Від медицини до армії — штучний інтелект на практиці

Медицина та охорона здоров'я, промисловість та енергетика, фінанси та освіта – у цих та багатьох інших напрямках сьогодні широко використовуються можливості штучного інтелекту. Технології AI, ML, DL допомагають державним організаціям та комерційним компаніям по всьому світі вирішувати найскладніші задачі та отримувати недосяжні раніше переваги. Деякі проєкти настільки суттєві, що цілком можуть вплинути, навіть на майбутнє людства, зробивши його кращим або гіршим, проте це вже не залежить не лише від технологій ШІ, а й від того, хто і як буде їх використовувати.

Глибоке навчання для розв'язання фундаментальних проблем біології 

Британська компанія DeepMind від дня свого заснування у 2010 році займалася розвитком технологій штучного інтелекту, точніше – глибокого машинного навчання (Deep Learning, DL). 2014 року цей успішний стартап увійшов до складу Google, зберігши свій фах. Команда Google DeepMind створила багато цікавих розробок, що застосовуються сьогодні в різних галузях — від датацентрів до медицини. Один з найважливіших проєктів спрямований на розв'язання фундаментальної проблеми біологічної науки — передбачення тривимірної структури білків у процесі згортання (фолдингу).

Річ у тому, що кількість відомих сьогодні білків перевищує 300 млн видів (й з року в рік ця цифра зростає) кожен з них має унікальну тривимірну структуру, що визначає те, як білок працює та що робить. Точне виявлення цієї структури — складне завдання, вирішення якого іноді може розтягнутися на роки, не кажучи вже про питання вартості.

Традиційні методи досліджень, такі як ядерний магнітний резонанс чи рентгенівська кристалографія, вимагають величезної кількості експериментів, а також спеціалізованого обладнання вартістю мільйони доларів. У результаті складність й ресурсомісткість досліджень суттєво уповільнює, наприклад, процес пошуку нових ліків. Тому багато років вчені прагнули знайти метод, який би дозволив визначати структуру білка лише на основі послідовності його амінокислот.

Прорив у цій галузі намітився 2020 року, коли Google DeepMind створила програму AlphaFold2 на основі DL-технологій. Для навчання моделі використовувалися послідовності та структури сотень тисяч відомих білків, внаслідок чого вдалося досягти такого високого рівня точності, що наукова спільнота визнала проблему згортання білка загалом вирішеною, а стаття про методи AlphaFold2 має вже десятки тисяч цитувань у науковій літературі.

На цьому прогрес не зупинився. У 2024 році DeepMind, спільно з Isomorphic Labs показала нову DL-модель — AlphaFold 3, яка виходить за рамки білків та охоплює набагато ширший спектр біомолекул, включно з ДНК, РНК, лігандами та іншими об'єктами. Можливості, які надає AlphaFold 3, ще не оцінені повною мірою, але вже зараз зрозуміло, що модель має великі перспективи в таких сферах як розробка біовідновлюваних матеріалів, створення більш стійких сільськогосподарських культур, прискорення розробки ліків, дослідження в галузі геноміки тощо. Зокрема, AlphaFold3 забезпечує ще більшу, ніж попередня версія моделі, економію часу та засобів у процесі пошуку нових ліків та, що не менш важливо, фактично прокладає шлях до майбутньої персоналізованої медицини.

Й, нарешті, найважливіше. Доступ до AlphaFold 3, у базах даних якої містяться відомості про більш ніж 200 млн білкових структур, є відкритим для світової наукової спільноти, що дозволяє поєднувати зусилля у розв'язання фундаментальних проблем. Також дослідникам по всьому світі доступні найсучасніші ШІ-інструменти AlphaFold 3.

«Зелена» енергетика та передбачення відмов

Сьогодні т.зв. «сталий розвиток» (sustainable development) є однією з найпопулярніших тем у контексті майбутнього світової економіки. Тому не дивно, що тут сконцентровано суттєві фінансові, інтелектуальні та технологічні ресурси, що дозволяють реалізовувати найінноваційніші проєкти, в т.ч. із застосуванням ШІ. Наприклад, компанія Equations Work розробила та впровадила для одного з великих енергогенерувальних операторів комплексне рішення AI-powered Predictive Maintenance for Wind Turbines на основі генеративно-змагальних (Generative adversarial networks, GAN) мереж (це клас DL-алгоритмів, які використовують підхід навчання без вчителя).

