Зачем искусственному интеллекту «песочница» и как ее построить

Эксперты предупреждают: искусственный интеллект, способный нарисовать яблоко по текстовому запросу, зачастую беспомощен в реальном мире. Он не знает, как этот фрукт покатится по столу, какой у него вес или что произойдет при нажатии. Чтобы ликвидировать этот разрыв между виртуальной генерацией и физической реальностью, в России запускается механизм так называемых «ИИ-песочниц» — специальных испытательных полигонов. Именно там, а не в условиях действующего производства, нейросети и управляемые ими роботы будут учиться на своих ошибках, цена которых в промышленности пока остается запредельно высокой.

Полигон как лекарство от «цифровой слепоты»

Основная проблема современных промышленных нейросетей — катастрофическая нехватка качественных данных. Как отметил Ильшат Карамов, директор «Татнефть цифровые технологии», ни одна компания в одиночку не способна за десять лет накопить достаточный объем информации о работе конкретного оборудования, чтобы построить модель, решающую задачи на уровне человека. Данные — это «кровь» искусственного интеллекта, и добывать их приходится буквально с «полей», с датчиков на станках. Именно для этого и создаются физические полигоны. Они представляют собой контролируемую среду, где разработчики могут в безопасном режиме проверять работу алгоритмов. Как подчеркнул Алексей Шпильман, профессор Университета ИТМО и руководитель программы развития ИИ «Газпром нефти», идея родилась из необходимости дать ИИ доступ к реальному миру, но без риска остановки производственных линий или аварий. В «песочнице» тестируют не столько сам код, сколько физические объекты: роботов, манипуляторы и спроектированные нейросетью детали.

Сбор данных и проблема «мертвых зон»

Ольга Рассоха, руководитель группы проектов компании «ТВЭЛ», акцентирует внимание на том, что сбор информации должен происходить на всех этапах производственного цикла — там, где она рождается. Только непрерывный поток данных с реальных датчиков позволяет повысить качество цифровых моделей. Однако, как добавляет Максим Кузнецов из Института искусственного интеллекта AIRI, сегодня ученые вынуждены использовать либо сомнительные открытые базы, либо симуляторы, которые не дают полной картины. Полигоны призваны решить эту проблему, став мостом между синтетическими данными и суровой реальностью.

Архитектура идеального испытательного стенда

Чтобы «песочница» заработала эффективно, эксперты сформулировали несколько жестких требований. Заместитель министра энергетики РФ Эдуард Шереметцев предложил сделать данные, полученные в ходе испытаний, общедоступными через определенный промежуток времени. Это позволит малым компаниям и стартапам не тратить годы на самостоятельный сбор информации. Ключевым условием успеха является скорость. Полигоны не должны становиться бюрократическим барьером. Напротив, они обязаны ускорять внедрение инноваций. Для этого, по мнению Алексея Шпильмана, на площадках должны работать специалисты, понимающие специфику промышленных испытаний, а сам процесс тестирования необходимо сделать эквивалентным опытно-промышленным работам. В сфере робототехники уже сформирована сеть из 17 площадок, три из которых в данный момент активно проводят испытания. Вопрос наполнения полигонов оборудованием решается нестандартно. Вместо закупки дорогих новых станков предлагается дать компаниям право списывать технику с истекшим сроком службы не в утиль, а напрямую передавать ее на испытательные площадки. Это позволит создавать реалистичную среду без лишних затрат. В последние годы развитие промышленного ИИ сдерживалось именно отсутствием доверенных данных и безопасной среды для тестирования. Компании боялись доверять алгоритмам управление дорогостоящими процессами. Создание сети «песочниц» — это попытка перевести диалог из плоскости теории в практическую плоскость, где ошибка алгоритма — это не авария на заводе, а ценный опыт для дата-сайентиста. Успех этой инициативы определит, насколько быстро российская промышленность сможет перейти от пилотных проектов к масштабному внедрению автономных систем.