Нижнетагильская ИТ-компания собирается к концу года запустить в пилотном режиме приложение, которое создала по запросу кемеровского НИИ комплексных проблем сердечно-сосудистых заболеваний. Это будет что-то типа шпаргалки для врачей любой квалификации. В базе данных приложения собрано 15 тысяч эпизодов, на которые можно ориентироваться, чтобы верно поставить диагноз. Интеллектуальная система прогнозирования выявляет зависимость между традиционными факторами, влияющими на возникновение болезней сердца и сосудов (артериальное давление, уровень холестерина, лишний вес), и нетрадиционными (семейное положение, регион проживания).
- В результате обучения мы получили модель ассоциативной памяти и выявили зависимость традиционных медицинских параметров от социальных факторов. Сервис встроили в медицинскую информсистему "АРЕНА": врач, нажав кнопку "Риски", увидит, какова вероятность развития заболевания и как оно может протекать у пациента. Если же нажмет кнопку "Рекомендации", получит выборку, сформированную на положительном опыте лечения людей с похожими исходными данными, - раскрывает детали проекта руководитель компании-разработчика Егор Богданов.
В перспективе этот ИТ-сервис планируется применять и при диагностике других недугов. Компьютер вмещает гораздо больше информации, чем человек. Когда медбрат-новичок воспользуется таким приложением, он сможет быстро определить, какой именно анализ нужен, чтобы сократить вариации диагнозов до одного-двух, поясняет разработчик.
Другая программа поможет московским властям эффективнее управлять строительной отраслью. Программисты сконструировали нейросеть, которая предвидит риски и переносы сроков по каждому этапу. Модель построена на Big Data, где учитываются данные о количестве рабочих на площадках, генпроектировщиках, цены на материалы и график их доставки, время года и производственный календарь. Также благодаря алгоритмам машинного обучения (ML - machine learning) резервное время на стройках должно вырасти на треть.
- Путем анализа данных мы можем предсказать сроки завершения важных этапов строительства с высокой точностью, - пояснил Егор Богданов.
По словам заказчиков, зрелость цифровых разработок уральских компаний позволяет принимать взвешенные и верные решения руководству тех или иных структур. Сейчас рассматривается внедрение ИИ в закупки, операционное управление строительством, анализ видеопотока.
За помощью к искусственному интеллекту обратились и аграрии. Например, российская группа компаний "АгроТерра", выращивающая пшеницу, сою, сахарную свеклу, подсолнечник, рапс, чтобы определить, что влияет на урожайность, приобщила к производству модель многофакторного анализа.
Чтобы проверить разные гипотезы, айтишники построили три модели машинного обучения: случайный лес, бустинг и стекинг.
- Первый метод основывается на количестве мнений в пользу того или иного фактора урожайности. Например, большинство моделей считает, что на нее повлияло количество осадков - значит финальная строит прогнозы именно на этом основании. Бустинг же предполагает, что последующая модель поэтапно обучается на выводах предыдущей и исправляет ее ошибки. Допустим, если фактор осадков не самый важный для урожайности, тогда это температура воздуха, - говорит директор по развитию компании-разработчика Артем Терновых. - При стекинге каждая модель предсказывает свой результат, а финальная выносит вердикт.
Немало продуктов на основе ИИ предлагается и для промышленности: видеоаналитика конвейерной ленты, проверка качества готовой продукции, создание цифровых двойников. К примеру, на Новолипецком металлургическом комбинате машинное зрение помогает определить размер и состав руды на конвейере, благодаря чему удается экономить 115 миллионов рублей в год.
Как только в цех приезжает сырье, его мельчат до состояния щебня и песка. Если оборудование загрузить работой сразу на высокой скорости, ножи дробилки придется часто менять. А если фракция слишком крупная, износ техники случится на следующем этапе. Поэтому решили установить камеры, прожекторы и с помощью видеоаналитики и нейросети ML решать, в какое время увеличивать или уменьшать скорость дробления. Снимки делаются несколько сотен раз, затем генерируются в 3D, чтобы обогатить выборку, а уже по ней программисты обучают математическую модель.
Александр Кугаевских, доцент факультета программной инженерии и компьютерной техники Университета ИТМО:
- Цифровизация уже хорошо заметна в сфере B2C, промышленности, на транспорте, в логистике, но все-таки бизнес еще боится вкладываться в искусственный интеллект из-за прошлых провалов и завышенных ожиданий. Всегда нужно помнить, что это научно-исследовательская работа. Даже если есть качественные данные и опытная команда, все равно остается риск неудачного эксперимента. К примеру, у меня был личный опыт, когда требовалось написать программу составления технического расписания обслуживания нефтяных скважин. Даже с использованием ИИ эту задачу достоверно до конца не решить: нужны еще высококлассные специалисты по математической статистике и разные методы математической оптимизации. Бизнес, понимая, что стопроцентной гарантии на успех нет, а проект дорогой - от десяти миллионов рублей, предпочел не тратиться.
Тем не менее в России - великолепная математическая школа, мне кажется, с ростом затрат на НИР в реальном секторе мы увидим решения очень многих трудных задач.