AI Summit 2024

Алексей Тухкур, руководитель направления внешних партнерств Сколтеха, выступил (58:10) на пленарной сессии конференции AISummit «Искусственный интеллект для бизнеса. От азов до внедрения». Алексей рассказал о результатах деятельности Центра прикладного ИИ Сколтеха как одного из шести исследовательских центров, получивших государственную поддержку в рамках федерального проекта «Искусственный интеллект» национального проекта «Цифровая экономика».

Одна из задач Сколтеха – трансфер научных знаний в индустрию, и одним из инструментов такого трансфера является создание фреймворков и программных библиотек для решения индустриальных задач. Разрабатываются три таких фреймворка: это платформа Data Fusion для консолидации мультимодальных данных; платформа для сокращения времени обучения и сжатия больших нейросетевых моделей Green AI, и библиотека для решения задач с помощью методов физически обусловленного машинного обучения Science-Informed ML.

У Сколтеха есть достаточно широкий круг индустриальных партнеров. Решаются задачи оптимизации инженерных решений, консолидации мультимодальных данных в режиме онлайн, мониторинга состояния территорий.

Алексей рассказал о структуре разрабатываемых программных платформ, в основе которых лежат фундаментальные исследования в области ИИ. На основе этих разработок создаются алгоритмы, которые могут использоваться в различных областях, а из этих алгоритмов - библиотеки, которые потом применяются для разработки ПО и решения прикладных задач индустриальных партнеров. Сами эти платформы создаются за счёт госфинансирования, а прикладные задачи и прикладное ПО – за счет индустриальных партнеров. "Все наши работы должны быть так или иначе востребованы индустриальными партнерами – это одна из задач Центра", - отметил Алексей.

Среди задач, в основе которых лежат сложные научные решения, и которые при этом имеют достаточно конкретные, измеримые экономические результаты, Алексей назвал прогнозирование ледовой обстановки в Арктической зоне. Эффективность и безопасность СевМорПути как транспортной системы во многом зависит от прогнозирования состояния льдов. Например, в конце 2021 года в СМИ освещалась ситуация, когда в «пробку» на СМП попали более 20 судов. Причиной этого затора стали ошибки в прогнозе ледовой обстановки. Другой пример: если танкер, подходя к нефтяной платформе, промахнется, когда ледовая обстановка не позволит ему это сделать, то его ожидает круг в несколько сотен километров, что влечет существенные издержки.

Прогнозирование ледовой обстановки – очень сложная задача, которая состоит из нескольких компонент: гидродинамической модели, которая связывает взаимодействие льдов, океана, атмосферы и ветрового волнения, определяющего направление движения льдов. Вторая компонента – это модели, связанные с ИИ, которые ускоряют и уточняют прогнозы, созданные с помощью физических моделей. Чтобы вся эта система функционировала, необходимы очень разнородные источники данных: со спутниковых снимков, бортовых измерений, буёв, погодных станций. Консолидировать и усвоить эту информацию для дальнейшего использования в моделях можно только с помощью использования методов ИИ. «Мы разработали систему, которая прогнозирует ледовую обстановку на 72 часа вперед и может обновляться каждые 6 часов. Она уже проходит испытания и планируется к внедрению в промышленную эксплуатацию в этом году. При этом она имеет как технические показатели эффективности - точность прогнозов – так и экономические, такие как количество дней простоя судов или интенсивность использования ледоколов. Это одна из реально действующих систем, которая создана с помощью господдержки и поддержки индустриальных партнеров", - подчеркнул Алексей Тухкур.

Второй пример – из области нефтедобычи: это создание самообучающейся модели нефтяного пласта, которая позволила бы оптимизировать процессы добычи. Сложность состоит в том, что в этом процессе задействовано очень большое количество разнородных данных, обладающих разной точностью. Обработка таких данных, создание карт требует большой «ручной» работы, нескольких месяцев привлечения очень качественных специалистов. При этом оптимизировать такие процессы очень сложно, потому что они трудоёмкие и требуют нескольких итераций. «Мы создаем мультиагентную систему, в которой каждый агент является полунезависимым, самостоятельным программным модулем, который создает модели и находит пути, позволяющие эти процессы оптимизировать, - объясняет Алексей. - Такие агенты работают на сложном графе знаний, с тысячами узлов, позволяющими искать оптимальные пути решения". Эксперименты показывают, что с помощью такой модели пласта удается существенно увеличить скорость и повысить точность построения модели месторождения: от 4 месяцев традиционными методами до 30 часов с помощью ИИ. Также существенно повышается сама точность предсказания, что очень существенно влияет на все издержки, связанные с бурением.

Третье решение – для мониторинга лесных пожаров – уже внедряется в контуре МЧС. Оно позволяет прогнозировать распространение пожаров на 5 дней вперед. Это проект, который имеет очень конкретное прикладное значение. Следующая задача – это кризисное картирование, когда по данным снимков до и после ЧС можно детектировать изменения и быстро оценить последствия этой ЧС, что очень важно в целом для планирования операций по устранению её последствий.

Источник: aisummit.ru

Комментарии: