Принцип работы каршеринга в москве: Как пользоваться каршерингом

Содержание

Автопарк каршеринга в Москве увеличился в 15 раз за пять лет| Новости общества

Чиновник Дептранса рассказал о смене потребительских предпочтений

На пресс-конференции, посвященной исследованию «Повышение экологичности транспортного сектора в мировых мегаполисах», эксперты рассказали о том, что сегодня происходит в транспортной системе Москвы.

Как отметил проректор Национального исследовательского ядерного университета МИФИ (НИЯУ МИФИ) Николай Каргин, одним из итогов карантина является изменение транспортного поведения горожан: сложившаяся ситуация показала, что экология в городе может быть на порядок лучше привычной, был дан толчок развитию пешеходной и велосипедной инфраструктуры. Хотя, по словам эксперта, для российской столицы это направление уже не ново:

«Москва начала развивать экологически ориентированную транспортную политику еще в 2010 году: электродвигатели вместо ДВС, покупки услуг по аренде автомобиля, стимулирование использования экологически очищенного топлива и другие меры».

Декан факультета бизнес-информатики и управления комплексными системами НИЯУ МИФИ Александр Путилов рассказал о трендах, свойственных сегодняшнему развитию транспортной системы:

«Первый тренд – электродвигатель вместо ДВС – то есть электрификация. Если автомобиль заряжается от розетки – выбросы в полтора раза меньше, чем при использовании ДВС. Как только вы включаете в систему движения электричество, то избавляетесь от системы передачи импульса к колесам. Еще один тренд – проявление цифровой экономики: диджитализация самого бизнеса (это позволяет модифицировать транспортные потоки) и развитие интеллектуальных транспортных систем.

Шеринг-экономика – экономика молодых. Мы привыкли, что благосостояние – это квартира-дача-машина, а молодые хотят не владеть, а пользоваться. А пользоваться можно тогда, когда эти системы хорошо распространены.

Также для нас характерен экологический подход к самой логистике, что тоже можно связать и с цифровой экономикой, и с принципами использования искусственного интеллекта. Социальные тренды: культура вождения (переход от агрессивного вождения к нормальному) снижает не только аварийность, но и выбросы в атмосферу. Последний, технологический тренд: новые типы топлива (биодизель, водородные типы топлива)».

Заместитель председателя комитета Госдумы по экологии и охране окружающей среды Михаил Старшинов назвал автотранспорт одним из крупнейших загрязнителей воздуха, приведя в пример положительный опыт западных стран:

«В Великобритании государство субсидирует смену автомобиля, купленного до 2006 года. И когда я еду – я тоже автолюбитель – и вижу восхитительный «Камаз» года 1987, который ставит дымовую завесу и едет с очевидным перегрузом – почему я-то должен этим дышать? Как говорили древние, «здоровье – не все, но все без здоровья – ничто». Я думаю, что такой мегаполис, как Москва, мог бы стать флагманом каких-то субсидий», – предложил он.

Заместитель руководителя Департамента транспорта Москвы Дмитрий Пронин заявил, что главное в работе – нацеленность на экологичность:

«Ограничиваем движение грузового транспорта. Открытие МЦК. МЦД, обновление общественного транспорта: 88% автобусов соответствует экологическому классу евро-4, а многие – и евро-5. Мало кто верил, что электробусное движение закрепится в Москве, но сегодня выпущен 500-й электробус, до конца года ожидается еще 100, а в 2021 планируем закупку еще 400 электробусов. Запретили продажу на АЗС бензина ниже евро-5 и движение грузовых автомобилей с экологическим классом ниже евро-3 в пределах Третьего кольца. Подготовили большой проект «Энергия Москвы»: хотим постепенно развивать электротранспорт, строить сеть зарядных станций».

По данным Пронина, одним автомобилем каршеринга за сутки пользуются в среднем семь раз. С 2015 года парк этих автомобилей вырос в 15 раз и составляет сегодня 26 тысяч автомобилей. По мнению чиновника, это говорит о смене потребительских предпочтений: москвичи постепенно выбирают пользование автомобилем вместо владения.

Каршерингу могут разрешить работу при среднесрочной аренде автомобилей от 5 дней

Каршерингу могут разрешить работу при среднесрочной аренде автомобилей от 5 дней

Правительство Москвы и Роспотребнадзор обсуждают возможность частично разрешить работу каршеринга – при условии минимального срока аренды автомобиля от 5 дней.

Так машиной можно будет пользоваться в течение рабочей недели и более.

Слухи о возможном возобновлении работы с 18 мая, однако не соответствуют действительности – вопрос будет вынесен в Управление Роспотребнадзора по Москве – только после их согласования и при выполнении компаниями краткосрочной аренды их требований возможна работа сервиса, также это должно быть отражено в Указе Мэра. В планах – после каждой аренды автомобиль должен сниматься с линии и направляться на полную дезинфекцию строго по рекомендациям и инструкциям, разработанным Роспотребнадзором.

Парковка для пользователей будет бесплатной, для поездок нужно будет обязательно оформлять пропуск на автомобиль и указать его в приложении оператора каршеринга перед началом аренды.

«Мы планируем разрешить работу операторам каршеринга при условии, что их автомобили будут брать в аренду минимум на 5 дней. То есть это предложение действует для тех, кто имеет рабочие пропуска. Номер пропуска нужно будет ввести в приложении оператора каршеринга перед началом аренды. Второе условие – это строгое соблюдение рекомендаций Роспотребнадзора по проведению противоэпидемических мероприятий. Мы планируем, что машины после завершения использования будут снимать с линии и обязательно отправлять на полную дезинфекцию по рекомендациям Роспотребнадзора. При этом мы организуем контроль, как над уборкой, так и над соблюдением минимального срока среднесрочной аренды. Для операторов во время запрета работы мы сохраняли льготу на парковку на улицах города – она остаётся бесплатной для пользователей», – рассказал

заместитель Мэра Москвы по вопросам транспорта Максим Ликсутов.

