Fujitsu ActivateNow 2020: digitehnoloogiad pandeemiast haaratud maailmas

Selle ettekande pealkirja valides sain aru, et terminitega nagu COVID, Corona, COVID-19, viirus, kroonviirus, epideemia ja pandeemia on üsna palju ebaselgust.

Seega pidin asjad endale selgeks tegema, et saaksin teile täpselt öelda, millest see ettekanne räägib.

Kõigepealt on siis viirus. Selle täpne nimi on SARS-CoV-2, mis tähendab Severe Acute Respiratory Syndrome Coronavirus 2. Number 2 tähistab teist lainet, nagu on meedias hakatud seda nimetama.
Lihtsustatult ütleme Corona või Corona viirus, hoolimata sellest, et Corona on viiruste perekond, mitte viirus ise.

See viirus võib inimese kehas esile kutsuda rea tõsiseid meditsiinilisi probleeme. Peamine haigus, mida see põhjustab, on COVID-19 – Corona Virus Disease 2019. Aastaarv näitab selle esmakordse diagnoosimise aega.

Viiruse vallandumist ja levikut nimetatakse epideemiaks või pandeemiaks.

Epideemia on haigus, mis haarab suurt hulka inimesi ühes kogukonnas, regioonis või riigis.

Pandeemia on epideemia, mis levib mitmetes riikides ja mitmel kontinendil.

Selles ettekandes ma ei räägi, kuidas võidelda haigusega COVID-19 – sellega tegelevad arstid. Samuti ma ei räägi, kuidas võidelda viiruse enesega – seda teevad bioloogid ja ravimifirmad käsikäes suurte investeeringutega.

Mul on teile aga kaks näidet sellest, kuidas võidelda viiruse, epideemia või pandeemia levikuga.

Tahan teile näidata, kuidas samu tehnoloogiad, mis on digitransformatsioonis võtmetähtsusega, saab kasutada viiruse leviku piiramiseks.

Kuivõrd vaktsiini veel ei ole ja isegi kui see saab olema, võtab kogu populatsiooni vaktsineerimine kaua aega, siis on meil kaks meedet:
1) maskid,
2) distantsi hoidmine.

Saan aru, et paljudele inimestele ei meeldi enam maski kanda ja kaheldakse, kas neist on üldse kasu. Kuid selles ei ole kahtlust, et maskid aitavad oluliselt piirata viiruse kontrollimatut levikut.

Seega võib maski kandmise nõude kehtestamine, isegi seadusandlikul tasandil, olla rahva kaitsmiseks põhjendatud. Seda just olukordades, kui puututakse kokku paljude inimestega, kellega tavaliselt ei kohtuta, ja eriti siseruumides. Nüüd, kui talv on lähenemas, veedame siseruumides aina rohkem aega.

Maski kasutamine on põhjendatud ja paljudes riikides nüüd ka teatud tingimustes seadusega nõutav. On olemas teaduslik tõendusmaterjal, et maskid on kasulikud. Mida rohkem seda teeme, seda parem.

Seega tõuseb 2 küsimust:

1) Kas on mõtet jälgida, kas maske kantakse ja kantakse õigesti, kattes korralikult nina ja suu?

2) Kas jälgimine on legaalne, arvestades privaatsuse rikkumist ja jälgimisega kaasnevaid asjaolusid?

Kui pandeemia seis muutub halvemaks, võib olla vaja kehtestada veel rangemad nõuded aina rohkemates kohtades.

Kuidas teame, et maske kantakse õigesti eriti sellistes kohtades nagu lennujaamad. metroojaamad, kaubanduskeskused, kontorid jne?
See info on elulise tähtsusega näiteks kohalikele omavalitsustele, et teha kindlalaks, kas on vaja lisapiirangud või teistsuguseid meetmeid, või kas mingil hetkel võib piiranguid lõdvendada või üldse neist loobuda.

Meil on vaja automatiseeritud moodust maski kandmise tuvastamiseks ja monitoorimiseks.
Automatiseeritud tuvastamisega seostub tänapäeval kohe tehisintellekt (AI) ja masinõpe.
AI seisukohalt on mask lihtsalt üks objekt. See võib olla erineva kuju või värviga, aga seda kantakse näo peal, kus see katab nina ja suu. Üks mask näo kohta.

See tundub lihtne ja nii see ongi, arvestades, et me suudame juba tuvastada inimeste nägusid, silmi, ninasid, suid jne. Selleks on masinõppe algoritmid.

Paneme nüüd pildi kokku.

Siin on kasutatud avaandmeid, standardiseeritud konvolutsioonilisi närvivõrkusid (convolutional neural networks) objektide tuvastamiseks ja standardsete siltidega pilte. Kasutati populaarse masinnägemise ja pildituvastuse tehnoloogia YOLO versiooni 4, algoritmi treeniti ImageNet piltidega ja kasutati Kaggle AI kogukonnast pärit pilte, andmebaase ning muud materjali.

