antony_w (antony_w) wrote,
antony_w
antony_w

Categories:

Как ИИ помогает управлять аэропортом: опыт Шереметьево

Выступая 24 ноября на онлайн-конференции TAdviser Summit 2020, директор дирекции производственного моделирования международного аэропорта Шереметьево Сергей Коняхин рассказал об опыте и планах применения технологий искусственного интеллекта в аэропорту.

Шереметьево является крупнейшим аэропортом России, обладающим самой масштабной терминальной и аэродромной инфраструктурой в стране: 6 пассажирских терминалов общей площадью более 570 тыс. кв. м, три взлетно-посадочные полосы, карго-терминал мощностью 380 тыс. тонн грузов ежегодно, другие объекты.


Директор дирекции производственного моделирования международного аэропорта Шереметьево Сергей Коняхин поделился лучшими практиками использования ИИ в своей компании на TAdviser SummIT

Бесперебойное функционирование всех систем Шереметьево требует точного планирования, диспетчеризации всех процессов, эффективного распределения ресурсов, отметил Сергей Коняхин.

При этом прогнозирование производственной деятельности аэропорта должно формироваться с учетом ряда специфических факторов. В их числе: неоднородность объема пассажиропотока и грузопотока - в течение суток, недели, сезона постоянно меняется потребность в ресурсах и нагрузка на системы аэропорта; масштабы инфраструктуры, распределение нагрузки между терминалами, зонами перрона; необходимость во взаимодействии большого количества служб аэропорта; влияние погодных и сезонных факторов.


Слайд из презентации Сергея Коняхина

С целью решения двух важных задач – снижения производственных рисков и увеличения прибыли – аэропорт Шереметьево разработал и внедрил системы автоматического долгосрочного и краткосрочного планирования персонала и ресурсов. В аэропорту и компаниях, участвующих в обслуживании пассажиров и самолетов, работает более 10 тыс. человек, используются тысячи единиц техники, привел данные представитель Шереметьево. Чтобы снизить риски и увеличить прибыль, аэропорт должен точно знать минимально необходимое количество всех видов персонала и техники в конкретный момент времени в каждой точке.


Слайд из презентации Сергея Коняхина

Зная потребности в персонале по месяцам, система подбирает оптимальное штатное расписание, графики набора персонала, обучения и переобучения. Зная потребности по дням недели, система подберет графики расстановки техники, а по часам – система помогает планировать ранние выезды на работу, обеды и релокации в течение дня.

Для оценки потребностей по каждому промежутку времени требуется учесть множество факторов, говорит Сергей Коняхин. Решением стало использование технологий машинного обучения. Для каждой из прогнозируемых величин были подобраны оптимальные алгоритмы машинного обучения, подготовлены данные, подобраны дополнительные агрегации данных.

«Если выражаться банковским языком, мы должны не просто ответить на вопрос, вернет человек кредит или нет, а мы должны сказать, в какое отделение, в какое время и какими купюрами он этот кредит будет возвращать, - отметил Сергей Коняхин.»


Слайд из презентации Сергея Коняхина

В пример реализации этой аналитики Сергей Коняхин привел прогнозирование загрузки самолета. Раньше ее брали равной 80% от компоновки самолета. И отклонения достигали до 40%, что непозволительно для оптимального расчета. А с помощью машинного обучения менее чем за год точность прогнозов повысилась практически в 10 раз, говорит он. И это не предел.

«Конечно, что-то мы прогнозируем лучше, что-то хуже. Иногда нас очень «подводят» хоккейные команды или оркестры, которые неожиданно портят прогноз по багажу, - отмечает представитель аэропорта Шереметьево.»

Он также рассказал, с чем столкнулась компания при тестировании систем планирования ресурсов. Оказалось, что рассчитать оптимальное количество ресурсов недостаточно, так как диспетчеры были не готовы управлять таким количеством ресурсов. В итоге случалось, что оборудование находилось в неправильных локациях, ресурсы не распределялись правильно между зонами в пределах дня. Также на тот момент еще не панировались обеды и задержки на работе. Получалось, что мог наступить пик нагрузки, а сотрудников в это время требовалось отпустить на обед.


Слайд из презентации Сергея Коняхина

В итоге на основе систем предсказания были разработаны системы автоматического оперативного планирования ресурсов и персонала с рекомендациями на смену для каждого диспетчера, рассказывает Сергей Коняхин.

По данным аэропорта Шереметьево, результате внедрения систем автоматического долгосрочного и краткосрочного планирования персонала и ресурсов были достигнуты следующие эффекты:

*проведена калибровка системы планирования на реальных процессах и устранены ее недостатки;
*реализованы рекомендательные системы для диспетчеров с целью управления ресурсами с учетом будущих событий;
*произведена существенная оптимизация расходов компании.


Слайд из презентации Сергея Коняхина

Дальнейшими направлениями развития систем искусственного интеллекта является автоматическая диспетчеризация и автоматизация функций административного персонала, а также формирование максимально прозрачной отчетности и подробного факторного анализа для топ-менеджмента компании.

В перспективе использование систем искусственного интеллекта будет способствовать поддержанию высокого качества обслуживания пассажиров, авиакомпаний и пунктуальности выполнения рейсов с учетом долгосрочного роста пассажирских и грузовых перевозок.

Tags: искусственный интеллект
Subscribe

Posts from This Journal “искусственный интеллект” Tag

promo antony_w august 17, 2014 11:48 18
Buy for 10 tokens
Есть блог, в котором написано много постов про роботов: ссылка И там есть несколько статей о замене рабочих мест человека роботами: Уже к 2018 году роботы отберут у человека часть профессий Рабский труд без зарплаты Армия роботов: зачем она нужна обильной людьми Поднебесной и кому может…
  • Post a new comment

    Error

    default userpic

    Your IP address will be recorded 

    When you submit the form an invisible reCAPTCHA check will be performed.
    You must follow the Privacy Policy and Google Terms of use.
  • 1 comment