Согласно Указу Мэра Москвы, с 22 апреля работа операторов каршеринга приостановлена. Точная дата разрешения на работу автомобилей краткосрочной аренды будет определена в Указе Мэра Москвы. Основное требование – безусловное выполнение компаниями требования Управления Роспотребнадзора по Москве.

Источник: ДТиРДТИ Москвы

Что нужно знать о российском каршеринге: принцип работы популярного сервиса

21. 06.2019

Каршеринг — оптимальный вариант для передвижения по городу, однако у каждого сервиса есть как плюсы, так и минусы.

Поминутная аренда автомобилей — новое, но весьма перспективное направление для российского рынка.

Первые операторы появились в Москве несколько лет назад. Услуга пришлась по вкусу тысячам водителей, у некоторых есть личная машина, но ее обслуживание — дорогое удовольствие. Компании активно пополняют парк транспортных средств, предлагая пользователям новенькие модели разных классов.

Каршеринг — оптимальный вариант для передвижения по городу, однако у каждого сервиса есть как плюсы, так и минусы.

Тарифы, зона эксплуатации и другие нюансы

Стоимость минуты использования автомобиля неодинакова и зависит от вида режима: “поездка” или “ожидание”. Если, например, клиент отправился за покупками, временно оставив его на парковке у торгового центра, вступает в действие более дешевый тариф.

После завершения проката система подсчитает отдельно количество минут движения и простоя.

Каршеринговый транспорт легко найти на ближайшей стоянке, пунктов выдачи нет. В пределах домашней (“зеленой”) зоны, отличающейся у разных компаний, разрешается свободно брать и сдавать авто. Главное, не нарушать ПДД.

Зона эксплуатации гораздо шире домашней, как правило, она простирается до МКАД или на 200-250 км дальше. Внутри нее допускается применение каршерингового транспорта, но завершать аренду нельзя.

Чем привлекательны услуги московских операторов:

  • Наличие разных марок и моделей от бюджетных до премиум-сегмента. Все они выделяются в общем потоке благодаря оранжевым полосам на кузове.
  • Отсутствия платы за размещение авто на муниципальных стоянках (бывают исключения).
  • Мойка, ремонт, прохождение ТО — проблемы прокатчика.

Как получить доступ к базе

Регистрация онлайн отнимет несколько минут, никаких посещений офиса или очередей. Водителю следует скачать специальное приложение, загрузить в него фото паспорта, прав и сделать селфи на фоне личных документов.

Стандартные требования к водителю:

  • возраст: 20-21 год;
  • стаж за рулем: 1-2 года.

Некоторые операторы максимально лояльны к пользователям, выдавая ТС гражданам старше 18 лет без опыта. После завершения процедуры верификации клиенту будут доступны все необходимые функции: поиск и бронирование машины, запуск мотора и т. д.

Недостатки каршеринга

Поминтная аренда авто — не лучшее решение для поездки по центру столицы в час-пик. Чем дольше стоишь в пробке, тем больше платишь.

Путешествовать на общем транспорте — также не лучшая идея: стандартные тарифы не выгодны, суточный пакет дорогой. Кроме того, правила запрещают покидать пределы зоны эксплуатации.

Есть еще один минус: высока вероятность обнаружить салон грязным, неприятный “бонус” — отвратительный запах.

Контактная информация:

Адрес Центрального офиса АвтоПрофи:
127254, г. Москва, ул. Добролюбова, дом 2Б
станция метро Дмитровская, Тимирязевская,

Телефон: 8 (495) 505-504-1 (многоканальный)
e-mail: [email protected]

Сайт: arenda-car.ru


Десятый железнодорожный вокзал Москвы откроется в мае

Новый современный транспортный объект удалось построить быстро, даже несмотря на пандемию

Новый вокзальный комплекс в Гольянове позволит улучшить транспортную ситуацию в столице. Иллюстрация с сайта www.mos.ru

Новый железнодорожный вокзальный комплекс Восточный улучшит транспортную ситуацию не только в Гольянове, но и в столице в целом. Открытие объекта, который будет входить в состав транспортно-пересадочного узла (ТПУ) Черкизово, планируется в мае. По словам мэра Сергея Собянина, современный вокзал будет важным пунктом для развития Гольянова – района, который в последнее время активно модернизируется.

Транспортно-пересадочный узел Черкизово, который объединяет станцию «Черкизовская» Сокольнической линии метро, станцию Московского центрального кольца «Локомотив» и наземный городской транспорт, скоро будет дополнен железнодорожным вокзалом. «Все это объединяется в один транспортный узел, и появляется огромное количество возможностей у местных жителей и большие возможности у тех, кто приезжает в Москву, – уверен Сергей Собянин. – Потому что большинство из них, 80%, сегодня едут до центра, а потом возвращаются обратно». Как говорит Сергей Собянин, большой комплексный проект окажет огромное позитивное влияние на транспортную ситуацию не только в Гольяново, но и столице в целом. После открытия вокзала пассажиропоток связанного с ним ТПУ увеличится примерно на 30% – до 74 тыс. пассажиров в сутки, среди которых 24,5 тыс. человек – пассажиры поездов дальнего следования.

