В 2023 году банковский сектор продемонстрировал взрывной интерес к ИИ, его применению для повышения качества предоставления финансовых услуг и совершенствования бизнес‑процессов. РСХБ также не остался в стороне. В этот период банк рассматривал возможность применения космических снимков для повышения качества залоговой деятельности и создания механизмов унификации оценки объектов залога — земельных участков, а также создание стройной системы мониторинга состояния объектов залога.
В этом материале Андрей Додолин и Паршков Александр из Департамента залогового обеспечения РСХБ вместе с Михаилом Потаниным, начальником отдела разработки «КонтролТуГоу.Ру», рассказывают о внедрении в РСХБ технологии анализа космических снимков (ТАКС) для спутникового мониторинга земельных участков и как она работает.
Зачем банку система геомониторинга и как выбирали вендора
РСХБ является одним из крупнейших держателей таких залоговых активов, как земельные участки сельскохозяйственного назначения. Причем самых разных масштабов: от 1 до 500 Га. Если мы имеем дело с крупными объектами, довольно сложно увидеть, что скрывается внутри. Особенно если какая‑то часть скрывается за лесополосой, к примеру. Плюс, после проведения осмотра для того, чтобы понять полезную площадь или площадь возделывания, раньше сотрудники делали ручные замеры, т. е. брали в руки линейку, открывали кадастровую карту и замеряли площадь пашни. Требовалось решение, облегчающее труд сотрудников.
К нам (в РСХБ) сами заходили довольно крупные компании, специализирующиеся на спутниковых технологиях и технологиях обработки данных ДЗЗ. К сожалению, ни у одной из них не было такого функционала, который нас бы устраивал, а на наши требования вендоры зачастую реагировали неокупаемыми стоимостями.
Нам был интересен сервис, через который можно было бы, зная кадастровый номер участка, в моменте получить по нему аналитику, в том числе историю использования за последние несколько лет. Проблемы начались уже с функцией поиска. Ни одно из предлагаемых ПО не могло найти участок по кадастровому номеру. Нужно было искать его вручную на карте без обозначения, как вам удобство? Во‑вторых, перед нами стояла задача автоматизировать расчет полезной площади. Отметим, что далеко не все рассматриваемые системы это умели, а доработка имеющегося ПО была затратной для разработчика.
В конечном счете часть вендоров не была мотивирована сделать уникальный продукт для рынка и не смогла бы без вложений со стороны РСХБ реализовать систему. Однако коллеги из ООО «КонтролТуГоу.Ру» (Ctrl2Go) вызвались доработать имеющуюся у них систему под наше ТЗ, и уже через 3 месяца MVP системы был готов к старту апробации.
Внедрение и результаты
С момента старта проекта и до внедрения в опытную эксплуатацию мы прошли около 10 выходов на различные уполномоченные органы банка. Было, скажем прямо, не просто объяснить коллегам, что именно мы хотим сделать, ведь и сами мы не до конца понимали это с самого начала. Наверное, это распространенная проблема инновационных продуктов. С точки зрения техники важно, чтобы сотрудник, зная номер участка, мог сформировать запрос в системе и через 20 мин получить по нему аналитику, включая данные по использованию за последние 3 года, в т.ч. данные по площади возделывания. Подчеркнем, что, несмотря на данные требования со стороны РСХБ, контрагент пошел дальше и дал нам возможность получать аналитику по использованию объекта, начиная с 2017 года.
Для тестирования мы выбрали регионы с самыми большими объемами земель, находящихся в залоге: Краснодарский край, Рязанскую, Курскую и Пензенскую области. Оно заняло в общей сложности 1 месяц. Принцип апробации был следующий: запрос отчета в системе, выезд на место работника филиала и сверка результатов, плюс замеры времени на обработку системой запроса и формирование аналитического отчета по объектам.
Критериями эффективности мы установили один бизнес‑показатель: подтверждение участниками снижения временных затрат (мы установили порог эффективности в 70% оптимизации трудозатрат); и два показателя качества к самой системе:
доля подтверждения человеком результатов работы ПО;
и безотказность работы ПО (по 100%, тут всё безапелляционно).
Результаты, на наш взгляд, фантастические! Уже сейчас мы можем провести анализ объекта за 20–30 минут вместо 3–5 часового выезда с предварительным, а иногда и повторным последующим анализом публичной кадастровой карты, на каждый из которых ранее дополнительно уходило не менее получаса работы. При этом общая экономия составила от 2,5 до 4,5 часов на 1 земельный участок. А это минимум 25 000 рабочих часов в год по всей стране.
В настоящий момент мы уже можем анализировать земельные участки в зимний период времени, наличие снежного покрова для нас не является препятствием даже на первичной экспертизе сделки. Это безусловно важно, когда физически объект мы никогда не видели и не можем увидеть сейчас, а клиенту нужны деньги в моменте и больше предложить в залог он нам ничего не может.
