AI publiskajā transportā: ko māca SEPTA CIO

MākslÄ«gais intelekts publiskajā sektorā un viedajās pilsētās••By 3L3C

Praktiskas mācÄ«bas no SEPTA CIO: kā AI un sistēmdomāŔana uzlabo publisko transportu, satiksmes pārvaldÄ«bu un e-pārvaldes lēmumus.

publiskais transportsmākslīgais intelektsviedās pilsētasdigitālā transformācijasatiksmes pārvaldībae-pārvalde
Share:

Featured image for AI publiskajā transportā: ko māca SEPTA CIO

AI publiskajā transportā: ko māca SEPTA CIO

Pandēmija izdarÄ«ja vienu ļoti noderÄ«gu (un sāpÄ«gu) pakalpojumu: tā padarÄ«ja publiskā transporta problēmas redzamas lÄ«dz kaulam. Pasažieru plÅ«smas kļuva neprognozējamas, darbinieku pieejamÄ«ba svārstÄ«jās, budžeti saspringa, bet sabiedrÄ«bas gaidas nepazuda. Transporta aÄ£entÅ«ras saprata, ka ā€œatgriezties kā bijaā€ nav plāns — tā ir ilÅ«zija.

SmartCitiesWorld podkāsta sarunā ar EmÄ«liju Jeitsu (Emily Yates), SEPTA inovāciju un IT vadÄ«tāju (intervijas formātā runā par karjeras ceļu no Filadelfijas viedās pilsētas direktores lÄ«dz reÄ£ionālās transporta autoritātes inovāciju vadÄ«bai), skaidri izkristalizējas trÄ«s tēmas: pēc-pandēmijas realitāte, sistēmdomāŔana starp aÄ£entÅ«rām un tas, ko publiskajā sektorā patiesÄ«bā nozÄ«mē ā€œinovācijaā€.

Å is ieraksts ir daļa no sērijas ā€œMākslÄ«gais intelekts publiskajā sektorā un viedajās pilsētāsā€, tāpēc es sarunu aplÅ«koÅ”u kā praktisku gadÄ«jumu: kāpēc transporta aÄ£entÅ«ras ir ideāls lauks AI risinājumiem satiksmē, infrastruktÅ«ras pārvaldÄ«bai un uz datiem balstÄ«tai lēmumu pieņemÅ”anai — un kā to izdarÄ«t bez dārgiem ā€œmūžīgajiem pilotprojektiemā€.

Ko pandēmija atklāja par transporta sistēmām

Pandēmijas lielā mācÄ«ba ir vienkārÅ”a: transporta sistēma nav tikai grafiks un marÅ”ruti — tā ir dzÄ«va pilsētas nervu sistēma. Un, ja nervu sistēmā nav kvalitatÄ«vu signālu (datu), lēmumi ir lēni vai kļūdaini.

Jeitsu sarunā izceļ, ka pēc pandēmijas SEPTA izaicinājumi kļuva skaidrāki. To var nolasÄ«t arÄ« plaŔākā nozares kontekstā: biežāk jāmaina piedāvājums, jāspēj paredzēt pieprasÄ«juma ā€œviļņusā€, jāoptimizē resursi laikā, kad trÅ«kst gan finansējuma, gan cilvēku.

Kur Ŕeit parādās mākslīgais intelekts?

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

  • PieprasÄ«juma prognozēŔanu pa diennakts laikiem, sezonām un rajoniem (piemēram, svētku iepirkÅ”anās decembrÄ«, pasākumi, laikapstākļi).
  • OperatÄ«vo traucējumu agrÄ«nu atklāŔanu (anomāliju noteikÅ”ana sensordatos, transportlÄ«dzekļu telemetrijā, biļeÅ”u validācijās).
  • Resursu plānoÅ”anu (maiņu grafiki, rezerves transportlÄ«dzekļi, 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.

SistēmdomāŔana: bez tās viedā pilsēta ir tikai atseviŔķi ā€œgudriā€ gabali

Jeitsu uzsver sistēmdomāŔanu starp pilsētas departamentiem un aÄ£entÅ«rām. Tas ir tieÅ”i tas punkts, kur ā€œviedās pilsētasā€ bieži iestrēgst: transporta aÄ£entÅ«ra ievieÅ” vienu risinājumu, satiksmes departaments — citu, policija — treÅ”o, 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 pieprasