От медицины до армии — искусственный интеллект на практике

Медицина и здравоохранение, промышленность и энергетика, финансы и образование — в этих и многих других областях сегодня широко используются возможности искусственного интеллекта. Технологии AI, ML, Deep Learning помогают государственным организациям и коммерческим компаниям по всему миру решать сложнейшие задачи и получать недостижимые ранее преимущества. Некоторые проекты настолько существенны, что вполне могут оказать влияние, ни много ни мало, на будущее человечества, сделав его лучше или… хуже, но это уже зависит не от технологий ИИ, а от того, кто и как будет их примнять.

Глубокое обучение для решения фундаментальных проблем биологии

Британская компания DeepMind со дня своего основания в 2010 году занималась развитием технологий искусственного интеллекта, точнее — глубокого машинного обучения (Deep Learning, DL). В 2014 году этот успешный стартап вошел в состав Google, сохранив профиль деятельности. Команда Google DeepMind сумела создать много интересных, разработок, применяемых сегодня в самых разных сферах — от дата-центров до медицины. Один из важнейших проектов направлен на решение фундаментальной проблемы биологической науки — предсказание трехмерной структуры белков в процессе сворачивания (фолдинга).

Дело в том, что количество известных сегодня белков превышает 300 млн видов (и год от года эта цифра растет) — каждый из них имеет уникальную трехмерную структуру, определяющую то, как белок работает и что делает. Точное выявление этой структуры— сложнейшая задача, решение которой, иногда, может растянутся на годы, не говоря уже о вопросах стоимости.

Традиционные методы исследований, такие как ядерный магнитный резонанс и рентгеновская кристаллография, требуют огромного числа экспериментов, а также специализированного оборудования стоимостью в миллионы $. В итоге, сложность и ресурсоемкость исследований существенно замедляет, например, процесс поиска новых лекарств. Поэтому много лет ученые стремились найти метод, который бы позволил определять структуру белка только на основе последовательности его аминокислот.

Прорыв в данной области наметился в 2020 году, когда Google DeepMind создала программу AlphaFold2 на основе DL. Для обучения модели использовались последовательности и структуры сотен тысяч известных белков, в результате чего удалось достичь настолько высокого уровня точности, что научное сообщество сочло проблему сворачивания белка в целом решенной, а статья о методах AlphaFold2 имеет десятки тысяч цитирований в научной литературе.

На этом прогресс не остановился. В 2024 году DeepMind, совместно с Isomorphic Labs представила новую DL-модель — AlphaFold 3, которая выходит за рамки белков и охватывает гораздо более широкий спектр биомолекул, включая ДНК, РНК, лиганды и другие объекты. Возможности, которые предоставляет AlphaFold 3 еще предстоит оценить в полной мере, но уже сейчас понятно, что модель имеет большие перспективы в таких сферах как разработка биовозобновляемых материалов, создание более устойчивых сельскохозяйственных культур, ускорение разработки лекарств, исследования в области геномики и т.д. В частности, AlphaFold3 обеспечивает еще большую, чем предыдущая версия модели, экономию времени и средств при поиске новых лекарств и, что не менее важно, фактически, прокладывает путь к будущей персонализированной медицине.

И, наконец, самое важное. Доступ к AlphaFold 3, в базах данных которой содержатся сведения о более чем 200 млн. белковых структур, является открытым для мирового научного сообщества, что позволяет объединять усилия в решении фундаментальных проблем. Также всем исследователям доступны современные ИИ-инструменты в составе AlphaFold 3.

«Зеленая» энергетика и предсказание отказов

Сегодня т.н. «устойчивое развитие» (sustainable development) является одной из наиболее обсуждаемых тем в контексте будущего мировой экономики. Поэтому, неудивительно, что здесь сконцентрированы существенные финансовые, интеллектуальные и технологические ресурсы, что позволяет реализовывать самые инновационные проекты, в т.ч. с применением ИИ. К примеру компания Equations Work разработала и внедрила для одного из крупных энергогенерирующих операторов, комплексное решение AI-powered Predictive Maintenance for Wind Turbines на основе генеративно-состязательных (Generative adversarial networks, GAN) сетей (это класс DL-алгоритмов, использующих подход обучения без учителя).

