Появится оно с созданием Национальной базы знаний в сфере российского строительства. И такая работа уже началась

В своём выступлении на пленарном заседании завершившегося 9 апреля этого года Форума «DATA FUSION» заместитель председателя Правительства РФ Дмитрий Григоренко посетовал на то, что искусственный интеллект, о котором говорят повсеместно, до сих пор не имеет законодательного определения.

В правительственном законопроекте «Об искусственном интеллекте в Российской Федерации» сделана попытка определить искусственный интеллект как:

…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.

Если вдуматься в это определение, то возникает впечатление, что ИИ – это некоторая сущность, как минимум, равная создавшему его естественному интеллектуалу, а то и превосходящая его. Не случайно, в средствах массовой информации муссируется вопрос о том, что, рано или поздно, люди останутся не у дел, поскольку их заменят компьютеры. Лично мне чисто в философском плане больше по душе понимание ИИ одним из самых титулованных экспертов в этой области – директором мегафакультета трансляционных информационных технологий университета ИТМО, профессором факультета цифровых трансформаций, руководителем национального Центра когнитивных разработок, научным руководителем исследовательского центра в сфере ИИ «Сильный искусственный интеллект в промышленности» Александром Бухановским.

По его мнению, перспективный ИИ – это сложная человеко-компьютерная система с обратными связями. При этом, заметьте, что человеку в этой системе отводится центральное место, поэтому он не сможет оказаться не у дел. В то же время нахождение на этом новом для себя месте неизбежно преобразует человека.

Примерно также, как мы все преобразовались с появлением Интернета. Мы стали не такими, какими были наши родители, поскольку без Интернета уже не мыслим своего существования.

Сегодняшний ИИ уже творит чудеса. В частности, в Институте искусственного интеллекта AIRI, Университете Иннополис и Университете ИТМО разработали систему ИИ-агентов для создания научных статей. Она анализирует литературу, проводит эксперименты на облачных серверах и формирует публикацию в требуемом формате.

Исследователи с помощью этой системы создали научную статью по проблематике интернета вещей. Она на 90% была выполнена и оформлена ИИ. Оставшиеся 10% пришлись на проверку и валидацию данных учёными. Этот материал приняли на международную ИТ-конференцию класса A* (высший класс конференций международного уровня). Разумеется, с докладом на конференции выступил не ИИ, а один из учёных.

Многие, наверное, знают, что на приём пациента в московской поликлинике врачу отводится всего 12 минут. За это время он чисто теоретически не в состоянии выслушать жалобы пациента и ознакомиться с его, как правило, объёмной медицинской картой. И тут на помощь приходит ИИ. Одним нажатием кнопки врач загружает медицинскую карту пациента в успешно функционирующую так называемую ИС «Национальная база медицинских знаний», откуда в считаные секунды получает сформированный машиной план дальнейшего обследования и лечения пациента. Если у врача не возникает сомнений в корректности этого плана, ему остаётся только подписать его и выдать пациенту соответствующие направления на обследования и лечение.

За прошедшие полгода ИИ проанализировал медицинские карты более 2.000.000 москвичей. Почти у 50.000 человек из них ИИ-модель выявила высокий риск ишемической болезни и дала сигнал врачам срочно связаться с пациентом и пригласить их на прием. У порядка 11.000 из них диагноз подтвердился после обследования.

Сегодня при записи в московскую поликлинику пациент проходит короткий опрос о самочувствии, а ИИ-модель, действующая на базе медицинских знаний, анализирует ответы вместе с его медицинской картой пациента и формирует для врача подсказку ещё до начала приёма. Тем самым, 12 минут, отведённых врачу на приём пациента в поликлинике, оказывается вполне достаточным.

Несмотря на то, что путь к созданию Национальной базы знаний в сфере строительства, (которая должна стать аналогом Национальной базы медицинских знаний) долог и тернист, строительная отрасль в части использования технологий ИИ тоже не стоит на месте. К настоящему времени специалистами в сфере ИИ созданы множество экономически эффективных ИИ-моделей. Однако, к сожалению, за редким исключением, они всё ещё остаются не востребованными их потенциальными пользователями.

Для того, чтобы сдвинуть сложившуюся ситуацию с мёртвой точки в Правительстве России принято решение о создании Центра инженерии данных  и технологий искусственного интеллекта (ЦДИ). Предполагается, что он станет единой цифровой средой в строительстве и отраслевым интегратором ИИ-решений.

Работа будет вестись на базе Главгосэкспертизы России. Среди задач ЦДИ – координация создания единого хранилища данных и методологическое сопровождение процесса. Целью называется сокращения инвестиционно-строительного цикла и снижение административной нагрузки.

