Большинству россиян знакома аббревиатура ЖКХ. За ней скрывается множество привычных образов. Цифровизация и применение искусственного интеллекта в этой сфере не всегда вспоминаются первыми. Сфера коммунальных услуг не чужда высоких технологий, просто они не всегда видны пользователю. «Naked Science» рассказывает о том, как искусственный интеллект, большие данные, нейросети и машинное обучение делают городскую инфраструктуру надежнее и эффективнее.
Посвящён определению термина «искусственный интеллект», краткой истории его развития и ключевым моментам научного и технического прогресса, с ним связанного. первый материалВ рамках нашего цикла об искусственном интеллекте были рассмотрены основные аспекты классификации таких алгоритмов. Однако данному тексту требуется краткое возвращение к нюансам терминологии для уточнения определений.
Первое, что важно отметить, — в информатике сейчас понятие «искусственный интеллект» применяют редко в контексте конкретных задач. Этот термин чаще используют маркетологи и журналисты для краткого обозначения множества технологий, методик и подходов. большие данные, нейросети, машинное обучениеВ упрощенном виде ИИ – алгоритм, работающий по принципу нейронной сети и обученный на данных для выполнения задач, с которыми справляются с трудом обычные программы.
В принципе, нет физических ограничений для создания программы, которая умеет распознавать изображения, находить оптимальный маршрут и определять самого эффективного дворника без использования нейросетей. Достаточно заранее прописать в коде все нюансы работы и определить действия на каждый случай. Такой продукт будет почти не отличаться от современных программ с пометкой «ИИ» и представлять собой слабый искусственный интеллект, но зато очень узкого применения.
Машинное обучение позволяет обойти необходимость предугадывания всех возможных исходов событий. Иногда предсказать что-либо точно невозможно — многие задачи связаны с вероятностями. Обучаемые алгоритмы помогают в таких случаях, главное — подобрать достаточное количество релевантных данных для их тренировки. Алгоритмы выявляют скрытые или неочевидные человеку закономерности и хорошо работают со стохастическими процессами (при которых множество переменных изменяется случайным образом).
В дальнейшем для упрощения будем именовать любою обученной моделью нейросетью.
Что же скрывается за аббревиатурой ЖКХ помимо красочных образов? В общих чертах это всё, что обеспечивает население благами цивилизации: водоснабжение, электричество, тепло, связь, канализация, а также комфортная городская среда. Такая среда — это исправные дома с прилегающими дворами и набор основных бытовых услуг (например, вывоз мусора и уборка общественных территорий). В самом широком понимании ЖКХ охватывает всю городскую инфраструктуру: от дорог и мостов до транспорта и градоуправления.
По российскому закону ЖКХ — группа отраслей, работающих над обеспечением функционирования инженерных систем, разных зданий городов и поселков.
Цель — создавать удобства и комфорт для проживающих через предоставление широкого набора жильёво-коммунальных услуг.
ЖКХ представляет собой набор услуг по обеспечению жилья водой, топливом (газом в России), теплом и электричеством, а также его безопасной эксплуатации. Последнее включает вывоз мусора, отвод канализационных стоков, уборку, техническое обслуживание и ремонт инфраструктуры: водопроводы, линии электропередач, лифты, насосы водоснабжения, домофоны, электротехническое оборудование. Нельзя забывать о дворах, парках, скверах, детских и спортивных площадках, а также местах для выгула собак — их необходимо содержать в порядке. Суть понятна. Какое место во всем этом может занять искусственный интеллект?
Универсальные функции
Нейросети эффективно справляются с задачами распознавания образов и голоса.
Применение искусственного интеллекта в этой области не ограничивается ЖКХ, но игнорировать его здесь было бы неправильно.
Любая коммунальная организация обязана оперативно и качественно реагировать на большое количество обращений пользователей – обычных граждан, на деньги которых она существует.
Поддержание штата телефонных диспетчеров (операторов) для каждого района города или населенного пункта требует больших затрат.
Кроме того, заранее предугадать нагрузку на диспетчерские службы невозможно: в случае происшествий или неполадок дозвониться может оказаться затруднительно.
Работа этих структур нуждается в оптимизации – для повышения эффективности и экономии ресурсов.
Существуют уже давно и в большом количестве решения – самые разные программно-аппаратные комплексы для контакт-центров. WFMС помощью искусственного интеллекта, роботов-автоответчиков, способных распознавать сложные устные обращения, и голосовых помощников можно предсказать нагрузку на операторов первой линии.
Важно модернизировать структуру диспетчерских служб ЖКХ, отделив от них обработку входящих обращений. Тогда сотрудники не будут совмещать роли телефонного оператора и диспетчера. Процесс становится эффективнее: ИИ снимает нагрузку с 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 области представлено множество российских решений, часть из которых уже настроена для нужд предприятий ЖКХ. Иногда создаются уникальные разработки.
В столице с осени 2020 года искусственный интеллект используется на линии Единого диспетчерского центра. Голосовой помощник был запущен для разгрузки линии в пик отопительного сезона. Теперь робот отвечает на звонки горожан по более чем ста темам и обрабатывает почти треть от всего объема обращений, поступающих в ЕДЦ.
