Hałas może być tak samo poważnym problemem jak zanieczyszczenie powietrza – Marek Szulc (e-point Polska)

Marek Szulc Wiceprezes Zarządu e-point Polska

Opracowaliście algorytm, który ma podawać użytkownikom aktualne informacje o poziomie hałasu w dowolnej lokalizacji w Polsce. Jak dokładnie działa ten algorytm?

Marek Szulc: Głównym założeniem logiki działania algorytmu jest występowanie dwóch rodzajów punktów tzw. emiterów (źródeł emisji hałasu; w praktyce punktów na drogach) oraz imiterów punktów w sąsiedztwie dróg, dla których określany jest przewidywany poziom hałasu (imisja).

Wpływ na propagację hałasu mają m.in. takie aspekty związane z cechami lokalizacji jak:

• rodzaj pokrycia terenu i jego zmienność,
• występowanie przeszkód np. budynków czy ekranów akustycznych,
• rzeźba terenu,
• klasa drogi (np. autostrada, droga ekspresowa),
• natężenie ruchu drogowego.

Model uczenia maszynowego został opracowany na podstawie milionów punktów (imiterów/ emiterów) wygenerowanych dla dróg, dla których dysponowaliśmy referencyjnymi mapami hałasu udostępnionymi przez Główny Inspektorat Ochrony Środowiska (dalej “GIOŚ”). Znając referencyjną wartość natężenia hałasu oraz cechy przestrzenne (pokrycie terenu, występowanie przeszkód, rzeźba terenu itp.) dla każdego z emiterów i imiterów, byliśmy w stanie utworzyć wektory (połączenia między punktami) w promieniu kilkuset metrów, na które dany emiter oddziaływał. W ten sposób powstał zestaw setek milionów wektorów, które stanowiły zbiór uczący algorytmu.

Algorytm działa w ten sposób, iż dla dowolnego miejsca w Polsce dla którego chcemy „obliczyć” natężenie hałasu, tworzona jest warstwa imiterów z przypisanymi cechami lokalizacyjnymi (takimi danymi dysponujemy dla terenu całego kraju), lecz z nieznaną wartością docelowego natężenia hałasu. Algorytm dokonuje predykcji wartości natężenia hałasu na podstawie opracowanego wcześniej modelu uczenia maszynowego. Wynikiem działania algorytmu jest zestaw punktów (imiterów) z przypisaną przewidywaną wartością natężenia hałasu (wyrażoną w dB). Taki zestaw punktów jest następnie wykorzystywany do tworzenia warstwy poligonowej – „quasi” map akustycznych stanowiących główny i końcowy produkt procesu.

Dlaczego zabraliście się za rozwiązanie problemu dotyczącego hałasu? Nie jest on szczególnie podejmowany w przestrzeni publicznej, bynajmniej nie na taką skalę jak problem zanieczyszczonego powietrza.

Problem hałasu może nie jest tak medialny jak problem zanieczyszczenia powietrza niemniej jest on niezwykle istotny jeżeli spojrzymy na hałas z perspektywy jego wpływu na zdrowie ludzi, zwierząt i środowisko naturalne. Coraz częściej możemy zetknąć się także z pojęciem zanieczyszczenia hałasem. Zanieczyszczenie hałasem to zjawisko, w którym obszar lub środowisko naturalne jest narażone na nadmierne, uciążliwe lub szkodliwe poziomy dźwięku lub hałasu. W naszej ocenie w niedalekiej perspektywie czasu problem ten będzie stawiany na równi z zanieczyszczeniem powietrza.

Mając na uwadze powyższe, istotność podejmowanej przez nas inicjatywy polegającej na stworzeniu rozwiązania umożliwiającego określenie poziomu hałasu dla dowolnego miejsca w kraju należy rozpatrywać w dwóch obszarach:

1.       Obszar organizacyjny 

a.           niedofinansowanie; Budowa map hałasu jest kosztownym przedsięwzięciem, które wymaga znacznych nakładów finansowych. W Polsce finansowanie budowy map hałasu jest często niewystarczające, co może utrudniać lub opóźniać ten proces;

b.           niedostateczna koordynacja; Budowę map hałasu w Polsce koordynuje wiele różnych podmiotów, w tym zarządcy dróg, linii kolejowych i lotnisk, a także samorządy lokalne. Brak koordynacji między tymi podmiotami może prowadzić do niespójności w danych i wynikach;

c.           opóźnienia w aktualizacji map; Mapy hałasu powinny być aktualizowane co 5 lat. W Polsce często dochodzi jednak do opóźnień w aktualizacji map, co może utrudniać podejmowanie działań mających na celu ochronę przed hałasem;

