Цифровой двойник таксопарка: ИИ выявляет слабых водителей и чинит машины до поломки

'/upload/iblock/76d/pe774xv9mceqx5falaj1mvl46zmgqk0t/ta_x_1_11.jpg'

Пилотный проект внедрения цифрового двойника для управления таксомоторным парком показал экономический эффект в размере 3-5 млн рублей ежегодно на парк из 100 автомобилей за счет оптимизации логистики, снижения расхода топлива и внедрения предиктивного ремонта. Алексей Костенюк, руководитель направления «Цифровой транспорт» в СберМобайле, подробно разобрал этот опыт на отраслевой конференции «Цифровизация транспорта».

В начале своего выступления эксперт обозначил парадокс: несмотря на высокую цифровую зрелость агрегаторов такси, операционная деятельность самих таксопарков остается зоной роста. Ключевые проблемы отрасли, актуальные и для транспортно-экспедиционных компаний, – это высокая волатильность спроса, кадровые сложности, трудности в управлении автопарком и давление на маржу со стороны регуляторов. Цифровой двойник, по словам Алексея Костенюка, становится инструментом перехода от реактивного к проактивному управлению, позволяя моделировать поведение бизнес-процессов в режиме, близком к онлайн.

Костенюк подчеркнул важность терминологии, призвав не путать цифровой двойник с цифровой тенью. «Если грубо и кратко, то цифровой двойник – это динамичная виртуальная копия физического актива и системы, которая объединяет данные из множества источников», – пояснил он. Такая система обучается на исторических данных с помощью машинного обучения и позволяет проводить симуляции сценариев по принципу «а что если» без риска для реального бизнеса. Архитектура решения выстроена вокруг сбора и интеграции данных из телематики, мобильных приложений водителей, CRM-систем и внешних API, которые затем очищаются, нормализуются и поступают в математические модели для прогнозирования спроса и анализа износа.

Эксперт детально остановился на специфике российского транспорта, которую необходимо учитывать при построении цифровых двойников. Первая особенность – это разрозненность и гибридность автопарков, где европейские производители были заменены на партнеров с Востока, что привело к разным уровням оснащения даже внутри одного модельного года и разным формам владения транспортными средствами. «Архитектура должна быть гибкой и работать по принципу партнера, который дает рекомендации даже при неполных данных», – отметил Костенюк. Вторая ключевая специфика – высокая зависимость от человеческого фактора. Для ее нивелирования создается цифровой двойник водителя, который оценивает надежность через соблюдение графиков работы и процент отмененных заказов, безопасность через анализ стиля вождения и интеграцию с тахографами, а также клиентский сервис через рейтинги и среднее время подачи. Это позволяет выявлять «звезд» и «аутсайдеров» для точечной работы в автоколонне.

Отвечая на вопрос о данных для обучения моделей, Алексей Костенюк подтвердил актуальность тренда на использование синтетических данных. «Хороших данных и информации, структурированных по R&D модели, как раз недостаточно», – констатировал он. По его словам, в работе с одним из клиентов компания использовала обезличенную выборку за два предыдущих года, которую можно считать синтетической. Эти данные, включавшие около 82 тысяч единиц информации по каждой модели автомобиля – от щеток и колодок до сложных агрегатов, помогли продемонстрировать работу системы. «Синтетические данные помогают показать, как работает система. Потому что если данных будет недостаточно, система выдаст результат, от которого станет всем дурно», – пояснил Костенюк. При этом каждый клиент в перспективе должен формировать собственную историю фактических данных, особенно в регионах, где проблема структурирования информации стоит остро.

На вопрос Дмитрия Сергеевича из Центра КАМАЗа о реальных примерах предиктивной аналитики Костенюк привел конкретный кейс. Клиент, предоставивший данные по моделям Gazon Next и Gazelle Next за два года, получил модель, которая выдает спецификацию предстоящих затрат в двух форматах. Первый вариант прогнозирует, какие узлы потребуют замены у каждого автомобиля через определенный пробег, например, 5 тысяч километров. Второй вариант позволяет с помощью «ползунка» моделировать спецификацию затрат на конкретную дату в будущем – к концу квартала или года. «Модель знает историю отказов и текущие цены на агрегаты, формирует реестр и выдает общую сумму затрат, которую компания может заложить в бюджет», – резюмировал Алексей Костенюк.

Напомним, дороги России обзаведутся цифровыми двойниками до конца 2026 года. LR