Створення складних рішень на базі ШІ для безпеки під час водіння

Клієнт прагнув зробити водіння безпечнішим і звернувся до Agiliway для створення ШІ‑додатку, який помічатиме об’єкти навколо автомобіля в реальному часі та оброблятиме їх через ML‑модель. Це допомагає покращити безпеку й зменшити ризики ДТП. Нижче – як ми підходили до розробки таких смарт‑рішень.

Основні виклики при створенні складних ШІ‑рішень

• Збір датасету: щоб натренувати модель, потрібно багато розмічених зображень – зазвичай кілька десятків тисяч.
• Моделі для детекції об’єктів: потрібно тренувати кілька моделей для різних класів об’єктів, що вимагає великої попередньої підготовки даних.
• Анотація зображень: робота з інструментами на кшталт Label Studio потребує чітких процесів, щоб зберегти якість розмітки.
• Приватність: треба розмивати обличчя на знімках, щоб відповідати правилам конфіденційності.
• Кількість епох тренування: важливо знайти оптимальну кількість епох, щоби уникнути переобучення й зберегти якість.
• Постійне донавчання моделей: процес має бути автоматизованим і безперервним для покращення результатів.
• Бенчмаркінг моделей: потрібно візуалізувати й порівнювати результати тренувань.
• Прискорення тренування: навчання кожної моделі займає 3–5 днів, тому потрібно обирати оптимальні сервери й налаштування з урахуванням вартості для клієнта.

Рекомендоване рішення

Мета: створити безпечне середовище для водія та оточення за допомогою комп’ютерного зору й машинного навчання. Це корисно для батьків молодих водіїв або сімей, де один із членів має невеликий досвід. Додаток має навігацію, відстеження поїздок, звіти про стиль водіння та надсилає сповіщення водієві й адміністратору. Наприклад, додаток попередить про аварії поблизу, наявність поліції чи швидкої, або в разі небезпечного водіння повідомить адміністратора.

Щоб вирішити проблеми, запропоновано:

1. Систематизувати збір даних, поєднавши публічні датасети й контент від користувачів для накопичення потрібного обсягу зображень.
2. Обробляти виявлені дані й інтегрувати їх у маршрут користувача; ML‑система (з CatBoost) автоматично оптимізує маршрут без ручних оновлень карти.
3. Запровадити ітераційний процес тренування моделей для поступового покращення результатів.
4. Удосконалити процес анотації через Label Studio, Roboflow тощо та встановити чіткі інструкції для розмітки.
5. Впровадити протоколи приватності: автоматичне розмивання осіб на зображеннях.
6. Оптимізувати епохи тренування експериментально, використовуючи валідаційні набори, щоб уникнути переобучення.
7. Налаштувати бенчмаркінг і візуалізацію результатів через MLflow або подібні платформи для прозорості й звітності.

Переваги ШІ‑рішення

• Менше аварій: CV‑моделі виявляють потенційні загрози й попереджають водія в реальному часі.
• Контроль та спокій для батьків: відстеження поїздок і сповіщення дають змогу вчасно втрутитися у ризиковій ситуації.
• Аналітика поведінки водія: звіти про стиль водіння допомагають покращити звички і проводити конструктивні розмови про безпеку.

Загалом, додаток поєднує просунуті можливості ШІ з практичними функціями для реального підвищення безпеки на дорозі.