Не вызывает сомнений, что новые технологии искусственного интеллекта (ИИ) (машинное обучение, компьютерное зрение, распознавание речи, бизнес-аналитика, автоматизация процессов, беспилотники, машинный перевод, интеллектуальный анализ данных и т. п.) серьезно меняют жизнь человечества во всем мире, в России и, конечно, в Российской Арктике. Ожидается, что использование технологий искусственного интеллекта в Арктике позволит нарастить объёмы морских перевозок по Севморпути, а жители удалённых от больших городов арктических посёлков получат качественную мобильную связь, постоянный доступ в Интернет предоставит возможность дистанционного обучения.
Российская Арктика является положительным примером внедрения технологий IT и ИИ. Цель внедрения таких технологий — повышение качества жизни северян. Так, ИТ- стойбища хантов и манси известны на весь мир — отсюда коренные народы Севера подключаются к конференциям ООН. В 2022 г. компания «Ростелеком» сообщил, что завершил строительство подводной волоконно-оптической линии связи на Чукотке — этот регион оставался последним не подключённым наземными волоконно-оптическими линиями к общей сети связи РФ. В 2022 году г. Норильск организовал проведение первого регулярного арктического IT- фестиваля с участием экспертов из российских и зарубежных компаний 4.
Проекты в Арктике, связанные с внедрением ИИ-технологий, также становятся всё более популярными, при этом лидером по внедрению такого рода проектов стала Мурманская область. Импульс такому прорывному инновационному развитию региона в том числе дал губернатор Мурманской области А. Чибис, возглавивший в ноябре 2022 г. рабочую группу Госсовета по обеспечению транспортно-логистического и социально-экономического развития российской Арктики. В феврале 2023 г. состоялось заседание президиума Государственной комиссии по развитию Арктики, на котором было принято решение о признании проекта строительства современного комплекса перегрузки угля «Лавна» в морском порту г. Мурманск приоритетным для финансирования. Также в феврале 2023 г. стало известно, что «ТОР «Столица Арктики» будет расширена для реализации проекта «Строительство Западного транспортно-логистического узла». В Кольском районе планируется возведение контейнерного терминала для международных транзитных морских грузоперевозок. Там будет осуществляться перевалка грузов на суда ледового класса, которые работают на трассах Северного морского пути.
Арктические регионы начинают развивать ИИ
Выбор Мурманской области для анализа обусловлен целым рядом причин. Во-первых, этот регион является самым населённым северным городом в Арктической зоне РФ, в связи с чем количество вакансий в области IT и ИИ там существенно выше, чем в другом регионе АЗРФ, как показал анализ вакансий ведущего российского рекрутингового агентства Headhunter (Мурманск) является центром социально-экономической, культурной и интеллектуальной жизни Мурманской области, неслучайно в РФ зарегистрировано всего 2 ТОР — «Столица Арктики» в Мурманской области и ТОР «Чукотка». В г. Мурманске находится несколько региональных университетов, учреждения здравоохранения и культуры. Город Мурманск являются важным логистическим центром Крайнего Севера. В г. Мурманске начинается Северный морской путь России, точнее, его Поморский сектор. В г. Мурманске рас- полагается администрация морских портов Западной Арктики 6. В городах Апатиты и Мурманск также находятся крупнейшие международные аэропорты Крайнего Севера. Особенности Мурманской области заключаются также и в выгодном территориальном положении в АЗРФ, сравнительно теплом климате и выгодной транспортной доступности.
Некоторые из проектов включают сразу несколько направлений технологий ИИ, например, Botkin.AI — платформа на базе технологий искусственного интеллекта, таких как компьютерное зрение, автоматизация процессов, интеллектуальный анализ данных и процессов, осмысление закономерностей. Исследования показывает, что знание языка программирования Python, баз данных SQL и английского языка является обязательным условием для всех ИИ-специалистов. Мурманская область выходит на лидирующие места в области развития и внедрения технологий IT и технологий искусственного интеллекта; в первую очередь это связано с развитием логи- стики и Северного морского пути как альтернативы существующим морским маршрутам.
В настоящее время в Арктической зоне Российской Федерации (АЗРФ) смещаются тренды экономического развития. 21 февраля 2023 г. Президент РФ внёс долгожданные изменения в «Основы государственной политики Российской Федерации в Арктике на период до 2035 года» 31, в новой редакции которой появилось понятие «инновационное развитие». Становятся востребованными необходимые навыки в области искусственного интеллекта и интеллектуальных информационных систем для решения технологических задач именно на арктических территориях Российской Федерации, в связи с чем государственная политика Арктики переориентируется на инновационное развитие.
