Завершился финал третьего сезона всероссийского конкурса «Цифровой прорыв — 2021». В конкурсе приняли участие 251 команда, а хакатоны проходили в 14 региональных ИТ-хабах и в онлайн-формате. 36 лучших команд разделили призовой фонд в размере ₽24 млн. По итогам финального хакатона было разработано 232 решения по 12 предложенным задачам, в том числе в сфере экологии, промышленности, развития беспилотного транспорта и «умного» города. РБК Тренды собрали самые интересные и необычные решения команд, в которых задействовали искусственный интеллект.
Перспективы цифровизации
Европейский инвестиционный банк провел исследование, согласно которому цифровизация бизнес-процессов положительно влияет на показатели функционирования предприятий в ЕС и США. Аналитики International Data Corporation прогнозируют, что к 2022 году до 60% мирового ВВП будет создаваться цифровыми компаниями, а совокупные инвестиции в цифровую трансформацию в 2020–2023 годах составят $6,8 трлн.
В России федеральные проекты «Цифровые технологии» и «Искусственный интеллект» в рамках национальной программы «Цифровая экономика» направлены на поддержку новейших цифровых технологий — ИИ, Интернета вещей, 5G, квантовых систем и робототехники. Разрабатываемые решения могут применяться в разных отраслях экономики. Авторы решений по цифровой трансформации с использованием российских разработок получают гранты от Минцифры. Только в 2021 году на финансирование таких проектов выделено ₽3,8 млрд.
Мониторинг разливов нефти
«Росатом» предложил участникам хакатона разработать систему для обнаружения, оценки и мониторинга нефтеразливов с использованием технологий дистанционного зондирования Земли и машинного обучения. По данным Минэнерго, только за 2019 год на предприятиях топливно-энергетического комплекса произошло более 17 тыс. аварий с разливами нефти, из них 10,5 тыс. случаев пришлось на нефтепроводы.
«Росатом» предоставил участникам реестр загрязненных нефтью и нефтепродуктами территорий в регионах России, а также данные со спутниковых снимков.
Лучшее решение предложила команда «Цифровой койот». Их система «ЭкоТег» позволяет обнаружить и проанализировать нефтеразливы с помощью машинного обучения. Особенность решения в том, что оно хранит всю собранную информацию и сама генерирует отчеты об авариях. Система использует снимки из космоса и данные с датчиков нефтеразливов, своеобразных буев, которые предложили размещать над водой.
А команда УИИ разработала веб-сайт, который анализирует спутниковые снимки с целью выявления загрязнений. Нейросеть на основе модели изучает изображения, полученные по разным каналам, и определяет наличие нефтеразливов. Затем она готовит отчет и экспортирует его в PDF-формате. Нейросеть работает по принципу тех, которые используются в системах генерации текста: делит снимки на паттерны, убирает лишнее, анализирует каждый паттерн и соотносит его с местоположением на фото.
Мониторинг растительности в районе ЛЭП
Минэнерго предложило участникам конкурса разработать систему расчета площадей и высоты растительности в охранной зоне, где находятся линии электропередач. Ведомство отметило, что обычно работа по оценке растительности для расчистки территорий выполняется вручную, потому в отдаленных районах она сопряжена с рисками и денежными затратами.
Автоматизированная система должна использовать анализ космических снимков. Участники хакатона сами выбирали датасеты и разрабатывали инструменты на их основе. Еще одной задачей системы стала визуализация собранных результатов мониторинга, включая определение высоты растительности.
Победителем хакатона стала команда Digital Rover. Она предложила решение на основе Big Geo Data, которое базируется на датасете ЛЭП, охватывающем всю территорию страны. Система агрегирует данные спутниковых снимков с любых бесплатных и коммерческих источников (Google, «Яндекс», Esri, Maxar) в режиме реального времени. Модель обрабатывает снимки и получает данные как по площади растительности, так по ее высоте и типу. Для более точной оценки высоты растений применяются нейросети. База снимков обновляется автоматически, что позволяет оценить ситуацию в динамике и спрогнозировать ее дальнейшее развитие. Карта интерактивная, то есть по ней можно перемещаться, а также можно использовать карты «Яндекса» и Google в виде ссылок для анализа.
