АСИ

Есть масса молодых специалистов, которые искренне желают, чтобы качество жизни людей в регионах России и других странах стало лучше за счет цифровых технологий, ребята хотят решать социально-экономические задачи с применением искусственного интеллекта и анализа данных. Осознание того, что можно повысить точность и эффективность принимаемых управленческих решений в социальных сферах, а в ряде случаем создание полезных сервисов для людей как в локальном, так и в международном масштабе, — весьма сильная мотивация. В реализации этих стремлений помогает Агентство стратегических инициатив и команда Центра цифрового развития с проектом Цифровые решения для регионов – DataMasters. Проект реализуется уже три года, и в разное время в его создание и развитие внесли большой вклад Вера Адаева, Михаил Дубцов, Яна Коваленко, Андрей Петров, Даниил Половинка, Валерия Хатян, Татьяна Заикина и Светлана Гиляровская. Международный конкурс по решению глобальных социальных задач World AI & Data Challenge стал площадкой для разработки множества решений, способных приносить реальную пользу людям. Об истории и развитии этого проекта рассказывает Яна Коваленко, директор проектов Центра цифрового развития АСИ, руководитель проекта DataMasters и номинант премии Data Award 2022 .

- Что собой представляет проект «Цифровые решения для регионов – Datamasters», какова его цель?

Проект направлен на решение социально-экономических задач за счет внедрения механизмов управления, основанных на данных. В его рамках развиваются практические компетенции в государственных органах по управлению, основанному на данных и компетенции в области технологий искусственного интеллекта и анализа данных среди дата-сообщества.

Проект нацелен на преодоление дефицита актуальных данных для принятия управленческих решений в органах власти, сокращение издержек в государственном секторе и улучшение качества жизни людей. Одним из основных инструментов формирования цифровых решений является Международный конкурс цифровых решений World AI&Data Challenge, направленный на объединение государств, сообществ, владельцев данных, ИТ- и дата-специалистов для решения глобальных социально-экономических задач и тиражирования лучших практик по всему миру.

- Как пришла идея создания проекта?

В рамках образовательного интенсива «Остров 10-21» команды органов государственной власти регионов обучались управлению на основе данных, где мы увидели запрос на создание цифровых решений. При этом у органов власти отсутствовали компетенции в части постановки задач на основе данных, разработки самих решений и их внедрения. Для развития этих компетенций и закрытия обнаруженных потребностей мы запустили в 2019 году «Конкурс цифровых решений», сначала только в России. Его основным элементом стало создание цифровых решений на открытом коде для решения социально-экономических задач регионов. Практика конкурса вызвала большой интерес со стороны партнеров, а также ряда зарубежных стран. В связи с этим в 2020 году АСИ совместно со Всемирным банком продолжило реализацию проекта как международный конкурс цифровых решений World AI&Data Challenge по решению социально-экономических задач.

- Каковы «фишки» конкурса, в чем его отличия от множества других?

Конкурс состоит из трех этапов. На первом этапе конкурса выявляются проблемы в регионах и странах, которые затем формулируются в задачи. Важным критерием постановки задачи является достаточность предоставленных данных для ее решения, либо возможность найти данные в открытых источниках.

На втором этапе команды ИТ-специалистов разрабатывают решения для отобранных наиболее качественных задач.

Финальный этап, который отличает конкурс от множества других соревнований и хакатонов – этап внедрения. Именно на этом этапе формируется качественный диалог между сообществами. Ведь когда решения разработаны, регионы совместно с командами разработчиков внедряют их с максимально заявленными социально-экономическими эффектами. От слаженности их работы зависит успех внедрения. На этом этапе осуществляются доработки под нужды заказчиков, и важно корректно определять требования, тестировать решения с профильными специалистами и устанавливать метрики эффективности.

Оптимизация размещения экипажей скорой медицинской помощи, рекомендательная система помощи врачам при назначении лекарственных препаратов, анализ потока посетителей общественных пространств по видео с помощью искусственного интеллекта, сервис составления школьных расписаний на основе генетических алгоритмов машинного обучения, анализ содержания загрязняющих веществ в водных объектах – только часть решений, которые уже используются или пилотно внедряются в регионах.

- Откуда берутся данные для решения актуальных задач регионов?

При постановке задач регионы загружают имеющиеся у них обезличенные данные согласно заявленной проблематике, а также прикрепляют ссылки на открытые источники – например, данные Росстата, региональные и международные источники, открытые библиотеки данных или данные из открытых репозиториев. Кроме того, по мере прохождения акселерации задач эксперты из ведущих компаний страны обогащают задачи данными (например, государственными наборами данных, данными операторов сотовой связи и прочими источниками информации). Создавая свои решения, команды разработчиков используют сервис GitASI, создают в нем репозитории, в которых размещают решения на открытом коде, инструкции по развертыванию и лицензии. Там же ребята хранят и дополнительные данные, которые нашли самостоятельно в рамках работы над решением на втором этапе конкурса.

