специфику компаний, работающих в сфере ЖКХ. Иногда разрабатываются уникальные решения.
В столице, например, искусственный интеллект с осени 2020 года применяется на линии Единого диспетчерского центра. Изначально голосовой помощник был запущен для того, чтобы разгрузить линию в пиковый период старта отопительного сезона. Сейчас робот умеет отвечать на звонки горожан уже более чем по ста темам и обрабатывает почти треть от всего объема поступающих в ЕДЦ обращений.
«Чаще всего москвичи обращаются к голосовому ассистенту по вопросам отопления и уборки, освещения в подъезде, ремонта лифтов, сантехники в квартирах. Робот не только может принять заявку на вызов мастера, но и учится давать человеку консультации по наиболее распространенным вопросам. С 2020 года он принял уже более 2,5 миллиона звонков», — рассказал Андрей Савицкий, руководитель столичного Общегородского контакт-центра.
Традиционно диспетчерские службы ЖКХ замыкают на себя сразу три направления работы — мониторинг текущего состояния подведомственного хозяйства, координация обслуживающих его служб и одновременно с этим оперативное реагирование на вопросы потребителей (справка, оповещение об авариях, прием заявок на внеплановое обслуживание). Для небольших коммунальных организаций допустимо возлагать эти задачи разом на сотрудников одного уровня — диспетчеров. Но в случае с крупными городами разделение труда оператора, диспетчера и телефониста справочной службы становится острой необходимостью / ©Сайт мэра Москвы
Общение граждан с коммунальщиками может быть не только устным, но и более официальным — на бумаге. Каждый, кто хоть раз пытался в сельской местности подать заявление на подключение к электросети, примерно представляет, сколь мучительным бывает документооборот в ЖКХ. Вот бы все требуемые свидетельства, заявления и чеки можно было заранее отправить на проверку правильности заполнения и комплектности пакета документов — мечта! Кстати, ее воплощение не за горами. В «Росреестре», например, уже вовсю тестируют такой функционал для обращений по своему профилю в МФЦ. Используемое программное решение содержит технологии искусственного интеллекта для оцифровки бумажных документов.
Еще одна любопытная реализация распознавания изображений — отслеживание нарушений эксплуатации домов и дворов по камерам видеонаблюдения. Если предыдущие два примера теоретически реализуются детерминированным алгоритмом, который учитывает множество различных условий использования, то здесь уже точно без нейросетей не обойтись. Камеры могут иметь разный угол обзора, степень загрязнения оптики и условия освещения, но программа все равно должна замечать мусор на газоне, сосульки на карнизах, снег на крышах и сломанную ограду. Концепция прорабатывается сразу несколькими российскими IT-компаниями и тестируется в некоторых городах.
В Москве искусственный интеллект уже не первый год помогает городским службам выявлять нарушения в содержании дворов и улиц. Нейросеть, предварительно обученная на большом объеме изображений, анализирует скриншоты с камер городской системы видеонаблюдения и умеет находить на них 20 типов недочетов. Например, она может определить переполненный мусорный контейнер, яму на дороге или неубранный снег.
«В работе Центра автоматической фиксации административных правонарушений (ЦАФАП), который мы развиваем совместно с ГКУ «Новые технологии управления», используются изображения более чем со 170 тысяч камер видеонаблюдения. Помимо операторов, их анализирует искусственная нейронная сеть. Если ИИ находит признаки нарушения, он сигнализирует об этом человеку – ему остается только перепроверить результат работы нейросети и, если недочет подтверждается, передать информацию в работу коммунальным службам. Таким образом, искусственный интеллект помогает быстрее и эффективнее выявлять и устранять нарушения в содержании дворов и улиц — а значит, делать город еще более комфортным для жизни», — рассказал Дмитрий Головин, начальник управления городского видеонаблюдения Департамента информационных технологий города Москвы.
Уникальные особенности ЖКХ
Задачи анализа изображений и звуков стоят перед ИИ не только в коммунальной сфере, да и для нее они адаптируется в этой области сравнительно просто. Другая сильная сторона нейросетей — высокая эффективность в случаях, когда требуется работать с вероятностями (случайными событиями) и неявными взаимосвязями. Ее обязательно стоит ожидать в специфическом программном обеспечении, созданном для нужд ЖКХ. Допустим, для планирования ремонта жилого фонда и коммуникаций — именно такой ИИ предложен в проекте Минстроя «Умный город».