В разработанном в 2021 г. НИУ-ВШЭ «Атласе профессий будущего» представлены 50 перспективных профессий с использованием ИИ, выявленных на основе анализа глобальных трендов технологического развития, прогнозов, оценок работодателей и экспертов. Исследователями прогнозируется, что ключевым фактором в скором времени станет повсеместное внедрение Интернета вещей (интеллектуальные контейнеры, беспилотные транспортные средства и др.). На практике получается, что перечень различных ИИ- проектов в российской Арктике постоянно совершенствуется, расширяется и уже включает в себя не только новые разработки в сфере добычи полезных ископаемых и оптимизацию затрат на производство, но также автоматизацию процессов, беспилотники, машинный перевод, интеллектуальный анализ данных, машинное обучение, компьютерное зрение и т.п. В общей сложности в АЗРФ, как показало наше исследование, уже стартовало около 50 проектов в сфере технологий искусственного интеллекта. На этапе создания и проектирования новые проекты: создание цифровых двойников территорий и предприятий, внедрение нейросетей на борту беспилотников, создание смарт-городов (гг. Мурманск и Норильск), перевозки по Севморпути при помощи блокчейн и т. д.
Анализ вакансий в IT и ИИ-областях во всех субъектах АЗРФ на сайте рекрутингового агентства Headhunter показал, что наибольшее количество вакансий в сфере IT размещено непосредственно в Мурманской области (74 вакансии). В исследовании были проанализированы не только вакансии, но и резюме соискателей Мурманской области, размещённые в разделе Artificial Intelligence (подраздел «Интеллектуальный анализ данных и процессов, осмысление закономерностей / Data mining, Process Mining»). Было определено, что зарплата у ИИ-специалистов существенно выше, чем у специалистов ИТ-сферы. Опыт Мурманской области как позитивного примера развития искусственного интеллекта в Арктике чрезвычайно важен в контексте понимания текущих трендов российского высокотехнологичного сегмента на рынке труда, а также перспектив социально-экономического развития всего арктического макрорегиона и Мурманской области как его локомотива. Примечательно, что в 2023 г. в СПбГУ была запущена магистерская программа «Искусственный интеллект и наука о данных». Отличительной особенностью программы является блок учебных дисциплин «Искусственный интеллект для Арктического региона». Выпускники программы могут выбрать широкий спектр направлений, например, аналитику, архитектуру и разработку специальных систем для глобальной транспортной отрасли и мобильной телемедицины в труднодоступных поселениях в Арктике; внедрение цифровых решений в металлургии, нефтяной, газовой и химической промышленности; создание систем управления электросетевой и генерирующей инфраструктуры; формирование базиса для «умных домов» и «умных городов» в сфере строительства и ЖКХ; автоматизированную обработку информации, поступающей от средств спутникового зондирования и технологического видеонаблюдения. Запуск такой образовательной программы ещё раз доказывает тот факт, что навыки в области искусственного интеллекта становятся крайне востребованными для решения технологических задач именно на арктических территориях Российской Федерации.
Выбор и разработка модели навигации в Арктическом бассейне при помощи ИИ
Основным преимуществом использования методов машинного обучения является возможность интегрировать многочисленные наборы данных, тем самым повышая точность прогнозирования. Логистическая регрессия, как тип обобщенной линейной модели, использует сигмоидальную функцию для прогноза вероятностей. Она популярна из-за своей простоты и эффективности и применяется для базовых прогнозов, таких как оценка аварий различных типов судов и инцидентов, связанных с погодой. Одним из её преимуществ является легкость в оценке влияния каждой переменной на зависимую переменную, что улучшает интерпретируемость. Однако, она не может решать сложные нелинейные задачи из-за линейной природы своей функции принятия решений и требует некоторой настройки. Искусственные нейронные сети (ANN) имитируют организацию биологических нейронных сетей. Они стали популярны благодаря алгоритму обратного распространения ошибки для обучения многослойных персептронов. ANN состоят из входных слоев, скрытых слоев и выходного слоя и обучаются с помощью градиентного спуска для минимизации функции стоимости. Преимущество ANN заключается в их способности изучать сложные нелинейные отношения, что способствует высокой производительности. CNN (сверточная нейронная сеть)— это особая форма ANN, используемая для сложных задач классификации, особенно с использованием изображений. В одном из исследований была предпринята попытка использовать этот подход для оценки риска столкновений по фотографиям дорожного движения, которому ранее была присвоена оценка риска группой экспертов. Рекуррентные нейронные сети (RNN) расширяют ANN с помощью циклов, так что предыдущие выходные данные могут использоваться в качестве входных данных, что делает их особенно полезными в данных временных рядов и областях обработки естественного языка. Сети с долговременной краткосрочной памятью (LSTM) — это популярная форма RNN, которая решает проблемы долгосрочной зависимости RNN, обеспечивая лучшее сохранение информации в течение длительных периодов времени через шлюзы использования. На пример, LSTM можно внедрить для прогнозирования будущего риска столкновений на основе путей движения судов или для прогнозирования тенденций в количестве аварий. Проблема нейронных сетей заключается в их сложности, что может привести к длительному времени разработки, переобучению, плохим обобщениям и низкой интерпретируемости. Кроме