Нейросети и предиктивная аналитика: может ли ИИ предсказывать будущее?

Прогнозирование — это одна из фундаментальных задач научного знания, например, метеорологи предсказывают погоду вот уже больше сотни лет. Сегодня в арсенал учёных, делающих прогнозы, активно входят специально обученные нейросети. Могут ли они помочь сделать прогнозы точнее? Комментирует директор института № 8 «Компьютерные науки и прикладная математика» Сергей Крылов.

Прогнозирование — это одна из фундаментальных задач научного знания, например, метеорологи предсказывают погоду вот уже больше сотни лет. Сегодня в арсенал учёных, делающих прогнозы, активно входят специально обученные нейросети. Могут ли они помочь сделать прогнозы точнее? Комментирует директор института № 8 «Компьютерные науки и прикладная математика» Сергей Крылов.

В поисках скрытых закономерностей

Любые прогнозы строятся на анализе большого количества данных. Чем больше данных, тем больше вероятность найти достоверные закономерности, тем точнее получится результат. Однако у больших данных есть и оборотная сторона: их трудно анализировать, особенно если самому исследователю не совсем понятно, что именно ему необходимо найти.

— Искусственный интеллект лучше всего работает там, где есть большой массив информации, когда данных много, но нет чётких аналитических моделей, которые позволяют установить жёсткую зависимость, когда взаимосвязи носят вероятностный, довольно сложный характер, и поэтому обычные математические методы при их анализе не работают. Методы искусственного интеллекта позволяют учесть неявные закономерности, которые есть, но скрыты от нас, — рассказывает эксперт.

Такие ориентированные на прогнозы нейросети активно создаются и развиваются в самых разных сферах, а поле возможностей для их перспективного применения с каждым годом растёт.

В помощь техосмотру

Одной из перспективных сфер применения предиктивной аналитики, основанной на ИИ, является авиационное двигателестроение.

Авиационный двигатель, как и любая другая машина, нуждается в периодическом техосмотре, замене выработавших свой ресурс деталей и узлов, в профилактическом ремонте. Двигатель оснащён большим количеством датчиков, которые снимают объективную информацию о его состоянии и работе на различных режимах, и сейчас вся эта информация существует в цифровом виде.

Традиционными методами обслуживание двигателя проводится через строго регламентированные в документации интервалы времени, независимо от того, как эксплуатировался двигатель — и эксплуатировался ли вообще. Датчики же предоставляют объективную информацию о реальной работе двигателя, которую можно оценить и сделать правильные выводы.

— Проблема состоит в том, что датчиков очень много, они снимают огромное количество параметров и, как правило, построить какую-то чёткую формульную зависимость мы не можем, но вся совокупность факторов с учётом того, что у нас уже накоплена определённая статистика, которую можно использовать как обучающую выборку для нейросети, позволит искусственному интеллекту сделать достаточно чёткие прогнозы и рекомендации, — отмечает Сергей Крылов.

Обученная нейросеть, проанализировав большой объём информации, снятой с датчиков, может показать, что те или иные узлы двигатели эксплуатировали особенно интенсивно, и есть необходимость ввести дополнительные, межсервисные интервалы обслуживания. Это поможет предотвратить выход двигателя из строя и возможно предупредить аварийную ситуацию в полёте.

И наоборот, если модель покажет, что несмотря на имеющийся уровень эксплуатации, все узлы и детали двигателя находятся в хорошем состоянии, это позволит продлить срок эксплуатации двигателя, сэкономив время и ресурсы на снятии силовой установки с самолёта и проведения работ.

Предотвращение паводков

Предиктивная аналитика на основе ИИ активно применяется и для предсказаний природных явлений, но только тех, по которым есть достаточно большая статистика.

— Возьмём, например, падение Тунгусского метеорита. Подобное событие мы предсказать не можем, потому что Тунгусский метеорит упал больше 100 лет назад, и когда до этого падали подобные объекты, мы не знаем: у нас просто нет хорошей статистики. Возьмём теперь другой пример: дождь. Дожди происходят достаточно часто и по ним есть большая статистика, большой набор данных, который можно анализировать и находить в нём закономерности, — отметил он.

По большому счёту, по такому пути шёл и естественный интеллект. Люди из года в год замечали повторяющиеся погодные явления и запоминали то, чем они сопровождались: например, если стоит сильная жара, значит, скоро будет ливень. Так формировались народные приметы. Фактически тем же самым занимается искусственный интеллект: изучая статистику природных явлений, он находит в ней закономерности и, опираясь на них, предсказывает будущие события. Разница только в том, что крестьяне накапливали опыт столетиями, если не тысячелетиями, а нейросеть выучит статистику за сотню лет за считанные месяцы и даст гораздо более точный прогноз.

За рубежом такие предсказания делал Google. Таким путём пошли исследователи МАИ, когда в 2022 году разработали уникальную модель на основе искусственного интеллекта, которая предсказывает наводнения в области слияния рек Амур и Зея. Обучив нейросеть на статистике паводков в регионе и космических снимках, исследователи МАИ создали работающую модель. По сравнению с традиционными методами метеорологии, она помогла сократить время создания прогноза на несколько дней, что позволит соответствующим службам подготовиться к предстоящему наводнению и принять меры по минимизации ущерба от него.

Область применения предиктивной аналитики на основе ИИ постоянно расширяется и потенциал их использования далёк от исчерпания.

Материал подготовлен при поддержке Минобрнауки России