В целом мы планомерно идем к повышению качества залогового портфеля РСХБ, оптимизации ручного функционала сотрудников и, главное, к предоставлению удобных и прогрессивных сервисов нашим клиентам. У нас есть предварительная договоренность с контрагентом, что к концу 2024 года будет доработан и внедрен функционал по распознаванию основных сельскохозяйственных культур на участках. Сейчас ведется работа над расширением списка стоп‑факторов, которые сможет идентифицировать система. Есть в планах автоматическое распознавание на космических снимках различных объектов недвижимости и инфраструктуры. На текущий год это довольно амбициозные планы, но мы любим такие вызовы.
Как работает система
AgroDeposit базируется на CLASS.PRO — облачной геоаналитической системе, относящейся к классу систем с геопространственным искусственным интеллектом (GeoAI).
Геопространственный искусственный интеллект (GeoAI, GEOINT) — новая научная дисциплина, объединяющая инновации в пространственной науке, методы ИИ в машинном обучении (например, глубокое обучение), интеллектуальный анализ данных и высокопроизводительные вычисления для извлечения знаний из больших пространственных данных. [Источник]
Датасет для обучения модели был преимущественно создан руками специалистов Ctrl2Go. Эксперты по космическим снимкам сделали разметку контуров полей. Были отрисованы отдельные участки в больших группах более чем в 20 регионах России. Кроме того, для обучения модели использовали открытые данные о сельскохозяйственных полях по территориям зарубежных стран. Это большой датасет, который содержит 400 Mb векторный файл с контурами участков полей. Процесс формирования базы данных для обучения продолжается постоянно, учитывая многообразие видов земельных участков на территории России.
Оценка земельного участка осуществляется по совокупности уникальных характеристик. Сотрудник банка в режиме онлайн через сервис загружает сведения об объектах недвижимости, содержащиеся в выписке ЕГРН Росреестра. Выписка загружается в сервис и автоматически формируется слой пространственных данных объекта недвижимости (земельного участка) с указанием кадастрового номера, площади земельного участка, сведения о частях земельного участка и т. д. Все это предоставляется в виде пространственной базы данных, обеспечивая сбор и обработку больших данных.
Далее происходит автоматический подбор космических снимков по определенному сценарию, согласованному с Департаментом залогового обеспечения РСХБ, за последние три года. При этом используется ИИ для отрисовки реального контура поля по космическим снимкам и фиксаций изменений его полезной площади в течении трех последних лет. В финале обработки выписки ЕГРН сервис выдает отчет о состоянии земельного участка за последние три года. Сотрудник банка может самостоятельно в интерактивном режиме проверить соответствие полученных результатов и распечатать отчет.
Ниже в статье приведены примеры космических снимков нескольких пар участков из одного региона с близкими значениями как площади, так и кадастровой стоимости, но с видимым различием в их фактическом использовании и, как следствие, в рыночной стоимости.
Таблица 1, сравнение пары участков из Пензенской области
Полноразмерные снимки
Таблица 2, сравнение пары многоконтурных участков в Самарской обл.
Полноразмерные снимки
Космические снимки, сделанные с использованием спутников Sentinel-2, в сервисах обрабатываются и визуализируются в режиме стриминга, то есть идет потоковая обработка данных дистанционного зондирования Земли. Это значительно ускоряет использование космических снимков и выполняет анализ состояния земельного участка в течении всего одной‑двух минут. После анализа снимков в отчете формируется информация о фактическом состоянии земельного участка за указанный год, история его использования собственником за выбранный период времени, включая полезную площадь, площадь распашки, тип обрабатываемых участков — пашня или многолетние насаждения, а также определяется вид возделываемой сельскохозяйственной культуры.
В процессе разработки сервиса возникла проблема анализа многоконтурных участников. Ctrl2Go провела существенную корректировку методов автоматической оценки полезной площади по космическим снимкам для устранения погрешностей. Очень сложно сразу предусмотреть все возможные варианты состояния земельных участков на территории России. Однако специалисты компании предусмотрели возможность дообучения используемой в сервисе модели ИИ и постоянного повышения точности ее работы.
На сегодня сервис предоставляет пользователю возможность интерактивного анализа и отображения инфраструктурных объектов, находящихся в пределах земельного участка. Конечно, это требует определенных экспертных навыков, но, в большинстве случаев, не вызывает у пользователей затруднений. Компания постоянно проводит научно‑исследовательские работы по актуальным темам, связанным с использованием космических снимков различных типов спутников для выполнения аналитической работы с применением сервисов и для дальнейшей автоматизации этих операций.
