Транспортная отрасль доказала реальность импортозамещения в области "больших данных".

Сегодня перед российской транспортной и логистической инфраструктурой стоит множество вызовов и задач, большая часть из которых связаны с активной цифровизацией отрасли.

Мобильность как услуга

В конце 2021 г. правительство России на законодательном уровне зафиксировало необходимость ускорения темпов внедрения цифровых сервисов на транспорте в "Транспортной стратегии Российской Федерации до 2030 года", которая предполагает быстрое и масштабное развитие ИТ-компоненты в отрасли. Особое внимание планируется уделить модели "мобильность как услуга" (Mobility as a Servicе, MaaS), которая призвана объединять различные слои транспортной инфраструктуры для предоставления пассажирам наиболее удобных возможностей по перемещению и перевозкам в стране, концепция MaaS реализована на базе приложения "Московский транспорт".

В результате, по прогнозам экспертов, технологии интеллектуальных транспортных систем (ИТС) должны будут охватить крупнейшие агломерации в России, став доступными для более чем 80 миллионов человек. Неудивительно, что в условиях развития ИТС, огромное значение будут приобретать системы сбора и обработки данных с миллионов датчиков, сенсоров и других интеллектуальных устройств, не говоря уже о данных от самих пассажиров.

"Большие данные" — новые возможности

Уже сейчас, на нынешнем этапе трансформации отрасли, цифровизация привела к поистине взрывному росту данных, продуцируемых с высокой скоростью и от большого числа источников. Оплата платных дорог, системы контроля за грузоперевозками, мониторинг качества дорожного полотна, камеры для отслеживания скоростного режима и нарушения правил парковки — объем генерируемых транспортной инфраструктурой данных просто огромен.

И все эти данные, эти действительно "большие данные" – это новые возможности. С учетом существующих технологий управления и анализа информации, эти гигантские датасеты могут быть эффективно использованы для достижения заявленных целей по цифровизации и развитию в России модели MaaS через приложение "Московский транспорт". Однако, при всем при этом, именно для российской транспортной отрасли особенно актуальным будет вопрос того, как именно возможности Big Data будут реализованы в дальнейшем – ведь часть технологических решений строилась на основе зарубежного ПО и аппаратного обеспечения. Поэтому все планы по развитию необходимо адаптировать с под новые реалии рынка. Дело в том, что транспортная инфраструктура, наряду с энергетической, является одной из стратегических и приоритетных в любом государстве. Движение людей и товаров, связность населенных пунктов, обороноспособность – все это зависит от транспорта.

Так же достаточно остро стоит вопрос доступности используемых технологий и ПО в случае непредвиденных обстоятельств, введения санкций, ухода компаний с рынка и так далее. Как показала практика последнего месяца, рыночные контракты и обязательства быстро теряют свою силу в случае, когда в игру вступают политические интересы. Иностранные партнеры могут в любой момент оказаться ненадежными. Поэтому сейчас постепенно приходит понимание того, что когда зарубежное ПО работает в действительно критических сферах, уровень риска для безопасности этих сфер вырастает экспоненциально.

Импортозамещение должно иметь комплексный подход

"Большие данные" — это не совсем то, что приходит на ум, когда речь идет о системной кибербезопасности. Как правило, в широком общественном восприятии, риски, связанные с технологией Big Data лежат в плоскости сохранности персональных данных, однако стоит помнить, что решения по цифровизации крупной индустрии, всегда являются комплексными. Они не существуют в вакууме, а являются звеньями в сложной технологической цепи, и в ситуации, когда одно звено не работает, страдает вся цепочка. Решение для этой непростой задачи только одно – переходить на отечественные решения. Обращаться к экспертизе тех компаний, которые уже сегодня доказали готовность выводить на рынок собственные разработки для работы с Big Data.