Töötlemine ja järelduste tegemine toimub mõistliku kiirusega, mis tähendab, et seda saab teha reaalajas.

Andmeid töödeldakse Edge Computing´uga. Pole vaja mahukat andmetöötlust pilves, seega pole ka vaja midagi üles laadida ega isegi salvestada. Lahendus on lihtsasti skaleeritav.

Me oleme seda lahendust testinud paljude avalike videovoogude peal, kus on väga palju inimesi. See töötab hästi, kuid autoriõiguste ja privaatsuse kaalutlustel ei saa seda siin avalikult näidata.

Need pildid on tehtud Fujitsu kontoris Münchenis ja inimesed piltidel on Müncheni digitaalse inkubaatori liikmed, kestöötavad AI, kvantarvutuse lähedaste projektide ja plokiahela teemadega.
Nagu näete, on võimalik tuvastada, kas maski kantakse (roheline raam) või mitte (punane raam) ja isegi seda, kui kantakse valesti (kollane raam).

See, mida näete, on demo, mitte toode. Kas see on täiuslik? EI ole. Kas seda saab ära petta? Ilmselt saab. Aga see ei ole asja mõte.
Juba praegu on see piisavalt tugev ja kasutatav ja sel on teatud eristusvõime, näiteks nagu maski õige kandmise tuvastamise võime.

Me tuvastame (detect) inimesi ja nägusid. Ma rõhutan – tuvastame, mitte ei isikusta (identify).
Kuid isegi ilma isikustamata on siin potentsiaalne probleem. Ka maskiga on võimalik teatud nägusid ja näojooni ära tunda (recognition). Isikustamine, inimeste jälgimine, privaatsuse rikkumine on võimalik.
Fujitsus me seda ei tee – me ei identifitseeri inimesi. Seda saab kindlaks teha koodi auditeerimisega.

Me ei salvesta ega lae andmeid üles. Andmetöötlus on kohalik ja me järgime kõrgeid eetilisi standardeid.
Me oleme vastutustundlik ettevõte ja see on viis, kuidas teha asju õigesti.

Enamus sellest tehnoloogiast, mida antud projektis kasutame, on kasutatav ka teistel eesmärkidel ja teistes projektides. Näiteks kvaliteedikontrollis materjali defektide tuvastamiseks ilma seda kahjustamata.
Koodi, andmekogusid ja oskusi saab taaskasutada, sest tehnoloogiad on paindlikud.

See kehtib AI ja masinõppe, aga ka teise tehnoloogia kohta, millest tahaksin rääkida – kvantarvutuse lähedane optimiseerimine (Quantum Inspired Optimization) Digital Annealeri abil turvalise vahekauguse hoidmiseks.

Loomulikult ei ole palju midagi optimiseerida, kui sa hoiad teise inimesega vahet, näiteks 1,5 meetrit.

Optimiseerimine tuleb mängu, kui paljud inimesed püüavad hoida sobivat distantsi paljude teistega. Palju inimesi ühel ajal ühes kohas – see vajab optimeerimist.

Võtame näiteks avatud kontori, kus reeglite järgi võib oma töökohal maski eest ära võtta (või ka maski kandes), hoides teistega teatud vahemaad.

Pildilt on näha rida probleeme, kus istutakse üksteisele liiga lähedal või siis vahekäigu lähedal.

See on üsna väike kontor ja optimiseerimine pole siin suur probleem.

Aga võtame näiteks Fujitsu kontori Münchenis, kus on paindliku töökoha printsiibil umbes 500 töökohta 700 inimese jaoks.

Praeguse pandeemia ajal me ei luba kontori täituvust üle 20%, see tähendab umbes 100 inimest. Kui palju on võimalikke kombinatsioone arvestades turvalise distantsi nõuet? See on üsna suur.

100 lauda 500-st – variante on 250-kohaline arv! Selline komplekssus väärib Digital Annealer´i võimsust.

Digital Annealer on eriline arvutiarhitektuur, mis on sillaks tuleviku kvantarvutite juurde. Vaatame, mida sellega teha saab.

Siin on meie kontori skeem koos ühe koosolekuruumiga. Et hoida turvalist distantsi, peame läbi arvutama kõik vahekaugused ja välja selgitama, millised lauad on saadaval, ning välistama need, mis ei ole ohutus kauguses.

Optimaalse paigutuse saab välja arvutada väga kiiresti. Saame seda teha reaalajas.

Kõige rohkem pinda annab juurde ruumijagajate kasutamine, nagu pildil märgitud. Nende abil saame ruumi mahutavust suurendada.

