Фундаментальные модели искусственного интеллекта в градостроительстве
Бухановский А.В., д.т.н, руководитель национального
Центра когнитивных разработок, научный руководитель
ИЦ в сфере искусственного интеллекта «Сильный
искусственный интеллект в промышленности»,
Университет ИТМО
Трансформация подходов к созданию систем искусственного интеллекта, связанная с использованием больших многозадачных нейросетей, способна оказать кардинальное
влияние на строительную отрасль путем создания отраслевых фундаментальных моделей, обеспечивающих методическое единство и унификацию прикладных решений.
На текущем уровне развития техники и технологий большие фундаментальные модели могут быть реализованы в форме мультиагентных систем, компоненты которых покрывают разные области знания и коллегиально способны решать комплексные задачи градостроительства. Они могут эффективно использоваться в цифровых ассистентах для управления городскими территориями, комплексного планирования реновации и рекультивации территорий, потерявших народнохозяйственную значимость, а также при планировании масштабных строительных проектов в условиях неопределенности и неполноты данных.
Технологии искусственного интеллекта (ИИ) являются эффективным инструментом стимулирования современной экономики. За счет оптимизации расходов, а также формирования качественно новых способов и моделей получения доходов, внедрение ИИ
в различные отрасли приводит к значимому увеличению валового продукта.
Одной из лидеров здесь является строительная отрасль, где по оценкам ПАО «Сбербанк» прирост валовой добавленной стоимости может достигать 2% в год.
Во многом такие значимые масштабы связаны с технологическими особенностями отрасли, обусловленными многообразием производственных процессов (от проектирования – до эксплуатации готовых объектов) и широким применением различных технологий ИИ: от предиктивной аналитики и компьютерного зрения – до интеллектуальной робототехники и генеративного дизайна.
Процессы внедрения систем ИИ в градостроительстве (по сравнению, например, с пост-цифровыми областями, такими, как финансы и ритейл) отличаются достаточно невысоким уровнем масштабируемости – возможности переноса технологий с объекта на объект без дообучения. Это связано, с одной стороны, с тем, что даже типовые проекты имеют привязку
к местности, природным условиям и различаются особенностями проведения работ. С другой стороны, это приводит к объективной ограниченности данных для обучения моделей ИИ. Несмотря на большое количество строящихся объектов, условия могут настолько различаться, что с увеличением объемов датасетов увеличивается и неоднородность данных (как следствие, качество модели ИИ падает). Потому в настоящее время строительная отрасль переживает этап, когда создаются локальные модели ИИ, решающие отдельные задачи в фиксированных условиях. При этом, в зависимости от квалификации разработчиков, для решения аналогичных задач применяются совершенно разные методы, не имеющие выраженных преимуществ. Ситуация осложняется отсутствием обоснованного отраслевого бенчмаркинга — метода анализа, который помогает найти лучшие практики в отрасли, оценить, сравнить и затем применять их повсеместно.
Выход из этой ситуации потенциально возможен двумя путями. С одной стороны, это априорная стандартизация технологий ИИ в строительстве, осуществляемая ТК 164 Росстандарта.
Однако степень детализации стандартов во многом зависит от развитости технологии и консорциума, который работает в этой области. Потому в результате стандарты могут либо стать слишком широкими, либо, наоборот, сместиться относительно реального ландшафта технологий. С другой стороны, существуют подходы, когда унификация технологий выполняется не внешним путем, а за счет создания новой мета-технологии. Применительно к данной области, эту роль играют технологии вертикального отраслевого ИИ.
Вертикальный ИИ охватывает не отдельные задачи, а весь рабочий процесс как минимум в рамках одного технологического передела, и потому использует различные механизмы ИИ, комбинируя их в зависимости от способа применения. Потому в вертикальном ИИ унификация достигается как раз за счет базисных моделей (набора механизмов и технологий),
а разнообразие – за счет их комбинаций, настраиваемых на специфику конечной задачи.
Как следствие, ключевым вопросом при построении систем вертикального ИИ является обоснование выбора базисных моделей. Эта задача возникала и ранее в сфере инженерии знаний, и решалась, например, с помощью онтологического моделирования.
При всей наглядности онтологических моделей их масштабирование на большие массивы знаний крайне затруднительно: если такие модели строят вручную, то они теряют не только прозрачность, но и состоятельность – возникают неизбежные противоречия. Однако сейчас,
в связи с развитием больших нейросетей, стало возможным обойти эту проблему, не формируя модель знаний вручную, а косвенно извлекая ее из отраслевых данных. Для этого стал использоваться такой аппарат, как большие фундаментальные модели (БФМ).
Согласно Национальной стратегии развития ИИ в РФ, к БФМ относятся модели искусственного интеллекта, являющиеся основой для создания и доработки различных видов программного обеспечения, обученные распознаванию определенных видов закономерностей, содержащие не менее 1 млрд. параметров и применяемые для выполнения большого количества различных задач.
Login with Google
Комментарии