Разработанные в рамках создания ЦДИ цифровые продукты планируют тиражировать на региональные структуры, подведомственные организации, федеральные центры ценообразования и научно-исследовательские институты. Предполагается, что ЦДИ будет создан в два этапа. Сначала методы и инструменты будут отрабатываться на процессах Главгосэкспертизы России, затем готовые решения предложат для внедрения другим органам и организациям строительной отрасли.    

На мой взгляд, одним из самых перспективных направлений внедрения ИИ в строительную отрасль является создание рекомендательных систем. Постараюсь объяснить на пальцах, что имеется в виду.

Бывало ли у читателей этой статьи такое, что Вы только подумали о том, что было бы неплохо купить новые кроссовки на весну, и тут же увидели баннер с новыми моделями. Быть может, у Вас даже появилось ощущение, что Ваш гаджет Вас подслушивает или каким-то образом научился читать Ваши мысли.

Технически же прослушивать миллионы людей, 24/7, распознавать их речь и превращать это в рекламные триггеры – невероятно дорого, ресурсозатратно и юридически опасно для организаций, которые занялись бы такой прослушкой. И в этом совершенно нет необходимости, потому что, к счастью или, к сожалению, действия пользователей гораздо более предсказуемы, чем может казаться, и для их прогноза есть более экономичные способы. А именно предиктивная (предсказательная) аналитика, системы триггеров и анализ данных, графы связей, психология.

Так, сочетание геолокации, истории поиска друзей и микрозадержки пальца на экране смартфона дают алгоритмам достаточно данных, чтобы имитировать «чтение мыслей».

Рекомендательные системы анализируют прошлые предпочтения пользователей и характеристики приобретённых ими товаров и услуг, чтобы предсказать, что может понравиться в будущем. Обычно они работают на основе методов машинного обучения.

В машинном обучении каждый пользователь описывается вектором его признаков-характеристик в многомерном пространстве. Если говорить о системах, используемых в онлайн-приложениях и социальных сетях, то, как правило, анализируются, в том числе:

• возраст, пол, геолокация пользователя;
• скорость скроллинга (на чём он задерживает внимание хотя бы на 1,5 секунды);
• Его доход (исходя из модели телефона, ноутбука, посещаемых мест и типичных покупок);
• его жизненный цикл (недавно переехал, сменил работу, вступил в отношения).

Чем больше данных у алгоритмов о пользователе, товарах и их взаимодействии друг с другом, тем точнее системы.

Если 100.000 человек с примерно таким же «вектором», как у пользователя, после посещения кофейни и покупки кроссовок через три дня начинают интересоваться курсами английского – система покажет пользователю рекламу английского ещё до того, как он об этом осознанно подумает. То есть алгоритм предсказывает Ваш следующий логический шаг человека на основе поведения «цифровых двойников».

Описанный выше пример иллюстрирует работу так называемого метода коллаборативной фильтрации. Система ищет людей, похожих на Вас, и предлагает Вам то, что понравилось им.

Аналогия из реальной жизни: представьте, что Вы пришли в библиотеку. Вместо того, чтобы предлагать Вам случайным образом книги со всех полок, библиотекарь, зная человека, который за последние два года прочитал те же 20 книг, что и Вы, и они ему понравились, смотрит, а что же он прочитал в качестве 21-й книги. Оказывается, это детектив, который Вы ещё не видели. Библиотекарь приносит его Вам со словами: «Раз Ваши вкусы совпадали раньше, скорее всего, это тоже Вам подойдёт».

Данный метод построения рекомендательных систем далеко не единственный. Есть системы, основанные на других, более совершенных методах, но здесь мы на них останавливаться не будем.

Случайным образом, в те самые два дня, в которые проходили предсъездовская деловая программа и сам Всероссийский съезд НОПРИЗ, в стенах Научно-исследовательского центра «Строительство» проходила международная конференция по ограждающим конструкциям зданий и сооружений.

Первый день конференции был посвящён лабораторным, натурным и численным исследованиям кладки из кирпича, камней и блоков с армированием стеклопластиком. Участники обсудили проблемные вопросы развития норм, неразрушающие методы оценки прочности, анизотропию кладки исторических зданий, а также применение баз данных и машинного обучения для прогнозирования механических характеристик. Отдельное внимание уделили реставрационным исследованиям объектов наследия, в том числе восстановлению кирпичных сводов и особенностям усиления конструкций после пожара.

Во второй день участники обсуждали тенденции применения штучных кладочных изделий и механизмы внедрения инновационной продукции в строительство. Большое внимание уделили методам обследования и восстановления фасадов после температурных нагрузок, а также вопросам пожарной безопасности, энергоэффективности ограждающих конструкций, а также влиянию ветровых воздействий на теплозащиту. Рассмотрели практические проблемы: долговечность кирпича, неразрушающий контроль прочности растворов, причины трещинообразования лицевого слоя и так далее.

