Михаил Демидов,
заместитель руководителя по инновационным проектам Лаборатория бизнес-решений на основе искусственного интеллекта МФТИ
МФТИ активно занимается коммерциализацией научных разработок. В конце 2017 года Институт стал исполнителем по программе НТИ “Искусственный интеллект” и активно развивает это направление. Задача Лаборатории бизнес-проектов на основе искусственного интеллекта МФТИ — способствовать этому, создавая коммерческие продукты на основе искусственного интеллекта. Во многих госпроектах Институт выступает в роли генерального подрядчика или партнера. Технологии умного города — одно из перспективных направлений, где могут пригодиться эти разработки. Михаил Демидов, представитель Лаборатории, рассказывает, как искусственный интеллект может пригодиться городским властям.
Компьютерное зрение для клерков
Итак, что такое коммуникации большого города? Один из очевидных типов — взаимодействие с поставщиками, исполнителями и т.п. Также городские власти общаются с жителями. И есть третья сторона: службы ЖКХ и другие инфраструктурные предприятия.
Одна из сфер, где искусственный интеллект может принести пользу — это документооборот. Город инициирует крупные проекты, которые подразумевают долгие и сложные бюрократические процедуры, конкурсы, подготовку документации. На всех этапах этих процедур могут возникать сложности, например, какие-то из пунктов не исполняются должным образом, что-то не понравилось ФАС. Контроль сроков и обязательств вручную приводит к их срыву, задержкам, пропускам важных событий.
Это все увеличивает издержки, что невыгодно ни для поставщиков, ни для заказчиков. Затраты на ручную проверку договоров по текущим регламентам составляют сотни миллионов рублей в год.
Есть возможность минимизировать эти риски и сократить расходы за счет использования искусственного интеллекта. Так, технологии OCR (оптическое распознавание символов) вместе с искусственным интеллектом позволяют идентифицировать важные параметры в бумажном договоре и связать их с процессами в бизнес-системе (рис. 1).
Существуют сложные и простые документы. Первые требуют валидации от людей. В этом случае искусственный интеллект дает подсказки, на что обратить внимание, какие параметры могут быть существенными, связанными с бизнес-процессами, и соответственно нести риски роста издержек, если их не учесть. При работе с простыми документами искусственный интеллект, при наличии полномочий, может самостоятельно перевести их в бизнес-процессы. То есть “понять”, о чем там написано и провести по стандартным маршрутам в системе электронного документооборота. От внедрения таких умных систем может наблюдаться существенный экономический эффект (рис. 2).
Представим себе госмонополию, работающую в течение года по порядка ста тысячам договоров с подрядчиками, которые осуществляют поставки какого-то оборудования, оказывают услуги и так далее. Согласно регламентам, каждый договор должен быть проверен как минимум тремя разными людьми, каждый из которых тратит на это по несколько часов. Получается, что только на эту работу по проверке документов уходит ежегодно несколько сотен миллионов рублей, которые можно было бы сэкономить с помощью искусственного интеллекта и потратить на улучшение, например, городской инфраструктуры.
Глас народа
Другой пример использования “умных” технологий в городской среде — это взаимодействие с жителями. Всем известны полезные начинания, запущенные в Москве: “Наш город” и “Активный гражданин”. Все такие проекты сталкиваются с одинаковыми сложностями: долгое время ожидания ответа, недостаточно эффективная помощь, оказываемая обратившимся. Есть большая проблема с тем, что в контактных центрах, которые обрабатывают входящие запросы, наблюдается высокая текучка кадров, приходится постоянно переучивать операторов. Все это обходится весьма дорого (рис. 3).
Контактные центры позитивно относятся к чат-ботам и виртуальным AI-помощникам — 80% из них либо планируют внедрять технологию в 2019 году, либо уже сейчас это делают. Об этом говорится в исследовании Национальной Ассоциации Контактных Центров, опубликованном в декабре 2018 года.
В проектах такого рода мы неизбежно сталкиваемся с задачей распределения сообщений, которые пользователи оставляют в контактных центрах. Это, так называемое, распределение с “длинным хвостом” (long tail) (рис. 4).
Два-три года назад у бизнес-заказчиков была надежда, что вот сейчас придут чат-боты и мы эту задачу быстро решим. Попытки внедрить эти технологии столкнулись с суровой действительностью. Мы работали над этой научной проблемой вместе с коллегами из Data Monsters (индустриальный партнер Лаборатории МФТИ), iPavlov. В результате мы пришли к решению, которое позволяет повысить эффективность таких коммуникаций с гражданами не только при помощи чат-ботов, но и с использованием статистических методов анализа диалогов.