За допомогою штучного інтелекту система Equations Work аналізує дані від величезної кількості давачів, щоб передбачити потенційні відмови турбін вітряних електростанцій (ВЕС). Це дозволяє проводити профілактичне техобслуговування, не чекаючи, допоки щось дійсно зламається. За даними компанії, що експлуатує рішення, запущена у 2023 році система дозволила значно скоротити час простою обладнання ВЕС та знизити витрати на його обслуговування.

Реалізація проєкту відбувалася у кілька етапів. Спочатку експерти компанії зібрали зображення компонентів вітряних турбін на різних стадіях зношування. Вивчаючи журнали перевірок, документацію з технічного обслуговування та дані давачів, було створено надійний та вагомий за обсягом набір даних для GAN-мереж та прогнозних моделей. Потім, за допомогою спеціальної технології SRGAN, система була навчена процесу перетворення зображень з низькою роздільною здатністю в докладні версії з високою роздільною здатністю, що дозволило виявляти найдрібніші нюанси дефектів (корозія, тріщини тощо) на ранніх етапах появи для прийняття більш ефективних й обґрунтованих рішень щодо майбутніх ремонтів.

Зокрема деталізація зображень допомагає виявити зони неминучого зносу, а характерні відхилення від норми вказують на деградацію тієї чи іншої деталі та є фактором раннього попередження про потенційні відмови. Аналіз відбувається у режимі реального часу, що дозволяє скоротити до мінімуму час реакції технічних служб.

Важливою особливістю системи є те, що GAN-мережі можуть синтезувати нові зразки даних, що корисно в тих випадках, коли реальні історичні дані обмежені, наприклад, у разі рідкісних сценаріїв відмов. Як підкреслюють розробники, завдяки універсальності ШІ-алгоритмів, рішення застосовується у багатьох галузях, пов'язаних з експлуатацією промислового обладнання — у нафтогазовій сфері, авіабудуванні, на виробництві — скрізь, де необхідно передбачати потенційні збої та оптимізувати графіки технічного обслуговування.

ШІ на варті контрактів

Можливості штучного інтелекту широко використовуються й у фінансовому секторі. Наприклад, один із найбільших американських банків JP Morgan Chase розробив та впровадив у себе комплексну програмну платформу COiN (Contract Intelligence) на основі ШІ, призначену для автоматизації складних перевірок фінансових контрактів. Рішення скорочує час обробки даних, дозволяючи розглянути тисячі документів за лічені секунди, підвищує точність оцінки та знижує вплив людського фактора у питаннях аналізу фінансової інформації.

Перша версія системи з'явилася ще 2017 року й з того часу вона безперервно розвивалася та вдосконалювалася. Сьогодні COiN може автоматично витягувати та аналізувати дані з різних типів фінансових контрактів (кредитні угоди, облігації, деривативи), перевіряти їх на відповідність внутрішнім правилам та регуляторним вимогам, а також виявляти потенційні кредитні та ринкові ризики. На додачу, до всіх контрактів можуть бути сформовані детальні звіти та аналітика, які допомагають трейдерам та ризик-менеджерам приймати більш обґрунтовані та зважені рішення.

Як зазначають розробники, система може значно скоротити час та трудовитрати, необхідні для обробки та перевірки контрактів, одночасно підвищуючи точність та надійність підсумкових даних. Сьогодні COiN найбільш затребувана у таких напрямках як обробка кредитних угод (аналіз заявок, оцінка платоспроможності), перевірка облігації на відповідність емісійним документам та регуляторним вимогам, управління життєвим циклом деривативів – від їхньої реєстрації до їх виконання тощо.

«Розумна» логістика для армії та флоту 

Успішні дії будь-якої армії залежать від стану логістики. Техніка, боєприпаси, паливо та інші ресурси мають бути доставлені вчасно, у потрібний час та у необхідному обсязі. Йдеться, звісно, не лише про перевезення — матеріальні ресурси потребують належного обліку, зберігання, обслуговування, ремонту. У масштабах армії (навіть у мирний час) ефективна логістика залишається дуже непростим та комплексним завданням. Тому обчислювальна техніка застосовується тут з самого моменту своєї появи й зрозуміло, що для ШІ є також дуже широке поле діяльності. Сьогодні в арміях країн НАТО активно розвивається концепція розширеної логістики та управління ланцюжками постачання (Advanced Logistics and Supply Chain Managemet (LSCM), в основі якої лежать технології штучного інтелекту та машинного навчання.

