AI publiskajā transportā: ko māca SEPTA CIO

Pandēmija izdarīja vienu ļoti noderīgu (un sāpīgu) pakalpojumu: tā padarīja publiskā transporta problēmas redzamas līdz kaulam. Pasažieru plūsmas kļuva neprognozējamas, darbinieku pieejamība svārstījās, budžeti saspringa, bet sabiedrības gaidas nepazuda. Transporta aģentūras saprata, ka “atgriezties kā bija” nav plāns — tā ir ilūzija.

SmartCitiesWorld podkāsta sarunā ar Emīliju Jeitsu (Emily Yates), SEPTA inovāciju un IT vadītāju (intervijas formātā runā par karjeras ceļu no Filadelfijas viedās pilsētas direktores līdz reģionālās transporta autoritātes inovāciju vadībai), skaidri izkristalizējas trīs tēmas: pēc-pandēmijas realitāte, sistēmdomāšana starp aģentūrām un tas, ko publiskajā sektorā patiesībā nozīmē “inovācija”.

Šis ieraksts ir daļa no sērijas “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās”, tāpēc es sarunu aplūkošu kā praktisku gadījumu: kāpēc transporta aģentūras ir ideāls lauks AI risinājumiem satiksmē, infrastruktūras pārvaldībai un uz datiem balstītai lēmumu pieņemšanai — un kā to izdarīt bez dārgiem “mūžīgajiem pilotprojektiem”.

Ko pandēmija atklāja par transporta sistēmām

Pandēmijas lielā mācība ir vienkārša: transporta sistēma nav tikai grafiks un maršruti — tā ir dzīva pilsētas nervu sistēma. Un, ja nervu sistēmā nav kvalitatīvu signālu (datu), lēmumi ir lēni vai kļūdaini.

Jeitsu sarunā izceļ, ka pēc pandēmijas SEPTA izaicinājumi kļuva skaidrāki. To var nolasīt arī plašākā nozares kontekstā: biežāk jāmaina piedāvājums, jāspēj paredzēt pieprasījuma “viļņus”, jāoptimizē resursi laikā, kad trūkst gan finansējuma, gan cilvēku.

Kur šeit parādās mākslīgais intelekts?

AI publiskajā transportā nav par futūristisku robotu vilcienā. AI ir par labāku prognozi, labāku prioritizāciju un ātrāku reakciju. Praktiski tas nozīmē:

• Pieprasījuma prognozēšanu pa diennakts laikiem, sezonām un rajoniem (piemēram, svētku iepirkšanās decembrī, pasākumi, laikapstākļi).
• Operatīvo traucējumu agrīnu atklāšanu (anomāliju noteikšana sensordatos, transportlīdzekļu telemetrijā, biļešu validācijās).
• Resursu plānošanu (maiņu grafiki, rezerves transportlīdzekļi, apkope) ar optimizācijas algoritmiem.

Manā pieredzē publiskajā sektorā bieži klibo nevis idejas, bet disciplīna: ja nav vienota datu standarta un atbildības, pat labs modelis barosies ar nekvalitatīviem datiem.

Sistēmdomāšana: bez tās viedā pilsēta ir tikai atsevišķi “gudri” gabali

Jeitsu uzsver sistēmdomāšanu starp pilsētas departamentiem un aģentūrām. Tas ir tieši tas punkts, kur “viedās pilsētas” bieži iestrēgst: transporta aģentūra ievieš vienu risinājumu, satiksmes departaments — citu, policija — trešo, bet dati un procesi nesavienojas.

AI satiksmes un mobilitātes pārvaldībā strādā tikai tad, ja sistēma ir savienota. Piemēram, ja jūs gribat optimizēt autobusu ātrumu, ar GPS vien nepietiek. Vajag zināt arī:

• luksoforu fāzes un prioritātes,
• ceļu remontu grafikus,
• incidentu datus (avārijas, slēgti posmi),
• pasākumu kalendāru,
• reālo pasažieru pieprasījumu.

