Deși inteligența artificială (AI) a devenit o tehnologie care nu mai este atât de exotică precum în trecut, și se află la un nivel evoluat față de decadele trecute. Tehnologia a ajuns la nivelul la care deja organizațiile au înțeles necesitatea sa pentru utilizarea mai bună a datelor și pentru a lua cele mai bune decizii. Mai mult, AI trebuie să facă parte, împreună cu machine learning, din fluxurile de producție ale întreprinderilor, dar acest lucru nu este chiar ușor. Totul în contextul în care în prezent doar 8% dintre organizații utilizează machine learning și analytics în mediile de producție. Puterea AI poate fi inimaginabilă în cadrul fluxurilor de producție, mai ales în contextul în care este deja utilizată în procese relativ simple, din lumea reală, care ne vizează pe toți.
Un exemplu vine din zona smart city, oferind modurile în care AI este implementat în procesele de producție, operând cu analytics și machine learning. Un smart city oferă o cantitate enormă de date provenite din zona camerelor video, camerelor de trafic, a sistemelor de semaforizare, a senzorilor de trafic, chiar și a sistemelor de numărare a pasagerilor care utilizează rețelele publice și sistemele de transport public, iar această cantitate enormă de date, devine o mină de aur odată combinată cu tehnologiile inteligente care pot utiliza până la ultimul bit din aceste informații. Iar răspunsul la utilizarea inteligentă este unul singur – analytics. Astfel, de la sisteme de parcare până la administrarea alimentării cu energie, toate pot fi trecute pe decizii realizate cu ajutorul AI și analytics, ajutând la scalarea resurselor orașului cum este nevoie, unde este nevoie. Fluxurile de trafic pot fi controlate în timp real prin adaptarea inteligentă a semaforizării în funcție de fluxurile de mașini bazate pe intervale orare și datele obținute de la senzori și camere video.
Și mai inovativ, sistemele bazate pe AI pot controla inteligent sistemele de trafic în viitorul mașinilor autonome sau a celor bazate pe car sharing, care pentru a încuraja aceste moduri de deplasare, ar putea controla preferențial rutele și intersecțiile unde circulă mai multe mașini de acest tip. De exemplu, obținând datele din automobile, sistemele vor putea prioritiza mașinile unde se află mai mulți pasageri. În cazul sistemelor de car sharing, sistemul ar putea adapta eficient traseele pentru a utiliza gradul maxim de încărcare al vehiculelor pe o anumită rută, ridicând pasageri aflați pe traseul comun până la destinația primului utilizator.
Revenind la trafic, un exemplu vine din Roma, începând cu analiza traficului într-o mare intersecție cu ajutorul unei camere video care opera cu un algoritm dedicat. Camera a realizat imagini în toate condițiile de trafic, ziua, noaptea sau în alte scenarii ale traficului normal, pentru a înțelege traficul general din acea intersecție. Ulterior au fost colectate și analizate toate secvențele pentru a realiza o procesare și introducere a datelor într-un model pentru managementul traficului. Procesarea imaginilor a fost realizată prin eliminarea tuturor informațiilor cu excepția mașinilor din trafic, pentru ca imaginile să fie încărcate într-un motor de procesare bazat pe analytics. Imaginile au fost clasificate în mai multe categorii de trafic, cu trafic mare, mediu și redus. Ulterior imaginile au fost încărcate în sistem, pentru ca machine learning să înțeleagă ce categorie de trafic există în fiecare moment. Următorul pas a fost implementarea reală a modelului pentru ca sistemul să se adapteze în timp real la situația descrisă în imagini. Iar ca metodă de notificare a șoferilor, au putut fi date mai multe avertizări, de trafic aglomerat, de evitat mersul cu mașina, de utilizat alte mijloace de transport sau rute. Următorul pas utilizând toate aceste date și condițiile similare, este de a realiza previziunile de trafic încă de la începutul zilei sau de la începutul unei perioade. Totul poate fi realizat utilizând seturi de imagini care provin și de la alte camere și sisteme asemănătoare instalate în alte puncte din oraș.
Dar, tehnologia nu este singurul lucru cheie în realizarea acestor proiecte, fiind necesară implicarea tuturor oamenilor din departamente, nu doar a celor din IT, ci și a celor din zona de planificare a orașului, a managerilor de trafic și chiar a primarilor. Iar provocarea nu o reprezintă în mod special utilizarea tehnologiei, ci rezultatele pe care le oferă, modelele și eficientizarea pe care le livrează în urma implementării. Totul deoarece oamenii din departamentul de trafic nu sunt specialiști în date, iar la polul opus, specialiștii IT nu au experiență în managementul traficului, iar aceste două categorii de specialiști, fiecare în domeniul său, sunt cheia unei implementări cu adevărat eficiente a AI în sistemele pe care le administrează. Iar pentru a obține acest lucru se recomandă utilizarea unor platforme de administrare care oferă atât grafice bazate pe cifre, hărți și statistici dedicate oamenilor din departamentul de trafic, cât și module bazate pe coduri și medii de programare, pentru a fi utilizate de specialiștii care implementează tehnologiile. Iar, transparența datelor și colaborarea între cele două echipe sunt evident o necesitate într-un proiect AI reușit.
