Госинспекция по недвижимости подвела итоги пилотного проекта по использованию искусственного интеллекта
Пилотный проект по использованию искусственного интеллекта для обнаружения нарушений в городской застройке был запущен Госинспекцией по недвижимости совместно с Департаментом информационных технологий в 2020 году. Проект призван на ранней стадии выявлять и предотвращать нарушения в имущественно-земельной сфере на территории города Москвы. Об этом сообщила пресс-служба ведомства.
«В 2020 году началось обучение нейронной сети для обнаружения действующих строек. Для распознавания строек нейросети используют фото- и видеоматериалы системы городского видеонаблюдения и анализируют снимки беспилотных летательных аппаратов. В дальнейшем эти фотографии будут рассматривать специалисты и определять наличие нарушений. Таким образом, появится возможность проверять большие площади за меньшее время, качественно следить за состоянием территории и делать общественные пространства удобными и безопасными для граждан», – рассказал начальник Госинспекции по недвижимости Владислав Овчинский.
В 2020 году Госинспекция по недвижимости выявила почти 1,5 тысячи нарушений, связанных с использованием объектов нежилого фонда и земель на территории Москвы, с помощью автоматизированных способов – это составляет 37% от всех обнаруженных в 2020 году нарушений и в 2,5 раза превышает показатели автоматизированного выявления нарушений в 2019 году. В 2021 году ведомство планирует расширять использование этих инструментов и увеличить долю нарушений, выявленных автоматизированным способом, до 60%.
Работа над качеством алгоритмов будет продолжаться на постоянной основе, сообщил Министр Правительства Москвы, руководитель Департамента информационных технологий города Москвы Эдуард Лысенко.
«Использование алгоритмов видеоанализа на базе нейронных сетей позволяет кардинально повысить эффективность рутинной работы с данными системы городского видеонаблюдения. Огромную роль в их внедрении имеет процесс обучения нейронных сетей, который требует структурирования опыта работы оператора и точной разметки исходных данных для обучения. При этом для большинства городских задач требуются постоянное дообучение и донастройка алгоритмов как под разные времена года, так и под возможные изменения процессов. Это в свою очередь позволяет повышать качество работы алгоритмов. Автоматизация процессов контроля решения городских задач не только позволяет использовать весь объем видеоданных, но и избавить их от влияния человеческого фактора», — добавил он.
