БПЛА выполнил полеты вдоль Морского канала Обской губы, преодолевая расстояние от 300 до 700 метров к западу от Вербового. Испытания проходили в сложных метеоусловиях: в темноте, при сильном ветре в 15-17 м/с и температуре -25 градусов Цельсия. Полет на высоте 600 м протяженностью 174 км продлился 115 минут.
Важным моментом стало успешное тестирование системы полностью автоматизированной посадки БПЛА на палубу атомного ледокола "Ямал". Это значительно упростит эксплуатацию аппарата. В ходе полета формировались радиолокационные снимки, а также велась видеозапись в оптическом и инфракрасном диапазонах. Полученная информация с геолокационной привязкой передавалась в реальном времени оператору на ледокол. Радиолокационные снимки Морского канала, полученные в результате испытаний, уже переданы в Единую платформу цифровых сервисов Северного морского пути и размещены на едином геоинформационном портале.
Этот беспилотный комплекс воздушной ледовой разведки является частью цифровой экосистемы Северного морского пути, разрабатываемой "Росатом". Она включает в себя БПЛА, Единую платформу цифровых сервисов и фонд данных, а также бортовые измерительные комплексы. Создание такой экосистемы должно повысить безопасность судоходства и экономическую эффективность грузоперевозок в Арктике. Введение цифровой экосистемы в эксплуатацию намечено на середину 2025 года.
Генеральный директор Росатома Алексей Лихачев ранее сообщил, что в 2023 году на Северном морском пути был поставлен рекорд перевозок в 36,5 млн тонн и отмечен десятикратный рост транзита.
Предприятия должны начать переосмысливать взаимодействие людей и машин в эпоху цифровой трансформации уже сейчас во избежание дублирования затрат и разработки локальных ИИ решений на каком-либо из участков бизнес-процесса, которые могут иметь существенные барьеры развития.
Занимаясь более 17 лет разработкой ИТ-проектов и фокусируясь на автоматизации и внедрении передовых технологий, мы все чаще сталкиваемся с проектами по внедрению искусственного интеллекта. Полученный опыт и те тенденции, которые мы наблюдаем, показывает, что гиперавтоматизация и масштабное применение ИИ в России не за горами. Это наша среднесрочная перспектива, к которой мы идем семимильными шагами.
На примере нашего опыта можно констатировать, что на сегодня искусственный интеллект (ИИ) достаточно активно используется для решения важных практических задач, но пока это внедрение и использование — фрагментарное. То есть локально, в рамках оптимизации бизнес-процесса на каком-то участке. Например, мы разрабатывали различные модели на основе ИИ по потреблению энергоресурсов для установок фракционирования нефти, но не в части всего технологического процесса, а лишь небольшой кусочек. Или реализовывали проекты по поиску углеводородов и рудных месторождений, но без учета их эффективной добычи.
В части компьютерного зрения за последние годы, мы решали множество задач. Например, задачи по распознаванию гранул на конвейерной ленте для сокращения простоя мельниц и дистанционному мониторингу состояния линий электропередач. Другие практические аспекты внедрения ИИ были связаны с автоматическим подбором и конструированием шаблона договора в зависимости от типа подрядчика для клиента, у которого более 1 000 контрагентов, или с разработкой алгоритмов построения динамического плана эвакуации при задымлении от пожаров или утечки газов в здании и с моделированием распространения облака заражения газов от движущихся объектов.
И это лишь малая часть проектов, которые реализовала команда Юзтех за последние годы. Спектр проектов достаточно обширен и их можно условно разделить на 3 группы по процессам интеграции:
Проекты, в которых реализована необходимая интеграция информационных потоков;
Проекты, использующие данные нескольких систем, интегрировать которые можно разными способами, например, через API или шину данных;
Проекты, для работы которых нужно существенно перестраивать ИТ-инфраструктуру, разрабатывать стратегию управления данными и внедрять современные подходы к управлению и хранению данными такими, как DWH, Hadoop, озера данных.
Чаще всего мы сталкиваемся с третьим типом проектов. С одной стороны, рабочие нагрузки ИИ предъявляют новые требования к вычислительным и сетевым ресурсам по сравнению с потребностями традиционных приложений и систем. С другой стороны, фрагментарное применение ИИ вынужденно упирается “в стену” — как в части бизнес-практик, так и в части технологических ограничений. Фрагментарный подход к разработке соответствующих моделей ИИ приводит к тому, что архитекторы решений конструируют только то, что необходимо для разрабатываемых их командами отдельных ИИ-проектов, вместо того, чтобы учитывать общую картину ИТ-ландшафта предприятия. В результате разрозненные системы затрудняют компаниям внедрение лучших практик ИИ и ограничивают эффективность технологии. Эти структурные барьеры делают слабо эффективными реализуемые технологическими изменениями.
