нацеленного на массовое воспроизведение тех или иных физических объектов без полноценной функциональной интеграции. Нынешние промышленные роботы имеют ограниченное применение – их более широкому распространению мешают высокая собственная стоимость и сложность настройки, оправдываемые при выполнении повторяемых операций. Ручной труд остается, поэтому из-за желания снизить стоимость заводы переводятся в слаборазвитые страны, что приводит к разрыву цикла проектирование-производство с неизбежным снижением качества.
Современная жизнь находится в зависимости от сетей, предназначенных для передачи энергии, данных и т. п., ставших частью цивилизации, поэтому следующая задача CPS заключается в создании более эффективных умных сетей (Smart Grids). Максимально возможное снабжение их датчиками для сбора данных и обработка этих данных позволят предложить оптимальные решения, обеспечивающие экономическую эффективность, непрерывность снабжения, экологическую безопасность и защиту от террористических атак.
Национальная энергосистема – это система систем, состоящая из множества компаний, каждая из которых располагает теми или иными ресурсами от электростанций до счетчиков в домах потребителей. Уникальная особенность электрических сетей заключается в их полной зависимости от потребителей, текущее потребление почти полностью определяет вырабатываемую мощность, попытки сохранять и накапливать выработанную энергию немногочисленны, поскольку пока еще слишком сложны и дороги. Можно представить себе, какой объем информации нужно обработать для получения оптимального решения, учитывающего рыночные факторы, количество и качество производимой энергии (электричество, как любой товар, имеет собственные параметры качества – напряжение, частоту, форму кривой электрического тока), состояние линий передачи и многое другое. Очевидно, что принятие решений без AI невозможно.
Современные технологии строительства позволяют создавать умные сооружения (Smart Buildings), конструкции с минимальным или вообще нулевым потреблением энергии (Net-Zero Energy, NZE). Но они нуждаются в постоянном мониторинге, они должны быть подключены к умным сетям и соответствующим образом управляться средствами CPS с тем, чтобы наиболее целесообразно использовать предоставляемые внешним миром ресурсы и услуги. Объединение данных, полученных из разных источников, позволяет достичь режимов эксплуатации, близких к оптимальным.
Кроме того, основная задача для сооружений состоит в мониторинге их собственной конструкции и факторов внешней среды, которые на них воздействуют. Например, традиционно контроль за мостами сводится к периодической проверке их состояния без учета сейсмических, температурных, ветровых и других воздействий, поэтому их строили с колоссальным запасом, но даже при этом периодически происходят разного рода неприятности. Сегодня появилась возможность снабдить сооружения датчиками и передавать телеметрию в пункты контроля. Включение в контур управления CPS позволит не только безопасно эксплуатировать существующие сооружения и продлевать их жизненный цикл, но и создавать качественно новые конструкции.
Умные транспортные системы (Smart Transportation) оборудованы различными компьютеризированными встроенными системами управления на разных уровнях. Практически решены задачи связи транспортного средства с системами обслуживания и дистанционного доступа человека к различного рода транспортным услугам. Снабженные AI CPS обеспечат создание полноценной связанной системы, включающей связь между машинами (Vehicle-to-Vehicle, V2V) и между машиной и внешней окружающей ее инфраструктурой (Vehicle-to-Infrastructure, V2I). В целом V2I играют координирующую и кооперирующую роль, обеспечивая сбор информации из разного рода источников и распределяя ее между группами автомобилей или отдельными автомобилями – например, сообщают водителям рекомендуемые параметры (дистанцию, скорость), с тем чтобы все участники движения перемещались быстрее и безопаснее.
Нынешние тенденции в AI связывают с наступившим периодом демократизации (democratization of AI), подразумевая под этим смещение фокуса с отвлеченных исследований в строну практических приложений, ориентированных на управление бизнесом, производство, медицину и науку. В новых условиях AI привлекает к себе инвестиции, как следствие возрастает объем исследований и далее, срабатывает положительная обратная связь, приводящая к экстенсивному развитию этого направления. Обещанные прежде воздушные замки уступают место проектам с конкретными и ожидаемыми результатами, что отражено в отчете Gartner «Кривая хайпа в AI» (Gartner Hype Cycle for Artificial Intelligence, 2020). В нем проявлено скептическое отношение к некоторым тематикам, эффектным, но, как оказалось, лишенным практических перспектив. Например, внедрение разрекламированных беспилотных автомобилей откладывается на 10 лет и более, ну а когнитивные технологии (мыслящие системы) вообще сняты с дистанции на весь обозримый период. Что же касается Сильного AI (Artificial General Intelligence, AGI), то на сей предмет в отчете сказано еще более категорично: «AGI потерял какую-либо коммерческую перспективность и предприятиям рекомендуется сосредоточить свое внимание на решениях, основанных исключительно на Слабом AI. Gartner предостерегает: компаниям следует игнорировать любые заявления тех AI-вендоров, которые выступают с предложениями рыночных продуктов на основе AGI».
Не только гартнеровские, но и другие отраслевые аналитики солидарны в том, что в рамках Слабого AI реальные шансы на успех есть у двух у направлений: одно усиливает возможности зрительного восприятия и получило название компьютерного зрения (Computer Vision, CV), в второе многократно повышает способность человека при работе с текстом на естественном языке (Natural Language Processing, NLP). На их основе уже созданы и создаются инструментальные средства, обеспечивающие автоматизацию рутинных составляющих умственного труда. По классификации, приведенной в главе 1, CV и NLP относится к типу AI, усиливающему способности человека (Augmented AI, AuI), а именно, они помогают ему в извлечении полезной информации из больших объемов данных, получаемых из внешней среды. В первом случае источник данных, прежде всего, фото и видеосъемка, во втором источники текста чаще всего в интернете. Совместно они обеспечивают решение проблемы Больших данных (Big Data).
Big Data относится к числу немногих названий, имеющих вполне достоверную дату своего рождения – 3 сентября 2008 года, в этот день вышел специальный номер научного журнала Nature,посвященный ответам на вопрос «Как могут повлиять на будущее науки технологии работы с большими объемами данных?». Ситуация, связанная с Big Data, вылилась в проблему из-за сложившегося дисбаланса между количеством данных, получаемых средствами различных цифровых технологий в XXI веке. За короткий срок оно лавинообразно возросло, но средства извлечения из этих данных полезной информации заметно отстали. Отмеченное рассогласование возникло по очевидной причине – за все годы существования так называемых информационных технологий, которые на самом деле имеют дело с данными, а вовсе не с информацией, о самостоятельной роли данных почти никто не задумывался. Сложилась странная ситуация: есть технологии, якобы информационные, а вот что именно является предметом этих технологий, неизвестно, в одних случаях – цифры, в других – тексты, в третьих – управляющие сигналы и т. д. Можно ли представить себе еще какую-то технологию, не имеющую четкого представления о предмете обработки или переработки? Все, что необходимо было знать о данных, сводилось к представлению в двоичным или восьмеричных кодах и их количеству, выраженному в
