Как искусственный интеллект учится летать: настоящее и будущее нейросетей в авиации

Дело в том, что самолет содержит множество датчиков, которые поставляют огромное количество данных для анализа – только за час полета их набирается на два терабайта. На основании анализа этих колоссальных объемов данных специальные предиктивные модели позволяют предсказать поломки и подсказать режимы работы, которые повышают экономическую эффективность.

На Западе давно востребованы электронные ассистенты пилота, которые подсказывают пилоту, как правильно действовать при взлете и посадке. Место толстых гроссбухов руководства по летной эксплуатации и различных инструкций занимают удобные электронные планшеты, которые предупреждают возможные ошибки. Теперь такие системы начинают появляться и в России.

Однако развитие искусственного интеллекта открывает перед авиаторами и новые заманчивые перспективы, которые связаны с развитием технологии машинного обучения с подкреплением. Суть этой технологии состоит в том, что нейросети нового поколения больше не пытаются копировать предыдущие действия людей-специалистов, а осваивают новые компетенции самообучением с нуля, методом проб и ошибок.

«Та же ситуация, что теперь в авиации, была в шахматах. Когда только начали создавать шахматные программы, то сначала разработчики тоже пытались имитировать функцию ценности шахматных фигур, гроссмейстера и закладывали в компьютерную программу огромную базу данных прецедентов, дебютов, которые показывали компьютеру, как нужно играть в тех или иных ситуациях. Эта функция ценности ошибалась, ее постоянно "подкручивали". Сейчас от этого ушли, и компьютер может обыграть любого шахматиста, несмотря на то, что его никто не учил дебютам, не подстраивал под профессионалов. Компьютер просто играл сам с собой, очень долго и много. Он учился, играл, совершенствовался и самосовершенствовался, и это в итоге привело его к победе над человеком», – объясняет Владимир Судаков.

Интересно, что процесс машинного обучения нейросетей с подкреплением имеет прямую аналогию из жизни человека. Его можно сравнить с обучением ребенка, который учится ходить. Делая первые шаги в жизни, ребенок не имеет никакого ранее полученного опыта, он не имеет представления о физике процесса.

Такая парадигма машинного обучения имеет огромные перспективы прежде всего для беспилотной авиации. Пока используется один, два, три беспилотника - с их управлением легко может справиться человек-оператор. Но когда количество БПЛА, одновременно находящихся в воздухе, составляет сотни и даже тысячи единиц, как, например, бывает на современных театрах военных действий, координировать их полет с земли становится сложно. И здесь модели машинного обучения с подкреплением способны обучить БПЛА работать сообща. В данный момент ведется много разработок в области так называемого «роевого интеллекта» и компьютерного зрения, которые позволят БПЛА координировать свои действия.

Еще одна потенциальная сфера применения ИИ – полностью автоматизированный беспилотный полет летательного аппарата. Эксперименты с автомобильным транспортом уже дают свои результаты, однако вскрывают и ряд сложностей. Одна из них – невозможность понять результаты, к которым приходит нейросеть в результате своей интеллектуальной деятельности.

«В авиации, как известно, цена ошибки велика. Но у нас ошибаются все: и люди, и искусственный интеллект. Единственное отличие искусственного интеллекта от человека в том, что если человек сделал какое-то неправильное действие, он сможет объяснить свой поступок. Если мы говорим про нейросеть, то она выдает результат, но сама объяснить его не может. Сейчас ситуация меняется, появляются объяснимые нейросети, когда мы можем отмотать назад и найти причины результата. Поэтому БПЛА рано или поздно научаться летать, и будут делать это хорошо. Только не повторяя действия пилота, а действуя методом проб и ошибок: и как люди научились ходить, так интеллектуальные агенты научаться летать в ближайшее время», – отмечает эксперт.

Материал подготовлен при поддержке Минобрнауки России