Среди наиболее очевидных применений нейросетей — планирование движения мусоровозов и уборочных машин. Их маршруты проходят не только по улицам, но и по придомовым территориям, тротуарам и должны учитывать множество мелочей. Обычное навигационное программное обеспечение тут не справится, так что сейчас для этого используется лишь человеческий труд. Искусственный интеллект же вполне может оптимизировать эту задачу. Причем для него не будет проблемой учесть целый спектр дополнительных факторов — вроде расписания образовательных учреждений в районе и графика работы дворников. Ряд подобных разработок, помимо ИИ использующих технологии «интернета вещей», эксплуатируется российскими коммунальщиками в тестовом режиме. Но пока испытания не законились, и оценивать результаты мы будем в будущем (хоть и ближайшем).
Огромные перспективы ждут нейросетевые алгоритмы в энергетике, водоснабжении и водоотведении. Суточные колебания загруженности этих трех столпов коммунального хозяйства вынуждают инженеров закладывать значительный запас прочности в соответствующую инфраструктуру. А это, в свою очередь, увеличивает стоимость ее строительства и эксплуатации, что, в свою очередь, сказывается на тарифах. Вдобавок энергетика будущего обязательно будет все более и более «зеленой», а значит в ней станет больше нестабильных источников энергии (ветряки и солнечные панели зависят от капризов природы). Пики потребления нужно уравновешивать накопителями либо резервными генерирующими мощностями.
Процесс обучения ИИ для балансировки электросети, голубая линия — фактическая нагрузка, желтая — ожидаемая в случае оптимального регулирования. Первые девять часов нейросеть учится и «экспериментирует», выбирая разные стратегии поведения, с девяти часов до примерно 17 — тонкая настройка модели, а после 18:00 ИИ уже практически идеально управляет нагрузкой в сети / ©Open Energi
Тут-то на помощь и приходит ИИ: анализируя нынешнюю инфраструктуру, нейросети могут заметить те взаимосвязи и зависимости компонентов, которым ранее не придавалось значения (или его вовсе не видели). На основе такого свежего машинного взгляда получается проект модернизации, который не только повышает качество жизни людей, но и становится эффективнее предшественника. А чем эффективнее инфраструктура, тем она дружелюбнее по отношению к окружающей среде и карману пользователей. Искусственный интеллект уже используется в планировании городской инфраструктуры и балансировке энергосетей.
Что самое главное, нейросети хорошо справляются с обработкой больших данных. Это — прямая дорога в мониторинг сотен тысяч параметров с мириадов датчиков, которыми в ближайшие годы начнут оснащать российское жилищно-коммунальное хозяйство. Причем если «обычные» программы способны лишь отслеживать конечное количество показателей, то ИИ «делает выводы» из отношений между данными с разных сенсоров. Такие программно-аппаратные комплексы позволяют превентивно реагировать на износ инфраструктуры — трубопроводов, электросетей и оборудования. Главное, чтобы значительная их доля была оснащена необходимыми датчиками. Хотя и при осмотре людьми, которые потом заносят строго регламентированные оценки в систему, она тоже будет работать, просто менее оперативно и эффективно.
Залог прогресса — сдержанный оптимизм
Искусственный интеллект, а точнее, технологии машинного обучения — мощный инструмент, способный повысить производительность труда в любой области человеческой деятельности. И жилищно-коммунальная сфера не должна быть исключением. Но как и любой другой инструмент, он требует мастерского использования. Более того, ни одна технология сама по себе не является универсальной палочкой-выручалочкой, волшебным образом мгновенно устраняющей все возможные проблемы. Эффект от модернизации далеко не всегда заметен сразу.
Иными словами, одного лишь «бренда» ИИ в названиях используемых технологий точно недостаточно. Требуется кропотливая работа многих профессионалов и системное внедрение новшеств — благо российские ВУЗы ежегодно выпускают тысячи молодых специалистов по профильным специальностям, а отечественные компании разрабатывают собственные решения для оптимизации процессов в ЖКХ. Наша страна движется в тренде на внедрение высоких технологий в этой сфере. Однако впереди еще много работы.
Источник: naked-science.ru