С помощью искусственного интеллекта система Equations Work анализирует данные от огромного количества датчиков, чтобы предсказать потенциальные отказы турбин ветряных электростанций (ВЭС). Это позволяет проводить профилактическое техобслуживание, не дожидаясь реальных поломок. По данным эксплуатирующей компании, запущенная в 2023 году система позволила значительно сократить время простоя оборудования ВЭС и снизить затраты на его обслуживание.

Реализация проекта происходила в несколько этапов. Вначале эксперты компании собрали изображения компонентов ветряных турбин на различных стадиях износа. Изучая журналы проверок, документацию по техническому обслуживанию и данные датчиков, был создан надежный и обширный набор данных для GAN-сетей, и прогнозных моделей. Затем, с помощью специальной технологии SRGAN, система была обучена процессу преобразования изображений с низким разрешением в подробные версии с высоким разрешением, что позволило выявлять мельчайшие нюансы дефектов (коррозия и трещины и т.д.) на самых ранних этапах появления для принятия более эффективных и обоснованных решений о будущих ремонтах. В частности детализация изображений помогает выявить зоны неизбежного износа, а характерные отклонения от нормы указывают на деградацию той или иной детали и служат фактором раннего предупреждения о потенциальных отказах. При этом анализ происходит в режиме реального времени, что позволяет сократить до минимума время реакции технических служб.

Важной особенностью системы является то, что GAN-сети могут синтезировать новые образцы данных, что полезно в тех случаях, когда реальные исторические данные ограничены, например, в случае каких-либо редких сценариев отказов. Как подчеркивают разработчики, благодаря универсальности ИИ-алгоритмов, решение применимо во многих областях, связанных с эксплуатацией оборудования — в нефтегазовой отрасли, авиастроении, на производстве — везде, где необходимо предвидеть потенциальные сбои и оптимизировать графики технического обслуживания.

ИИ на страже контрактов

Возможности искусственного интеллекта широко используются и в финансовом секторе. К примеру, один из крупнейших американских банков JP Morgan Chase разработал и внедрил у себя комплексную программную платформу COiN (Contract Intelligence) на основе ИИ, предназначенную для автоматизации сложных проверок финансовых контрактов. Решение сокращает время обработки данных, позволяя рассмотреть тысячи документов за считанные секунды, повышает точность оценки и снижает влияние человеческого фактора в вопросах анализа финансовой информации.

Первая версия системы появилась еще в 2017 году и с тех пор она непрерывно развивалась и совершенствовалась. Сегодня COiN может автоматически извлекать и анализировать данные из различных типов финансовых контрактов (кредитные соглашения, облигации, деривативы), проверять их на соответствие внутренним правилам и регуляторным требованиям, а также выявлять потенциальные кредитные и рыночные риски. В дополнение по всем контрактам могут быть сформированы детальные отчеты и аналитика, помогающие трейдерам и риск-менеджерам принимать более обоснованные решения.

Как отмечают разработчики, система может значительно сократить время и трудозатраты, необходимые для обработки и проверки контрактов, одновременно повышая точность и надежность итоговых данных. COiN сегодня наиболее востребована в таких сферах как обработка кредитных соглашений (анализ заявок, оценка платежеспособности), проверка облигации на соответствие эмиссионным документам и регуляторным требованиям, управление жизненным циклом деривативов — от их регистрации до их исполнения и т.д.

«Умная» логистика для армии и флота

Успешные действия любой армии напрямую зависят от продуманной логистики. Техника, боеприпасы, топливо и другие ресурсы должны быть доставлены точно в срок — в нужное время и в необходимом объеме. И речь, конечно, не только о перевозке — материальные ресурсы нуждаются в надлежащем учете, хранении, обслуживании, ремонте. В масштабах армии (даже в мирное время) эффективная логистика остается очень непростой и комплексной задачей. Поэтому вычислительная техника применяется здесь с самого момента своего появления и само-собой разумеется, что для ИИ здесь очень широкое поле деятельности. Сегодня в армиях стран НАТО активно развивается концепция расширенной логистики и управления цепочками поставок (Advanced Logistics and Supply Chain Managemet, LSCM) в основе которой лежат технологии искусственного интеллекта и машинного обучения.