"Программный Продукт" — один из ключевых игроков на российском рынке разработки ПО и ИТ систем для госсектора. Компания планомерно, в течение многих лет, работала в условиях нового понимания о том, что импортозамещение не может проводится урывками, точечно, а должно иметь комплексный подход. Именно поэтому, развернув в прошлом году платформу управления большими данным P3, "Программный Продукт" начал предоставлять свои компетенции в первую очередь для транспортного сектора России и, в частности, систем по модели MaaS. При Центре организации дорожного движения функционирует Инновационный Центр "Безопасный Транспорт". Он был создан в 2017 г. для работы с Big Data и решения различных задач по цифровизации транспортного комплекса Москвы. Идея центра заключалась в создании удобной и безопасной среды для передвижения в столице, за счет информационно-аналитической поддержки принятия управленческих решений в сфере транспорта города.

Одним из центральных Big Data-проектов по цифровизации московского транспорта от "Программного Продукта" стало создание и внедрение АС ПКБД (Автоматизированная система персональных коммуникаций на основании больших данных), предназначенной для работы на всем транспортном комплексе столицы. Основными задачами при разработке этой системы были создание хранилища больших данных, решение аналитических задач и построение персональных коммуникаций с пользователями транспортного комплекса.

"Московский транспорт" создавался "с нуля"

Один из проектов департамента транспорта — приложение "Московский транспорт" — работает с использованием сервиса персональных коммуникаций, агрегирующего "большие данные" и позволяющего сегментировать и рассылать уведомления пользователям общественного и личного транспорта через различные каналы связи.

На сегодняшний день точность таких прогнозов определяется качеством и полнотой исходных данных, а также глубиной данных (то есть, наличием исторических данных). Исходя из этих вводных могут строиться модели прогноза с использованием нейросетей и алгоритмов, и созданные "Программным Продуктом" инструменты хранения и сбора данных позволяют решать такие задачи.

Это подтверждается вполне конкретными метриками. Так, например, сервис прогноза загруженности общественного транспорта дает 90%-ую точность, и 87% пользователей удовлетворены его работой.

Уже сейчас можно сказать, что MaaS "Московский транспорт" стала незаменимым источником данных для анализа и планирования улучшений транспортного комплекса, а также построения мультиканальной коммуникации с пассажирами. Это крупный проект, который изначально подразумевал большие усилия как по разработке архитектуры системы сбора и хранения данных, так и по созданию системы анализа источников данных, и, что немаловажно — возможности собирать обратную связь от пассажиров и использовать ее для отслеживания динамики изменений и улучшений в работе московского транспорта.

Основным вызовом реализации MaaS "Московский транспорт" с использованием "больших данных" для городского транспорта было то, что это решение создавалось "с нуля" (нет аналогов в России) и, принимая во внимание значимость столичного транспортного комплекса, невозможно было просто взять и подобрать готовый продукт на рынке для реализации всех задач. Разработчикам пришлось активно подбирать решения — как проприетарные, так и open source, и проводить интеграцию компонентов для построения единого решения.

В основном, специалисты использовали собственные инструменты для работы с большими данными — по расчетным алгоритмам лаборатории P3 формируются витрины данных, аналитические отчеты и прогнозы, элементы машинного обучения для работы с фото- и видео-источниками информации.

От реагирования к предвосхищению

Важно отметить, что использование Big Data для интеллектуальных транспортных систем "Большого города", это возможность перейти от исключительно "реагирования" на различные проблемы и потребности пассажиров и бизнеса, к аналитике и предвосхищению запросов.

Востребованность различных транспортных сервисов вскрывается как раз в результате обработке гигантских массивов вроде бы совершенно разнородных данных, и на стыке этой информации и могут проявиться новые драйверы. Такие, как, например, детальная предиктивная аналитика дорожного движения или внедрение беспилотного грузового транспорта.

Но особо стоит отметить, что поскольку данные для таких решений поступают, во многом, от отечественных устройств и систем, для их эффективной обработки и аналитики требуется применение ответных технологий "больших данных". И сегодня разработчики уже вполне готовы их предоставлять.

Источник: https://www.advis.ru/php/view_news.php?id=59AF2911-1982-0940-B7C7-B22F7D6A1D37