Строительство нового вокзала началось во II квартале 2020 года, и даже пандемия не привела к снижению скорости создания этого важного объекта. По словам заместителя мэра по вопросам градостроительной политики и строительства Андрея Бочкарева, там уже ведутся отделочные работы и идет оснащение необходимой техникой. «60% любого современного объекта – это усилия по обеспечению начинки: инженерные коммуникации, кондиционирование, системы управления движением, системы подачи электроэнергии, в том числе система информирования пассажиров», – уточнил Бочкарев. На новый вокзал планируют перевести 27 пар поездов дальнего следования с Курского вокзала, в числе которых «Ласточки» и «Стрижи», курсирующие по маршрутам Москва – Нижний Новгород и Москва – Иваново, а также целый ряд транзитных поездов, направляющихся, например, из Санкт-Петербурга и Мурманска в Адлер, Анапу, Белгород, Владикавказ, Волгоград, Ейск, Кисловодск, Махачкалу, Новороссийск, Челябинск.

Напомним, пока в Москве работают девять железнодорожных вокзалов: Ленинградский (с 1851 года), Казанский и Ярославский (с 1862 года), Белорусский (с 1870-го), Курский (с 1896 года), Павелецкий (с 1900 года), Рижский (с 1901-го), Савеловский (с 1902 года) и Киевский (с 1918-го).

По словам заместителя генерального директора РЖД, начальника Центра по развитию Центрального и Санкт-Петербургского транспортных узлов Олега Тони, к маю текущего года уже планируется ввести Восточный в эксплуатацию. «Хочу сказать, что ввод объекта запланирован к 1 мая, а первые пассажиры 29 мая будут уже использовать эту новейшую инфраструктуру. Вокзал строится по всем нормативам», – сообщил Тони. Восточный строят с учетом современных мировых требований к транспортным объектам и тенденций архитектуры. Тут будет зал ожидания на 200 мест с USB-зарядками, бизнес-зал и зал приема делегаций, автоматические камеры хранения, универсальные билетные кассы, фуд-корт, комнаты матери и ребенка. Проектировщики позаботились о том, чтобы комплекс был удобен для маломобильных пассажиров, запланировав для них четыре эскалатора и три лифта. Рядом разместят остановки наземного городского транспорта, перехватывающую парковку, стоянки каршеринга и такси, а также парковку для быстрой высадки пассажиров. У вокзального комплекса запланированы два выхода: в сторону станции метро «Черкизовская» и в сторону Амурской улицы.

Перейти из вокзала в метро и МЦК пассажиры смогут быстро, по новому крытому надземному пешеходному переходу длиной 50 м, организованному по принципу «сухие ноги», так что пересаживаться будет комфортно в любое время года. Пассажиры поездов дальнего следования теперь смогут быстрее добираться до аэропортов. Например, поездка до станции «Окружная» для пересадки на аэроэкспресс в Шереметьево займет 18 минут, поездка до станции «Верхние Котлы» для пересадки на аэроэкспресс в Домодедово – 29 минут, поездка до станции «Андроновка» для пересадки на электричку в аэропорт Жуковский – лишь 10 минут. После того как будет запущена линия МЦД-4, пассажиры смогут пересаживаться с Московского центрального кольца на аэроэкспрессы во Внуково.

Нужно сказать, что район Гольяново, в котором будет работать новый современный вокзал, в последнее время также совершенствуется. «Для жителей благоустраивается комплексная инфраструктура, делаются переходы, дополнительные выходы из МЦК и ряд других проектов. Кроме того, здесь, на территории района, прилегающих районов, строится большое количество жилья, в том числе по программе реновации», – сообщил градоначальник. По его словам, сейчас жителям муниципалитета нужно больше рабочих мест, поскольку пока они отправляются на работу в другие районы столицы. Транспортный узел станет дополнительным деловым центром, где смогут трудоустроиться гольяновцы. Район модернизируется и по программе «Мой район»: в рамках этого проекта в Гольянове были благоустроены Байкальская улица, территория, прилегающая к Московскому экспериментальному заводу № 1, девять территорий образовательных учреждений. Уже удалось привести в порядок 98 дворов, установить 205 опор освещения, 872 скамейки и другие малые архитектурные формы, а также обновить три спортивные площадки. И это только начало. В 2021–2023 годах планируется благоустроить еще множество объектов, среди которых парк «Гольяново», улицы Уссурийская и Красноярская, 186 дворов и четыре спортивные площадки. 

Гадание на датасетах

Вы каждый день сталкиваетесь с машинным обучением и его работой. Вас удивляет, как быстро его учат новым навыкам и совершенствуют в старых. Но что если мы скажем, что все это достигнуто с помощью всего половины процента от имеющихся у человечества данных? Вместе с экспертами Яндекса рассказываем, как в ближайшие годы машинное обучение изменит мир вокруг нас.

N + 1 совместно с экспертами Яндекса, а также членами жюри и лауреатами научной премии им. Ильи Сегаловича представляет материал о ближайших и более дальних перспективах машинного обучения. В 2019 году Яндекс учредил премию имени Ильи Сегаловича в память о создателе первой версии поисковика «Яндекс» и популяризатора компьютерных наук. Это ежегодная премия для молодых исследователей в области машинного обучения, компьютерного зрения, информационного поиска и анализа данных, а также обработки естественного языка.

Если вы студент, аспирант или научный руководитель из России, Беларуси или Казахстана и работаете над подобными задачами, вам стоит рассказать о своих успехах и подать заявку на соискание премии. В этом году они будут приниматься до 1 марта включительно.


Здесь нет заголовка, но машинное обучение может его придумать

Машинное обучение есть почти в каждом гаджете, который нас окружает. С его помощью работают поисковики, агрегаторы такси, камеры, отслеживающие нарушения ПДД. Сейчас этим никого не удивишь. Но в последние годы машинное обучение стало важной частью медицинских и даже гуманитарных исследований.

