Фонари, которые учатся на своих ошибках
В городе N (имя скрыто по NDA) недавно случилось странное: центральная улица в 3 часа ночи вспыхнула ярче, чем днем, а через 10 минут погасла полностью. Система мониторинга зафиксировала сбой, но инженеры три часа искали причину в логах контроллеров.
Теперь на такой сбой AI-ассистент отвечает за 12 секунд: «Проблема в контроллере ID-4782. Перегорел драйвер LED-матрицы. В истории уже было 3 аналогичных случая на этой партии оборудования. Запасная часть на складе №3, ближайший патруль – автомобиль 54. Инструкция по замене – документ ТО-782.»
Это не фантастика. Это реальный кейс внедрения RAG-системы для управления городским освещением с 8000 IoT-контроллеров. И он работает прямо сейчас.
Зачем фонарям большие языковые модели?
Казалось бы, что может быть проще – включить свет вечером, выключить утром. Датчики движения, расписания, погодные корректировки. Зачем здесь сложная архитектура Retrieval-Augmented Generation?
Ответ в масштабе. 8000 контроллеров – это:
- 300 ГБ логов в сутки
- 15 000 страниц технической документации (от паспортов ламп до схем подключения)
- История 127 000 инцидентов за 5 лет
- 247 протоколов взаимодействия с другими системами (канализация, транспорт, безопасность)
Человек физически не может удержать это в голове. Даже команда из 10 инженеров тратит 70% времени на поиск информации, а не на решение проблем.
Архитектура, которая не боится дождя
Самое интересное – как собрали эту систему. Никаких облачных ChatGPT. Всё локально, on-premise, потому что городская инфраструктура не терпит «у нас проблемы с API». (Если интересно, как строить такие системы полностью локально, у нас есть подробное руководство).
Стек выглядит так:
| Компонент | Задача | Почему именно он |
|---|---|---|
| Локальная LLM (Gemma 3n) | Понимание запросов, генерация ответов | Работает без интернета, можно дообучать на своих данных |
| Векторная БД | Поиск релевантной информации из 300+ документов | Находит даже те инструкции, о которых забыли люди |
| n8n + MCP серверы | Автоматизация действий на основе решений AI | AI не только советует, но и выполняет (отправляет команды контроллерам) |
| Цифровой двойник | Точная 3D-модель всей системы освещения | AI «видит» физическое расположение каждого фонаря |
Критически важный момент – система не просто ищет в базе знаний. Она создает цепочку рассуждений: «Пользователь спрашивает о мигающем свете на улице Ленина → Находим схему этой линии → Видим, что там стоят контроллеры модели Х → В логах за последний месяц 5 похожих случаев → Во всех случаях причина – перегрев драйвера при температуре ниже -15°C → Сегодня -18°C → Вероятность поломки 87% → Рекомендовать профилактическую проверку».
Важно: система не заменяет инженеров. Она дает им сверхспособности. Вместо 4 часов копания в логах – готовое решение с обоснованием за 30 секунд. Инженер проверяет и утверждает.
Цифры, которые заставляют задуматься
Что изменилось после внедрения (реальные данные за 6 месяцев):
- Время на диагностику неисправностей: с 3,5 часов до 22 минут
- Количество ложных выездов ремонтных бригад: снизилось на 67%
- Энергопотребление системы освещения: -18% (AI оптимизирует графики на основе реальной проходимости, а не абстрактных норм)
- Срок службы LED-ламп: увеличен на 23% (предсказательное обслуживание вместо реактивного)
Экономия? Около 12 млн рублей в год только на электрике. Плюс сокращение штата дежурных диспетчеров с 8 до 3 человек (их не уволили – переучили на операторов AI-системы).
Трудности, о которых не пишут в пресс-релизах
Внедрение не было гладким. Вот что пришлось преодолеть:
- Качество данных. 30% технической документации оказались устаревшими. Схемы не соответствовали реальности. Пришлось запустить параллельный проект по аудиту всей базы знаний. (Если думаете о своем RAG – начните с аудита данных. Серьезно.)
- «Человеческий фактор» в логах. Инженеры писали комментарии типа «всё плохо» или «починил». AI не понимал, что значит «всё плохо». Ввели обязательные шаблоны заполнения инцидентов.
- Интеграция с legacy. Часть контроллеров работала на протоколах 90-х годов. Пришлось строить многоуровневую систему адаптеров. Архитектура, подобная этому стеку, спасла ситуацию.
Самое смешное: сначала система выдавала слишком подробные ответы. Инженеру, который спрашивал «почему не горит фонарь 124», AI присылал 3 страницы технического анализа со ссылками на ГОСТы. Пришлось дообучать модель понимать контекст: дежурному в 3 ночи нужен короткий ответ «что делать», а не академическое исследование.
Что дальше? Фонари становятся умнее
Сейчас тестируют фичи, которые еще год назад казались научной фантастикой:
- Мультимодальный RAG. Система анализирует не только логи, но и фото/видео с камер наблюдения. Мигающий фонарь? AI сравнивает его свечение с эталонным из базы. (Подробнее о современных подходах в нашей статье про мультимодальный RAG).
- Прогноз поломок. На основе данных о нагрузке, температуре, влажности и истории отказов AI предсказывает, какой контроллер выйдет из строя через 2-4 недели.
- Автономные агенты. Система уже может сама, без участия человека, перераспределять нагрузку при отказе части сети. Это следующий уровень – production-ready агенты с инструментами в действии.
И самый интересный эксперимент – интеграция с системами безопасности. Если на пустынной улице в 2 ночи резко включается освещение (по запросу AI на основе данных с камер), а через минуту выключается – это может спасти кому-то жизнь. Фонарь как активный участник городской безопасности.
Главный урок этого кейса: RAG – не только для чат-ботов с документацией. Это инфраструктурная технология. Которая уже сегодня управляет реальными физическими объектами в реальных городах.
Если ваш город еще не умный – он скоро станет дорогим
Цена LED-лампы падает. Цена человеческого времени – растет. Цена ошибки в управлении критической инфраструктурой – зашкаливает.
Этот кейс показывает: промышленное внедрение AI перестало быть экспериментом. Это вопрос экономической целесообразности. Город, который сегодня вкладывается в RAG для управления инфраструктурой, через 5 лет будет тратить на ее обслуживание в 3-4 раза меньше, чем соседний «аналоговый» город.
И самое важное: технологии уже здесь. Локальные LLM, которые работают без облаков. Инструменты для создания агентов. Готовые архитектурные patterns. Не нужно изобретать велосипед – нужно собрать работающую систему из существующих компонентов.
Следующий фонарь, который вы увидите вечером, возможно, уже управляется AI. И это хорошо. Потому что он точно не погаснет в самый неподходящий момент.