Все доклады были основаны на глубокой научной проработке соответствующих вопросов в строительных НИИ и университетах соответствующего профиля.

Несмотря на массированную рекламу конференции в СМИ, в зале, в котором она проходила, включая спикеров, присутствовали около 300 человек. Ещё около тысячи приняли участие в конференции онлайн. Очевидно, что суммарное количество участников конференции, по сравнению с общим числом специалистов, которые профессионально занимаются ограждающими конструкциями, это капля в море.

Полагаю, что большинство специалистов, которых не видно было ни в зале, ни онлайн, тоже были бы не против того, чтобы идти в ногу со временем. Хотя бы в целях повышения своей конкурентоспособности на рынке труда. Однако, судя по всему, в силу производственной необходимости в дни работы конференции им было не оторваться от своих рабочих мест.

О том, что строительная наука, в том числе финансируемая за счёт бюджетных средств, и строительная практика находятся как бы на разных планетах, известно уже давно. Если игнорировать появление ИИ,  неотъемлемой частью которого являются рекомендательные системы, так будет всегда.

Напротив, с внедрением в отрасль интеллектуальных рекомендательных систем ситуация может кардинально измениться в лучшую сторону. В этом случае уже не специалисты будут охотиться за информацией об инновациях в их профессиональной сфере, а сама эта информация будет находиться постоянном в поиске своей целевой аудитории и приходить на рабочие места тех специалистов, для кого она предназначена. Подобно тому, как информация о появлении в продаже модных кроссовок приходит к тем лицам, которые в моменте с высокой вероятностью заинтересованы в обновлении своей обуви к весенне-летнему сезону.

Представляется, что отраслевые рекомендательные системы могут работать намного более эффективно, чем такие системы в сфере маркетинга. Причина проста, информация о специалистах, включённых в НРС, намного обширнее, чем информация о потенциальных покупателях кроссовок. Наряду с информацией, которая используется об этих специалистах как о рядовых покупателях товаров и услуг, о них известен также их полный жизненный цикл, включая образовательную траекторию, прошлые и настоящее места работы, профиль деятельности самих специалистов и их работодателей и так далее.

Очевидно, что рекомендательная система в сфере строительства, если она будет создана, должна стать не менее эффективной, чем рекомендательная система в сфере здравоохранения, о которой говорилось выше. 

Заметим, что в США, где отсутствует НРС, специалисты самостоятельно регистрируются в рекомендательных системах, раскрывают в процессе регистрации всю необходимую информацию о себе и, более того, платят ощутимые суммы за получение актуальной профессиональной информации в режиме реального времени.

Наиболее известная не только за океаном, но и во всём мире рекомендательная система в сфере строительства функционирует на платформе Национального института строительных наук (National Institute of Building Sciences). Характерно, что полным аналогом этому американскому НИИ является наш Научно-исследовательский институт строительной физики Российской академии архитектуры и строительных наук (НИИСФ РААСН).

Несмотря на то, что я являюсь сотрудником НИИСФ РААСН, считаю, что в наших, отечественных реалиях рекомендательную систему можно создавать на платформе не только нашего института, но и на платформах Главгосэкспертизы России (в рамках создаваемого Центра инженерии данных и технологий ИИ), НИЦ «Строительство», госкомпании ДОМ.РФ и других уважаемых научных и образовательных организаций, а также, возможно, на базе некоммерческих организаций. При этом Национальную базу знаний в сфере строительства, которая необходима для успешного функционирования рекомендательной системы, как мне представляется, можно создать только всем миром, включая, в том числе СРО и оба наших Национальных объединения.

Выработка подходов к созданию Национальной базы знаний в сфере строительства станет предметом обсуждения на III научно-практической конференцию по ИИ под названием: «Машинное обучение и искусственный интеллект в управлении жизненным циклом объектов капитального строительства».

По традиции Конференция пройдёт при полном аншлаге 1 июля в стенах НИИСФ РААСН XVII Академических чтений, посвящённых памяти основателя института академика РААСН Георгия Львовича Осипова.

В роли ключевого информационного партнёра Конференции, как и в прошлые годы, выступит сайт За-Строй.РФ, посетители которого будут иметь самую свежую информацию о перспективах применения ИИ в строительстве.

С подробной информацией о Конференции можно будет ознакомиться в следующей публикации.      

Подписывайтесь на За-Строй.РФ в МАХ 

При полном и/или частичном копировании данного материала, для последующего размещения его на стороннем ресурсе, обратная, индексируемая ссылка на источник обязательна!