Автоматизация бесконечного быта при помощи ИИ?

Любой молодой человек после 20 лет сталкивается с непреодолимым желанием покинуть отчий дом. Но готов ли блудный сын к минимальным бытовым нагрузкам? Конечно нет! Разморозка холодильника, выбор лампочки из целого списка вольтажа, уборка испачканного котом ковра, клининг окон, починка местной сантехники и даже оплата коммунальных услуг — всё это требует полной самоотдачи, траты времени и невероятных усилий.

В самом деле, давайте посчитаем. Чтобы добраться в небольшом городе миллионнике до местного «Леруа Мерлен» требует около 1.20 на путь туда и обратно, не считая времени на сам выбор лампочки. Клининг нужно заказать или обратиться к своим рукам, которые могут оставить разводы. А ещё полтора часа на две комнаты, оплата коммунальных услуг требуют от нас поездки к ЖКХ и любому подобному «органу» надзора за потреблением воды и электроэнергии, а о разморозке холодильника мы вообще молчим…

Короче говоря, в этот раз мы имеем дело с настоящим B2C стартапом в мире ИИ — автоматизацией «бытовухи»!

Другими словами, помощник во взрослении. Миссия компании: «help adults like you».

Среди всего технического обслуживания, гарантий и бесконечного списка задач, связанных с управлением домом, Адриенн, генеральный директор стартапа и королева бытовых операций, подумала: «Почему нет более простого способа справиться с этим анархо-бытовым безумием?»

Вот так и появляются фаундеры со своими безумными проектами…

К слову, эти ребята собрали несколько миллионов долларов и вошли в топ-100 лучших стартапов Канады.

Сам проект делится на целые кластеры: путешествия, активности, автомобиль, здоровье, животные, карьера, дом, сад, развлечения, списки, банковское обслуживание и финансы, развлечения, проекты и «прачка» — все это входит в единое приложение.

Конечно, за вас никто не сделает бытовые дела, но… составление списков и вообще запоминание того, что нужно сделать становится препятствием.

Основываясь на постепенно подгружаемых о вас данных, приложение будет подсказывать, что и в какое время нужно сделать, чтобы условно не забыть о встрече или заплатить за коммуналку.

В каком-то смысле это небольшой ИИ-планерщик, который работает как рекомендательная (к действиям) система во времени.

Во-первых, ИИ в таком приложении может автоматически собирать и анализировать данные о повседневных действиях пользователя.

Это может быть информация о том, как часто пользователь выполняет те или иные бытовые задачи (например, уборка, стирка, приготовление еды), как он распределяет свои обязанности, когда предпочитает заниматься теми или иными делами и т.д.

Данные могут собираться через приложение на мобильном устройстве, а также через умные устройства, интегрированные в систему «умного дома» — датчики, бытовую технику, голосовых помощников и другие устройства Интернета вещей (IoT).

На основе этих данных ИИ может выстраивать оптимизированные расписания для выполнения задач, автоматически напоминать о необходимости выполнить определённые действия, координировать задачи между всеми членами семьи или домохозяйства, а также предлагать решения по более эффективной организации времени и ресурсов.

Во-вторых, ИИ может подгружать и обрабатывать данные о предпочтениях и интересах пользователя, что позволяет персонализировать взаимодействие с приложением.

Это могут быть предпочтения в выборе продуктов, рецептов, или предпочтительные параметры работы бытовой техники (температура стирки, режим работы посудомоечной машины и т.д.).

Также ИИ способен учитывать изменения в поведении пользователя и адаптировать алгоритмы, подстраивая их под новые привычки или обстоятельства.

Например, приложение может автоматически напомнить пользователю о необходимости заменить батарейки в детекторах дыма или проверить фильтры вентиляционной системы.

В случае возникновения нештатной ситуации система может автоматически отправить уведомление и даже инициировать вызов экстренных служб.

Автоматизация также может быть связана с оптимизацией расходов, например, приложение может анализировать потребление энергии и предложить рекомендации по снижению затрат, сообщая о более выгодных тарифах или напоминая об экономии ресурсов в определенные периоды времени.

Главная задача ИИ в таком приложении заключается в создании экосистемы, где все данные о доме, бытовых задачах и предпочтениях пользователя постоянно обновляются и анализируются в реальном времени.

Это позволяет системе не только быть реактивной, но и проактивной, что в конечном итоге упрощает управление домашними обязанностями и снижает стрессовые ситуации, связанные с их выполнением.

