Использование современных материалов при модернизации водопровода в Петергофе снизит аварийность и продлит срок службы сетей
Специалисты ГУП «Водоканал Санкт‑Петербурга» проводят в Петродворцовом районе масштабную реконструкцию водопроводной сети протяженностью около 7,5 км.
Работы ведутся в Петергофе на участке от Заячьего проспекта до котельной на улице Федюнинского.
Вместо старых труб из серого чугуна прокладывают водоводы из высокопрочного чугуна с шаровидным графитом. Этот материал обладает уникальными характеристиками - в сочетании с высокими механическими свойствами имеет большой запас прочности, устойчив к коррозии и низким температурам. Модернизация значительно повысит качество водоснабжения для 100 тысяч жителей Петергофа и ближайших к нему населенных пунктов, а также снизит потенциальную аварийность на сетях водоснабжения.
«Петербург ведет последовательную и комплексную работу по развитию комфортной городской среды. В том числе реализуем ряд крупных проектов по модернизации систем водоснабжения и водоотведения. Серьезное внимание уделяем пригородным районам, где есть сети большой протяженности, требующие замены. Использование новых технологий и материалов качественно меняет надежность сетей и продлевает срок службы трубопроводов», - отметил губернатор Александр Беглов.
Модернизация проходит в 3 этапа. Сейчас близится к завершению первый - реконструкция водовода протяженностью более 3,4 км на Астрономической улице. На втором и третьем этапах будет реконструирован водовод по Гостилицкому шоссе, на Чичеринской и Ботанической улицах.
Полностью завершить реконструкцию с восстановлением нарушенного благоустройства планируется до конца 2025 года.
В ВТБ создали и масштабировали на всю Россию сервис аналитики для оценки новостроек.
В основе — универсальная платформа геоаналитики, позволяющая сопоставлять более 1000 слоев данных из банковской сферы, телекома и digital-сервисов. В решении используется обезличенная информация о жителях аналогичных домов, а также районов со схожей транспортной инфраструктурой, имеющих похожие интересы, структуру доходов, расходов и так далее.
Оценка рыночной стоимости строящейся недвижимости играет для банка важную роль в принятии решения о финансировании проектов. Новая разработка помогает повысить оперативность на этапе рассмотрения заявки на финансирование застройщика и получить более объективные и точные данные. Для застройщиков очень важна скорость и сроки. Использование программы позволило в 3 раза сократить сроки от обращения клиента до подписания кредитного договора.
В разных городах различные факторы оказывают влияние на определение цены на жилье. Рынок постоянно идет вперед, меняется инфраструктура, которая влияет на стоимость. Какие-то параметры устаревают, какие-то добавляются или обновляются. Сложность задачи по оценке недвижимости в масштабах России заключается в учете региональной специфики, макроэкономических колебаниях, большом разнообразии в качестве и расположении строительных объектов, что в свою очередь обуславливает выбор инструментов и способов моделирования.
«Программа учитывает множество факторов и показывает независимую от экспертного мнения оценку, что играет важную роль в общем процессе согласования сделки всеми участвующими подразделениями. Наиболее значимые конкурентные преимущества сервис дает в ситуации, когда строящийся жилой объект не имеет рядом аналогов, и оценить его, используя только метод сравнения с похожими соседствующими объектами, невозможно» — рассказал Максим Коновалихин, руководитель департамента анализа данных и моделирования, старший вице-президент банка ВТБ.
Проект строится на базе трех платформ: платформы гео-аналитики (Geo), платформы автоматического обучения моделей (AutoML) и MLOps-платформы (scibox). У каждой из них своя задача в рамках бизнес-процесса. Их объединение помогло достичь синергии и внести дополнительную ценность.
Проект стартовал с сегмента среднего и малого бизнеса. Следующая стадия — это использование программы как для целей крупного бизнеса, так и розничного ипотечного кредитования. Специфика проекта позволяет не только масштабировать его, но и применять в других сферах. Например, посчитать необходимое количество банкоматов в конкретном районе и количество наличных средств в каждом из них. Отлично подходит, когда на основе аналогичных данных нужно построить прогноз чего-нибудь нового.