Новая разработка ЛЭТИ повысит точность судовых радаров и безопасность мореплавания
Радиолокация является фундаментом обеспечения безопасности и навигации в современном мире. Она позволяет обнаруживать объекты за пределами прямой видимости и в любых погодных условиях, что критически важно для безопасности морских перевозок. В отсутствии радиолокации суда станут «слепыми», что приведет к резкому увеличению числа столкновений и катастроф. Без радаров объекты можно заметить только визуально, что сокращает время на реакцию с десятков минут до секунд. Также отсутствие данных о водной поверхности и атмосферных явлениях ухудшит качество метеорологических прогнозов.
Эффективность работы радиолокационных систем напрямую зависит от состояния моря. Волны отражают радиосигнал и создают фон помех, который может скрывать небольшие суда, спасательные плоты или другие объекты. Поэтому для корректной работы радаров необходимы точные математические модели, описывающие отражение радиоволн от поверхности воды.
Исторически для оценки интенсивности отражения радиолокационного сигнала от поверхности использовались значения удельной поверхности рассеяния морской поверхности из таблиц Натансона, созданных на основе многочисленных экспериментов в середине XX века. Однако эти данные были привязаны к шкале Дугласа – системе оценки волнения моря в баллах, разработанной еще в XIX веке. Сегодня чаще применяется шкала Всемирной метеорологической организации. Кроме того, в России действует шкала волнения моря главного управления гидрометеорологической службы 1953 года.
При переводе между этими системами возникают неточности, поскольку балльные шкалы приходится пересчитывать в физические параметры, например, высоту волн. Это может приводить к ошибкам в моделях отражения радиосигнала и снижению точности работы радиолокационных систем.
Современные математические модели, используемые в навигации, также имеют ограничения. Модель GIT (Georgia Institute of Technology), широко применяемая в отрасли, хорошо согласуется с экспериментальными данными при волнении моря от 4 до 9 баллов. Однако при слабом волнении возникают значительные расхождения, что увеличивает вероятность пропуска небольших объектов на воде. Модель NRL (Naval Research Laboratory), предложенная в 2009 году и впоследствии модернизированная, обеспечивает повышенную точность относительно экспериментальных данных, но в явном виде опирается на шкалу Дугласа, что ограничивает ее применение при использовании других шкал.
Ученые СПбГЭТУ «ЛЭТИ» предложили новую математическую модель отражения радиосигналов от морской поверхности. Она не привязана к оценке волнения моря в баллах какой-либо шкалы и оптимизирована для малых углов скольжения радиоволн от 0,1° до 10°. Именно такие углы возникают при обнаружении объектов на большом расстоянии над поверхностью моря, поэтому их корректное моделирование особенно важно для радиолокации.
«Наша модель позволяет переводить любую шкалу волнения – Дугласа, Всемирной метеорологической организации или российскую – в физически измеряемый параметр, значимую высоту волн, и получать точный результат. При этом формула модели проще существующих аналогов, поскольку для расчета требуется меньше переменных». – Старший научный сотрудник кафедры радиотехнических систем (РС) СПбГЭТУ «ЛЭТИ» Вячеслав Николаевич Михайлов
Модель основана на аппроксимации экспериментальных данных Натансона – математическом методе, при котором сложный набор экспериментальных точек описывается более простой функцией, максимально близко повторяющей исходные данные. Это позволяет сохранить высокую точность расчетов, но значительно упростить вычисления. В отличие от большинства существующих моделей (например NRL), в модели ETU используется не балльная оценка волнения моря, а значимая высота волн, что делает ее более универсальной. Значимая высота волн – это средняя высота высшей трети волн. Этот параметр широко применяется в океанографии и позволяет однозначно описать состояние морской поверхности: от спокойного моря до сильного шторма с высотой волн более 14 метров.
Модель ETU устраняет историческое несоответствие между различными шкалами оценки волнения моря и позволяет радиолокационным системам работать корректно независимо от источника метеорологических данных. Это особенно важно для современных цифровых навигационных систем, которые объединяют данные спутниковых наблюдений, метеослужб и бортовых датчиков.
«Мы назвали модель ETU в честь нашего университета – это символический подарок к 140-летию ЛЭТИ. Разработка может использоваться в гражданских радиолокационных системах, системах управления беспилотными судами, морском экологическом мониторинге, а также в системах обеспечения безопасности морских перевозок и поисково-спасательных операциях». – Старший научный сотрудник кафедры РС Вячеслав Николаевич Михайлов
Исследование выполнено в рамках государственного задания Министерства науки и высшего образования Российской Федерации № FSEE-2025-0006. Результаты работы представлены на международной конференции Antennas Design and Measurement International Conference (ADMInC).