Все данные, задачи и цифровые решения публикуются на платформе DataMasters – в библиотеке задач или библиотеке цифровых решений на открытом коде.

- Каких результатов уже удалось достичь?

C 2019 года регионы России и представители других стран подали на конкурс более 450 задач.

Решения нашего сообщества уже помогают снижать аварийность на дорогах, бороться с бедностью, повышать туристическую узнаваемость регионов, помогать слабовидящим в письменной коммуникации, развивать НКО, оперативно реагировать в период весеннего половодья.

Таким образом, готовые цифровые решения на открытом коде, разработанные с использованием собственных данных или данных, предоставленных крупными игроками отрасли и разработчиками, встраиваются и внедряются в административные и бизнес-процессы. Это влечет за собой прорывное развитие не только различных отраслей экономики, но и сферы государственного управления. На сегодняшний день уже более 30 регионов и несколько стран внедрили решения конкурса.

- Насколько велик охват проекта?

В рамках проекта мы активно развиваем дата-сообщество, в котором на сегодняшний день уже более 16 тыс. человек.

Всего в проект вовлечено более 90 российских и международных экспертов в сфере AI&Data, в том числе и из таких крупных компаний, как «Мегафон», «Яндекс», МТС, «Сбер», Microsoft, «Вымпелком», Промсвязьбанк и т.д. При этом мы развиваем и региональную сеть экспертов, которые участвуют в проведении хакатонов и помогают при внедрении решений.

На сегодняшний день в общей сложности проведено порядка 100 дата-хакатонов с участием более 500 команд разработчиков. В проекте уже участвуют порядка 70 регионов и семи стран (Узбекистан, Казахстан, Украина, Беларусь, Сингапур, Молдавия, Киргизия) в разных форматах от постановки задач до внедрения и тиражирования, в том числе разработчики из 82 регионов России и 26 стран.

В проект активно вовлекаются вузы страны. Это возможность «прокачать» компетенции студентов и выявить, каких компетенций не хватает. Кроме того, вузы могут использовать реальные задачи заказчиков проекта и решенные примеры для обучения студентов.

- Каков возрастной состав участников и роль молодежи в этом проекте?

Мы видим, как в проект вовлекаются участники различного возраста, уровня ИТ-навыков и специализации. В том числе этому способствует отсутствие жестких требований по формированию команд; главное требование – участникам должно быть больше 14 лет. Тем не менее, в проекте преобладает молодежь. Например, в этом году возраст участников преимущественно составлял 18-25 лет. При этом важно отметить, что девушки не отстают от парней в разработке – их более 40%. Самыми активными участниками остаются московские ребята, далее идут команды из Свердловской области, Санкт-Петербурга, Ростовской области и Чеченской Республики. В проекте участвует и вузовское сообщество – это команды из 175 вузов страны. Топ-5 регионов по вовлеченным студентам: Ростовская, Тамбовская, Астраханская, Липецкая, Свердловская области.

- Приведите пример наиболее значимых социальных задач, которые удалось решить.

Действительно, на конкурсе бывают как локальные задачи, так и более масштабные. Например, в 2019 году была решена задача по анализу профиля бедности. Результатом его внедрения в Ростовской области стал выход более 10 тыс. семей региона из группы людей с доходами ниже прожиточного минимума. У некоторых жителей региона после заключения социальных контрактов (договоров финансовой поддержки между малоимущими семьями и органами соцзащиты населения) даже появился свой бизнес. Кроме того, в результате использования решения был обнаружен еще один район с высоким присутствием малоимущих на северо-востоке региона. После этого министерство труда и социального развития Ростовской области внесло изменения в бюджет и увеличило сумму на социальные контракты практически вдвое, а также предусмотрело новые виды мер поддержки согласно портрету малоимущих семей. Это решение внедрено уже более чем в пяти регионах и показало хорошие эффекты.

Также в результате взаимодействия с представителями разных сообществ мы увидели, что есть ряд социальных задач, которые уже может решить искусственный интеллект – например, распознавание азбуки Брайля. Один из участников конкурса разработал решение, позволяющее сделать фото страницы с брайлевским текстом и получить ее расшифровку в виде обычного текста. Благодаря этому решению у преподавателей инклюзивных школ снизилась нагрузка на глаза и упростилась работа в период дистанционного режима образования. В семьях, у которых есть незрячие дети, появилась возможность у родителей проверять домашние задания и привлекать для детей репетиторов, не владеющих шрифтом Брайля. Самое главное, данное решение значительно расширило возможности письменной коммуникации незрячих людей с родственниками и обычными людьми. Это решение используется 84 регионами России, Узбекистаном и другими странами.