2.       Obszar techniczny 

a.           niewystarczająca dokładność danych; Dane wykorzystywane do sporządzania map hałasu są często niewystarczająco dokładne, co może prowadzić do niedokładnych wyników. Dotyczy to zwłaszcza danych dotyczących natężenia ruchu drogowego i kolejowego, które są często szacowane, a nie mierzone bezpośrednio.

b.           skomplikowane modele obliczeniowe; Do sporządzania map hałasu wykorzystywane są skomplikowane modele obliczeniowe, które wymagają dużej ilości danych i mocy obliczeniowej. To może utrudniać i wydłużać proces sporządzania map.

c.          ograniczenia technologiczne; Dostępne technologie nie zawsze pozwalają na dokładne i szybkie sporządzanie map hałasu.

Ponadto w 2022 roku Komisja Europejska skierowała do Polski zarzuty formalne w związku z niewłaściwym wdrożeniem dyrektywy 2002/49/WE ustanawiającej infrastrukturę informacji przestrzennej we Wspólnocie Europejskiej (INSPIRE). Komisja stwierdziła, że Polska nie zapewniła porównywalności wyników strategicznych map hałasu opracowanych przez różne podmioty.

W 2023 roku Główny Inspektor Ochrony Środowiska opublikował raport, w którym stwierdził, że budowa map hałasu w Polsce napotyka na szereg problemów, w tym niedostateczną dokładność danych, brak koordynacji między podmiotami odpowiedzialnymi za sporządzanie map oraz opóźnienia w aktualizacji map.

Jesteśmy głęboko przekonani, że nasza inicjatywa doskonale wpisuje się w obecne wyzwania i jest niezbędna dla rozwoju usług i procesów biznesowych, wykorzystujących innowacyjną usługę świadczoną przez e-point Polska.

Jak wyglądały prace nad NOISee i w efekcie na jakim etapie dziś jesteście?

Prace nad NOISee rozpoczęliśmy od bardzo szczegółowego przeglądu literatury naukowej dotyczącej zjawiska propagacji hałasu. Wnikliwie poszukiwaliśmy odpowiedzi na pytanie „Od czego zależy wielkość hałasu w przestrzeni otwartej”, analizując zarówno artykuły z dziedziny fizyki, jak i te dotyczące opracowywania map akustycznych.

Następnie, rozpoczęliśmy proces poszukiwania odpowiednich danych przestrzennych, które umożliwiłyby nam przypisanie cech lokalizacyjnych, mających wpływ na propagację hałasu. Zdecydowaliśmy  się na wykorzystanie m.in. bazy danych obiektów topograficznych (BDOT10k), map hałasu oraz numerycznego modelu terenu.

Kolejny krokiem, było opracowanie zbioru uczącego. Był to proces bardzo czasochłonny, ponieważ musieliśmy zintegrować różne źródła danych przestrzennych (liniowe, punktowe i poligonowe) w celu opracowania warstwy emiterów/imiterów z przypisanymi cechami lokalizacyjnymi w formie atrybutów. Część z tych atrybutów przyjmowała wartość liczbową, a część true/false. Następnie musieliśmy utworzyć warstwę połączeń imiter-emiter, których liczba sięgała setek milionów. Na każde połączenie imiter-emiter przypadało N wektorów, które cechowały się innym pokryciem terenu. Tak przygotowane dane podzieliliśmy na zbiory: treningowe, testowe i walidacyjne.

Zanim jednak uruchomiliśmy obliczenia, konieczne było zamodelowanie zjawiska (propagacji hałasu) jako równanie zmiennych objaśniających i objaśnianych. Dokonaliśmy wyodrębnienia parametrów X (zmienna objaśniająca), które po zasileniu odpowiedniej funkcji posłużą do uzyskania wyników predykcji – Y (szukana wielkość imisji).

Następnie uruchomiliśmy proces wytwarzania modelu Machine Learning. Przetestowaliśmy dwa podejścia: regresji liniowej oraz klasyfikacji, decydując się ostatecznie na drugą opcję. Sam proces uczenia sieci trwał kilkanaście dni, włączając w to optymalizację wag oraz odchyłki (bias) równania poprzez minimalizację funkcji strat (loss function).

Ostatnim krokiem było testowanie opracowanego modelu na zbiorze walidacyjnym, tzn. uzyskiwanie wyników dla zbioru danych, które nie brały udziału w procesie treningowym.

Jakie trudności musieliście pokonać, aby opracować algorytm?

Bardzo ciekawym wyzwaniem intelektualnym było przełożenie założeń teoretycznych na faktyczne zamodelowanie zjawiska w formie równania matematycznego.

