В рубрику "All-over-IP" | К списку рубрик | К списку авторов | К списку публикаций
Волна технологических инноваций сегодня похожа на то, что человечество переживало в начале XX века. На рис. 1 и рис. 2 показана одна и та же площадь Нью-Йорка – пересечение Бродвея и 5-й авеню. Первое фото сделано в 1905 г., и мы видим большое количество гужевого транспорта для перевозки людей и грузов. Чтобы обслуживать транспортную инфраструктуру Нью-Йорка, на тот момент были задействованы 100 тыс. лошадей, в гужевом "бизнесе" были заняты десятки тысяч людей, а 25% урожая уходило на то, чтобы кормить лошадей по всей стране. Подобная картина наблюдалась во всех странах мира.
Прошло всего лишь 20 лет, и на этой площади практически ничего не изменилось, за исключением одного – дороги заполнены автомобилями (рис. 2).
За 20 лет огромное количество людей, которое имело хороший заработок, связанный с гужевым извозом, потеряло свою работу. Но при этом возникли новые индустрии, начали развиваться нормативные документы и другая инфраструктура, которые обеспечили переход в новую жизнь. Увеличилось число рабочих мест, а лошадиные силы, которые получали энергию от сена, были заменены энергией моторов, работающих на нефти.
Кроме того, в это же время колоссальные перемены происходили в области связи, авиации, радио, автомобилестроения. И сейчас мы видим примерно такую же радикальная волну трансформаций, связанную с новыми технологиями.
По прогнозам аналитических агенств, парадигма использования информационных технологий в госсекторе менялась примерно каждые пять лет, начиная с 2000 г.
1. В 2000 г. все начиналось с идеи автоматизации операционной деятельности ведомств, министерств, городских администраций и электронного правительства.
2. В 2005 г. в лидирующих странах возникла тема интегрированного правительства – стало понятно, что гражданам нужны интегрированные услуги, чтобы они не ходили по разным ведомствам, а ведомства сами обменивались информацией между собой.
3. В 2010 г. начало развиваться направление открытого правительства с вовлечением граждан.
4. В 2015 г. возникло цифровое правительство, при котором фокус с услуг стал смещаться в сторону анализа и эффективного использования информации, которая есть у государства и администраций о гражданах и бизнесе, а также прогнозирования. Наметились разные сценарии с использованием ИТ – на уровне федеральных ведомств и в контексте умных городов и регионов.
5. В 2016–2017 гг. начали активно обсуждаться цифровая экономика и цифровая трансформация государства, бизнеса и общества.
Россия также двигалась в рамках этих трендов, но с отставанием на 5–8 лет. Федеральный портал госуслуг в нашей стране был запущен 15 февраля 2009 г., а сегодня получение услуг в электронной форме уже стало абсолютно естественным и понятным.
Можно выделить три мегатренда, которые играют решающую роль в цифровой трансформации:
Многие инновационные решения обычно используют совокупность нескольких ключевых технологий для эффективного применения в интересах городов, регионов и федерального правительства.
При этом два фактора говорят о неизбежности использования облачных вычислений как технологической основы цифровой трансформации:
Зачастую встречается скепсис с разных сторон в отношении того, что алгоритмы и технологии искусственного интеллекта давно обсуждаются, но реальных применений нет. И эти сомнения можно понять. К примеру, я заканчивал факультет прикладной математики в 1983 г., и уже тогда нам читали курс лекций по машинному зрению и искусственному интеллекту, но до последнего времени массового применения этих технологий мы не видели.
Здесь можно провести аналогию с авиацией. Законы работы крыла были точно описаны щвейцарским физиком Даниилом Бернулли еще в XVIII веке. Но только в 1903 г., когда братья Райт поставили на крыло двигатель внутреннего сгорания мощностью 12 лошадиных сил, эта конструкция реально полетела. Точно так же теоретические основы искусственного интеллекта были заложены разными учеными более 60 лет назад, в том числе Аланом Тьюрингом. Но только сейчас, когда появилась мощь облачных вычислений и возможности по обработке огромных массивов информации в облачной среде, эти технологии начинают "взлетать".
Взрывному интересу к технологиям искусственного интеллекта и началу их реального использования способствуют три тренда, которые буквально сошлись в одно время в одной точке:
Примером машинного обучения в действии является прорыв в распознавании речи. Некоторые компании, в том числе и Microsoft, достигли результатов, при которых точность распознавания естественной речи за счет алгоритмов искусственного интеллекта уже превышает точность распознавания речи самим человеком.
