Как в авиации применяют Data Science: автопилоты, предполетный контроль и продажа билетов

Данные являются одним из ключевых компонентов любого бизнеса. Большинство компаний занимаются сбором и хранением большого количества данных, необходимых для принятия решений и улучшения бизнес-процессов. Но, чтобы получить доступ к этим данным и провести их анализ, необходимо использовать методы и инструменты Data Science. 

Зачем нужен Data Driven

Data Science помогает компаниям не только увеличить свою эффективность, но и принести большой доход. Ситуация с большим объемом данных привела к формированию Data Driven — управленческого подхода к принятию решений, который основывается на использовании данных, а также их анализа с помощью специализированных инструментов и методов. При этом данные — главный источник информации и основа для принятия решений. Этот подход применяется в маркетинге, финансах и медицине и полезен для улучшения эффективности бизнес-процессов и принятия оптимальных решений.

Специалисты по Data Science — неотъемлемая часть Data Driven подхода. Они занимаются анализом больших объемов данных с целью извлечения полезной информации и использования ее для улучшения бизнес-процессов и принятия решений. Это включает в себя различные задачи, такие как сбор данных, их очистка и предобработка, построение моделей и алгоритмов для анализа данных, а также визуализация результатов и коммуникация инсайтов в бизнес-контексте.

Медицина, маркетинг, банки 

Алгоритмы машинного обучения помогают врачам анализировать снимки, полученные с помощью компьютерной томографии или трехмерных рентгеновских снимков. На основе данных, моделируют эффекты от лекарств, выявляют заранее неэффективные и опасные комбинации веществ на базе их молекулярного состава.

Анализ и предсказание уровня продаж на различные товары в зависимости от цены, сезона или определенной цикличности спроса — классическая задача, которая решается всеми торговыми сетями в промышленных масштабах. Помимо предсказания спроса, таким организациям надо решать целый класс логистических задач.

Банковская сфера — одна из лидирующих в скорости внедрения подходов машинного обучения в процессы организации. Оценка максимальной суммы кредита, распознавание и сегментация документов, автоматическая классификация пользовательских обращений: в любой из этих задач машинное обучение помогает не только повысить качество принимаемых решений, но и существенно ускорить процесс.

Data Science в авиации

Однако существуют области, в которых применение машинного обучения помогает решать неочевидные задачи — например, авиация. 

Ввиду сложившихся стандартов и правил эта область является крайне консервативной и требовательной к надежности разрабатываемых систем.

Известно, что значительную часть полета (при условии отсутствия экстремальных погодных явлений) самолет проводит в автоматическом режиме: основная нагрузка на пилотов ложится во время взлета и посадки судна. В компании Airbus занимаются разработкой системы ATTOL — системы автоматического взлета и посадки. Компания позиционирует продукт как первую автоматическую систему подобного рода, включающую в себя в том числе методы компьютерного зрения, помогающие системе анализировать состояние взлетно-посадочной полосы. Сложность разработки таких систем связана не только с минимизацией любых возможных ошибок алгоритмов машинного обучения, но еще и сложностями их интеграции в авионику самолета, обучения пилотов и дороговизной испытаний.

Другой пример использования машинного обучения в связанной с авиацией сфере — автоматизация предполетного контроля для пассажиров. Авиакомпания Delta в 2021 году представила систему, которая позволяла пассажирам внутренних рейсов в полностью автоматическом режиме проходить все предполетные процедуры. Пассажиру достаточно было зарегистрироваться в приложении и сфотографироваться. При посещении аэропорта пассажир просто подходит к специально установленной камере и система пропускает его на посадку. Автоматизация подобных процессов снижает нагрузку на персонал авиакомпании и избавляет пассажиров от очередей.

Агрегаторы авиабилетов часто сталкиваются с задачей рекомендации определенных направлений пассажирам. Анализируя историю покупок пользователей можно предполагать потенциальные даты и направления, которые могут заинтересовать клиентов. В зависимости от этих факторов можно не только удачно порекомендовать конкретные рейсы, но еще и сформировать определенную цену, которую пользователь будет готов заплатить. Динамическое ценообразование — распространенная задача, которая решается разработчиками в самых разных клиентских сервисах: онлайн-магазины, сервисы такси, авиабилеты. В подобных сервисах часто задействован целый комплекс алгоритмов: рекомендательные системы, анализ временных рядов, регрессионные алгоритмы.

Потребность в автоматизации проявляется не только в области пассажирской авиации. Грузовая авиация тоже находится в числе кандидатов на использование методов машинного обучения. В данном случае они могут помочь на нескольких этапах: оптимизация логистических цепочек помогает не только сократить расходы, но и снизить объемы потребляемого топлива, что положительно сказывается и на экологической составляющей. Внедрение методов компьютерного зрения помогает сделать шаг в сторону автоматизации всего полета: системы взлета и посадки, контроль полета и анализ окружающей среды — комплекс таких алгоритмов помогает снизить нагрузку на пилотов.

Data Science в сельском хозяйстве

Еще одна область применения подходов машинного обучения — сельскохозяйственная промышленность. Компания Cognitive Pilot активно занимается оснащением зерноуборочных комбайнов различных агропредприятий. Среди аппаратных компонентов автопилота присутствуют две камеры, которые фиксируют пространство перед машиной и передают сведения в нейронную сеть, принимающую решение о корректировке маршрута. Такой подход позволяет разгрузить управляющих комбайнами, позволяя им сосредоточиться на содержательной части уборочного процесса и повышать качество получаемого урожая.