Занявшая второе место команда Ezee предложила решение в виде ИИ-системы Zeus, которая собирает и обрабатывает спутниковые снимки из открытых источников для выявления нарушений в охранных зонах объектов ЛЭП. Система позволяет автоматизировать мониторинг всего периметра охранных зон, а также определяет оптимальные периметры вырубок и маршруты логистики. Разметка данных и применение нейросетей повышают точность работы системы во времени. Команда при разработке системы размечала данные так: деревья, трава, земля, тень, строения, вода. Таем самым, система может определять не только высоту растительности в зоне ЛЭП, но и тень от нее, что делает наблюдения более точными.
Оценка качества сырья в полевых условиях
Компания Accenture предложила решить кейс по проверке на предмет брака сырья, которое выгружается в полевых условиях. Система должна работать в отсутствие связи в полях и призвана восполнить нехватку работников ОТК.
Программа должна понимать, что и когда происходит с сырьем на предприятии от момента его поступления и до передачи в производство.
Команда Longterm_dev предложила веб-платформу аналитики качества сырья, которая анализирует состояние продукции при приемке посредством технологии компьютерного зрения. Нейросети обучают на данных о сырье и контейнерах, чтобы они могли выявить процент брака на снимках, которые поступают с камер.
Онлайн-тренажер для обучения операторов беспилотников
Компания «Россети» представила кейс, который предлагает разработать систему онлайн-тренажера для обучения оператора беспилотных летательных аппаратов. Хакатонщики должны были разработать прототип такой системы и методику оценки специалиста после того, как он прошел обучение.
Команда AVM предложила решение, которое будет не только обучать операторов БПЛА с помощью теории, тестов и VR-симулятора, но и будет включать в себя рекомендательную систему на основе ИИ, чтобы индивидуально подбирать траекторию обучения для ученика, а для преподавателя — автоматически составлять экзаменационные материалы.
Отслеживание мусора и аварий с городских камер
Минцифры совместно с властями Республики Татарстан предложили участникам конкурса создать сервис, который будет отслеживать мусор на дорогах и заполненность мусорных баков по данным с городских камер уличного видеонаблюдения. В систему должны быть встроены IP-камеры, которые установлены в регионе в рамках концепции «Безопасный город».
Решение в режиме реального времени должно анализировать видеопотоки или изображения с этих камер и затем уведомлять соответствующие службы.
Команда Power Rangers DS предложила систему умного города, которая будет анализировать видеопотоки с городских камер, включая в себя пять блоков: «Чистый двор» (управление уборкой отходов), «Дорожник» (управление дорожными работами) «TEPLO-MAPS» (анализ пешеходного трафика), «Паркинг» (фиксация нарушений правил парковки) и «SAFETY Парк» (выявление нарушений правопорядка). Чтобы воспользоваться системой, достаточно будет подключить любую камеру по IP и выбрать интересующий инструмент.
Участники же команды UNI разработали платформу для работников коммунальных служб и жителей, где пользователи могут отметить точку на карте, описать произошедшую ситуацию и отправить обращение коммунальщикам, узнать о наличии парковочных мест во дворе, мониторить работу служб ЖКХ. В основе работы системы лежат нейросети, которые анализируют потоковую информацию с камер.
Создание видеорекомендаций
РБК предложил участникам хакатона разработать решение для конвертации видео в текст в рекомендательной системе РБК Xavier. Система предоставляет каждому читателю персонализированные новости, а также рекомендации видео на сайтах и в приложениях РБК. Решение должно улучшить качество подбора релевантного контента.
Команда «Знают что делают» использовала существующие модели машинного обучения, в том числе решение от Nvidia. Разработанная хакатонщиками система, после загрузки в нее видео, с помощью одной нейросети транскрибирует текст, выделяет из него имена и названия, а с помощью второй — определяет и распознает текст на картинке. В итоге пользователь получает более точные рекомендации по выбранным тегам, в том числе даже отрывки не полностью релевантных видео.
Команда HackTheHack представила модуль извлечения информации из видео с механизмами speech-to-text, который корректирует англицизмы, определяет объекты на видео и ищет совпадения по именам и названиям. Эту систему можно расширять за счет добавления новых данных. Участники хакатона применили в том числе русскоязычную модель GPT генерации текста от «Сбера». Система учитывает также эмоциональный окрас слов. Разработчики отметили, что в будущем ее можно будет масштабировать за счет анализа голосов на видео.