Интеллектуальные системы уже сейчас самостоятельно следят за безопасностью, консультируют пользователей, прогнозируют сроки износа оборудования и даже оценивают работу человека.
Международная консалтинговая компания McKinsey ожидает, что уже в 2030 году искусственный интеллект возьмет на себя еще больше задач и будет выполнять большинство рутинных операций. Транспорт, в частности железная дорога, не станет исключением.
Основные разработки Центра искусственного интеллекта ВНИИЖТ для РЖД
«Там, где идет работа с большими данными, в первую очередь будет применяться искусственный интеллект и алгоритмы машинного обучения. И этот процесс уже идет. Множество компаний уже сейчас активно внедряют искусственный интеллект для оптимизации бизнес-процессов и повышения эффективности», – отметил Максим Кулагин, начальник Центра искусственного интеллекта АО «ВНИИЖТ».
Напомним, что данный центр был открыт на базе ВНИИЖТ в 2023 году. Подразделение включает в себя четыре ключевых направления: предиктивная аналитика, языковые модели, компьютерное зрение и машинное обучение.
На данный момент в большинстве случаев технологии искусственного интеллекта основываются на методах машинного обучения, которые используют данные для подбора параметров модели. Роль человека остается в постановке задачи, получении и обработке данных, а также контроле за процессом обучения машины.
Предиктивная аналитика
Разработки Центра в этой области уже внедрены в системы ОАО «РЖД». Примером такой системы является АС «Доверенная среда локомотивного комплекса». Алгоритмы и модели прогнозирования отказов оборудования локомотивов были разработаны на основе обработки бортовой телеметрии и исторических данных. ИИ выявляет аномалии в работе оборудования электровозов и тепловозов, а затем оценивает остаточный ресурс. Это позволяет уменьшить количество неплановых ремонтов.
Кроме того, интеллектуальная система на основе данных о работе локомотивных бригад и анализа имеющейся информации может прогнозировать грубые нарушения машинистов и определять группы надежности. На основе этих прогнозов работники получают профилактические рекомендации для повышения уровня безопасности перевозочного процесса.
Предиктивная аналитика предполагает достаточно унифицированный подход: результаты исследований можно использовать как на железной дороге, так и на любом производстве. Решения АО «ВНИИЖТ» нашли применение при прогнозировании простоев промышленного оборудования.
Большие языковые модели
Large Language Models (LLM), или большие языковые модели, лежат в основе популярного ChatGPT. LLM-модель использует методы глубокого обучения, анализирует огромные массивы текстовых данных на разных языках и содержит больше миллиарда параметров. С использованием генеративных нейронных сетей специалисты Центра ведут разработку интеллектуального ассистента железнодорожника. В качестве исследования было взято несколько десятков документов о тяжеловесном движении в ОАО «РЖД».
«Мы активно работаем с РЖД над созданием умного помощника, который будет отвечать на специфические вопросы о железной дороге. Причем это универсальное решение для разных областей. Например, модель также применима в индустрии путешествий. Интеллектуальный чат-бот сможет консультировать пассажиров и выполнять некоторые маркетинговые функции. После анализа вопросов и ответов платформа сформирует клиентские портреты и вернется к пользователю с целевым предложением», – отметил Максим Кулагин.
Компьютерное зрение
Проекты с применением компьютерного зрения очень востребованы в ОАО «РЖД». АО «ВНИИЖТ» разработало модуль управления путевыми машинами, который обеспечивает перемещение техники в автоматическом режиме при выполнении работ в «окно».
На железной дороге «окно» – это перерыв в движении поездов для организации ремонтных работ. На этом этапе искусственный интеллект выявляет посторонние предметы на пути следования машины и корректирует скорость движения путевой машины.
Еще один проект АО «ВНИИЖТ» тоже связан с ремонтом пути. Система видеоаналитики контролирует соблюдение требований охраны труда. Она определяет тех, кто не надел средства индивидуальной защиты или оказался в неположенном месте. Внедрение этого проекта запланировано в ближайшем будущем.
Классическое машинное обучение
Построение задания на выправочную технику – это проект, требующий особой точности. Для обучения нейросети по определению количества радиусов решалась задача многоклассовой классификации. Система научилась распределять данные путеизмерителя на прямые и кривые участки пути. В результате был создан алгоритм генерации данных геометрии пути.
В дальнейшем планируется применение разработанной нейросети на данных о величинах натурных стрел, а также интеграция данного решения в основной процесс автоматизации выправки железнодорожного пути в ОАО «РЖД».