В январе разработчики из OpenAI представили нейросеть DALL-E, способную создавать изображения по текстовому описанию. Это не первая подобная разработка, но очень интересная и разносторонняя. Пока рано говорить, что у нейросетей появилось воображение, но DALL-E способен рисовать предметы, руководствуясь даже очень абстрактным описанием, — например, «кресло в форме авокадо». Нейросеть также способна дорисовывать существующему изображению прямоугольную область с любой стороны, создавать реалистичные изображения по наброску и разбирается в том, как менялись вещи со временем. К примеру, DALL-E отличает деревянный телефон 1920-х годов от не таких старых домашних барабанных телефонов.

Подобная технология помогает создавать сцену по имеющемуся сценарию — то есть рисовать примерное изображение того действа, которое задумал сценарист. И этим использование машинного обучения в кино не ограничивается. По словам Игоря Куралёнка, члена жюри научной премии им. Ильи Сегаловича, руководителя подразделения AI & ML Yandex.Cloud, можно выполнять дубляж зарубежных фильмов, не используя голоса российских актеров, а при помощи машинного обучения «заставляя» иностранных исполнителей говорить по-русски.

Беспилотные автомобили, которые мы раньше могли видеть только в качестве первых прототипов на специальных полигонах, уже разъезжают по Москве, пока в тестовом режиме. И пускай эта технология еще не достигла полного развития, от нее можно ждать большого прогресса в ближайшем будущем. Другая интересная технология, в которой широко применяется машинное зрение, — магазины без продавцов. Несколько торговых сетей уже запустили пилотные проекты в Москве.

«Технологии глубокого обучения необходимы для обработки данных после сканирования трехмерного пространства — с помощью лидаров, сканеров структурированного света и других инструментов. Результаты применяются и при создании беспилотных авто, и в разработке приложений для мобильных устройств».

Евгений Бурнаев, доцент Сколтеха, стал обладателем научной премии им. Ильи Сегаловича среди научных руководителей в 2020 году

Гораздо необычнее то, что сейчас машинное обучение помогает расшифровывать забытую письменность. До начала предыдущего столетия в Японии использовалась письменная система, называемая кузусидзи. Сейчас — спустя более века после реформы системы образования — почти не осталось людей, способных ее понимать. Чтобы решить проблему расшифровки древних текстов Национальный институт японской литературы опубликовал датасет кузусидзи, содержащий более 4 тысяч классов символов и миллион их разнообразных изображений. Чтобы извлечь максимум из имеющихся данных, на платформе Kaggle открыли соревнование, победитель которого достиг F1 = 0,950. Суть соревнования заключалась в распознавании письменности и ее переводе на современную японскую письменность.

Постепенно машинное обучение проникает и в медицину. Как утверждает Александр Крайнов, член совета научной премии им. Ильи Сегаловича и руководитель Лаборатории машинного интеллекта Яндекса, медицина — самое интересное место для внедрения машинного обучения, начиная от распознавания медицинских снимков и заканчивая постановкой диагноза, пусть не в качестве конечного вердикта, но в виде весомого совета для докторов.

Пока машинное обучение помогает врачам иначе. Например, в американском госпитале алгоритм на основе машинного обучения предсказывает заполняемость больницы, распределяет время врачей и медсестер и заказывает расходники.

«Машинное обучение применяется в медицине и в сложных задачах — таких, как модель AlphaFold2, предсказывающая структуру белков. И в более приземленных и доступных — например, при создании элайнеров (ортодонтических капп на зубы)».

Лариса Маркеева, лауреат научной премии им. Ильи Сегаловича в 2020 году


Предупрежден, значит вооружен

Может показаться, что машинное обучение всесильно и сможет вскоре заменить человека в любой области. Это не так. Не во всех задачах сейчас можно прибегнуть к помощи машинного обучения. Порой собранных данных просто недостаточно для создания качественного алгоритма. Но, как подсказывает Игорь Куралёнок, возглавляющий подразделения AI & ML Yandex.Cloud, иногда выход все же есть — применение трансферного обучения (transfer learning).

Эта методика позволяет экстраполировать имеющиеся алгоритмы на более узкие проблемы. Подходящим примером является переобучение готовой языковой модели на перевод специфической малоизученной литературы. Возможны ли в этом случае ошибки? Скорее всего, да. Но не стоит забывать, что ошибки, человеческие они или машинные, — это естественная часть совершенствования технологии. И чем больше мы о них знаем, тем проще их обнаружить и исправить.

Но использование даже самых современных методик пока что не позволяет доверить машинному обучению задачи, сопряженные с высоким риском. Дэвид Талбот, руководитель отдела NLP Яндекса и член жюри научной премии им. Ильи Сегаловича, считает, что полностью доверить машинам такие задачи, как, например, операции на сердце или даже управление автомобилем, еще нельзя.

«Очевидно, что приход transfer learning в NLP (от англ. natural language processing — «обработка естественного языка») — очень важный прорыв, который чуть раньше произошел и в компьютерном зрении. Отдельно стоит отметить модели (например, DeBERTa — Decoding-enhanced BERT with Disentangled Attention), которые смогли превзойти человека в задачах понимания текста (на SuperGLUE benchmark). Но стоит обратить внимание и на другие важные работы в области. Использование баз и графов знаний (knowledge bases и knowledge graphs) совместно с языковыми моделями становится популярным и используется, например, в диалоговых системах или для генерации текста».