Важно отметить, что в рамках проекта мы не только ищем решения для конкретных задач – на местах формируется принципиально другая система управления, которая позволяет принимать более выверенные, глубоко просчитанные решения. Данные и разработанные на их основе инструменты позволяют повысить эффективность расходования бюджетных средств. Например, приоритезируются траты на дорожную инфраструктуру в местах аварийности для снижения ДТП.

Одно из наиболее перспективных решений по мониторингу аварийности на дорогах развернуто для всей страны, активно используется в 40 городах России и в Молдове. Сервис представляет собой интерактивную карту ДТП и позволяет выявлять очаги ДТП, подбирать меры по снижению факторов, влияющих на их возникновение (камеры, светофоры, лежачие полицейские), выявлять неочевидные закономерности и предсказывать аварийно-опасные участки, выявлять выполнение социального стандарта по обеспечению доступности территории общественным транспортом.

Еще одна любопытная практика, которую массово внедряют уже более 30 регионов – анализ цифрового следа туриста. Она позволяет отображать «цифровой портрет» туриста на основе анализа открытых данных, и любой субъект РФ сможет составить маркетинговую стратегию по привлечению туристов на основе анализа социальных сетей, таргетировать поток из других регионов, увеличить посещаемость действующих туристических объектов и гостиниц.

- В каком направлении планирует развиваться DataMasters?

Мы планируем и дальше развивать культуру разработки, применения и доработки решений на открытом коде как среди органов власти и разработчиков нашей страны, так и среди других стран. Нам важно, чтобы на платформе DataMasters появлялись решения, разработанные не только в рамках нашего проекта, но и созданные органами власти и командами разработчиков или крупным бизнесом с развитой ИТ-функцией. Примером может служить решение, разработанное Центром искусственного интеллекта МТС на основе технологий компьютерного зрения, которое помогает в сохранении и изучении дальневосточного леопарда.

Со своей стороны, мы будем валидировать и тиражировать такие решения – это будет способствовать быстрому росту их качества и эффективному использованию бюджетов на ИТ. Сегодня у разработчиков мало опыта монетизации решений на открытом коде, поэтому акселерация команд в этом направлении – одна из перспектив проекта. Мы также будем развивать библиотеку данных в социально-экономических сферах и расширять географию проекта.

Сократить время приезда скорой помощи на вызовы к больным — это самая важная задача для сферы экстренного здравоохранения. Сокращение времени даже на несколько минут, достигнутое при помощи анализа данных, становится дополнительной возможностью сохранить жизнь. Очевидно, что время реагирования скорой существенно зависит от того, как расположены точки базирования экипажей по отношению к основным районам, из которых приходят обращения.

В Рязани реализовали проект по оптимизации размещения экипажей скорой медицинской помощи для сокращения времени приезда на вызов. Он стал одним из победителей в конкурсе World AI&Data Challenge 2021 года. Результатами внедрения этого проекта стали оптимизация расположения подстанций, формирование расписания с указанием количества размещаемых экипажей и, как следствие, сокращение времени приезда экипажей на вызов. О выполнении проекта рассказывает Кирилл Поляков, руководитель департамента реализации проектов АНО «Цифровой регион» (Рязань) и лауреат премии Data Award 2022 .

— В чем заключалась проблема?

Пандемия 2020 года еще больше обострила ситуацию с нехваткой экипажей скорой помощи в Рязани. Если в условиях привычной сезонности станция еще справлялась с прогнозируемым количеством вызовов и соблюдала регламентные сроки, то после увеличения числа обращений в несколько раз это стало уже невозможным. При этом на существенное изменение в размещении самих подстанций или кратное увеличение количества бригад и автомобилей, конечно, рассчитывать не приходилось. Мы поняли, что надо искать решение в условиях имеющихся ограничений.

— Как решалась задача размещения экипажей скорой помощи до запуска цифровой платформы?

До того как началась разработка решения, размещение выполняли исходя из опыта руководства и основываясь на примерном количестве жителей в определенных районах (по данным переписей населения).

— Как родилась идея создать систему для оптимизации работы скорой?

Как известно, если не получается менять что-то физически, то необходимо поменять организацию. Мы исходили из того, что подход, предполагающий зависимость количества экипажей от числа граждан, зарегистрированных по адресам, закрепленным за подстанциями, зачастую неэффективен: фактическое проживание не всегда соответствует месту регистрации. Таким образом, мы решили, что, имея набор данных о фактических вызовах по различным адресам, можно создать гораздо более точную модель размещения экипажей, которая будет учитывать не прописанных граждан, а вероятность поступления вызова из конкретного района, причем с высокой точностью.

— Какие варианты решения этой задачи рассматривались? Или подача на конкурс World AI&Data Challenge была единственным вариантом?