Системы LSCM решают множество важнейших задач, в числе которых:

Динамическая оптимизация маршрутов и перевозок. Алгоритмы искусственного интеллекта могут анализировать данные о дорожном движении в режиме реального времени, погодные условия и потенциальные угрозы для оптимизации маршрутов транспортировки военных грузов и личного состава. Это обеспечивает более короткие сроки доставки, минимизирует риски во время транспортировки и помогает адаптировать действия подразделений к меняющейся боевой обстановке.

Прогнозное обслуживание и управление запасами. AI может анализировать данные, поступающие от телеметрических датчиков военного оборудования, чтобы прогнозировать потребности в техническом обслуживании, предотвращая сбои, обеспечивая запасы и доступность критически важных материалов в случае необходимости. Такой подход сокращает время простоя техники, повышает ее боеготовность и оптимизирует запасы запасных частей за счет анализа потребностей.

Хранение и распределение материальных запасов. Искусственный интеллект помогает оптимизировать планирование загрузки складов, а также автоматизировать такие процессы, как учет, хранение и отправка материальных запасов в военных центрах снабжения. Это повышает эффективность распределения, снижает число человеческих ошибок и препятствует возможным злоупотреблениям.

Прогнозирование спроса и распределение ресурсов. LSCM-система на базе AI может анализировать детальные исторические данные об огромно количестве разнообразных событий на поле боя, чтобы прогнозировать возможные маршруты передвижение войск и предвидеть будущие потребности в снабжении. Это позволяет эффективно распределять материальные запасы, обеспечивая доставку критически важных ресурсов в нужные места и в нужное время.

Управление автономными системами доставки. Сегодня во всех ведущих армиях мира продолжаются активные исследования в области беспилотных грузовиков, дронов и других автономных транспортных средств для военной логистики. Такой транспорт сможет доставлять грузы в отдаленные места или в районы боевых действий, уменьшая зависимость от водителей-людей.

Поскольку проекты в данной сфере носят важный оборонный характер, точные данные о них обычно засекречены. Но, не вызывает сомнений то, что многие страны вкладывает значительные средства в исследования, направленные на оптимизацию военной логистики с использованием искусственного интеллекта. К примеру, в проекты LSCM особенно активно развиваются в таких областях как автономное управление конвоями и интеллектуальные системы управления запасами. Поэтому информация о некоторых важных инициативах все же присутствует в открытом доступе.

К примеру, можно упомянуть проект макрологистики DARPA, целью которого является создание логистической операционной системы (Logistics Operating System, LOS) на базе AI/ML для крупномасштабного управления логистикой, включая профилактическое обслуживание техники, прогнозирование спроса на материальные ресурсы и динамическую оптимизацию маршрутов. По задумке LOS должна автономно управлять сложными цепочками поставок в режиме реального времени.

Также активно развивается Программа модернизации материально-технического обеспечения армии (Logistics Modernization Program, LMP), которая подразумевает использование искусственного интеллекта для автоматизации различных логистических функций, таких как управление запасами, планирование перевозок и складские операции. Для анализа огромных объемов данных и предоставления инструментов поддержки принятия решений здесь применяются технологии машинного обучения. Собственные комплексные логистические программы есть и у ВВС и ВМФ США, у Агентства оборонной логистики (DLA) и других подразделений. Данное направление продолжает активно развиваться.

