Мусорные нейроны
Искусственный интеллект помогает перерабатывать отходы
Зеленая» экономика, как любая другая прогрессивная отрасль, развивает не только традиционную инфраструктуру, но и активно экспериментирует с передовыми технологиями — например, искусственным интеллектом (ИИ). Самый очевидный сценарий применения ИИ в отрасли — «умная» сортировка мусора, способная повысить эффективность переработки отходов. Журнал РБК поговорил с энтузиастами из России, мечтающими построить бизнес в перспективной нише.
Планетарий и роботы
Проект: NeuroRecycle
Концепция: Робот с искусственным интеллектом для сортировки отходов
Место: Санкт-Петербург
Основатель: Евгений Гудов, «Планетарий 1»
Инвестиции: 25 млн руб.
33-летний уроженец Санкт-Петербурга Евгений Гудов долгое время работал в консалтинге, а в последние годы запускает в родном городе необычные бизнес-проекты. В 2015-м он организовывал мультимедийные выставки (например «Айвазовский и маринисты»), а в 2017-м вместе с партнерами открыл крупнейший в мире планетарий в здании бывшего газгольдера на Обводном канале. На реставрацию купола рекордным диаметром 37 м и покупку современного оборудования потратили 400 млн руб. Столь масштабный проект потребовал квалифицированной команды разработчиков и технологичного инвентаря. Все это пригодилось в новом стартапе Гудова — NeuroRecycle. Робототехнический проект вырос на базе некоммерческого коворкинга YotaLab, который предприниматель создал в альянсе с мобильным оператором Yota. Всего пространством пользуются более 60 специалистов, большинство — сотрудники планетария. Из них десять трудятся над NeuroRecycle.
NeuroRecycle — это сортировочный робот-трипод и нейросеть. Робот выглядит как перевернутый штатив, к которому прикреплена роборука. Она двигается по трем осям и, пользуясь технологиями искусственного интеллекта, сортирует мусор по фракциям. Нейросеть — это математическая модель, имитирующая деятельность человеческого мозга. Для сортировки разработчики «обучают» ее различать изображения отходов. Сеть сначала «съедает» базу готовых картинок, анализирует их и позднее уже сама понимает, к какой группе относятся новые данные. Затем она дает команду роботу, который осуществляет механическую сортировку.
Эта процедура напоминает традиционную оптическую сортировку мусора с применением инфракрасного излучения, отражение которого от материалов позволяет конвейеру определять тип мусора на сортировочной ленте. Однако стоимость нейросетей ниже: если оптические машины на вторичном рынке не приобрести дешевле €50 тыс., то большая часть софта для разработки и обучения ИИ — в открытом доступе. В случае NeuroRecycle, к примеру, используются готовые решения YOLO и TensorFlow.
Ими же пользуются зарубежные аналоги — например, канадская Waste Robotics и финская ZenRobotics. Главным отличием российского проекта от конкурентов Евгений Гудов называет работу «не только со строительным мусором, но и с бытовыми отходами», А также более дешевую разработку. Экономия в четыре-пять раз достигается за счет материалов и комплектующих (робот — собственной сборки), объясняет предприниматель. Как и в других подобных проектах, основная проблема NeuroRecycle — в наборе визуальных данных для нейросети. Поскольку универсальной базы нет, разработчикам самим приходится искать и фотографировать мусор, А затем обрабатывать изображения для загрузки в собственную базу.
Текущий процент сортируемых «умным» роботом отходов Гудов не раскрывает. Цель — разбор не менее 70% изучаемого мусора, остальные 30% все так же отправятся на полигон или мусоросжигательный завод.
NeuroRecycle пока на стадии прототипа: выставочная версия робота будет готова к лету, а «воспитание» нейросети завершится в конце 2019-го. Инвестиции в проект уже достигли 25 млн руб. Готовый продукт Гудов планирует продавать или развивать совместно с другими компаниями. Недостатка в покупателях не будет, уверен он: «Ориентируемся на заказчиков со стороны государства, технология будет им интересна». Миссией NeuroRecycle предприниматель называет снижение стоимости сортировки за счет исключения из процесса человека. «Мы хотим сделать эту сферу привлекательной и выгодной», — заключает Гудов.