Алексей Мезенцев (ОТП Банк) рассказал, как подготовить данные для эффективной работы с ИИ
Алексей Мезенцев, руководитель AI Lab ОТП Банка, выступил на Бизнес Форс Форуме с докладом о рисках для организаций при работе с искусственным интеллектом. Он рассказал, как использовать нейросети в рабочих задачах и контролировать риски, связанные с утечками корпоративных данных.
По словам Мезенцева, при работе с ИИ сотрудник передаёт модели материалы, необходимые для выполнения задачи. Если используется внешняя модель, данные организации могут выйти за пределы корпоративного контура. Поэтому важно заранее определить, какие данные нужны для задачи и в каком виде их можно передавать.
«Контекст для ИИ должен состоять из данных, которые необходимы для конкретной задачи и разрешены для обработки. Если есть сомнение в очистке данных или возможности их передачи, то лучше провести дополнительные консультации внутри организации до решения задачи», — отметил Алексей Мезенцев.
В качестве примера Мезенцев привёл анализ обращений клиентов одной компании. Данные из контакт-центра, чатов, CRM и почты сначала собираются внутри организации, после чего из них оставляют необходимые поля, очищают персональные и закрытые данные и проводят проверку ИБ. Во внешнюю LLM передаётся только обезличенные данные для аналитики.
Мезенцев также отметил важность актуальности : «Мы наблюдаем, что передача данных внутри в едином формате, понятном как для людей, так и для больших языковых моделей значительно ускоряет работу команд. Фактически мы перестали обмениваться внутри подразделения презентациями и таблицами, а перешли на единый с нейросетями формат md файлов, которые регулярно актуализируем».
По словам Мезенцева, такой подход позволяет перейти от отдельных экспериментов с ИИ к его системному использованию в бизнес-процессах. В качестве примера он привёл работу с Codex при найме специалиста в команду: обработка 40 резюме с едиными критериями и общим контекстом позволила сократить затраты времени на 60–70% и вывести лучшего кандидата в 2 раза сократив плановый срок закрытия позиции в банке.
В Петербурге создали цифрового помощника, который ускорит медосмотры и повысит их качество
Разработанный прототип ИИ-модели для врачей-профпатологов обрабатывает и систематизирует большие объемы данных медосмотров, при этом отмечает показатели как соответствующие норме, так и отклонения от нее, а также спорные значения. Это снижает рутинную работу специалистов.
При проведении медосмотров значительную часть времени врач вынужден отводить на обработку и сверку данных исследований. Это замедляет сроки выдачи медицинского заключения.
В ЛЭТИ разработали цифрового профпатолога – ИИ-модель, которая помогает снизить рутинную нагрузку врачей-профпатологов. Разработанный удобный интерфейс с системой позволяет врачу смотреть результаты обследований, исследований и прочей информации в структурированном виде, а также прогнозы модели по назначенным факторам риска, обоснования ее решений в соответствии с анализами и обследованиями пациента. Таким образом специалисту предоставлена возможность поставить свое итоговое решение по фактору риска, отправить пациента на дополнительное обследование и сформировать заключение в программе.
«Работники предприятий проходят обследования на назначенные факторы рисков в соответствии с их условиями труда. Наша система обучена на 25 000 обезличенных данных медицинского центра и достоверно определяет, какие факторы риска пригодны для человека, какие факторы противопоказаны, какие следует проверить лично врачу при наличии противоречий или спорных моментов, а также указывает, на какие факторы недостаточно данных. Все это делается на основании текстовой информации обследований, исследований, пройденных пациентом», — рассказал руководитель проекта, выпускник СПбГЭТУ «ЛЭТИ» Дамир Дашкин
В настоящее время специалисты медицинского центра обсуждают с разработчиками дальнейшую доработку проекта с учетом специфических задач заказчика, поэтому аналогов разработки на отечественном рынке нет. Цифровой помощник может быть установлен на обычный персональный компьютер врача.
Система автоматически анализирует результаты обследований и формирует черновой вариант заключения с помощью ИИ и rule-based логики. Задача врача при этом сводится к контролю и принятию решения: проверить корректность данных, при необходимости внести правки и выдать итоговое заключение буквально одной кнопкой. Такой подход позволяет значительно сократить время на рутинные процессы и повысить удобство работы специалиста.