Praktiska pieeja: “kopīgais operāciju attēls” (Common Operating Picture)

Viens no reālistiskākajiem mērķiem, ko aģentūras var uzstādīt 6–12 mēnešiem, ir vienots situācijas panelis (nevis uzreiz “pilnīga AI transformācija”). Tas var apvienot:

1. Reāllaika transporta atrašanās vietas
2. Kavējumu iemeslus (automātiski klasificētus no dispečeru piezīmēm)
3. Satiksmes ierobežojumus
4. Apkopju statusu
5. Servisa kvalitātes KPI

Kad šis pamats ir izveidots, AI kļūst daudz vērtīgāks: tas var ne tikai “rādīt, kas notiek”, bet paskaidrot, kāpēc un ieteikt, ko darīt tālāk.

Viedā pilsēta nav pilsēta ar daudz sensoriem. Viedā pilsēta ir pilsēta, kur lēmumi pārvietojas ātrāk nekā problēmas.

Ko publiskajā sektorā nozīmē inovācija (un ko tā nenozīmē)

Publiskajā sektorā inovācija bieži tiek pārprasta kā “jauna tehnoloģija”. Jeitsu saruna labi ievelk uz zemes: inovācija ir spēja uzlabot pakalpojumu, pat ja ierobežojumi ir skarbi — iepirkumi, drošība, arodbiedrības, mantojuma sistēmas, politiskais cikls.

Trīs inovācijas kritēriji, kas strādā transportā

Ja es vadītu transporta AI portfeli, es katru iniciatīvu testētu ar trim jautājumiem:

1. Vai tas samazina nenoteiktību? (piemēram, precīzāks ETA, labāka apkopju prognoze)
2. Vai tas samazina darbības izmaksas vai “ugunsdzēsību”? (piemēram, mazāk avārijas remontu, mazāk manuālu saskaņojumu)
3. Vai pasažieris to sajutīs 90 dienu laikā? (ja nē, risks kļūt par mūžīgu pilotu ir augsts)

Šī pieeja labi sader ar e-pārvaldes loģiku: nevis “digitālais projekts”, bet pakalpojuma uzlabojums, kas ir izmērāms.

AI lietojumi, kas visbiežāk dod ātru atdevi

Publiskā transporta aģentūrām parasti nav problēmu atrast 50 idejas. Problēma ir izvēlēties 5, kas tiešām strādā, un ieviest tās tā, lai organizācija spēj uzturēt rezultātu.

1) Prognozējošā uzturēšana (predictive maintenance)

Ātrākais ceļš uz uzticamību ir mazāk neplānotu bojājumu. Ja autobusiem un vilcieniem ir telemetrija, AI modeļi var paredzēt komponentu atteices risku (piemēram, durvju mehānismi, bremžu sistēmas, akumulatoru stāvoklis), ļaujot plānot remontu pirms traucējuma.

Rezultāts, ko meklēt KPI līmenī:

• mazāk “service disruption” gadījumu,
• īsāks vidējais remonta laiks,
• labāka rezerves daļu loģistika.

2) Reāllaika maršrutu un grafiku pielāgošana

Pēc-pandēmijas pieprasījums ir fragmentētāks. AI var prognozēt noslodzi un ieteikt operatīvas korekcijas: papildreisi, lielāka transporta vienība, vai pat mikromobilitātes integrācija pēdējai jūdzei.

Svarīgi: šeit vajag stingru pārvaldību, jo grafiki ietekmē darba tiesības un sabiedrisko līgumu.

3) Dispečēšanas palīgs ar dabiskās valodas apstrādi

Daudzās aģentūrās incidentu apraksti ir brīvā tekstā (dispečeru piezīmes, vadītāju ziņojumi). NLP var:

• automātiski kategorizēt incidentus,
• izvilkt biežākos cēloņus,
• ieteikt standarta rīcības soļus.