Пицца за мусор
Проект: SmartBin
Концепция: «умная» урна
Место: Череповец
Основатель: Егор Спирин
Инвестиции: 100 тыс. руб.
19-летний студент Технологического института Карлсруэ Егор Спирин — еще один энтузиаст внедрения технологий ИИ в мусорную сферу. Его «умная» урна SmartBin при помощи нейросети определяет тип мусора и автоматически сортирует его в нужную корзину или предлагает забрать неподходящий мусор, чтобы выбросить в другом месте. Идея появилась у Спирина после путешествий в Европу: «В Германии и Финляндии стало понятно, что в других странах с переработкой мусора все сильно лучше, чем в России».
SmartBin внешне мало отличается от обычной урны — это сбитый из фанеры куб. «Магия» — внутри и в «облаке»: промежуточный отсек оборудован веб-камерой и одноплатными компьютерами Arduino и Raspberry Pi, которые отвечают за движение сортирующей створки и отправку изображения на удаленный сервер для обработки нейросетью. Урна использует нейросеть Inception V3 от Google на архитектуре TensorFlow. Базу изображений сети команда SmartBin расширяет каждую неделю.
Пока SmartBin принимает только пластиковые бутылки и алюминиевые банки. После получения идентификатора сырья от нейросети урна либо «проглатывает» бутылку в нужный контейнер, либо оповещает пользователя о том, что этот тип сырья не поддерживается. Егор Спирин также разработал для проекта бонусную программу. Бонусы можно получить за сдачу вторсырья через специальные контейнеры. За это пользователю начисляются баллы в мобильном приложении, которые можно обменять на товары и скидки компаний-партнеров. Так, за 50 пластиковых бутылок или 80 алюминиевых банок можно получить пиццу в одном из ресторанов Череповца.
Череповец — родной город Спирина: SmartBin он запустил в 2017 году, еще будучи школьником. А единственная рабочая урна стоит в альма-матер изобретателя — лицее АМТЭК. «Школьники — подходящая и открытая к новому аудитория, — объясняет Егор. — Особенности учебного процесса также использовали для совершенствования опыта конечного потребителя: идентификация пользователей происходит при помощи RFID-карт лицеистов».
В команду SmartBin помимо Егора Спирина входят разработчик Александр Алексеев, сотрудник Дарвинского заповедника Дмитрий Садоков и пять лицеистов АМТЭКа. Также проект консультируют создатели бота Open Recycle AI, который через окно диалога в мобильных мессенджерах определял, как пользователю следует поступить с той или иной фракцией мусора. SmartBin уже участвовал в профильных конференциях и соревнованиях, например в МГУ и МФТИ. Команда вела переговоры об инвестициях с перерабатывающими компаниями и Фондом развития интернет-инициатив, но ни с одним из потенциальных партнеров не сошлась по условиям. Единственным внешним инвестором проекта является Carlsberg Group — компания предоставила стартапу грант 100 тыс. руб. за победу в конкурсе экологических инициатив. Для полноценного инвестиционного раунда SmartBin пока не созрел, признает Спирин. И дело не в стоимости системы, А в сложности масштабирования на всю страну — «нет инфраструктуры», заключает разработчик.
Нейросети захватывают мир
США
В 2016 году нейросеть для сортировки мусора разработала команда студентов Стэнфорда. Они собрали более 2,5 тыс. фотографий шести типов отходов для ее обучения, А результат выложили в открытый доступ на сайте GitHub. Несмотря на масштаб работы, у нейросети получалось правильно определять тип мусора только в 25% случаев.
Чехия
В том же 2016-м группа ученых из Масарикова университета в Брно собрала для нейросети библиотеку из полутора тысяч фотографий на работающем сортировочном предприятии. Процент ошибок ИИ в итоге колебался между 28 и 35%. Исследователи отметили, что существенного повышения эффективности можно достичь, если снизить количество анализируемых фракций мусора, — при работе с тремя типами отходов вместо шести точность выросла до 80%.
Китай
Команда китайских исследователей из Шэньчжэня и других городов представила результаты разработки своей сортировочной нейросети в 2018-м. На сегодня это самый успешный пример: вероятность ошибки при разборе отходов не превышает 10%, утверждают ученые. Достичь существенного увеличения эффективности удалось тем же способом сокращения фракций: в Китае анализировали лишь два типа мусора.