На самом деле, стартап этот выглядит чуть сложнее, чем кажется на первый взгляд. Например, часть экономической деятельности человека зачастую иррациональна.

Или, например, мы оплачиваем что-то без учета налогового вычета или покупаем те продукты, которые не едим. Если мы приобретаем новую одежду, но совсем не гладим ее — вероятно, мы ее не носим. Впрочем, из подобных косвенных данных можно сделать достаточно индуктивных выводов, чтобы буквально оптимизировать жизнь.

Конечно, фундаментальной проблемой остается прирост данных о пользователе. Ладно… дело касается цифровизации: присоединение к экосистемам условных ГосУслуг, где вся информация о пользователе на ладони и о чем-то напомнить (например, о посещении врача или записи) не составит проблем. Вопрос лишь в том, насколько такая система ИИ способна подбирать рекомендации на основе косвенных данных.

Реализация системы автоматизации домашнего быта с использованием графовых нейронных сетей (GNN) начинается с представления всех данных о пользователе в виде графа, где узлы (nodes) отражают различные объекты или события — например, устройства умного дома, действия пользователя, состояния систем, задачи и т.д.

А рёбра (edges) обозначают связи и взаимодействия между ними, будь то временные зависимости, логические связи или физические взаимодействия. Например, граф может включать узлы, представляющие пользователя, его календарь, бытовые приборы, и рёбра между ними могут указывать на частоту использования устройства, привязку к определенному времени суток или зависимость одних действий от других.

Весь ключ к применению GNN заключается в том, чтобы улавливать сложные паттерны и взаимозависимости между этими объектами на основе их связей, а не просто обрабатывать данные как плоские или временные ряды.

Архитектура GNN позволяет на каждом слое обновлять представление узлов на основе их соседей и передавать информацию по рёбрам, что по сути является агрегированием контекстной информации.

Например, в случае задачи рекомендации по бытовым задачам, GNN может «узнать», что если пользователь включает кофеварку каждое утро перед 8:00, это действие связано с началом дня, после которого следуют определённые рутинные задачи.

Сначала происходит первичное обучение на больших массивах данных — это могут быть лог-файлы устройств, календарные данные пользователя, данные с датчиков умного дома.

Далее система строит граф, где узлы и связи отражают, как именно пользователь взаимодействует с домом, и какие паттерны повторяются.

За счёт GNN можно реализовать эффективное обновление этих связей: например, система «узнает», что определённые задачи часто следуют друг за другом, или что выполнение одной задачи связано с определённым состоянием устройства или внешней среды (например, погоды).

Одним из ключевых элементов здесь будет механизм message passing, который позволяет каждому узлу (например, устройству) обновлять своё состояние на основе информации, полученной от соседних узлов.

Допустим, данные с термостата будут важны для прогноза, когда включить отопление, но вместе с данными с датчика дверей, кофеварки и календаря, система может предсказать, что пользователь собирается уйти из дома, и предложить оптимизировать энергию, отключив ненужные устройства.

После каждого слоя GNN, когда происходит распространение сообщений (messages) по рёбрам, система агрегирует эту информацию и вырабатывает представление о том, как лучше всего организовать задачи пользователя.

Важно, что графовые нейронки позволяют учитывать не только прямые взаимодействия, но и косвенные зависимости через несколько шагов: например, если изменение состояния одного устройства влияет на работу другого через несколько узлов, система это учтёт в своих рекомендациях.

GNN также может эффективно обрабатывать временные зависимости. Это достигается, например, через использование таких архитектур, как Temporal GNN (T-GNN), где время взаимодействий между узлами также учитывается как параметр.

Таким образом, модель может адаптироваться к изменениям в поведении пользователя: например, если с течением времени задачи смещаются по расписанию или меняются зависимости между действиями.

Нок чему ведут подобные проекты? К узурпации нашей бытовой жизни, стандартизации и примитивизации в границах идеологического «life&balance», разве это не ужас быта и новой нормальности? Шутка, конечно. Но стартап, стремящийся упростить жизнь, говорит нам прежде всего о делегировании части своей личной жизни, а значит ограничении в выборе и потере идентичности.

Всем нам стоит иногда иррационально покупать килотонну порошка и забывать покормить кота…

Просто загрузите данные, отдайте их нам (а ведь это приватность и личной жизни) и мы заставим вас забыть о быте тем, что возьмем его под свой контроль. Что предпочитаете больше: свободу в личной жизни и приватности или свободу в растрачивании освободившегося от делегирования быта времени?

Кстати, с самим приложением стартапа можно поиграться здесь.