Kolejnym ważnym aspektem była harmonizacja zbiorów danych. Podczas przygotowania zbioru uczącego, wykorzystywaliśmy zbiory danych pochodzące z różnych źródeł i charakteryzujące się różnorodną strukturą, typem geometrii czy zakresem atrybutowym. Aby zbliżyć się do osiągnięcia głównego celu projektu byliśmy zmuszeni opracować zaawansowane procesy ETL, których celem było opracowanie jednego, spójnego zbioru danych, nadającego się do  zastosowanie w procesie uczenia modelu.

Ostatnią z istotnych trudności było zaplanowanie, monitorowanie i analiza  rezultatów zaawansowanych procesów wymagających sporych mocy obliczeniowych, które były prowadzone w różnych fazach budowy docelowego modelu ML, trwające niejednokrotnie nieprzerwanie kilkanaście dni.

Jak zamierzacie zmonetyzować projekt? Kto miałby płacić za dostęp do Waszego algorytmu?

W ramach prowadzonych przez nasz zespół pogłębionych wywiadów empatycznych (metoda Design Thinking) odkryliśmy, że problem hałasu jest niezmiernie ważnym aspektem branym bardzo często pod uwagę w procesie zakupu nieruchomości. Analiza dostępnych na rynku danych wykazała, że z jednej strony wiele obszarów gęsto zaludnionych w Polsce nie posiada żadnych informacji na temat hałasu, a te dla których takie dane istnieją charakteryzują się bardzo niską aktualizacją (cykl 5-letni).

Głównym celem budowy algorytmu było stworzenie narzędzia umożliwiającego określanie natężenia hałasu dla dowolnego miejsca w Polsce jako rozwiązania odpowiadającego na powyższy problem, a sam model monetyzacji jest adresowany przez nasz produkt o nazwie POINTO na dwóch poziomach. W czerwcu 2023 roku do wykorzystania komercyjnego udostępniliśmy API (application programming interface) działające w modelu DaaS. Dostęp do API może wykupić każdy podmiot zainteresowany wykorzystywaniem aktualnych danych przestrzennych, w tym danych dotyczących hałasu) w celu podnoszenia jakości swoich usług. Natomiast głównym modelem monetyzacji wyników przedmiotowego algorytmu jest budowana przez Nasz zespół platformy POINTO dostępnej w modelu SaaS dedykowanej na rynek B2C oraz B2B, która będzie umożliwiać analizę i ocenę atrakcyjności inwestycyjnej każdej lokalizacji w Polsce pod kątem szerokiego wachlarza aspektów przestrzennych,w tym również występowania zjawiska hałasu.

Docelowo dostęp do platformy będzie opierał się o model subskrypcyjny.

Po drodze wzięliście udział w konkursie Innovation. Jak uczestnictwo w nim zmieniło Wasz biznes?

To już druga nagroda, którą otrzymaliśmy w konkursie Innowacja. W 2021 roku otrzymaliśmy Złotą Nagrodę w kategorii Innowacja w Biznesie (Wczesna Faza/Prototyp) za naszą autorską Platformę Atrakcyjności Inwestycyjnej. Udział w konkursie pozytywnie wpłynął na naszą działalność w kilku obszarach:

1.       Nawiązywanie relacji biznesowych z liderami branży nieruchomości;

2.       Wzmacnianie zaangażowania zespołu: nagrody oraz wyróżnienia zdobywane w konkursach są dla naszych pracowników powodem do dumy i motywacją do podejmowania kolejnych wyzwań

3.       Rozwijanie wiedzy i umiejętności związanych z danymi: udział w konkursie dostarczył nam inspiracji i wiedzy z innych branż;

4.       Zwiększona widoczność naszej organizacji i możliwości nawiązania licznych kontaktów biznesowych.

5.       Potwierdzenie zapotrzebowania na aktualne zbiory danych dla rozwoju biznesu opartego na danych.

Opis innowacji

Jaki jest kontekst zgłoszonego projektu (tło, pomysł, realizacja)?