Анастасия Янина, лауреат научной премии им. Ильи Сегаловича в 2020 году

Александр Крайнов из Лаборатории машинного интеллекта Яндекса считает, что нейросети технически несовершенны в сравнении с мозгом. Мозг способен выполнять самые разнообразные задачи, затрачивая несравнимо меньше энергии, чем нейросети. В том числе поэтому не стоит ждать, что в скором времени машина сможет воспроизвести работу человеческого мозга. В ближайшее время нейросети будут эффективны лишь в решении узких конкретных задач.

Куда едем? В будущее!

Создание беспилотного авто требует работы по пяти направлениям:

  1. Локализация и построение карты (map and localization), которые определяют, где автомобиль расположен в конкретный момент.
  2. Восприятие (perception) отвечает за анализ окружающего мира.
  3. Прогнозирование (prediction) — предсказание поведения других участников дорожного движения.
  4. Планирование маршрута/траектории (motion planning) — этот компонент получает входные данные от perception и prediction и строит траекторию движения.
  5. Низкоуровневые команды (vehicle control) — непосредственное управление автомобилем, производимое с помощью motion planning.

Из этих пяти компонентов восприятие (perception) и прогнозирование (prediction) больше всего опираются на машинное обучение. Для анализа окружающего мира восприятие (perception) получает данные от камер, радаров и лидаров, расположенных на автомобиле. Радары позволяют заметить объект на большем расстоянии, чем другие датчики, и определить его скорость, но не могут при этом определить класс объекта.

Другим важным сенсором являются лидары, чей принцип работы напоминает строительные лазерные дальномеры. Лидар на беспилотных машинах состоит из некоторого числа вертикально расположенных «лазерных дальномеров», которые постоянно вращаются, посылая около миллиона импульсов в секунду. Отражаясь от объектов, они независимо от уровня освещения создают трехмерный слепок окружающего мира (лидарное облако), с чем анализ видеопотока с камер справляется гораздо хуже. Сами же лидарные облака помогают не только понять, что окружает беспилотный автомобиль, но и помогают определить, где он находится. Определение положения в пространстве по GPS имеет довольно большую погрешность, поэтому алгоритмы сравнивают полученный слепок окружающего мира с объектами на трехмерной карте, хранящейся в памяти беспилотного авто, и определяют точное местоположение автомобиля. Создание датасетов в Яндексе происходит при помощи Толоки, участники которой также размечают изображения и лидарные облака, чтобы собрать данные для улучшения машинного зрения беспилотных машин.

Для успешного движения беспилотных машин необходима качественная работа алгоритма сегментации. Он отвечает, к какому классу объектов относится каждый пиксель изображения и каждая фигура на лидарном облаке, относятся ли они к пешеходу, автомобилю или дорожному знаку. При этом алгоритм должен выделять из классов объектов отдельные единицы: например, разделять поток автомобилей на машины.

Константин Лахман, член жюри научной премии им. Ильи Сегаловича и руководитель отдела компьютерного зрения и ML приложений Яндекса, считает что грузовые перевозки уже скоро будут автоматизированы. Но в ближайшее время всеобщего внедрения беспилотных машин ждать не стоит. Тем не менее появление на дорогах смешанного потока, в котором по соседству с обычными автомобилями будут ездить гораздо более совершенные в сравнении с сегодняшним днем беспилотные авто, уже не за горами.

Смешанный режим, кстати, является важной проблемой, которую надо решить на пути к общедоступности беспилотных автомобилей. Координироваться друг с другом и обмениваться информацией им существенно проще, чем предугадывать поведение автомобилей с живыми водителями. Примером налаженного совместного движения беспилотных машин являются роботы на складах Amazon, которые перемещаются по ограниченному пространству в полной гармонии друг с другом.

Для наилучшего взаимодействия с живыми участниками дорожного движения беспилотные машины опираются на прогнозирование (prediction). Этот компонент с помощью техник машинного обучения предугадывает поведение других участников дорожного движения. Другими словами, он определяет их наиболее вероятные намерения и траектории. Безусловно, стиль вождения отличается не только от страны к стране, но и от города к городу. Но с помощью хороших датасетов и нейросетей беспилотные автомобили могут научиться ездить в любых условиях.

Плохая погода, к примеру, современным беспилотным авто уже не помеха. Для различных погодных условий разработаны соответствующие режимы езды. Снег, конечно, способен слегка зашумить лидарное облако, но очистить его от шума не представляет сложности. Также и все датчики на беспилотных машинах способны сами очищать себя от грязи и осадков. Большую сложность представляет езда в загруженном и непредсказуемом транспортном потоке.

По мнению Александра Крайнова, возглавляющего Лабораторию машинного интеллекта Яндекса, взрослые люди еще будут водить автомобили, а ребята, которым сейчас по десять лет, будут сидеть в автомобилях только в качестве пассажиров, даже находясь за рулем.

Изменят беспилотные машины и общественный транспорт. Беспилотный автомобиль может быть одновременно и каршерингом, и такси. И если вы таким обзаведетесь в будущем, вам будет гораздо выгоднее сдавать его в аренду, пока вы его не используете. Значит, города будущего будут наполнены координированными беспилотными машинами, которые будут постоянно в движении.

«Беспилотные авто в качестве общественного транспорта могут существенно снизить нагрузку на дороги. Выделенная полоса — это ведь отдельный трек. В ее рамках можно все автоматизировать, увеличить частоту движения, минимизировать человеческий фактор».

Александр Гасников, профессор МФТИ, доктор физико-математических наук, стал обладателем научной премии им. Ильи Сегаловича среди научных руководителей в 2020 году

Всевидящее машинное око

Банки, сотовые телефоны, камеры в общественных местах — в повседневную действительность все больше входят методы идентификации по лицу. И поскольку от их защищенности зависит порой состояние вашего банковского счета или приватность данных на вашем телефоне, стоит задуматься безопасно ли их использовать. На самом деле да.