Варианты всегда есть. Мы планировали решать задачу самостоятельно — например, договориться с региональным ИТ-вузом и дать им задачу на проработку или найти подрядчика и попробовать сформировать решение с ним. Но когда пришло предложение участвовать в конкурсе, организованном АСИ, мы поняли, что именно это — оптимальный способ. Во-первых, помимо того, что задачей занимались профессиональные разработчики, можно было выполнить экспертные оценки качества кода, эффективности решения и возможности его расширения. Конечно, оценить столько параметров самостоятельно нам было бы сложно. Поэтому конкурс стал для нас наилучшим выходом.

— Как была сформулирована задача для конкурса?

По требованиям конкурса, в задаче надо было обязательно указать имеющуюся проблему, критерии оценки качества решения и допущения. Поэтому задача была сформулирована следующим образом: по нанесенным на карту точкам вызовов скорой помощи (на основе имеющихся маршрутных листов) с помощью алгоритмов машинного обучения спроектировать оптимальную модель размещения и наполнения бригад в различных точках города, которая позволит максимально быстро и эффективно реагировать на вызовы в зависимости от складывающихся условий. При этом главным требованием было максимальное сокращение прогнозируемого времени ожидания приезда бригады.

— Какие данные использовались и откуда добывались?

Обезличенные данные были предоставлены коллегами со станции скорой помощи. Информация о поступивших вызовах включала маршрутный лист бригады (адрес, дата, время, тип жалобы), время приезда, принявшую подстанцию, а также лечебное учреждение, если помощь была оказана не на дому.

— Что в итоге представляет собой созданное решение?

Сейчас это веб-сервис, который позволяет загружать в установленном формате информацию о прошлых вызовах и формировать расписание для подстанций — количество экипажей, которое должно быть размещено по определенному адресу.

— Перечислите сильные стороны созданной платформы.

Это реально удобное и простое решение. Оно не требует специальных знаний и размещено в облаке. Подгрузка данных осуществляется в том же формате, в котором они выгружаются из системы скорой помощи. Интерфейс ведет пользователя по процессу, и, что немаловажно, реализована максимально эффективная «защита от дурака». Поначалу, когда мы только начали общаться с коллегами из скорой, они испугались и решили, что им навязывают очередную громоздкую и сложную систему. Но когда мы очно продемонстрировали, как работает решение, то они сказали, что с ним справится даже не слишком уверенный пользователь ПК.

— В чем заключалась самая большая проблема при запуске решения?

Конечно, в первую очередь проблема в людях. Благодаря политической поддержке АСИ проблем с запуском сервиса не было. Но убедить людей в том, что система не создает новые проблемы, а решает текущие, очень сложно. Существует некоторое недоверие к цифровым технологиям, искусственному интеллекту и т. д. Однако, когда коллеги увидели, что выводы, сделанные программой, в принципе соответствуют их предположениям и только больше их конкретизируют, они однозначно признали эффективность решения.

— Назовите основных пользователей системы.

Это руководство скорой помощи и Министерство здравоохранения.

— Что выяснилось в результате запуска решения?

После запуска подтвердилась гипотеза о том, что необходимы изменения в размещении экипажей. Скажем, в новый, активно застраивающийся район надо больше бригад, хотя люди там не регистрируются, предпочитая сохранять прописку в других районах — например, у родителей. Подтвердилось и предположение о том, что при размещении необходимо учитывать сезонность: весна и осень в «молодых» районах более критичны. Сейчас мы продолжаем работать и анализировать — может быть, получится выявить новые закономерности.

— Какие факторы теперь учитываются при размещении экипажей?

Самое главное — сейчас учитывается фактически поступившее количество вызовов, а не число жителей, прописанных в районе.

Коллеги из скорой помощи — довольно опытные специалисты, поэтому каких-то неожиданностей для них не было. А мы, например, узнали, что количество вызовов в праздники увеличивается. Еще интересно то, что зачастую в отдаленные районы скорая приезжает быстрее, чем в центр, — скорее всего, из-за пробок: иногда быстрее добраться до другого района, чем проехать пару кварталов.

— Какие достигнутые результаты вы можете отметить?

Сейчас идет тестирование решения: нам необходимо подготовить нормативные документы, провести апробацию в условиях, более-менее соответствующих тем, что были в эталонном периоде. Но с учетом того, что сокращение времени приезда даже на пару минут уже является огромной победой — спасенными человеческими жизнями, я думаю, что достижения будут очевидны всем.

— Есть ли возможность развития созданного решения? В каком направлении?

Конечно, такие возможности существуют. Например, можно обеспечить синхронизацию с базой вызовов в режиме реального времени. Следует доработать анализ маршрутных листов и донастроить маршрутизацию. Наконец, можно попробовать промоделировать распределение экипажей на большее количество подстанций по другим адресам, чтобы оценить эффективность такого решения.