Как методы искусственного интеллекта помогают ресурсоснабжающим организациям

Искусственный интеллект (ИИ) – одна из актуальнейших тем текущего времени. Новости об искусственном интеллекте возносят и рушат капитализацию мировых корпораций, принимаются государственные программы развития искусственного интеллекта, люди общаются с умными колонками и уже давно не пытаются выиграть у компьютера в шахматы. Не отстает и бизнес, который стремится повысить эффективность своей деятельности с помощью искусственного интеллекта. Не обошёл этот интерес и сферу ЖКХ, и, в частности, ресурсоснабжающие организации (РСО), для которых задача повышения эффективности очень важна.

У такого превознесения искусственного интеллекта есть и обратная сторона – у многих создается некоторое искаженное представление о его практическом применении в производственных процессах предприятий. Нередко приходится слышать, что какой-нибудь GPT легко поможет решить конкретную прикладную задачу, например, водоканала или теплосетевой компании. К сожалению, в большинстве случаев это не так. Современные методы искусственного интеллекта могут решать многие задачи, но не все. А если могут, то необходимо провести предварительные работы по внедрению и настройке соответствующих инструментов. Давайте попробуем разобраться, что же такое искусственный интеллект и как его можно использовать для повышения эффективности РСО.

Существует много определений искусственного интеллекта, которые изменяются со временем. Первым определение «искусственный интеллект» сформулировал американский информатик Джон Маккарти в 1956 году:

«Искусственный интеллект – наука и инженерная деятельность, направленная на создание умных машин».

При этом изыскания Маккарти основывались на работе других ученых, в частности Алана Тьюринга, предложенный которым тест возможности мышления машины до сих пор актуален. С тех пор были разные периоды развития и затухания интереса к искусственному интеллекту, которые рождали новые определения и понятия. Современное российское определение сформулировано в Национальной стратегии развития искусственного интеллекта на период до 2030 г.:

«Искусственный интеллект - комплекс технологических решений, позволяющий имитировать когнитивные функции человека (включая поиск решений без заранее заданного алгоритма) и получать при выполнении конкретных задач результаты, сопоставимые с результатами интеллектуальной деятельности человека или превосходящие их. Комплекс технологических решений включает в себя информационно-коммуникационную инфраструктуру, программное обеспечение (в том числе, в котором используются методы машинного обучения), процессы и сервисы по обработке данных и поиску решений».

Как видите, от научного подхода к созданию умных машин произошла трансформация к акценту на практическое применение умных машин.

В настоящее время существует много классификаций искусственного интеллекта: по видам деятельности, по степени автономности, по методу обучения, по функциям в контуре управления и др. (см. ГОСТ Р 59277–2020. Системы искусственного интеллекта классификация систем искусственного интеллекта). Еще больше существует различных методов искусственного интеллекта – алгоритмов создания и применения умных машин. В рамках рассмотрения практических возможностей применение искусственного интеллекта для повышения эффективности работы РСО предлагаю остановиться на методах машинного обучения и математической оптимизации. Это популярные и мощные инструменты решения практических задач, которые сегодня используют множество компаний из самых разных отраслей для повышения эффективности своей деятельности.

С точки зрения математики под математической оптимизацией понимают нахождение экстремума (минимума или максимума) целевой функции в некоторой области конечномерного векторного пространства. Если рассматривать математическую оптимизацию с практической точки зрения, то это задача выбора лучшего (оптимального или рационального) значения варианта из некоторого набора доступных альтернатив. Математическая оптимизация реализуется через математическую модель реального объекта или процесса, которая учитывает его важные параметры и отношения между его отдельными элементами.

Одним из ярких примеров применения математической оптимизации является производственное планирование. К примеру, у РСО есть определенный перечень потребностей в ремонте и в ремонтных бригадах, которые могут выполнять эти ремонты. Задача в том, чтобы максимально задействовать эти бригады для выполнения максимального объема ремонтных мероприятий. В такой постановке задача может быть решена и без участия искусственного интеллекта. А вот если добавить разные приоритеты для потребностей в ремонте; технологии, которые определяют требования к квалификации бригад и отдельных специалистов; необходимость в использовании техники и специнструмента, наличие которых ограничено; нормы на выполнение операций; остатки материалов на складах, то для поиска оптимального варианта планирования работы бригад без применения искусственного интеллекта не обойтись.

Если размерность данных небольшая, то для математической оптимизации можно использовать различные переборы – считать возможные варианты и потом, сравнив результаты, выбрать наилучший. Если данных очень много, имеем несколько целевых функций и большой набор входных параметров, то целесообразно использовать специальные алгоритмы, которые ускоряют расчеты, например, симплекс-метод или генетический алгоритм.

