Site icon AppTractor

Проблема «Золотого ключика»: целесообразность самоорганизующихся сервисов и аналитических систем на примере AiCare

Основатели бизнеса всегда стараются дать миру что-то полезное. Наш небольшой коллектив имел опыт работы в энергетике – мы умели считать сложные режимы работы электрических сетей всей страны, использовали статистические методы для управления потоками ресурсов и выбора оптимальных решений. Нас бодрили словосочетания «Интернет вещей (IoT)», большие данные, умные системы – и мы решили применить наш потенциал к достаточно модному направлению. Мы решили создать платформу для взаимодействия самоорганизующихся сервисов адаптивного управления для «Умных зданий».

На момент начала работ казалось – мы делаем то, что нужно всем. Оказалось – только казалось.

И мы стали разбираться – почему аналогичные интеллектуальные решения не очень-то популярны у заказчиков. Было интересно выявить — это касается только Умных зданий или носит системный характер?

Анализ

Беглый анализ (именно беглый – без претензий на глобальные обобщения) показал интересную картину – мы находимся в ситуации, когда низкая стоимость ресурсов (в первую очередь энергетических) снижает интерес к «зеленым технологиям» и интеллектуальным системам, создающим скоординировано и эффективно работающие ансамбли технологических систем из целых предприятий, производственных и жилых помещений и целых городов. Тем не менее есть отрасли (например, медицина), где происходит рост расходов населения и падение качества услуг, что обусловлено как объективными, так и субъективными причинами.

Далее приводится анализ лишь несколько технологических вертикалей, где представляется целесообразным использование интеллектуальных сервисов:

Вертикаль 1: Производство (SCADA системы)

Как правило внедрением SCADA-систем в России занимаются компании, специализированные в отдельных отраслях экономики, опирающиеся на решения своих партнеров: производителей программного и аппаратного обеспечения.

Структурная сложность многих создаваемых для производства решений приводит к необходимости использования упрощенных моделей объектов. Решения носят локальный характер, ослаблены требования по дальнейшему развитию и интеграции этих решений в общую технологическую среду предприятия.

Не забудем и про важнейшее исходные требования – скорость создания проекта, снижение его стоимости, оперативное внедрение. Поэтому реализуются, как правило, только необходимые функции оперативного контроля и управления технологическими процессами. Многие вопросы управления, как и ранее, возложены на оперативный персонал предприятия или отдельных производств.

Не менее важен и вопрос настроек системы. Рассмотрим его на примере ПИД-регулятора – одного из элементов АСУ ТП. Существует два основных подхода к его настройке: первый — требуется создание модели объекта регулирования, сформулированной теоретически, второй – на основе информации, полученной экспериментально на объекте и уточненной в процессе ввода системы в эксплуатацию. Как и отмечалось — создание точной модели объекта может быть затруднительно или невозможно, а получение экспериментальных данных об объекте – носит как правило локальный характер и производится до момента внедрения системы в эксплуатацию.

В итоге, обозначим основные замеченные проблемы:

В качестве вывода: относительно низкая стоимость энергоносителей и электрической энергии и относительная «свежесть» использованных в АСУ ТП решений позволяет отложить вопросы общей эффективности и управляемости «на потом».

Тем не менее, использование подобных решений – например, использование «интеллектуальных систем» энергоснабжения и освещения на предприятиях – позволяет обеспечить экономию в пределах 15-70%.

Вертикаль 2: Строительство (Умное здание, Умный дом, Умный город)

Еще недавно строительство, особенно жилищное, переживало настоящий бум. Однако текущая ситуация носит уже совсем иной характер – теперь уже не удастся продать здание на этапе котлована. Строительные компании вынуждены бороться за покупателя.

Конечно еще строятся, и в большом объеме, объекты с относительно низкой стоимостью приобретаемого жилья, однако они предоставляют квартиры заведомо более низкого качества или на удалении от транспортных узлов и «культурных центров», туда сложно заманить обеспеченного клиента.

Поэтому логично, что уже есть определенные тенденции «интеллектуализации» возводимых зданий, т.к. это тоже способ привлечения обеспеченных клиентов, желающих иметь современные системы автоматизации.

Считается, что оснащение зданий системами управления повлечет за собой увеличение капитальных затрат до 35%. Однако, по разным оценкам, этот параметр сильно зависит от степени «интеллектуализации» и может реально колебаться между 1 и 10%. Столь различные оценки определяются степенью интеграции «интеллектуальных систем» уже на ранних стадиях, что позволяет рационально организовать проект.