Если объяснять по-простому, то выглядит все это примерно так. Если искусственный интеллект «понимает», чего именно хочет клиент, то он обрабатывает этот запрос чат-ботом, самостоятельно отвечает на вопросы. Но таких запросов, как видно из рисунка 4, не так уж и много. Большая часть вопросов оказывается такой, когда искусственный интеллект не может однозначно определить намерение обратившегося. Но даже в такой ситуации применение искусственного интеллекта дает экономическую выгоду: система предлагает консультанту-оператору выбрать ответ из нескольких наиболее релевантных вариантов. Так экономится время сотрудников контактных центров — им не нужно набирать текст руками, они одним кликом отвечают на запрос, а пользователям не приходится долго ждать. В одном из проектов нам удалось за счет внедрения искусственного интеллекта сократить время ожидания ответа в 4 раза.
Гадание на искусственном интеллекте
Еще одна область применения данных технологий в городской среде — различные системы прогнозирования. Например, одна из реальных задач — создание рекомендательной модели по прогнозу возврата инвестиций на оснащение новых территорий платными парковками. Система строит предсказание на основе исторических данных, а также может учитывать такие параметры, как загруженность улиц, стоимость установки паркоматов, количество парковочных мест и так далее.
Прогнозирование поломок оборудования в ЖКХ может сэкономить миллионы рублей за счет сокращения простоя техники, ремонта на ранних стадиях и только при необходимости, а не по графику. Эти системы пригодятся в водоснабжении, электрораспределительных сетях, газопроводах и так далее. Конечно, для этого требуется достаточное количество датчиков, обеспечивающих полноту данных. У нас был реализован проект с крупной добывающей госкомпанией по решению подобной задачи. У корпорации состоит на балансе порядка 200 тысяч км трубопроводов, расположенных в пределах целого континента. Эта компания сталкивалась с такой проблемой, когда не известно, на каком участке случится следующая авария и куда нужно направлять деньги для профилактического ремонта. Поэтому поломки случались внезапно, и компания терпела при этом серьезные издержки. Подобная задача актуальна и для большого города, где имеется обширная инфраструктура. В этом случае нет большой разницы, что течет по трубам — вода, нефть или газ. Те же самые технологии применяются и для электрических сетей.
В основе методов решения таких задач стоит создание цифрового двойника. На базе исторических данных, которые были получены в процессе эксплуатации за несколько лет, можно построить такую виртуальную систему, которая будет повторять работу физической системы. На этапе пилотного проекта происходит тестирование так называемой закрытой модели (когда модель обучается и тестируется исключительно на исторических данных и не подключена к real-time-системам). После завершения пилотного проекта, при подтверждении его эффективности, эту систему можно интегрировать в существующую бизнес-архитектуру и подключать к “живым” датчикам.
Также нам поступают заказы, связанные с решением задач логистики. Например, в городской среде актуальна проблема оптимизации сбора и вывоза мусора. Решением может быть ML-модель (machine learning), которая ищет оптимальный маршрут, учитывает доступность полигонов, оптимизирует количество задействованной спецтехники и ее загруженность, снижает количество мусора, который не удалось вовремя вывезти из города.
Еще одним примером из нашей практики, опыт которого может быть транслирован на задачи большого города, является оптимизация работы крупного контактного центра для федерального оператора связи, которому поступают сотни тысяч запросов каждый месяц через специальный портал. Компании нужно было решение, которое предоставляло бы аналитику запросов и оптимизировало службу клиентской поддержки. После внедрения соответствующей системы сократилось время ожидания ответов на запросы пользователей и, в то же время, уменьшились издержки на их обработку.
К числу перспективных проектов можно отнести также оптимизацию хранения и поиска документов, создание онтологии по ним, извлечение фактов за счет прогрессивных методов компьютерной лингвистики. В практике нашей работы решение этой задачи стало актуальным потому, что некая крупная компания на протяжении многих лет проходила слияние с другими организациями, в которых используется устоявшаяся специфическая лексика. Все это отражается на содержимом документов. Одни и те же вещи в различных документах называются разными терминами, что крайне осложняет сквозную навигацию. Когда компании объединяются, приходится сводить в единое хранилище огромное количество различных документов, нормативов по регламентам, по бизнес-процессам. С помощью OCR можно построить онтологию по документам, которая позволит всеми этими знаниями пользоваться и быстро находить нужную информацию.
МФТИ реализует многие проекты подобного рода и заинтересован, как в получении заказов на выработку решений новых сложных задач с большим количеством неизвестных, так и в осуществлении технологического партнерства с другими вендорами, разрабатывающими решения по искусственному интеллекту для умного города.