В качестве реального примера с большой размерностью можно привести задачу формирования эффективной годовой производственной программы, насчитывающей сотни тысяч мероприятий. Надо понимать, что далеко не всегда можно найти готовый инструмент математической оптимизации для конкретного РСО. В общем виде проект создания инструмента оптимизационного планирования предусматривает следующие этапы:

1. Детально и четко сформировать однозначно трактуемые требования к процессу планирования.
2. Определить ограниченный набор показателей, используемых при планировании, которые реально востребованных предприятием на практике.
3. Определить критерии оптимальности плана, например, время выполнения заявок, затраты на выполнение заявок (в идеале критерий должен быть один, при увеличении количества критериев сложность решения задачи многократно увеличивается, а при количестве критериев более трех, задача становится практически нерешаемой).
4. Поиск, обоснование и программная реализация такого метода решения задачи, который позволяет получить решение задачи за требуемое время с приемлемой точностью.
5. Проверка соответствия результатов моделирования экспериментальным данным или результатам уже известных решений, например, производственными планами, составленными специалистами предприятия.
6. Внедрение и промышленное использование модели.

Несомненным плюсом метода математической оптимизации является возможность внесения изменений в алгоритм расчета – при изменении рассчитываемого процесса надо учесть эти изменения в модели и последующие результаты расчетов уже будут корректными. Недостатком метода является невозможность учета в модели всех факторов, оказывающих влияние на результат. Модель включает в себя наиболее важные из них. Поэтому есть некоторые расхождения между реальными объектами и расчетными значениями. Такие расхождения калибруются введением поправочных коэффициентов в ходе эксплуатации модели.

Для задач слабоструктурированных и трудноформализуемых с многими неопределенностями, которые сложно выявить и учесть, используются методы машинного обучения. Машинное обучение – класс методов искусственного интеллекта, в ходе которого происходит обучение модели на основе уже известных результатов решений сходных задач. Наиболее распространены и массово используются для задач распознавания голоса, машинного перевода, распознавания объектов, генеративных задач.

Нейронная сеть – это метод машинного обучения, который учит компьютеры обрабатывать данные таким же способом, как их обрабатывает человек. Концепция нейросетей заимствована у природы и базируется на функциональных особенностях головного мозга. В мозге человека есть нейроны, которые между собой связаны и передают друг другу сигналы. Похожим образом работают нейронные сети – есть несколько слоев с нейронами и связи между ними, по которым передаются сигналы в виде чисел.

Процесс обучение нейросети похож на процесс обучения человека. На вход надо дать массив данных, чтобы нейросеть сформировала определенные закономерности (в виде весовых коэффициентов связей между нейронами), которые будет использовать при работе с данными в ходе эксплуатации искусственного интеллекта. Как человек может обучаться с помощью учителя и в режиме самообучения, так и нейронные сети могут обучаться на выборке обучающих примеров в виде связки информации на входе и правильного результата обработки, так и самостоятельно формируя закономерности и взаимосвязи между входными данными.

Обучение с учителем используется для задач, в которых известен требуемый результат. Например, для классификации изображений, распознавания звуков или голоса. Обучение без учителя применяют для языковых моделей, кластеризации, выявления отклонений и аномалий, статистических моделей.

В качестве примера описания процесса обучения нейронной сети давайте возьмем достаточно простую прикладную задачу распознавания показаний с фотографии прибора учета воды:

• надо собрать несколько тысяч фотографий различных приборов учета воды, на которых четко видны цифры показаний;
• необходимо разметить фотографии, выделив область с набором цифр – это обучение первого слоя нейросети;
• для обучения следующего слоя требуется сделать разметку, на которой будет выделены области каждой цифры;
• в финале потребуется обучить слой, который распознает сами цифры – каждому символу цифры установить соответствующее значение.

В процессе обучения проверяется точность распознавания, при необходимости проводится дообучение.

Многие программные продукты систем видеонаблюдения уже из коробки предоставляют возможность распознавания государственных номеров автомобилей. Это как раз использование методов искусственного интеллекта, обученных для типовой задачи.

К сожалению, универсально обучить нейронную сеть в общем виде возможно далеко не всегда. И в примере с распознаванием показаний приборов учета, нейросеть, обученная для водяных счетчиков, не сможет корректно распознавать показания счетчиков электроэнергии.

Как правило, для решения прикладных задач производится обучение уже существующих нейронных сетей. Создание базовых нейронных сетей со структурой нейронов – это отдельная, значительно более сложная задача. Если вам предлагают создание нейросети с нуля, уточните, что именно под этим подразумевается.

Несмотря на то, что обычно берутся уже существующие, иногда даже предобученные нейронные сети, в нетиповых задачах процесс внедрения методов машинного обучения схож с внедрением инструментов математической оптимизации – требуется постановка задачи, выбор и проверка применяемых методов, определение принципов обучения, проверка корректности работы искусственного интеллекта. Специалисты по машинному обучению рекомендуют выделять предварительный экспериментальный этап, в ходе которого определяется принципиальная возможность решения поставленной задачи, подбираются основные инструменты и проверяются на ограниченном наборе данных. Это позволяет существенно сократить риски проекта.