Šis ir “zemā sliekšņa” AI, kas bieži dod labu rezultātu bez milzīga infrastruktūras pārbūves.

4) “Smart decisions” satiksmē: prioritātes, nevis tikai signāli

Daudz runā par “smart signals”, bet vērtība rodas tad, kad signālu vadība saņem mērķus:

• dot prioritāti autobusam ar lielu noslodzi,
• līdzsvarot kavējumu ķēdi maršrutā,
• uzturēt pārsēšanās savienojumus.

AI šeit kalpo kā prioritāšu dzinējs, kas palīdz pilsētai un transporta operatoram rīkoties vienoti.

Kā ieviest AI publiskajā sektorā, nesalaužot uzticēšanos

AI publiskajā sektorā vienmēr ir uzticēšanās tests. Un transportā tas ir dubults: ja algoritms kļūdās, cilvēki nokavē darbu, ārstu, skolu. Tāpēc ieviešanas pieeja ir tikpat svarīga kā modelis.

Minimālais ieviešanas komplekts (ko es ieteiktu aģentūrai)

1. Datu inventarizācija un īpašnieki: kur ir GPS, biļešu dati, apkope, sūdzības, incidenti, satiksmes dati; kurš par ko atbild.
2. KPI pirms modeļa: izvēlieties 3–5 rādītājus (punktualitāte, neplānotie bojājumi, incidentu izšķiršanas laiks, pasažieru informēšanas ātrums).
3. Cilvēks cilpā (human-in-the-loop): pirmajos mēnešos AI sniedz ieteikumus, nevis automātiski vada operācijas.
4. Paskaidrojami lēmumi: ja sistēma iesaka mainīt maršrutu, tai jāpaskaidro “kāpēc” cilvēkam saprotami.
5. Drošība un privātums pēc noklusējuma: piekļuves tiesības, auditējamība, datu minimizācija.

Šī pieeja labi sasaucas ar e-pārvaldes principiem: skaidra atbildība, caurspīdīgi procesi, mērāms ieguvums.

Ko no SEPTA stāsta var paņemt Latvijas pašvaldības un valsts iestādes

Jeitsu karjeras pāreja no pilsētas viedās politikas uz transporta inovāciju parāda būtisku realitāti: tehnoloģija vien nestrādā, ja nav institucionālas sadarbības. Latvijas kontekstā tas nozīmē, ka AI satiksmes plūsmas analīzē un infrastruktūras pārvaldībā jāplāno kopā ar:

• pašvaldību satiksmes departamentiem,
• sabiedriskā transporta operatoriem,
• ceļu uzturētājiem,
• policiju un operatīvajiem dienestiem,
• datu pārvaldības un kiberdrošības komandām.

Ja mērķis ir LEADS (projekti, iepirkumi, pilotēšana), tad vērtīgākais piedāvājums tirgum nav “AI platforma”. Tas ir skaidrs, pārbaudāms lietojums ar KPI un ieviešanas plānu.

Piemēram:

• “Prognozējošā uzturēšana 30 transportlīdzekļiem 12 nedēļu laikā”
• “Incidentu klasifikācija un atbildes laika samazināšana par 20%”
• “Kavējumu cēloņu analītika un prioritāšu matrica operācijām”

Noslēguma doma šai sērijai ir vienkārša: mākslīgais intelekts publiskajā sektorā ir instruments labākai pārvaldībai — nevis mērķis pats par sevi. Transportā tas parasti nozīmē uzticamību, prognozējamību un godīgu informāciju pasažierim.

Ja jūs šobrīd plānojat AI iniciatīvu mobilitātē, sāciet ar jautājumu: kurš lēmums šodien tiek pieņemts par vēlu, jo dati ir pārāk izkaisīti? Tieši tur parasti slēpjas pirmais projekts, kas atmaksājas.