Возможно, вы сталкивались с примерами, когда небольшое и невидимое человеческому глазу зашумление картинки полностью сбивало с толку машинное зрение. Такие методы взлома называются состязательными атаками. С их помощью можно заставить алгоритм перестать обнаруживать на изображении человеческие лица или даже представить черепаху ружьем. Казалось бы, таким образом злоумышленники могут маленькими штрихами помечать дорожные знаки и это полностью собьет с толку те же беспилотные авто. Но нет.

«В ближайшее время большое внимание будет обращено к задачам устойчивости и интерпретируемости алгоритмов. Как построить модели, устойчивые к атакам и шуму? Как объяснить, почему алгоритм выбрал именно такой ответ? При этом очень важно следить за новыми технологиями. Машинное обучение настолько быстро меняется, что нужно адаптироваться, а студентам в особенности решать отдельные, «яркие» задачи, пока их не успели решить другие».

Иван Оселедец, профессор Сколтеха, доктор физико-математических наук, стал обладателем научной премии им. Ильи Сегаловича среди научных руководителей в 2019 году

Применяемые сейчас методы идентификации по лицу и просто методы распознавания лиц и объектов гораздо чаще опираются на анализ видеопотока, чем на анализ статического изображения. Это касается и ваших мобильных телефонов и камер на беспилотных машинах. Актуальных и опасных методов взлома видеопотока в таких ситуациях пока нет. Тем не менее совершенствование методик защиты не останавливается.

Одной из самых интересных задач является задача распознавания лица. Ваш телефон ведь должен понять, что вы — это вы, а не цветная фотография вашего лица. Есть несколько подходов. Например, более совершенные камеры способны определять сосуды на человеческом лице, движение крови по ним, чего у фотографии точно быть не может. Apple пошли другим путем — их новые телефоны оборудованы лидарами, которые определяют рельефность лица и в перспективе могут защищать от подмен.

В том, что касается взаимодействия машинного зрения с NLP, глава отдела NLP Яндекса Дэвид Талбот обещает: в ближайшем будущем машинный перевод текста с изображения будет учитывать контекст этого самого изображения. Например, если на бутылке воды будет слово «still», машинный перевод поймет, что в контексте «still» значит «негазированная», а не «все еще».

Но проникает машинное зрение не только в ваш телефон и беспилотные автомобили. В Москве и ближнем Подмосковье, например, действуют несколько небольших магазинов без продавцов — это эксперименты крупных сетей. Возможно, вы даже бывали в таких. Камеры, расположенные внутри помещений, считывают лица покупателей, продукты, которые они берут себе в корзину и на выходе списывают с банковского счета необходимую сумму. По словам Константина Лахмана (компьютерное зрение и ML приложений Яндекса), пока такие магазинчики являются только proof of concept — крупные розничные сети оттачивают на них новую технологию и пытаются исключить лазейки для мошенничества. В ближайшем будущем, когда сомнения в целесообразности таких магазинов отпадут, вполне возможно, мы увидим и гипермаркеты, наполненные только покупателями.


Говорите-говорите, я за вами успеваю

С помощью машинного обучения NLP выполняет разнообразные задачи: перевод, распознавание речи, анализ тональности текста, создание вопросно-ответных систем, которые сейчас применяются в чат-ботах.

Классический NLP с учителем разбивал задачу на подпункты: токенизация, категоризация, классификация и так далее. То есть каждую задачу (анализ тональности, извлечение отношений, перевод и так далее) решали отдельно и независимо. Но современный NLP отходит от разделения на компоненты в сторону прямого решения задачи. Сейчас, как и в остальных областях машинного обучения, в NLP широко используют предобученные нейросети — языковая модель текста извлекает закономерности языка без привязки к конкретной задаче. Затем эту модель можно легко дообучить на определенную задачу с помощью небольшого набора размеченных данных. Примером успешной языковой модели, основанной на трансферном обучении, является BERT.

Человеку может казаться, что один язык проще, а другой сложнее. Носителям европейских языков вряд ли легко дастся изучение арабского или китайского. Однако машины не повторяют логику человеческого мозга и воспринимают задачу иначе. По словам Дэвида Талбота из отдела NLP Яндекса, качество перевода зависит исключительно от величины и качества имеющихся датасетов. Поэтому хуже всего машинный перевод справляется с непопулярными языками, но и в этом случае перевод улучшается — данные помогают собирать локальные сообщества. Если этого недостаточно и хороших билингвических датасетов нет, на помощь придет машинное обучение без учителя. Вначале представления слов в каждом языке обучаются на моноязычных данных. Затем эти представления выравнивают, опираясь на слова, которые присутствуют в обоих языках. На этих выровненных представлениях запускается модель перевода. С ее помощью текст итеративно переводится с одного языка на другой, а в качестве метрики качества используется разница между исходным текстом и переводом туда-обратно.

Однако в отдельных случаях при сохранении смысла перевода, некоторую шероховатость можно простить. Возможно, вы слышали о «вавилонской рыбке». Сейчас так называют разрабатываемое устройство, способное переводить человеческую речь «на лету». Дэвид Талбот считает, что оно будет доступно пользователям в течение следующих пяти-десяти лет. Разумеется, при быстрой обработке недосказанных предложений высокой точности перевода пока ждать не стоит, но общий смысл слов собеседника с его помощью будет можно понять. Более трудной задачей является воссоздание голоса человека, его тональности и эмоций при переводе на другой язык. Но и в этом направлении сейчас ведется работа.


Brake! Снято!