Проблемы, связанные с внедрением ИИ на разных участках единого бизнес-процесса
Такой подход не гарантирует, что созданное ИИ-решение действительно будет адаптивным к возможным изменениям бизнес-процесса. И компаниям придется инвестировать в новые ИИ-модели, которые будут учитывать все бизнес-данные, а не поддерживать несколько моделей, работающих изолированно.
Эталонная ИИ-архитектура, обеспечивающая целостное и гибкое внедрение ИИ, предполагает сочетание многоуровневого подхода и модульности разработки ИИ для нивелирования каких-либо зависимостей от базовых технологий и обеспечения всем заинтересованным сторонам в области ИИ возможность участвовать в процессе разработки.
ИИ-архитектура должна состоять из пяти элементов-модулей, каждый из которых может быть разработан независимо друг от друга со своими пользователями, интерфейсом, технологиями, службами и сценариями развертывания. Реализация каждого модуля связана с используемым технологическим стеком компании. Это позволяет внедрять лучшие в своем классе решения, не зависят от одной технологии или поставщика.
Эталонная ИИ-инфраструктура по версии ГК Юзтех
1. База знаний реализованных ИИ-моделей
Этот модуль включает в себя единое представление всех артефактов ИИ: описание кейсов, фреймворков, моделей, исходных данных и других артефактов. Этот уровень предназначен в первую очередь для информирования об успешно внедренных ИИ-решениях всех заинтересованных сторон, включая конечных пользователей, тестировщиков, специалистов по обработке и анализу данных, операционных групп, команд по инфраструктуре и ИТ-менеджеров.
2. Сервисы ИИ и классификатор реализованных ИИ-моделей по типам обрабатываемых данных, хранящихся в базе знаний (речь, текст, компьютерное зрение, табличные данные)
В рамках данного модуля используется единый API и классификатор моделей, чтобы пользователи могли получать доступ к службам ИИ. Микросервисная архитектура позволяет каждому API предоставлять небольшие и четко определенные функции. Этот модуль также дает возможность использовать одну ИИ-модель в нескольких приложениях.
3. Среда разработки новых ИИ-моделей и настройки существующих (управление полным жизненным циклом ИИ-моделей)
Этот модуль включает инструменты и платформы разработки, которые стандартизируют жизненный цикл ИИ. Он собирает артефакты ИИ (версии и метаданные) в моделях для повторного использования. Этот уровень позволяет специалистам по обработке и анализу данных использовать средства разработки машинного обучения для создания и развертывания моделей в компании. Кроме того, он помогает проверять работу моделей и настраивать политики ИИ-решения.
4. Серверная и сетевая инфраструктуры для хранения данных, обучения и исполнения ИИ-моделей
Этот модуль оптимизирует инфраструктуру для нескольких поставщиков, обеспечивая при этом достаточную вычислительную мощность для обучения модели. Кросс-функциональные команды разрабатывают эти модели таким образом, чтобы они были актуальны для подразделений по всему предприятию. Уровень управляет хранилищем данных, размещает приложения (локально и в облаке), обучает модели ИИ и исполняет модели.
5. Центр управления и мониторинга реализованных ИИ-моделей
Этот сервис обеспечивает согласованность и оптимизацию систем ИИ во всех бизнес-функциях, собирает метрики ИИ, сопоставляет их с ключевыми показателями эффективности бизнеса. Этот уровень позволяет бизнесу оценивать эффективность использования модели и вмешиваться, если модель ИИ переобучена или не дает ожидаемых результатов.
Заключение
Роль искусственного интеллекта в бизнесе возрастает благодаря способности ИИ снижать издержки и повышать эффективность работы. В эпоху цифровой трансформации использование наилучших доступных технологий — это уже не вопрос конкурентного преимущества, а вопрос выживания и поддержания работы предприятия в актуальном состоянии. Искусственный интеллект не только способен повысить производительность человека, но и полностью автоматизировать многие бизнес-процессы.
Несмотря на то, что это прогнозы, предприятия должны начать переосмысливать взаимодействие людей и машин в эпоху цифровой трансформации уже сейчас во избежание дублирования затрат и разработки локальных ИИ решений на каком-либо из участков бизнес-процесса, которые могут иметь существенные барьеры развития.
Согласно одному из слайдов презентации, около 18 миллионов человек в стране воспользовались этой технологией. Биометрический профиль, по словам главы Минцифры, дополняет другие элементы цифровой идентификации — профиль на "Госуслугах" (его имеют 110 миллионов граждан), а также электронную подпись, подключенную 10 миллионами россиян.
Кроме того, в комплекс входят цифровые копии личных документов, которые можно предоставлять через смартфон, доступные для 19 миллионов граждан. Шадаев отметил, что эти элементы цифровой идентификации создают вторую систему верификации гражданина. Эта система не только действует в цифровых каналах, но также заменяет традиционную систему идентификации в офлайн-взаимодействии.
Ранее сообщалось, что биометрические данные на электронном носителе могут быть добавлены в паспорт гражданина РФ.