Системи LSCM вирішують багато найважливіших задач, серед яких:

Динамічна оптимізація маршрутів та перевезень. Алгоритми штучного інтелекту можуть аналізувати дані про дорожній рух у режимі реального часу, погодні умови та потенційні загрози для оптимізації маршрутів транспортування військових вантажів та особового складу. Це забезпечує коротші терміни доставки, мінімізує ризики під час транспортування та допомагає адаптувати дії підрозділів до мінливої бойової ситуації.

Прогнозне обслуговування та управління запасами. AI може аналізувати дані, що надходять від телеметричних датчиків військового обладнання, щоб прогнозувати потреби в технічному обслуговуванні, запобігаючи збоям, забезпечуючи запаси та доступність критично важливих матеріалів за потреби. Такий підхід скорочує час простою техніки, підвищує її боєздатність та оптимізує запаси запчастин шляхом детального аналізу потреб та історичних даних про ремонти.

Зберігання та розподіл матеріальних запасів. Штучний інтелект допомагає оптимізувати планування завантаження складів, а також автоматизувати такі процеси як облік, зберігання та відправлення матеріальних запасів у військових центрах постачання. Це підвищує ефективність розподілу, знижує кількість людських помилок та перешкоджає можливим зловживанням.

Прогнозування попиту та розподіл ресурсів. LSCM-система на базі AI може аналізувати детальні історичні дані про величезну кількість різноманітних подій на полі бою, щоб прогнозувати можливі маршрути пересування військ та передбачати майбутні потреби у постачанні. Це дозволяє ефективно розподіляти матеріальні запаси, забезпечуючи доставку критично важливих ресурсів у потрібні місця та у потрібний час.

Управління автономними системами доставки

Сьогодні у всіх провідних арміях світу продовжуються активні дослідження в галузі безпілотних вантажівок, дронів та інших автономних транспортних засобів для військової логістики. Такий транспорт зможе доставляти вантажі у віддалені місця чи райони бойових дій, зменшуючи залежність від водіїв-людей.

Оскільки проєкти у сфері мають важливий оборонний характер, точні дані про них зазвичай засекречені. Однак, не викликає сумнівів, що багато країн вкладають значні кошти в дослідження, спрямовані на оптимізацію військової логістики з використанням штучного інтелекту. Наприклад, у проєкти LSCM активно розвиваються у таких галузях як автономне керування конвоями та інтелектуальні системи управління запасами. Тому інформація про деякі важливі ініціативи все ж таки присутня у відкритому доступі.

Наприклад, можна згадати проєкт макрологістики DARPA, метою якого є створення логістичної операційної системи (Logistics Operating System, LOS) на базі AI/ML для масштабного управління логістикою, включаючи профілактичне обслуговування техніки, прогнозування попиту на матеріальні ресурси та динамічну оптимізацію маршрутів. За задумом LOS має автономно управляти складними ланцюжками поставок у режимі реального часу.

Також активно розвивається Програма модернізації матеріально-технічного забезпечення армії (Logistics Modernization Program, LMP), що передбачає використання штучного інтелекту для автоматизації різноманітних логістичних функцій, таких як управління запасами, планування перевезень та складські операції. Для аналізу величезних обсягів даних та надання інструментів підтримки прийняття рішень тут використовуються технології машинного навчання. Власні комплексні логістичні програми є й у ВПС і ВМФ США, Агентства оборонної логістики (DLA) та інших підрозділів. Цей напрямок продовжує активно розвиватися.

