Как искусственный интеллект с интернетом вещей помогут предсказать все: от аварии или покупательского спроса

Сегодня интернет вещей, как правило, используют для текущего контроля любых процессов. Будь то “умная” видеокамера в квартире или счетчик коробок, которые перенес рабочий на складе, эти устройства помогают в решении конкретных задач (проверить безопасность дома или эффективность сотрудника). В этом тексте мы расскажем, как в перспективе IoT поможет прогнозировать экстренные ситуации и разрешать их еще до происшествия.

По оценкам аналитического агентства IDC, в 2018 году мировой объем данных составил 33 зеттабайта, а к 2025 году он превысит 175 зеттабайт. Для понимания: чтобы скачать всю эту информацию на скорости в 25 Мбит\с, потребуется около 1,8 млрд лет. Из них чуть меньше миллиарда лет уйдет на загрузку данных от устройств, подключенных к сети интернета вещей.

Одно из наиболее перспективных направлений обработки этого массива данных — предиктивная аналитика, то есть возможность предсказывать какие-либо события. Никакой магии в этом нет: среди сотен зеттабайт данных система находит закономерности, неочевидные обычному человеку. Кроме того, проанализировать эти данные вручную технически невозможно.

Первые серьезные попытки использовать предиктивную аналитику предпринимали банки, однако ни о каком интернете вещей речи тогда не шло. Финансовые организации сами собирали информацию о клиенте, оценивая риски возврата долга и вероятность покупки более дорогих банковских продуктов. Последние годы они занимаются скорингом — покупкой и обработкой данных о человеке, которые он предоставил сам о себе в интернете, в социальных сетях.

Почвой для активного развития предиктивной аналитики стало, во-первых, развитие интернета вещей (который постоянно собирает информацию из самых разных источников), а во-вторых, искусственного интеллекта, облачных технологий и вычислительных мощностей. С их помощью система после предварительного обучения на базе исторических и актуальных данных может сделать выводы и принять решения почти без участия человека.

Сегодня системы предиктивной аналитики:

Во всех. Но вот наиболее перспективные:

Ритейл — система прогнозирует эффективность мероприятий, акций, маркетинговых стратегий; оценивает потенциальный спрос на ту или иную категорию товара в зависимости от внешних признаков (плохая погода, важный футбольный матч, whatever); анализирует поведение покупателей и подсказывает, где надо поставить товар, чтобы покупатель его точно купил.

Для примера, компания Walmart первой из ритейлеров оптимизировала систему снабжения с помощью IoT. Для расчета показателей система собирает данные с кассовых терминалов, на основе чего искусственный интеллект делает выводы о востребованности товаров. В данном случае предиктивная аналитика помогает рационально организовывать поставки, уменьшить риск корректировки заказов, среагировать в случаях, когда спрос превышает предложение или наоборот.

Здравоохранение — искусственный интеллект может анализировать истории болезни каждого пациента поликлиники или больницы, регулярно собирать и обрабатывать данные, поступающие от каждого больного (например, через фитнес-трекеры) и предсказывать возможные скорые проявления хронических болезней, рецидивов и т.д. Кроме того, технологии уже могут по звуку дыхания обнаружить приближающуюся астму или другие болезни легких.

Транспорт — машина подстраивается под водителя (запоминает предпочтительную скорость, сразу включает любимые приложения и т.д.). В то же время машина фиксирует негативные действия водителя (превышение скорости, непристегнутый ремень) и может передавать эти данные условно в ДПС. Еще вариант - собранные данные используются страховой компанией.

Производство — в промышленности популярными стали системы автоматической интеллектуальной диагностики (САИД). С помощью них компании экономят на сервисных и ремонтных работах. Так, для проверки электротехнического оборудования используются предиктивные комплексы на базе спектрального анализа тока — а это простой и относительно недорогой способ.

Досуг — система может спрогнозировать туристические потоки, оценить, когда и во сколько будет меньше посетителей. Зоопарк — не самый очевидный пример применения предиктивной аналитики. Дело в том, что в США смотрители за животными обнаружили нерегулярность прихода посетителей. Они посчитали, что если заранее знать количество гостей, можно варьировать количество обслуживающего персонала парка и, соответственно, сэкономить. Тогда руководство зоопарка объединило данные метеорологической службы с платформой на основе ИИ. Это позволило определять посещаемость парка с точностью до 95%.

Компания также планирует расширить функционал интернета вещей на территории парка — с помощью датчиков можно будет следить за самими животными, их здоровьем, передвижениями и привычками.

Конечно, предиктивный интернет вещей пришел в сферу, с которой слово "прогноз" ассоциируется в первую очередь — это метеорология (в том числе измерения параметров окружающей среды). Так, например, британский Met Office собирает данные с различных измерительных приборов 24/7 в автоматическом режиме. Система фиксирует даже минимальные колебания среды, что, в свою очередь, позволяет британцам делать более точные прогнозы погоды и давать объективную оценку изменению климата. Также контролируется и загрязненность воздуха, воды, почвы.

Интерес к предиктивной аналитике пока не сформировался. Очевидно, пока она зарождается лишь в корпоративном секторе. Интерес уже проявляют компании из добывающей промышленности, нефтегазовая и химическая промышленность. Представители крупных металлургических компаний ранее рассказывали СМИ, что у них технологии развиваются очень быстро, поскольку они конкурируют на международном уровне. Однако сейчас в России, как и за рубежом, этот рынок только формируется.

Норвежская телеком-компания Telenor назвала одним из основных трендов 2020 года так называемые “грязные” данные. По мнению аналитиков организации, данных станет так много, что в них сможет попасть фейковая или неточная информация, выявить которую в общем массиве данных будет невозможно. Такие ошибочные данные в результате могут привести к неверным прогнозам, что априори снижает уровень доверия людей к технологиям.

Кроме того, норвежцы полагают, что люди станут выкладывать меньше личной информации в социальных сетях, поскольку их посетители начинают понимать, что за доступ к ресурсу они фактически платят своими данными. А чем меньше информации о людях будет доступно, тем меньше остается возможностей для предиктивной аналитики.