того, для обучения им часто требуются значительные наборы данных, что может быть невозможно в случае редких событий, таких как морские аварии. Метод опорных векторов (SVM) может выполнять линейную и нелинейную классификацию, строя гиперплоскость или набор гиперплоскостей в многомерном пространстве, чтобы максимизировать разницу между тренировочными данными, и оказалась популярной благодаря своей возможности классификации. Однако, SVM не обладают собственной способностью определять, насколько различных признаки влияют на прогнозирование аварий, что может ограничить их применение в исследованиях риска чрезвычайных ситуаций. Методы SVM, кластеризация на основе плотности и RNN помогут в прогнозировании риска столкновений. Однако, учет динамических данных вызывает вычислительные сложности, особенно из-за дисбаланса классов и редкости аварий. Дерево решений — это непараметрический метод обучения, предсказывающий целевую переменную через правила принятия решений на основе характеристик данных. Этот метод прост и прозрачен, и может вычислять важность каждой характеристики для прогнозов. Однако, деревья решений часто не достигают высокой точности из-за трудностей с непрерывными и категориальными переменными и склонны к переобучению. Ансамблевые методы, такие как случайные леса и XGBoost, улучшают стабильность и точность, используя бэггинг и случайное подпространство для разнообразия деревьев и снижения дисперсии, что помогает избежать переобучения. Случайные леса (Random Forest) широко популярны и доступны на многочисленных языках, а также обладают такими неотъемлемыми свойствами, как скорость обучения и надежность при использовании многомерных и несбалансированных наборов данных. Однако, Дерево решений редко достигают высокой точности, отчасти из-за методологических недостатков при использовании смеси непрерывных и категориальных переменных. Деревья решений склонны к переобучению, но ансамбль деревьев решений, таких как случайные леса или XGBoost, может привести к более точным прогнозам. Алгоритмы случайных лесов достигли второго по величине показателя точности (96%) для прогнозирования аварий судов. XGBoost еще больше расширяет обучение на основе деревьев посредством усиления и градиентного спуска, так что новые модели итеративно обучаются на остаточных ошибках предыдущих моделей. В результате этот метод достигает одной из самых высоких прогностических точностей в сравнительных исследованиях. Утверждается, что XGBoost более точен, более масштабируем для больших наборов данных и высокоэффективен, и, как прогнозируется, станет одним из наиболее широко применяемых методов в науке о данных.
Использование технологий ИИ в сфере безопасности и модели прогнозирования рисков растет, но его применение в морской области ограничено. Машинное обучение и большие данные могут улучшить понимание вероятностей и последствий аварий с точностью свыше 90%. Эти методы позволяют создавать сложные и масштабируемые модели, преодолевая ограничения традиционных подходов. Машинное обучение может повысить безопасность судов, предоставляя точные инструменты для оценки рисков в реальном времени в транспортно-логистической системе Северного морского пути. В работе также выделены аспекты, требующие дальнейшего исследования, которые актуальны не только для морского транспорта, но и для других транспортных процессов. Прогнозирование аварийных ситуаций сложно из-за сложной связи с их случайными факторами. Машинное обучение подходит для таких задач, так как не требует априорных предположений и справляется с нелинейными, многомерными данными, характерными для морской безопасности, особенно для судов смешанного типа «река-море». Однако, человеческий фактор может ограничивать его возможности. В отличие от этого, прогнозирование расхода топлива, связанное с изученным механическим процессом и доступными данными, может быть более точным, достигая точности свыше 99,99%. Такой уровень точности маловероятен в прогнозировании аварий. Для их улучшения моделей нужно включать пространственно-временных данных (погода, батиметрия, поведение судна) и учитывать человеческой фактор, который сложно количественно оценить, но он важен, так как является причиной многих аварийных ситуаций. Мы продемонстрировали разнообразие данных для моделей прогнозирования чрезвычайных ситуаций. Машинное обучение может преодолеть предвзятость экспертов в оценках риска, что улучшает точность и снижает затраты. Эти методы могут воспроизводить экспертные оценки. Это открывает возможности для автоматизированных инструментов поддержки принятия решений для обеспечения безопасности судов в реальном времени на основе опыта морских специалистов, но в свою очередь требует большого набора данных. Модели машинного обучения критикуются за недостаточную прозрачность и интерпретируемость. Однако, с учетом небольшой эффективности логистической регрессия, её применению уделяется внимание благодаря её интерпретируемости. Несмотря на преимущества машинного обучения, пока мало доказательств, что оно превосходит традиционные модели прогнозирования рисков на море.
Перспектива использования ИИ в Российской Арктике
На основе проведённого анализа вакансий в IT и ИИ-областях, а также перечня ИИ-проектов АЗРФ можно подчеркнуть, что ИИ-технологии будут развиваться в следующих ключевых направлениях: в сфере интеллектуального компьютерного зрения, анализа и обработки текстов на естественном языке и изображений, управления транспортной инфраструктурой, обработки данных крупных промышленных предприятий, технологий здоровьесбережения на основе данных в условиях Крайнего Севера, а также технологий разработки программного обеспечения в прикладных задачах.