ШІ для точного землеробства

Безліч проєктів на базі AI/ML реалізовано та реалізується по всьому світі у сфері сільського господарства — землеробство, тваринництво та птахівництво активно розвиваються завдяки новим «розумним» технологіям. Наприклад, бразильська компанія Agrosmart, поєднуючи передові розробки, у галузі штучного інтелекту та машинного навчання, допомагає фермерам скорочувати витрати добрив, води, інших ресурсів та з рештою приймати більш обґрунтовані та зважені рішення, щодо сільськогосподарської діяльності. Зрештою це підвищуює загальну ефективність с/г робіт. Одна з розробок компанії — платформа Climate-Smart надає фермерам докладну інформацію про погоду, стан ґрунту та посівів на основі даних від різноманітних давачів, встановлених на полях. Це допомагає оптимізувати методи ведення сільського господарства, скорочуючи втрати врожаю й підвищуючи рентабельність. Застосунок Agrosmart BoosterAGRO об'єднує дані про клімат, агрономію та продуктивність в єдиній базі даних, спрощуючи процес прийняття рішень та забезпечуючи фермерів актуальною інформацією в режимі реального часу. Рішення активно використовують понад 100 тис. фермерів по всій Південній Америці та за її межами.

Також варто згадати німецьку платформу Plantix, головним завданням якої є діагностика хвороб рослин за допомогою технологій машинного навчання. Платформа Plantix дозволяє визначити проблему просто за знімком, що зроблено на смартфон. Тобто. фермер може сфотографувати хворі рослини, а Plantix використовуючи власні ML-алгоритми, буквально за 1-2 секунди ставить діагноз й надає рекомендації щодо лікування. Система працює для понад 80 агрокультур й здатна виявляти з дуже високою точністю близько 800 захворювань. Така рішення буте особливо корисним для фермерів у країнах, що розвиваються, де має достатньої кількості експертів з фітопатологій.

Стан ґрунту та посівів можна відстежувати також за допомогою рішення для т.зв. «точного землеробства» американської компанії OneSoil. Тут також використовуються фірмові технології AI/ML у поєднанні з аналітичною системою, IoT-давачами та даними, які отримують із супутників. Платформа дозволяє аналізувати стан полів за фотографіями зі смартфонів або дронів, точно виявляючи такі проблеми як хвороби рослин, дефіцит поживних речовин або води на ранніх стадіях. Аналітична система надає комплексне зведення про продуктивність полів та видає персоналізовані рекомендації щодо внесення добрив, зрошення та інших практик аграрного управління.

Аналіз супутникових знімків допомагає відстежувати зміни вегетації, вологості ґрунту та інших показників упродовж усього сільськогосподарського циклу. Сьогодні платформа OneSoil підвищує загальну ефективність великих та малих фермерських господарств більш ніж у 50 країнах.

Перелік можна продовжувати ще дуже довго, адже кількість успішних прикладів використання AI/ML/DL-технологій сьогодні обчислюється вже багатьма тисячами й кількість їх постійно зростає. Штучний інтелект має величезний потенціал для вирішення найскладніших задач у різних галузях й ми ще, схоже, навіть не усвідомили повною мірою те, наскільки потужний інструмент отримали у своє розпорядження та який прорив чекає нас у найближчому майбутньому. Використання ШІ може призвести до значного підвищення ефективності та продуктивності в більшості сфер економіки, він сприятиме появі нових товарів та послуг, дозволить створювати нові ліки та здійснювати наукові відкриття. Але, у гонитві за проривними інноваціями та ефективністю, головне не забувати про те, що ШІ, як і будь-який потужний засіб, вимагає до себе дуже відповідального ставлення — щоб нові технології служили лише на благо й не ставали джерелом нових проблем для людства.

Ви плануєте долучитися до світових перегонів у галузі ШІ-технологій чи вже зробили це? У будь-якому випадку, вам потрібна надійна, продуктивна та масштабована інфраструктура, отримати яку можна вже сьогодні у хмарі De Novo. Ми пропонуємо доступ до найпотужніших TPU NVIDIA H100 та L40S безпосередньо з оточення Kubernetes у складі нових хмарних послуг Tensor Cloud (у колективній хмарі) та HTI (сервіс класу GPU Private Cloud), а з PaaS-платформою ML Cloud ви отримуєте ще й готове повноцінне робоче середовище для ML-інженера (класу AWS SageMaker або Google Vertex AI).

Бажаєте дізнатися більше? Звертайтесь по консультацію до наших експертів! Вони лише тільки нададуть вичерпні відповідь на ваші запитання, але й допоможуть розгорнути пілотний проект або перенести навантаження в хмару De Novo.