К группам технологий, которые в совокупности определяют большие изменения в области использования ИТ в контексте умных городов и вокруг которых будут строиться основные инновации, относятся:
Еще несколько лет назад компания Microsoft занималась преимущественно мобильными и облачными вычислениями, однако сегодня фокус сместился в сторону интеллектуального облака и интеллектуальных устройств, расположенных на периферии, так как не всегда есть возможность обрабатывать большие массивы информации интеллектуальными методами в облачной среде.
Например, представим котельную, где установлен умный контроллер управления узлами смешения. Он сам по себе – умное устройство, которое может обрабатывать достаточно большой поток информации, а в облаке могут использоваться алгоритмы, которые будут настраивать параметры этого устройства, находящегося на периферии. С нашей точки зрения, это очень серьезное и фундаментальное изменение философии использования облачных вычислений: "умное облако – умные устройства на краю этого облака".
Во всех странах, включая Россию, была создана традиционная инфраструктура экономики – железные дороги, электростанции, шоссе и др. Для развития цифровой экономики, цифрового правительства и умных городов и регионов также нужна своя инфраструктура с центрами обработки данных и интеллектуальными облачными вычислениями.
Ради чего все это с точки зрения процессов и технологий? Реализация проектов умных городов и регионов будет способствовать достижению таких важных целей, как:
Все это будет возможно за счет следующих процессов:
Именно таким образом выстраивается логика применения технологий для достижения задач, связанных с умными городами и регионами.
По всему миру уже реализованы сотни и тысячи проектов, которые на практике демонстрируют измеримые результаты реализации концепции умных городов и регионов в самых разных областях:
Причем речь идет не только об экономии ресурсов, но и о снижении аварийности и положительном изменении других показателей. Достигнуто огромное количество качественных эффектов, связанных с созданием более удобной среды проживания для граждан на территории умного города и региона.
Межамериканский банк развития, который инвестирует в инфраструктурные проекты в странах Южной Америки, провел оценку необходимых затрат для создания основ умного города с населением в 250–500 тыс., в которые входят:
Итоговая сумма составила 20–30 млн долларов. При общении с российскими системными интеграторами мы пришли к выводу, что для создания основ умного города такой бюджет может быть завышенным, а для реализации полноценной концепции, наоборот, заниженным.
Попробуем сравнить стоимость проектов умных городов с ИТ-бюджетами Москвы и Санкт-Петербурга на основании данных, которые имеются в открытом доступе.
Москва – передовой город с точки зрения внедрения умных технологий. Для создания умного города Москвы по очень приблизительной аппроксимации потребуются 500–740 млн долларов, или 1–1,5 ИТ-бюджета, который составляет почти 500 млн долларов ежегодно. Для умного города Санкт-Петербурга при таком подходе необходимы 2–3 годовых ИТ-бюджета.
Если рассмотреть 100 крупнейших городов России (с населением 200 тыс. и больше), то для реализации такой национальной программы потребуются 3–4,5 млрд долларов. Однако учитывая тот факт, что это улучшило бы жизнь как минимум 50% населения нашей страны, такая национальная инициатива была бы совершенно правильной. В России в рамках программы цифровой экономики уже есть отдельное направление, связанное с созданием 50 умных городов, что подтверждает: мы уверенно движемся в этом направлении.
Говоря о такой сложной теме, как умные города и регионы, всегда хочется иметь перед глазами картинку, которая смогла бы объединить эту концепцию и ее основные элементы. В связи с этим мы взяли за основу схему, созданную нашими коллегами из Индии, и доработали ее в соответствии с российскими условиями – результат представлен на рис. 3.
Она включает в себя следующие вертикальные функциональные области:
Достаточно большое количество информационных систем обеспечивают работу функциональных вертикалей города и используют уровень баз данных. Часто для создания инновационных решений в области умных городов нужно интегрировать информацию между этими информационными системами, и так возникает задача интеграции и управления.
Верхний уровень в данной схеме – аналитический (анализирует информацию и оптимизирует процессы, происходящие в городе). Это требует создания ситуационных центров – кросс-функциональных узлов, где работают представители разных городских департаментов. В таких крупных городах, как Москва, организованы ситуационные центры для отдельных отраслей, например Центр организации дорожного движения.
На нижнем уровне коммуникаций расположена городская телеком-сеть, а Интернет вещей начинает рассматриваться как отдельная инфраструктура города.
При такой структуре интеллектуальная облачная платформа может использоваться в городе на разных принципах:
Внедренное в городе решение можно отнести к категории умных на основании шести критериев:
Почему неизбежно использование облачных вычислений? Приведем очень модельный пример создания решения для умного города.