Проникает машинное обучение и туда, где его меньше всего ждали, — в творческие специальности. В Яндексе есть онлайн-выставка картин, нарисованных нейросетью. Все уже разошлись по «частным коллекциям». Или вы, может быть, слышали о музыкальном исполнителе «Нейронная оборона», стихи для песен которого также были написаны нейросетью. Отличить их от настоящих произведений Егора Летова удается не всем.

Машинное обучение может изменить и мир кино. Уже сейчас нейросети способны создавать лица никогда не существовавших людей. По мнению руководителя Лаборатории машинного интеллекта Яндекса Александра Крайнова, при помощи дипфейков киностудии избавятся от необходимости переплачивать известным актерам за бренд — их лицо. А цениться в профессии будут те люди, которые действительно смогут качественно сыграть роль. Пускай и не со своим лицом. Как утверждает Александр, это приведет к тому, что в будущем суперзвезд кинематографа вроде Леонардо ДиКаприо больше не будет.

Другим важным нововведением машинного обучения в кино является создание виртуальной сцены по сценарию. Пускай пока качество этих сцен не позволяет их использовать в готовом монтаже, но с их помощью можно выставить свет и понять, как будет смотреться кадр до того, как дорогостоящие декорации будут построены.

Но не все творчество дается нейросетям так легко. Нельзя ждать, что в осязаемом будущем с помощью методов машинного обучения можно будет написать роман. Создание большого художественного текста с нуля предполагает жизненный опыт, переживания, которых у нейросети нет. Пока нельзя представить, что машинное обучение сможет придумать персонажей, дать им характеры и выстроить отношения между ними. Тем не менее написание коротких текстов журналистского характера нейросетям уже удается. Дэвид Талбот, который руководит отделом NLP Яндекса, в качестве примера приводит алгоритм обработки естественного языка GPT-3. Но, по его словам, хоть он и впечатляет своими возможностями, одного-двух абзацев написанного им текста обычно достаточно, чтобы увидеть в нем некоторую несвязность.

Другая сложность, отмечает Константин Лахман из отдела компьютерного зрения и ML приложений Яндекса, в том, что у потребителя художественное произведение, созданное машинным обучением, может не вызвать интереса. Просто он не будет чувствовать эмоциональную связь с автором-алгоритмом.

Будущее в будущем

Одна из проблем более далекой перспективы, решения которой в скором времени ждать не стоит, — Поиск 2.0, отмечает руководитель подразделения AI & ML Yandex.Cloud Игорь Куралёнок. Когда появлялись первые поисковики, страниц в интернете было немного и индексировать их было относительно просто. Затем этот процесс отдали нейросетям, и сейчас они из множества страниц выбирают подборку наиболее релевантную нашему запросу. Но в будущем стоит задача научить нейросети не искать страницы, на которых мы можем найти ответ на наш вопрос, а непосредственно отвечать на запрос пользователя, проанализировав всю необходимую информацию из интернета. Яндекс приближается постепенно к этому, прямо отвечая нам на запрос, «какая погода в Москве» или «где появилось первое метро», однако полноценный поиск 2.0 появится нескоро.

Но уже сейчас в дополнение к поисковым результатам на многие запросы Яндекс выводит «суммаризацию» выдачи — вместо просмотра самих документов пользователь может получить общий ответ. Пока такая технология, по мнению Константина Лахмана (отдел компьютерного зрения и ML приложений Яндекса), помогает в основном на фактовых запросах, но с быстрым развитием генеративных текстовых моделей, вполне вероятно, подобной суммаризацией будет сопровождаться большинство поисковых запросов. Похожие подходы используются и в Алисе, потому что ответы на простые и сложные вопросы пользователей — это одно из неотъемлемых качеств хорошего диалогового помощника.

Не стоит в ближайшее время ждать и появления настоящего искусственного интеллекта — ИИ общего назначения. Основан этот искусственный интеллект может быть только на технологиях машинного обучения без человека в качестве учителя — то есть обучения с подкреплением, ведь, обучаясь на данных, размеченных людьми, машина в лучшем случае достигнет уровня квалифицированного специалиста, но не превзойдет его. Задача искусственного интеллекта общего назначения, самообучаясь, не просто выполнять задачи лучше человека, но и формулировать критерии качества, по которым оценивается выполнение этих задач. На пути к этому стоит необходимость выработать у машины любопытство и интерес к окружающему. Как этого достигнуть, пока тоже неизвестно.

По мнению Дэвида Талбота (отдел NLP Яндекса), в ближайшем будущем машины не научатся читать наши мысли по лицу, и способов коммуникации без речи не появится. Да и в существующих областях NLP от машинного перевода до синтеза речи алгоритмы все еще будут допускать ошибки. Но голосовые помощники будут плотнее взаимодействовать с поисковиками и будут гораздо более персонализированными, чем сейчас. В ближайшем будущем вы даже сможете попросить ИИ подобрать подарки для ваших родственников на праздник, показав ему какие-то примеры. Но не все так просто.

Игорь Куралёнок, возглавляющий подразделения AI & ML Yandex.Cloud, считает, что сфера применения голосовых помощников ограничена. Мало кому комфортно пользоваться ими в общественном транспорте. К тому же, по его словам, через голосовой сигнал мы воспринимаем только 30 процентов информации. Поэтому взаимодействие с устройствами традиционными способами пока никуда не уйдет.

В будущем стоит ждать, что профессия асессора (человека, размечающего данные для машинного обучения) будет становиться все более квалифицированной. Пока что на той же Толоке существует необходимость решать даже простейшие задачи, вроде разметки общепонятных изображений. В перспективе, когда ML будет учиться более сложным навыкам, оно будет нуждаться в датасетах, размеченных лучшими специалистами планеты. Будет ли это интересно им? Скорее всего, да. Ведь машина, обученная нашим умениям и талантам, успеет сделать больше, чем мы за свою карьеру.

