Почему мощные ИИ‑модели, такие как TUM , пока не удаётся внедрить на практике? Этот вопрос обсуждался на IJCAI 2026. Профессор Мюнхенского технического университета (TUM) Ziyue Li выделил две ключевые проблемы: различие между академическими и реальными данными, а также важность объяснимости моделей для их внедрения в городскую среду.
Академические исследования часто работают с «чистыми данными», тогда как государственные структуры сталкиваются с неполными, неорганизованными и неконтролируемыми данными из реальной жизни. Кроме того, объяснимость модели — не просто дополнительный плюс в статьях, а критическое условие для внедрения в городскую среду. Чтобы преодолеть разрыв между исследованиями и внедрением, Ziyue Li предложил фреймворк «PDE‑треугольник» (Perception — восприятие, Decision — решение, Explanation — объяснимость).
Профессор также описал путь от ручного управления к автоматизации: от описательного анализа (что произошло) через диагностический (почему произошло) и предсказательный (что произойдёт) к нормативному (как следует поступить). Этот путь может стать «диагностическим» ориентиром для AI‑сообщества.
По данным опроса McKinsey, проведённого три года назад среди специалистов в сфере транспорта и промышленности, до полноценной автоматизации в разных сферах, включая транспортную, остаётся 10–20 лет. При этом ни один город в мире пока не развернул долгосрочную систему управления светофорами на основе обучения с подкреплением (RL).
Среди проектов, направленных на развитие интеллектуальных транспортных систем, — проект DB Delays (система задержек поездов) с открытой платформой. По вводу города (например, Берлин) можно в реальном времени увидеть маршруты всех поездов — от ICE до региональных (RE). На основе исторических данных система позволяет точно определить время задержки поезда и прогнозировать будущие задержки на уровне штата, города или конкретного маршрута.
В исследованиях по управлению светофорами с помощью RL рассматриваются различные подходы:
* GESA (сценарии независимого RL);
* X-Light (мета‑многоагентная система на основе «Transformer on Transformer» — лучше переносит знания между городами, отмечена как Highlight Paper на IJCAI);
* DuaLight (разделение «сценарий‑специфичных» и «сценарий‑общих» знаний).
Решаются и практические проблемы RL для управления светофорами:
* координация сотен независимых агентов (светофоров) в крупном городе — подход CoSLight (совместная оптимизация выбора партнёров для сотрудничества и принятия совместных решений);
* быстрая адаптация к новым условиям (ремонт, перекрытия, мероприятия) — FElight (адаптация без повторного обучения, быстрое изменение стратегии);
* приемлемость решений для инженеров — GuideLight (ограничение поведения RL для соответствия ожиданиям инженеров, компромисс между производительностью и приемлемостью).
Основные препятствия для развёртывания систем управления светофорами на основе RL:
* недостаточная объяснимость решений RL (в отличие от понятной инженерам стратегии «зелёной волны»);
* разрыв между симуляцией и реальностью (RL часто использует непериодический контроль, тогда как большинство городов предпочитает периодический контроль типа SCATS).
Причинное обучение в транспортной сфере применяется для анализа ДТП, заторов, задержек поездов, выбора места для зарядных станций и центров электротранспорта. Причинное структурное обучение — NP‑hard задача комбинаторной оптимизации: с ростом числа узлов количество возможных структурных графов растёт экспоненциально. Для решения задачи при большом числе узлов (более 100) применяют непрерывную оптимизацию — преобразуют обучение DAG в дифференцируемую задачу.
Основная проблема причинного обучения — отсутствие Ground Truth для проверки полученных DAG: невозможно провести параллельный эксперимент в реальном мире. Роль исследователей — помогать в принятии решений (предоставлять результаты анализа городскому планированию и чиновникам), а не принимать решения.
Процесс построения причинного графа выглядит так: в качестве входных данных используются данные о трафике, скорости, доле занятости, погоде, времени, характеристиках участков дорог, записях об авариях; алгоритм причинного обнаружения автоматически выявляет структурные связи между переменными и строит направленный ациклический граф.
Существуют «золотые правила» для модели в интеллектуальной транспортной системе:
1. Восприятие: способна ли модель безопасно обрабатывать редкие случаи?
2. Принятие решений: может ли модель работать с первого дня развёртывания?
3. Объяснимость: может ли модель объяснить себя людям с опытом в транспорте или городском планировании?
Также выделены «четыре аналитические опоры» для прикладных исследований:
1. Описательный анализ (What happened?) — информация о том, что происходило в прошлом (например, какой перекрёсток был забит в час пик и как долго). Требует значительного ручного ввода данных.
2. Диагностический анализ (Why did it happen?) — определение причин событий (например, из‑за дождя, аварии или неудачной конструкции дороги). Причинное обучение помогает выявить причины, но окончательное решение о приоритетности причин принимает человек.
3. Прогнозный анализ (What will happen?).
Проведено сравнение 20 наборов данных и 30 моделей. Выявлены проблемы в решении реальных задач несмотря на высокую точность прогнозов. Ключевые причины проблем: готовность инфраструктуры, интероперабельность, интеграция данных. Среди ключевых характеристик данных — масштабируемость, работа в реальном времени, гетерогенные источники данных, качество данных.
Проблема недостатка данных также актуальна: например, в городе с населением свыше 30 млн человек установлено только 120 датчиков. Для прогнозирования недостающих 80 % данных применены две стратегии предобучения: «вычитание» (маскирование некоторых узлов в процессе обучения с целью восстановления их моделью) и «сложение» (добавление виртуальных узлов с использованием псевдометок для прогнозирования).
Пример «чистых» данных — данные гонконгского метро: на основе регистрации входа/выхода пассажиров на сотнях станций можно отследить временные (разница между буднями и выходными) и пространственные закономерности (пики пассажиропотока в разное время на разных станциях).
В научных работах по пространственно‑временному прогнозированию транспорта часто используются сложные пайплайны с многократным наращиванием слоёв моделей. Материалы по теме представлены в работе «TrafficPDE: A Guidebook to Deployable AI‑Driven Transportation Systems — Through the Perception‑Decision‑Explanation Triangle».
Наиболее быстро интеллектуальные технологии внедряются в новые способы передвижения (e‑scooter, беспилотники, автопарки с автопилотом), тогда как традиционные виды транспорта (например, железнодорожный) сложнее модернизировать из‑за большого объёма накопленных активов. На вопрос о том, как действовать при неизвестных причинах задержек в авиации, предложено демократизировать данные — показывать их общественности.
Также создана группа для участников IJCAI 2026: в ней будут рассылать информацию о дедлайнах, нормах оформления, ходе рецензирования, организовывать общение специалистов, информировать о передовых исследованиях, помогать на конференции (навигация, обсуждение тем, сбор материалов с постеров и т. д.). Для вступления в группу нужно отсканировать QR‑код или добавить в контакты WhatsApp Qvv0909777, в комментарии указать: IJCAI + организация/вуз + фамилия + направление.
Подписаться в Макс