Допустим, в городе есть большое количество датчиков и Интернет вещей. Речь может идти о сотнях и миллионах датчиков в инфраструктуре, и нужно обеспечивать безопасное взаимодействие с ними, передачу управляющих сигналов, обработку потока информации на лету, хранение больших массивов данных в самых разных форматах (структурированные и неструктурированные). Для анализа видеоизображений и визуализации данных необходимы технологии машинного обучения и когнитивных вычислений. Другими словами – огромный функционал, который является ядром интеллектуальных облаков.
Если обратиться к истории, то можно проследить, как человечество применительно к самым разным областям жизнедеятельности пережило четыре индустриальные революции:
Кроме того, на протяжении истории мы выделяем четыре модели инноваций:
Эволюция четырех ИТ-платформ происходила следующим образом:
С точки зрения цифровой трансформации и создания соответствующих ИТ-систем выделяются четыре области для инноваций:
Таким образом, любой проект будет следовать одному из следующих четырех сценариев:
Рассмотрим конкретные примеры реализации проектов, связанных с умными городами и регионами, в России и за рубежом, которые попадают в одну или несколько категорий цифровой трансформации.
Испанская компания Bismart Bigov разработала для Барселоны цифровую панель biGov Better City Indicator, которая контролирует порядка 200 индикаторов городского развития, показывая "пульс" города. При этом используются как индикаторы, созданные в рамках стандарта, связанного с устойчивостью развития территорий, так и наборы индикаторов, разработанные некоммерческим сообществом City Protocol Society.
Информация берется из городских существующих систем, городской инфраструктуры, датчиков, Интернета вещей и позволяет анализировать различные показатели и тренды.
Решение Urban Planning также компании Bismart, внедренное в Берлине, использует технологию анализа больших данных для планирования и развития городских территорий и социальной инфраструктуры. При строительстве социальных объектов с момента идеи до сдачи в эксплуатацию может пройти много лет, и демографическая ситуация может измениться. В системе Urban Planning применяется технология машинного обучения и анализа больших данных, чтобы более взвешенно принимать решения о размещении или изменении функционала социальной инфраструктуры (школы, детские сады, поликлиники, больницы, информационные центры и др.).
Решение Urban Strategy от голландской компании TNO разработано для планирования и развития городских территорий. В нем заложено большое количество математических моделей, которые позволяют быстро делать просчет вариантов – например, что будет, если построить конкретную дорожную развязку, как это повлияет на трафик окружающей территории, безопасность детей, развитие экономики на данной территории и т.д. Модели интегрированы через шину, и в результате у специалистов, занимающихся городским планированием, появляется инструмент, помогающий им быстро просматривать разные варианты развития территорий и принимать взвешенные компромиссные решения.
К примеру, данные технологии могут помочь при сложных просчетах для колоссальных проектов реновации в Москве, которые затронут непосредственно 1 млн жителей.
Представим инфраструктуру котельных, которые обслуживают не только города, но и небольшие населенные пункты на сельских территориях. Российская компания Embedded Systems разработала программируемый контроллер и набор алгоритмов, позволяющие эффективным и умным образом управлять котельными с использованием технологий Интернета вещей, машинного обучения и анализа и правильно настраивать параметры оборудования, которое обеспечивает работу котельных.
Давайте представим себе такой проект. В типичном районе Московской области работает около 60 котельных, которые обслуживает примерно 800 человек персонала. Это локальные бригады, которые управляют оборудованием, делают его настройку на различные температурные режимы очень часто не самым оптимальным образом. Случаи незаконного отбора тепла идентифицируются либо с большими задержками, либо не обнаруживаются совсем.
Внедрив датчики и Интернет вещей в оборудование котельных, которые контролируют объем получения тепла соответствующей городской инфраструктурой, можно получить не только реальный процент экономии газа или жидкого топлива, но и следующие эффекты:
Российская компания Heedbook представляет решение по интеллектуальной обработке видеоизображений. Пилотные проекты уже реализованы в многофункциональных центрах. Система, используя технологии глубокого обучения нейронных сетей, позволяет на лету анализировать диалог, который происходит между посетителем МФЦ и сотрудником и понять, что за человек пришел, его пол, возраст, насколько диалог соответствует стандарту и скриптам, которые предписаны сотрудникам МФЦ.
В результате появляется возможность в реальном времени определять уровень клиентской удовлетворенности, проводить анализ бизнес-процессов и предлагать дополнительные услуги.