У ресурсоснабжающих организаций есть много прикладных задач, в решении которых могут помочь нейронные сети. Приведу несколько примеров из практики:

1. Обслуживание клиентов:

• Классификация обращений и запросов. Может использоваться для классификации больших текстовобращений из электронной почты и/или обращений с сайта. Нейронная сеть определяет ключевые слова и словосочетания в тексте и относит обращение к классу. Дальше классифицированное обращение может быть переправлено в подразделение/специалисту, за которым закреплен данный класс.
• Чат-бот. В режиме диалога уточняется и определяется потребность абонента в информации и выдает ответ из базы знаний. Может быть интерфейс на сайте и в мессенджерах.

Для обучения таких нейронных сетей необходимы массивы данных:

• Нескольких тысяч примеров обращений, которые надо будет классифицировать. Например, можно взять историю обращений, которые раньше обрабатывались специалистами.
• Нескольких тысяч вопросов и база знаний с типовыми ответами. Дальше потребуется соотнести вопросы и типовые ответы из базы знаний, прописать маршруты и уточняющие вопросы бота.

Можно заменить интерфейс на голосовое взаимодействие, например, по телефону. Тогда необходимы дополнительные инструменты искусственного интеллекта – распознавание и генерация голоса. Эти инструменты не зависят от специфики работы РСО и могут использовать уже готовые обученные языковые модели. Есть особенность, что распознание голоса просто переводит речь в текст, не всегда выделяя имена собственные (при работе с тестовыми сообщениями такие ошибки тоже возможны, если, например, название улицы написано с маленькой буквы), поэтому рекомендуется использовать диалоговые модели бота, которые могут уточнять и подтверждать названия улиц и адреса, другие названия.

Совместное использование вышеописанных методов машинного обучения может существенно повысить эффективность работы диспетчерской службы РСО:

• входящий телефонный звонок обрабатывает речевая модель, переводя голосовые сообщения в текст;
• полученный текст классифицируется по темам обращений;
• для каждой темы предусмотрен сценарий обработки данных: на вопросы по отсутствию водоснабжения происходит автоматический поиск по перечню отключений и предоставление информации о проводимых работах, при сообщении об аварии автоматически создается заявка, и т. п.

2. Цифровые двойники технологических процессов и прогностика.

В режиме реального времени происходит контроль параметров технологических процессов и динамики изменения индексов технического состояния агрегатов. При выявлении отклонений и выхода технологического процесса за допустимый регламент идут уведомления и подсказки специалистам. Для решения задач оптимизации технологического процесса выдаются рекомендации по оптимальным управляющим параметрам в режиме реального времени. По динамике отклонений происходит прогнозирование вероятных инцидентов и аварий.

Конечно, для решения таких задач используется целый комплекс цифровых инструментов, но за анализ данных отвечает именно искусственный интеллект.

В качестве примера реального эффекта от подобных решений могу привести случай из недавнего проекта ГК «Цифра» в теплоснабжении: еще на этапе опытной эксплуатации на ограниченном перечне объектов за один месяц работы удалось предотвратить три инцидента на ТЭЦ, которые могли бы суммарно вывести станцию из строя на 24 часа.

Внедрение методов искусственного интеллекта для решения прикладных задач способно существенно повысить эффективность работы РСО. Вместе с тем, пока нет готовых универсальных решений. Разные методы искусственного интеллекта предназначены для решения различных задач, а в сочетании могут давать больший совокупный эффект.

При этом технологии искусственного интеллекта активно развиваются и становятся мощнее. В начале статьи уже упоминалось, что искусственный интеллект обыграл чемпиона мира по шахматам. Это произошло еще в прошлом веке. Умная машина просчитывала все варианты развития ситуации и выбирала лучшие ходы для победы. А вот с игрой Го так не получилось – вариантов развития ситуации оказалось слишком много, на порядок больше, чем в шахматах. Чемпиона мира по Го компьютер победил относительно недавно. Произошло это благодаря тому, что разработчики научили компьютер «интуиции». Они обучили искусственный интеллект на нескольких десятках миллионов партий лучших игроков в Го, которые на интуитивном уровне выбирают победную стратегию игры. В результате компьютер стал сразу исключать проигрышные и неправильные стратегии и ходы, а по оставшимся считал все варианты и выбирал лучший, как при игре в шахматы. Это частный, но очень показательный пример развития искусственного интеллекта.

Применение искусственного интеллекта в повышении эффективности работы РСО имеет большие перспективы, но важно четко осознавать его возможности, потенциальную пользу и принципы работы.

Уханов Антон Сергеевич,
Менеджер по работе с корпоративными клиентами ГК «Цифра»

Опубликовано с согласия редакции журнала "Наилучшие Доступные Технологии водоснабжения и водоотведения" (НДТ-ИНФО.РФ)