Технологии ML к нашему времени достигли уже очень многого и наверняка не остановятся. Уже через год нас будут удивлять совсем новые достижения и способности нейросетей. Но машинное обучение создается людьми, а не машинами. И, возможно, именно вы поможете ему стать еще лучше.

Богдан Сиротич

Каршеринг в России на грани бума

Россия — самая большая страна в мире, занимающая 17 миллионов квадратных километров. Или, говоря автомобильным языком: поездка из одного конца России в другой займет две недели. У этой огромной страны есть огромная столица, и обеим нужен огромный флот. Последние несколько лет Москва была лабораторией каршеринга. Эксперимент оказался успешным, и, согласно исследованию LeasePlan Russia, формула распространяется на остальную часть России.

Общий автомобильный парк в России составляет около 42 миллионов автомобилей в частной собственности и 3,5 миллиона автомобилей в корпоративном парке. Ежегодные продажи автомобилей составляют 1,5 миллиона единиц, в основном в частный сектор. Но отношение к собственности меняется, и россияне отдают предпочтение каршерингу как все более распространенной альтернативе.

Первые шаги
Каршеринг в России сделал первые пробные шаги в 2013 году в Москве и Санкт-Петербурге.К 2015 году эта формула была достаточно знакома московским властям, и они объявили о планах по увеличению парка каршеринга в российской столице до 10 000 автомобилей.

До этой цели еще далеко: общий парк каршеринга в столице сегодня составляет около 3000 автомобилей. В остальной части России каршеринг насчитывает более 2700 автомобилей. На данный момент крупнейшими компаниями на рынке каршеринга в России являются: Делимобайл, Car5, YouDrive, AnyTime и BelkaCar.

Только в Москве более 300 000 клиентов подписываются на различные предлагаемые схемы каршеринга.За 20 месяцев с сентября 2015 года по май 2017 года количество поездок москвичей в каршеринг превысило 1,3 миллиона. Каждой общей машиной пользуются в среднем восемь человек в день. В среднем поездка в каршеринге длится 37 минут.

Отчетливый профиль
Целевой клиент услуг каршеринга в России имеет четко выраженный профиль: молодой и средний возраст (21-40 лет), мегаполис, предпочитающий самостоятельный транспорт перед такси — финансовая экономия составляет главный фактор в этом.

Около 90% российских автолюбителей имеют один или два высших образования. Что касается работы, это в основном сотрудники, работающие полный рабочий день, руководители высшего звена или владельцы бизнеса. Доля рабочих и безработных клиентов каршеринга минимальна (5-7%).

Четыре фактора стимулируют рост каршеринга в России. Во-первых, изменение отношения к владению автомобилем, а точнее: стоимости владения автомобилем. Исследования показывают, что в среднем «находящийся в собственности» автомобиль простаивает до 90% времени, что, конечно, влияет на эффективную стоимость автомобиля (когда он фактически используется).

Рост спроса
Во-вторых, транспортная ситуация в крупных городах России критическая с точки зрения плотности движения и пробок, а также ограниченной доступности и высокой стоимости парковочных мест. Эти факторы стимулируют спрос на альтернативные решения для мобильности.

В-третьих, Россия очень продвинулась в применении технологических инноваций, которые пронизывают практически все аспекты повседневной жизни страны. Например, россияне очень сообразительны, когда дело доходит до заказа товаров через Интернет.

И, наконец, операционный лизинг стал предпочтительной технической платформой для компаний каршеринга. Это позволяет им сконцентрироваться на своей основной деятельности, оставив управление автопарком арендодателям. Еще одно большое преимущество — финансовое, то есть возможность отказаться от приобретения самих транспортных средств. Среди поставщиков каршеринга в России LeasePlan на данный момент является лидером рынка (43%).

15 000 автомобилей
В течение следующих двух лет каршеринг вырвется из двух больших городов и станет доступен в 15 городах с населением более одного миллиона человек, а также на нескольких курортах Черного моря.

По прогнозам LeasePlan, российский рынок каршеринга за пределами Москвы превысит 5000 автомобилей к концу этого года и вырастет до 7000 в 2018 году. К тому времени только московский каршеринговый парк должен насчитывать от 10 000 до 15000 автомобилей.

Все операторы планируют расширение за пределы Москвы и Санкт-Петербурга, поскольку понимание преимуществ и удобства лизинга среди российского бизнес-сообщества и населения в целом растет.

Это согласуется с растущим интересом к каршерингу, что в конечном итоге приведет к уменьшению количества транспортных средств, находящихся в собственности, и уменьшению некоторой нагрузки, оказываемой движением на городскую инфраструктуру (за счет сокращения использования дорог и парковок) . Производители автомобилей также все больше осознают возможности каршеринга, предлагая особые условия для каршеринга.

Беспилотные автомобили
Следующий шаг — беспилотные автомобили. Испытания на автономное вождение планируется начать в Москве в 2018 году.Это будут автомобили общего пользования без водителя, которые можно будет поймать как такси с помощью мобильного приложения.

Эта услуга призвана объединить в себе преимущества как такси, так и каршеринга: невысокую стоимость, доступность и удобство. К этому довольно скоро добавится еще и экологичность: ведутся работы по добавлению электромобилей в российский каршеринговый парк.

Если Россия — не та страна, которая приходит на ум, когда вы думаете об инновациях в каршеринге, возможно, это потому, что вы недостаточно присмотрелись…

Изображение: Дмитрий Азовцев, CC BY-SA 3.0

москвичей перешли на каршеринг после разгона парковок

Выбор редактора

Глеб Столяров

Добавить комментарий

Ваш адрес email не будет опубликован.