OpenTalks.AI - Алексей Цыплаков, ИИ для экспертных систем в авиации и не только

Transcript

1. IPG Slot Pro ИИ в отраслевых экспертных системах Цыплаков Алексей IPG
2. О компании Профиль компании • Диспетчерские и экспертные системы для авиакомпаний и аэропортов Реализованные проекты • Более 30 проектов в Аэрофлоте • Проекты в аэропортах Домодедово, Пулково, Шереметьево • ГИС ЦКАД • Оптимизация расписания сезона Континентальной Хоккейной лиге • Система управления Скорой медицинской помощью в Ленинградской области
3. Формулировка проблемы Существующие экспертные системы управления ресурсами не могут на сегодняшний день создать наиболее оптимальный результат в условиях большого количества ограничений и ресурсов Пример: https://www.aex.ru/docs/2/2019/7/11/2936/ • Аэропорт Шереметьево • 49,4 млн пассажиров за 2019 год • Более десятки тысяч сотрудников аэропорта и партнёров • Около 1000 рейсов в день • Около 100 операций по каждому рейсу Крупный сбой по обработке багажа длившийся несколько недель летом 2019 года можно было предсказать и предотвратить
4. Формулировка проблемы Описание существующих на сегодняшний день решений • Большинство наших конкурентов считают распределение задач и ресурсов алгоритмами собственной разработки. Оптимизации они поддаются крайне медленно и дорого • Невозможно объективно сказать почему получился такой результат и принять решение использовать именно его (ответственность перед акционерами или руководством) • Невозможно объективно доказать Заказчику оптимальность результата
5. Технология ИИ Constraint programming (CP) • Парадигма программирования, в которой отношения между переменными указаны в форме ограничений • Всё начинается с создания моделей объектов и их свойств к которым будет применяться расчёт • В процессе программирования определяют не последовательность шагов для исполнения, а свойства искомого решения – каким условиям (ограничениям) должен удовлетворять результат • ИИ подбирает алгоритмы решения самостоятельно и может их менять в процессе расчёта
6. Пример применения CP: Шаг 1 Модель объекта сотрудник аэропорта Свойства модели: • Действующее разрешение для работы с Boeing 737 • Максимальная длительность смены • Диапазон времени обеда • Минимальное/максимальное количество смен в неделю • Уровень знания английского языка
7. Пример применения CP: Шаг 2 Модель объекта обслуживаемый рейс Свойства модели: • Тип самолёта – Boeing 737 • Время начала и окончания обслуживания • Набор операций по обслуживанию рейса • Пределы возможных изменений по времени операций без задержки рейса • Операции в случае задержки
8. Пример применения CP: Шаг 3 Условия удовлетворительного результата • Обслуживание всех рейсов всех типов началось и завершилось в соответствии с временем по расписанию • Правила безопасности пассажиров были соблюдены • КЗОТ в отношении сотрудников был соблюдён • Особенности обслуживания при задержке рейса • Рейс был обслужен минимальным количеством ресурсов вовремя
9. Продукт: IPG Slot Pro Платформа по созданию решений для планирования и оптимизации управления ресурсами на основе слоткоординации, расписания и использования искусственного интеллекта для аэропортов, спортивных лиг, строительных компаний, крупных учебных и медицинских организаций Основа технологии Прикладные готовые модели для получения результата который можно рассчитать и который должен удовлетворять множеству условий (включая взаимоисключающие) Используемая технология ИИ Constraint programming (CP) – программирование в ограничениях
10. Оптимизация спортивного сезонного расписания КХЛ Запуск – июнь 2020 года Измеряемый параметр Результат Время создания варианта расписания до запуска решения с AI 2-4 недели Время создания варианта расписания после запуска решения с AI 2-5 часов (в зависимости от «жёсткости» настроенных ограничений)
11. Оптимизация расстановки багажа и грузов внутри самолёта Запуск – май 2021 года Измеряемый параметр Результат Экономия топлива на взлёте До 15% Сокращение времени на обработку грузов и багажа в транзитных аэропортах До 25%
12. Оптимизация управления ресурсами аэропорта Запуск – Q4 2021 года Измеряемый параметр Результат Сокращение потребности в персонале по наземному обслуживанию на перроне аэропорта До 20% Предсказывание пиков обслуживания и вероятных сбоев расписания Вероятностная точность до 90%
13. Анализ будущего расписания аэропорта Запуск – Q2 2022 года Измеряемый параметр Результат Вероятность выполнения заявленного авиакомпанией расписания и предсказание задержек рейсов не по вине аэропорта Вероятностная точность до 90% Точность прогнозирования необходимости использования ресурсов аэропорта Вероятностная точность до 90%
14. Применение технологии Крупнейшие игроки на рынке гражданской авиации В России • Аэропорты: Шереметьево, Домодедово, Пулково • Авиакомпании: Группа Аэрофлот, S7 За рубежом • Аэропорты: Любой крупный аэропорт с оборотом более 20 млн. пассажиров в год • Авиакомпании: Любая крупная авиакомпания с парком ВС более 100 Рынок в других отраслях • Спортивные лиги (есть результат в России) • Ритейл (распределение персонала в больших сетях) • Крупные больницы и учебные заведения • Финтех (например, расчёт кредитных предложений различным target-групп) • Производства с сильным регулированием в области охраны труда • Ещё ???????
15. Контакты • Цыплаков Алексей • tsyplakov@ipg.ru • +7 (495) 728-96-40 • www.ipg.ru