Жители Москвы чаще всего обращаются к голосовому ассистенту по вопросам отопления, уборки, освещения в подъезде, ремонта лифтов и сантехники в квартирах. Робот может принять заявку на вызов мастера и давать консультации по распространенным вопросам. С 2020 года более 2,5 миллиона звонков было принято.
Граждане могут общаться с коммунальщиками как устно, так и письменно. Каждый, кто хотя бы раз пытался в сельской местности подать заявление на подключение к электросети, знает, насколько мучительным бывает документооборот в ЖКХ. Хорошо бы, чтобы все необходимые справки, заявления и чеки можно было заранее отправить на проверку правильности заполнения и комплектности — мечта! Кстати, ее воплощение близко. В «Росреестре», например, уже активно тестируютВ МФЦ можно обращаться по собственному профилю с помощью специальной функции. Программное обеспечение, применяемое в этой системе, использует технологии искусственного интеллекта для перевода бумажных документов в цифровой формат.
Распознавание изображений с помощью камер видеонаблюдения для выявления нарушений эксплуатации домов и дворов – еще одна интересная реализация технологии. В отличие от предыдущих примеров, где алгоритмы могли быть детерминированными, здесь без нейросетей не обойтись. Разные углы обзора камер, степень загрязнения оптики и условия освещения не должны мешать программе замечать мусор на газоне, сосульки на карнизах, снег на крышах и сломанную ограду. Концепция разрабатывается несколькими российскими IT-компаниями и тестируется в ряде городов.
В Москве искусственный интеллект уже не первый год помогает городским службам выявлять нарушения в содержании дворов и улиц. Нейросеть, предварительно обученная большим количеством 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 разрабатывается совместно с ГКУ «Новые технологии управления», используются изображения более чем со 170 тысяч камер видеонаблюдения. Помимо операторов, анализирует их искусственная нейронная сеть. Если ИИ обнаруживает 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 более комфортным для жизни.
Уникальные особенности ЖКХ
Задачи анализа изображений и звуков актуальны для ИИ не только в коммунальной сфере, но и для нее адаптируются в этой области сравнительно просто. Другая сильная сторона нейросетей — высокая эффективность при работе с вероятностями и неявными взаимосвязями. Ее стоит ожидать в специализированном программном обеспечении для ЖКХ. Допустим, для планирования ремонта жилого фонда и коммуникаций — именно такой ИИ. предложен в проекте Минстроя «Умный город».
Нейросети могут применяться для планирования маршрутов мусоровозов и уборочных машин. Маршруты проходят по улицам, придомовым территориям и тротуарам, учитывая множество нюансов. Обычные навигационные программы не справляются с такой задачей, поэтому сейчас используется ручной труд. Искусственный интеллект может оптимизировать эту работу, учесть расписание образовательных учреждений и график работы дворников. В тестовом режиме российские коммунальщики используют разработки с применением искусственного интеллекта и технологий «интернета вещей». Пока испытания не закончены, результаты будут оценены в будущем.
Нейросетевые алгоритмы открывают большие возможности в энергетике, водоснабжении и водоотведении.
Ежесуточные изменения нагрузки этих сфер коммунального хозяйства заставляют инженеров предусматривать большой запас прочности инфраструктуры. Это ведет к увеличению стоимости ее строительства и обслуживания, что, в свою очередь, влияет на тарифы.
Кроме того, энергетика будущего будет все более «зеленой», а значит, в ней будет больше нестабильных источников энергии (ветровые электростанции и солнечные панели зависят от погодных условий). Пики потребления нужно уравновешивать накопителями или резервными генераторами.
Нейросети, анализируя существующую инфраструктуру, выявляют взаимосвязи и зависимости компонентов, которые ранее оставались незамеченными или не оценивались. На основе этого нового взгляда создаётся проект модернизации, повышающий качество жизни людей и эффективность по сравнению с прежней версией. Чем эффективнее инфраструктура, тем она более дружелюбна к окружающей среде и кошельку пользователей. уже используетсяВ области разработки городского плана и уравновешивании электроснабжения.
Нейросети хорошо справляются с обработкой больших данных, что прямое попадание в мониторинг сотен тысяч параметров с мириадов датчиков, которыми начнут оснащать российское жилищно-коммунальное хозяйство. Программы способны отслеживать конечное количество показателей, а ИИ делает выводы из отношений между данными с разных сенсоров. Такие комплексы позволяют превентивно реагировать на износ инфраструктуры — трубопроводов, электросетей и оборудования. Главное, чтобы значительная их доля была оснащена датчиками. При осмотре людьми оценки в систему заносятся регламентированно, система всё равно будет работать, но менее эффективно.
Залог прогресса — сдержанный оптимизм
Технологии машинного обучения — мощный инструмент для повышения производительности труда во всех сферах деятельности человека. ЖКХ не должна быть исключением. Однако, как и любой другой инструмент, требует квалифицированного использования. Одна технология сама по себе не решает всех проблем мгновенно.
Для успешной интеграции ИИ в технологиях ЖКХ недостаточно только названия «бренда». Необходимо кропотливое взаимодействие многих специалистов и системное внедрение новшеств, учитывая ежегодный выпуск молодых профессионалов российскими ВУЗами и разработку отечественными компаниями собственных решений для оптимизации процессов. Страна движется в тренде цифровизации сферы ЖКХ, но предстоит еще много работы.