ИИ для точного земледелия

Множество проектов на базе AI/ML реализовано и реализуется по всему миру в сфере сельского хозяйства — земледелие, животноводство и птицеводство активно развиваются благодаря новым «умным» технологиям. К примеру, бразильская компания Agrosmart, объединяя передовые технологии, в сфере искусственного интеллекта и машинного обучения, помогает фермерам принимать более обоснованные решения, сокращать расход удобрений, воды и других ресурсов, в конечном итоге повышая общую эффективность с/х работ. Одна из разработок компании — платформа Climate-Smart предоставляет фермерам подробную информацию о погоде, состоянии почвы и посевов на основе информации от разнообразных датчиков, установленных на полях. Это помогает оптимизировать методы ведения сельского хозяйства, сокращая тем самым потери урожая и повышая рентабельность. Приложение Agrosmart BoosterAGRO объединяет данные о климате, агрономии и производительности в единой базе данных, упрощая процесс принятия решений и обеспечивая фермеров актуальной информацией в режиме реального времени. Решения Agrosmart активно используют более чем 100 тыс. фермеров по всей Южной Америке и за ее пределами.

Также стоит упомянуть немецкую платформу Plantix, главной задачей которой является диагностика заболеваний растений с помощью технологий машинного обучения. Платформа Plantix позволяет определить проблему, просто по снимку, сделанному с помощью смартфона. Т.е. фермер может просто сфотографировать больные растения, а Plantix используя фирменные ML-алгоритмы, буквально за 1-2 секунды ставит диагноз и выдает рекомендаций по лечению. На данный момент система работает для более чем 80 агрокультур и способна выявлять с очень высокой точностью около 800 заболеваний. Такая решение может быть особенно полезным для фермеров в развивающихся странах, где нет достаточного количества экспертов по фитопатологиям.

Состояние почвы и посевов можно отслеживать также с помощью решения для т.н. «точного земледелия» американской компании OneSoil. Здесь также используются фирменные технологии AI/ML в сочетании с аналитической системой, IoT-датчиками и данными, получаемыми со спутников. Платформа позволяет анализировать состояние полей по фотографиям со смартфонов или дронов, точно выявляя такие проблемы как болезни растений, дефицит питательных веществ или воды на самых ранних стадиях. Аналитическая система предоставляет комплексную сводку о продуктивности полей и выдает персонализированные рекомендации по внесению удобрений, орошению и другим практикам аграрного управления.

Анализ спутниковых снимков помогает отслеживать изменения вегетации, влажности почвы и других показателей на протяжении всего сельскохозяйственного цикла. Сегодня платформа OneSoil повышает общую эффективность больших и малых фермерских хозяйств более чем в 50 странах.

Список можно продолжать еще очень долго, ведь количество успешных примеров использования AI/ML сегодня исчисляется уже многими тысячами и перечень этот растет с каждым днем. Очевидно, что искусственный интеллект имеет огромный потенциал для решения сложнейших задач в самых различных областях и мы еще, похоже, даже не осознали в полной мере то, насколько мощный инструмент получили в свое распоряжение и какой прорыв ждет нас уже в ближайшем будущем. Использование ИИ может привести к значительному повышению эффективности и производительности в большинства сфер экономики, он будет способствовать появлению новых товаров и услуг, позволит создавать новые лекарства и совершать научные открытия. Но, в погоне за прорывными инновациями и эффективностью, главное не забывать об том, что искусственный интеллект, как и любое мощное средство, требует к себе очень ответственного отношения — чтобы новые технологии служили лишь во благо и не становились источником новых проблем для человечества.

Если вы планируете включится в мировую гонку ИИ-технологий или уже это сделали, то в любом случае, вам понадобится надежная, производительная и масштабируемая инфраструктура и получить ее можно уже сегодня в облаке De Novo. Мы предлагаем доступ к мощнейшим TPU NVIDIA H100 и L40S непосредственно из окружения Kubernetes в составе новых облачных уcлуг Tensor Cloud (в коллективном облаке) и HTI (сервис класса GPU Private Cloud), а с PaaS-платформой ML Cloud вы получаете еще и готовую полноценную рабочую среду для ML-инженера (класса AWS SageMaker или Google Vertex AI).

Хотите узнать больше? Обращайтесь за детальной консультацией к нашим экспертам! Они не только ответят на ваши вопросы, но и помогут развернуть пилотный проект или перенести нагрузки в облако De Novo.