Еще одна российская компания, NtechLab, разработала алгоритмы быстрого распознавания лиц, при этом решив сложную задачу устойчивости к изменениям (растительность на лице, очки, часть лица закрыта и т.д.). Достигнуты колоссальные результаты с точки зрения скорости работы самих алгоритмов. Уже реализованы пилотные проекты (в том числе в Москве) по анализу видеопотока с камер, которые установлены в подъездах и по городу, и это дает огромные возможности по решению задач безопасности, до этого недостижимые в рамках больших городов.
Компания Vizor Labs, являющаяся резидентом Сколково, разработала программно-аппаратный комплекс для интеллектуального анализа видеопотоков в интересах городского хозяйства и строительства, в том числе с беспилотников.
Это позволяет решать следующие задачи:
Компания Telent реализовала проект, в котором за счет установки датчиков контролируется состояние инженерных коммуникаций, эскалаторов, лифтов, систем кондиционирования воздуха и очистки воздуха в лондонском метро. При этом возможно упреждающее обслуживание оборудования. Например, когда система контроля поняла, что в эскалаторе на одной из станций технический зазор превысил норму в 3,5 мм и началась вибрация, она предупредила, что примерно через трое суток эскалатор будет в таком состоянии, когда им уже нельзя будет пользоваться. Система также подсказала, через какое время ремонтной бригаде будут доступны необходимые запчасти. В таких случаях дается возможность упреждающего превентивного обслуживания оборудования, что позволяет не доводить ситуацию до аварийной.
Городская автобусная компания Хельсинки использует технологию больших данных и превентивного технического обслуживания для экономии горючего и улучшения качества сервиса. Датчики определяют характер вождения автобусов по городу: если у какого-то водителя часто возникает экстренное торможение, можно понять, в чем проблема – в человеческом факторе либо городской развязке. Датчики также показывают, как работают агрегаты, где именно необходимо упреждающее обслуживание и т.д. В результате достигается экономия горючего и удовлетворенность пассажиров.
Водоканалы – благодатная почва для использования умных технологий. Это сложная протяженная инфраструктура, и за счет установки датчиков Интернета вещей и машинного обучения в г. Вроцлаве (Польша) добились большого эффекта: потери в системе водоснабжения оценивались в 24%, а снизились до 15%, т.е. на 9 п.п., и теперь есть возможность контролировать ситуацию в режиме онлайн и сразу понимать, когда случается незаконное использование водных ресурсов.
Коммерческая компания ThyssenKrupp разработала решение для городских коммуникаций, а именно лифтового хозяйства. Датчики, контролирующие состояние лифтов, температуру и другие параметры в лифтовых шахтах, позволяют умным образом, на упреждение, обслуживать городскую инфраструктуру.
Кампус компании Microsoft – это город среднего размера:
Было решено создать более эффективное энергоуправление, установив 500 тыс. датчиков, которые снимают данные с 500 млн точек ежесуточно. В результате почти половина проблем разрешается в течение одной минуты, была достигнута экономия электроэнергии в 6–10%, а проект окупил себя за 1,5 года.
На принципах, характерных для кампуса Microsoft, начат пилотный проект – умный кампус Финансового университета при Правительстве Российской Федерации, но с учетом мотивов для обучения студентов (оптимизация расписания, анализ потоков, посещаемости и др.). В будущем за счет распознавания лиц и когнитивных технологий станет возможно понимать, насколько студенты удовлетворены лекциями и занятиями, на которые они ходят, и др.
Представим, что годовые затраты на энергоресурсы крупной спортивной арены – около 50 млн рублей. За счет установки относительно небольшого количества оборудования и программного обеспечения был просчитан экономический эффект на три года, который составил порядка 14,5 млн рублей. Причем в данном случае достигается не только более эффективное управление, но и реальные экономические эффекты за счет внедрения технологий умных зданий и умных кампусов.
Потери от мошенничества, неэффективности и злоупотреблений (неправильные коды услуг, лишняя диагностика, ненужные процедуры и т.д.) оцениваются примерно в 7% от мировых расходов на здравоохранение. За счет анализа данных, собираемых с большого количества поликлиник, появляется возможность отслеживать эти ситуации и решать задачу затрат на систему здравоохранения, обеспечивая более честное и справедливое использование ресурсов.
В Москве уже внедрена Единая медицинская информационно-аналитическая система (ЕМИАС), и потенциально у города появляются колоссальные возможности по анализу работы клиник по всей территории.
Подводя итоги, можно с уверенностью сказать, что нас ждут удивительные вещи: будут появляться новые игроки, новые технологи, новые проекты. А на данный момент выводы таковы:
Опубликовано: Журнал "Системы безопасности" #3, 2018
Посещений: 3832
Автор
| |||
В рубрику "All-over-IP" | К списку рубрик | К списку авторов | К списку публикаций