Eriti huvitavaks läheb siis, kui võtame arvesse rea muid asjaolusid, nagu lifti või ukse lähedus, vahekäigud, tualettide, koosolekuruumide ja veeautomaatide asukohad.

Digital Annealer suudab sellise probleemi lahendada, teostades ümberarvutuse ja kohese optimiseerimise igal hommikul ning võttes arvesse kõik need inimesed, kes on end selleks päevaks kontorisse registreerinud (me nimelt nõuame etteregistreerimist).

Nii saame oma vaba kontoripinda kasutada ohutult.

Meie ettevõttes ei ole tegelikult teravat vajadust täita ära võimalikult paljud kontorikohad, kuid teistes ettevõtetes võib töökohtade maksimaalse täitmise vajadus olla. Ja väljaspool töökeskkonda on näiteks spordistaadionide turvaliselt täitmine suur ja pakiline vajadus.

Saksamaal on rahvusliku jalgpalliliiga staadioni mahutavus 22 000 kuni 82 000 inimest ehk istekohta. Nende täituvus pandeemia varases staadiumis oli 0% – pealtvaatajaid mängudele ei lubatud. Fännid on kurvad ja muutuvad üsna kannatamatuks. Nüüd püütakse reegleid lõdvendada.

Lihtsuse mõttes vaatame fikseeritud kohtade allokeerimise skeemi 2 x 2 pluss turvalisuse vahe – malelaua muster.

See on üks 1004 kohaga osa tegelikust staadionist.

Blokeeritud kohad on märgitud mustaga. Kasutatavad kohad on alati kahekaupa kõrvuti.

Kuid fännid ei tule alati kahekaupa. Antud skeemi puhul jaotataks grupid osadeks ja üksikkülastaja võtaks ära 2 kohta.

Vahekäikusid tuleb kaitsta ja seetõttu on vahekäiguäärsed kohad blokeeritud.

Sõltuvalt gruppide suurusest ja mõnest muust asjaolust on staadioni mahtuvus tüüpiliselt 38 – 45%, kuid üksikute külastajate tõttu alati vähem kui 50%. See pole tegelikult väga halb ja kindlasti parem kui 0%.

See järgib turvalise vahekauguse nõuet ning seetõttu tasub seda rakendada.

Kuid Digital Annealeriga on võimalik saavutada palju parem tulemus.

Rakendades paindlikku paigutust ja kohest optimiseerimist võib täituvuseks saada 47 – 60%, see on 10-15% rohkem.

Keskmise suurusega, umbes 50 000 kohaga staadioni puhul tähendab see 5000 – 7000 lisakülastajat, kes kõik täidavad turvalise vahemaa nõuet. See on hea nii fännidele kui mängu atmosfäärile ja tähendab 200 – 300 tuhat eurot lisatulu mängu kohta. Pole paha business case.

Näiteks toon siin kaubavagunite paigutuse määramise kauba raudteetranspordis, et optimiseerida sõiduplaane ja kaubarongide liikumist terve aasta jooksul.

See sisaldab kahte teemat:
1) üksiku kaubavaguni paigutus,
2) kõigi kaubarongide aasta sõiduplaani optimiseerimine.

Ühes ActivateNow alamsessioonis käsitletakse Deutsche Bahni ehk Saksa raudtee optimiseerimise projekti Digital Annealeri abil. Vaadake seda ise!

Kõiki neid mudeleid, koode, andmekogusid ja oskusi saab taaskasutada, sest tehnoloogiad on paindlikud.

Ja pole tähtis kui kõrgetasemelised need lahendused parajasti on – nad on OK, nad on praegu olemas ja nad on kohe kasutatavad.
Samu oskusi ja metodoloogiat vajame digitaalse transformatsiooni ja kvant-optimiseerimise jaoks.

Vaadeldud kaks näidet demonstreerivad, et digitaalse transformatsiooni võtmetehnoloogiad on piisavalt paindlikud, et need saaks kasutusele võtta, uuesti kasutada ja nende otstarvet ümber suunata.

Digitaalset transformatsiooni ühiskonnas on vaja kiirendada ja selles on veel pikk maa minna.
Kes ei sooviks praegu, et oleksime digitaalse transformatsiooniga juba kaugemale jõudnud?

Seega, kasutame võimsaid ja paindlikke tehnoloogiaid, mis juba praegu, pandeemia ajal on meie käsutuses, et võidelda viiruse levikuga ja muuta elu piirangute tingimustes talutavamaks.
Samuti selleks, et peale pandeemia lõppu tulla tagasi normaalse elu juurde nii ruttu kui võimalik, ehk isegi ümber mõtestades, mida tähendab “normaalne”, mille juurde soovime naasta.

Olge terved!

Uued postitused meie blogis