Obecne badania naukowe jednoznacznie wykazują, że obok jakości powietrza hałas staje się palącym problemem naszego społeczeństwa wpływając negatywnie na ludzki organizm oraz na środowisko. Do głównych negatywnych skutków można zaliczyć stres, rozdrażnienie, zmęczenie, agresję czy zaburzenia snu co wg badań prowadzi do zwiększonego ryzyka wyczerpania fizycznego i psychicznego, zawałów serca, nerwic, chorób psychicznych i obniżenia w sposób drastyczny jakości naszego życia. Osoby decydujące się na wybór lokalizacji do zamieszkania czy też rekreacji w chwili obecnej albo w ogóle nie posiadają informacji na temat występującego w danym miejscu hałasu, albo dane te są nieaktualne z uwagi na fakt, że w Polsce mapy akustyczne powstają tylko dla części lokalizacji w kraju w cyklach aż 5 letnich w sytuacji gdy nasze otoczenie w tym źródła hałasu zmienia się codziennie. W Polsce tylko 39 z 954 miast posiada mapy hałasu aktualizowane w długim 5-letnim cyklu. Oznacza to, że przeważająca część naszego społeczeństwa nie posiada dostępu do aktualnej informacji o źródłach hałasu i poziomie jego oddziaływania na otoczenie przez co wprost narażone jest na ryzyko podejmowania decyzji bez uwzględnienia czynnika poziomu hałasu w danej lokalizacji i jej otoczeniu będąc w konsekwencji narażonym przez na życie w niekorzystnych warunkach spowodowanych zwiększonym poziomem hałasu. Dogłębna diagnoza problemu i zbudowane w naszym startupie kompetencje oraz technologia pozwoliły nam na zbudowanie prototypu algorytmu AI, który we wczesnej fazie swojego rozwoju pozwala na generowanie poziomu hałasu dla obszarów testowych w oparciu o źródła hałasu oraz przy uwzględnieniu wszelkiego rodzaju obiektów przestrzennych wpływających na rozchodzenie się fali dźwiękowej takich jak budynki, roślinność, ekrany akustyczne czy kształtowanie terenu. Innowacyjność rozwiązania polega na opracowaniu niedostępnych do tej pory na rynku metodyk oraz technologii przetwarzania danych przestrzennych (Big Data) oraz algorytmów AI umożliwiających docelowo użytkownikom pozyskanie aktualnej informacji o poziomie hałasu dla dowolnej lokalizacji w Polsce.

Zmiana

Co w zgłoszonym projekcie ma potencjał odmienić istniejące kierunki w biznesie/komunikacji/mediach lub wskazać nowe?

Tworzona usługa nie ma bezpośredniej konkurencji i jest rozwiązaniem unikalnym na polskim rynku. W ramach prowadzonej analizy konkurencji nie identyfikujemy rozwiązań o podobnej funkcji jaką jest aktualna informacja o poziomie hałasu dla obszaru całego kraju. Udostępnienie na rynku przedmiotowej usługi podniesie poziom jakości podejmowania decyzji na rynku nieruchomości oraz pośrednio przełoży się na na ceny poszczególnych nieruchomości promując te które będą zlokalizowane na obszarach o niskim wskaźniku hałasu.

Wpływ

Jaki jest potencjał oddziaływania zgłoszonego projektu na rzeczywistość?

Dostępność docelowej usługi wpłynie pozytywnie na świadomość i efektywność podejmowanych decyzji przez wszelkie osoby biorące udział w procesie poszukiwania , zakupu, wynajmu, budowy nieruchomości poprzez zapewnienie unikalnej i niedostępnej do tej pory informacji o poziomie hałasu dla każdej lokalizacji w kraju. Świadomy wybór lokalizacji o niskim poziomie hałasu podczas podejmowania decyzji o zakupie nowego mieszkania, domu czy działki, będzie miał pozytywny wpływ na zdrowie i jakość życia kupujących dzięki minimalizacji skutków wieloletniego oddziaływania wysokiego hałasu na organizm.

Dobro

Czy to oddziaływanie ma lub może mieć pozytywny charakter? Jeśli tak, to jaki i w jakim stopniu?

Usługa będzie miała pozytywny charakter poprzez umożliwienie użytkownikom szybkiej wiarygodnej analizy poziomu hałasu dla każdej lokalizacji w Polsce, szybką identyfikację lokalizacji o najmniejszym poziomie hałasu a przez to wspierane będą świadome decyzje o wyborach lokalizacji najlepszych do zamieszkania i o największym komforcie promując świadomy i zdrowy tryb życia.

Noisee jest laureatem konkursu Innovation. 

Laureatami Innovation są również:

Konrad Pokora, prezydent Zduńskiej Woli – Chcemy wspólnie działać w duchu idei open innovation

Wspieramy ludzi w transformacji cyfrowej. Nie podmieniamy pracy ludzi na pracę robotów – Nina Różańska (DBR77)

Konkurs Innovation przeznaczony jest dla projektów z obszaru biznesu, mediów i komunikacji wyznaczających nowe kierunki w tych obszarach. MamStartup jest patronem medialnym wydarzenia.