Зима выдалась снежной, и многим москвичам уже приходилось писать на портал «Наш город», чтобы ускорить расчистку своих дворов от сугробов. Но кроме народных контролёров есть ещё один ревизор – искусственная нейронная сеть. «АиФ» разбирался, как работает коммунальный «Скайнет».
170 тысяч «глаз»
Обучением цифрового контролёра в сфере ЖКХ занимается столичный Департамент информационных технологий, а подбором обучающих материалов – ГКУ «Новые технологии управления», туда мы и отправились на экскурсию.
Как компьютер понимает, что на улице непорядок? «Глаза» нейросети – это уличные камеры городской системы видеонаблюдения. Большая часть дворов находится под прицелом электроники. Есть дистанционно управляемые поворотные камеры, висящие на фасадах домов на довольно большой высоте, и есть статичная техника при входах в подъезды. Таких «глаз» – 170 тыс., и они отправляют картинку в ЕЦХД (Единый центр хранения и обработки данных) и в столичный Центр автоматической фиксации административных правонарушений в сфере ЖКХ (ЦАФАП ЖКХ). Порцию свежих скриншотов со всей Москвы, которые камеры отправляют раз в день, нейронная сеть обрабатывает за 2–3 часа. Но научить искусственный интеллект (ИИ) различать «непорядок» во всём его многообразии весьма непросто.
Это голубь или мусор?
«Для людей любая листва, лежит ли она ровным слоем или собрана в кучу, остаётся листвой. А сети это нужно объяснять на огромном массиве примеров, – рассказал «АиФ» замруководителя проекта ЦАФАП ЖКХ Алексей Тараканов. – То же самое с тополиным пухом, который может лежать ковром или из-за ветра сбиться в комки. В начале обучения нейронка путалась постоянно – называла ямами упавшие палки и ветки, тень и солнечные блики. Взлетающий голубь или сидящая на тротуаре кошка приравнивались к мусору. Крыши белых машин упорно попадали в категорию «переполненные контейнеры». Надписи мелом на асфальте: «Я люблю тебя, Маша», официальная маркировка опор освещения и разрешённые картины на стенах приравнивались к нелегальному граффити. Сейчас нейросеть выучила уже 12 нарушений (см. инфографику), процент ошибок – не больше 2%, а пропущенных нарушений – меньше 1%».
Но решающее слово остаётся за человеком. За каждым оператором закреплено по тысяче объектов, нейросеть оценивает скриншоты с камер, присланные оттуда, и отправляет на проверку человеку только подозрительные. При нас оператор подтвердил предложенные нейросетью нарушения. Да, на Бескудниковском бульваре переполнен мусорный контейнер, на Алтайской улице есть неубранный снег у подъезда, на Ленинском проспекте зафиксирован грязный дорожный знак, а на Люблинской улице детская площадка в сугробах. Когда оператор подтверждает нарушение, информация о проблеме отправляется в коммунальные службы. На следующий день нужно через камеры удостовериться, что задача решена.
Чтобы повысить выявляемость проблемных объектов, хорошо бы избавиться от слепых зон. Например, из 16 тыс. контейнерных мусорных площадок камеры снимают 10 тыс. Остальные закрыты деревьями или расположены в слепых местах.
«А ещё мы планируем обучить ИИ находить заснеженные кровли и собираем скриншоты с камер, где видны сосульки. До конца зимы наберём достаточно учебного материала, и к следующему холодному сезону сеть будет готова опознавать снег на крыше», – пообещал А. Тараканов.
Кстати
Камеры нацелены на кровли всех жилых домов Москвы. Ведь их все надо убирать от снега. Нейронка не может опознать только скатные кровли с мягким покрытием. Почему? Таких домов очень мало – не на чем учиться.