Помимо автоматизаций на земле, алгоритмы машинного обучения активно внедряются в процессы космического мониторинга, которые помогают более масштабно оценивать состояние посевных земель. Увеличивающееся число спутников позволяет накапливать большие массивы данных, которые могут быть использованы для обучения различных математических моделей. В зависимости от собираемых данных алгоритмы могут помогать в анализе состояния почвы, фиксации дегенеративных процессов, состояния урожая — это лишь немногие задачи, в решении которых может помочь машинное обучение.

Комплексный подход в агротехнологиях называется точным (или прецизионным) земледелием. Идея подхода заключается в масштабном комплексном обеспечении сельскохозяйственных процессов. На полях применяются различные датчики, позволяющие фиксировать различные показатели: влажности, кислотности и так далее. Спутниковые фотографии или фиксации беспилотных аппаратов позволяют оценить состояние более масштабно и получить обобщенную информацию. Для агрегации этой информации активно используются методы Data Science, для получения рекомендаций по уходу и прогнозу урожайности используются и алгоритмы машинного обучения.

Область точного земледелия крайне активно изучается: в 2021 году вышел отчет Программы развития ООН, которая выделила сразу несколько ключевых направлений развития такого земледелия: мониторинг погоды и состояния почвы, наблюдение за динамикой насекомых вредителей и заболеваний растений, различные виды поливов растений. Среди аппаратных инструментов, которые можно использовать в этих процессах, буквально все: от смартфонов и беспилотников до компонентов интернета вещей.

Data Science в химии

Внедрение методов науки о данных происходит и в других областях знания. Одной из таких областей является медицинская химия, одно из направлений которой — разработка новых видов антибиотиков. Одна из крайне серьезных проблем, с которой столкнется человечество в ближайшем будущем, — резистивность бактерий к разработанным уже разработанным антибиотикам. Скорость создания новых лекарств, обладающих нужными свойствами, — крайне долгий, сложный и дорогой процесс, в котором ученым уже помогают методы машинного обучения и нейросетевое моделирование. В Массачусетском технологическом университете на кафедре биологической инженерии разработали платформу для анализа и разработки новых антибиотиков, которая в состоянии проверять миллионы химических соединений и отбирать потенциальные комбинации, подходящие для лечения бактериальных воспалений. Один из препаратов, разработанный с помощью данной платформы, показал хорошие результаты в борьбе с несколькими опасными для здоровья и устойчивыми к другим антибиотикам бактериями.

Помимо прямого результата — новых препаратов — подобные подходы могут «фильтровать» заведомо опасные или просто бесполезные вещества, таким образом ученые могут сконцентрироваться только на потенциально эффективных препаратах. Активное внедрение подобных методов и подходов может существенно повысить качество фармацевтических продуктов, а значит, и положительно повлиять на продолжительность жизни.

Data Science в гуманитарной области

Помимо научных и промышленных областей динамичное развитие может ожидаться в более привычных областях. Например, с развитием моделей, позволяющих генерировать изображения, может существенно измениться подход к разработке игровых вселенных в компьютерных играх. Имея небольшой набор данных определенной стилистики, художник или разработчик игры могут генерировать большое число потенциальных моделей персонажей или объектов для будущей компьютерной игры. Поклонники разных игр: Red Alert, Fall Out и других регулярно делятся своим творчеством, создавая изображения в духе любимых игр. Помимо графической составляющей разработчики игр также заявляют о необходимости применения моделей машинного обучения для анализа поведения игрока в многопользовательской игре для исключения вызывающего или токсичного поведения.

Современные модели могут не только помогать генерировать фантастических персонажей: большой простор открывается для специалистов в области моды и дизайнеров одежды. В создании новых можно использовать различные нейронные сети разными способами: получать по текстовому описанию нужную вещь, рисовать эскиз вещи и указать материалы, цвет — и получить готовый вариант. Другие алгоритмы машинного обучения могут помочь в виртуальной примерке — такие приложения уже есть в магазинах приложений большинства смартфонов.

Большой прогресс заметен в сфере разработки и применения текстовых моделей. Недавно вышедшая диалоговая модель ChatGPT от OpenAI демонстрирует потрясающие результаты в сфере генерации текста. Модель можно попросить написать эссе на заданную тему, реализовать какой-либо алгоритм на указанном языке программирования или решить логическую задачу. Модель в определенном смысле универсальна: она «понимает текст» и способна даже корректировать собственные результаты, если ей указать на ошибочные элементы в ее ответах. Пользователи современных моделей успешно комбинируют результаты их работы: например, получают текстовые результаты в виде описания какого-либо мира или ситуации, прогоняют результаты через графические модели и получают на выходе изображения.

Развитие науки о данных за последние годы кардинально изменило нашу жизнь: повседневные вещи, которые мы рассматриваем как данность, почти всегда являются продуктом того или иного алгоритма. Последние годы показали, что резкий скачок развития продемонстрировал и много проблем: текстовые модели, умеющие отвечать на вопросы или генерировать произвольные тексты по переданному им началу предложения, часто склонны к дискриминации разных форм, генеративные графические модели могут быть использованы для создания фейковых фотографий и пр. Однако Data Science как область будет играть важную роль в будущем в решении многих сложных проблем: климатические изменения, защита окружающей среды, обеспечение здорового образа жизни, создание новых технологий, инноваций. 

В современных компаниях процесс сбора и анализа данных является одним из ключевых элементов, в связи с этим востребованность специалистов в этой области только увеличивается. Многие компании ищут не только высококлассных специалистов, имеющих профильное образование и опыт работы, но и начинающих сотрудников, прошедших курсы переподготовки и готовых продолжать развиваться в выбранной области.

Читать далее:

Гробницу «акушерки Иисуса» раскопали: ученые рассказали, что они там нашли

Эйнштейн снова не прав и его главную теорию переписали: как это меняет мир

Опубликовано видео испытаний первого в мире винта с 11 лопастями