По данным разных источников можно вывести следующую картину прироста капитальных затрат:

Наименование направления Прирост капитальных затрат (%) Срок окупаемости (лет)
1 Энергосбережение (слаботочные цепи) 25 (30-50)
2 Вентиляция и управление теплоснабжением 20-35
3 Общая «интеллектуализация здания» от 35 от 5

В итоге, обозначим основные замеченные проблемы:

В качестве вывода: низкие тарифы не способствуют интересу со стороны потребителей к системам интеллектуального контроля за расходом ресурсов, т.к. пользователям пока просто достаточно представить себе картину собственных расходов.

Тем не менее, доля снижения эксплуатационных расходов на обслуживание «интеллектуального здания» может достигать 20-50% от годового бюджета объекта, что становится интересно обслуживающим компаниям. Главный же фактор роста интереса – это будет рост тарифов. Например, тарифы на электроэнергию непрерывно растут — примерно на 18% в год, что приведет к неуклонному росту интереса к «интеллектуальным» зданиям.

Наибольших же результатов может дать комплексное регулирование группы объектов – например, управление на основе анализа статистических данных о нахождении детей в детских садах, графика их работы позволяет обеспечивать регулирование температуры (следовательно и уменьшать расхода энергоносителя) таким образом, чтобы к приходу очередной смены после ночи температура была бы уже на должном уровне. Вполне возможно, что в этот момент можно понижать температуру в домах, т.к. там люди уходят на работу и т.п.. Но это работает только в комплексе, в рамках «Умного города».

Вертикаль 3: Персонифицированная медицина

Впервые термин «personalized medicine» появился в 1998 г., когда Кевел Джайн так назвал свою монографию. Однако сегодня имеет смыл поговорить о персонифицированной медицине с точки зрения анализа генома каждого индивидуального человека.

Мы проанализируем другую, давно устоявшуюся ситуацию, когда после постановки диагноза действия врача направлены на лечение болезни, как комплекса симптомов, без учета контекста протекания болезни.

Именно поэтому часто безуспешны усилия по борьбе с заболеваниями, т.к. этот процесс носит динамический характер и на него влияют индивидуальные особенности пациента, что неизбежно влияет на эффективность применяемой терапии. Большое количество анализов и их сложность, междисциплинарность течения многих заболеваний и прессинг на врачебный персонал со стороны государства (лечите эффективнее за меньшие деньги) и руководства клиник (за меньшее время обслужите больше больных) – все это приводит к падению эффективности медицинского обслуживания населения.

Кроме того, пациент несет дополнительные расходы и ухудшает качество жизни:

В итоге, обозначим основные замеченные проблемы:

В качестве вывода: падение интереса врача к пациенту, стремительная монетизация услуг, разобщенность лучших практикующих врачей, низкая скорость внедрения лучших практик лечения.

Очевидная «не успешность» описанного подхода подводит к необходимости внедрения «пациент-ориентированной» диагностики и лечения. При этом создается многофакторная модель каждого пациента и картина начинает складываться из многих фрагментов. Это не просто электронная история болезни – это интерактивная среда обслуживания врача и пациента, не только в поликлинике и больничном учреждении, но и дома и на рабочем месте. При этом анализируются, в том числе, и поведенческие особенности пациента, например – за счет использования носимой электроники (браслеты, кардиографы и т.п.).

Анализ ситуаций, выполненный по данным доказательной медицины, показывает, что подобная интеллектуальная система взаимодействия врача и пациента способна как минимум на 20% снизить расходы пациента, а в отдельных ситуациях – на 18% увеличить выживаемость пациентов после сложнейших операций. Кроме того, система гарантировано улучшает качество обслуживания пациентов и позволяет тиражировать лучшие практики лечения при сходном анамнезе.

В качестве заключения

Проведенный анализ показал, что даже в текущих не самых простых условиях использование интеллектуальных сред управления и контроля может дать ощутимый эффект в различных областях экономики.

Предлагаемый вариант – платформа AiCare для взаимодействия самоорганизующихся адаптивных систем управления позволит решить многие из описанных проблем. Математические методы, лежащие в основе платформы – это комбинация хорошо известных статистических методов построения управляющих систем.

При этом, под термином «платформа» понимается интеллектуальная среда Ambient Intelligence – гибридный мета-агент с распределенной системой восприятия данных, исполнения команд и распределенной же системой управления.

Exit mobile version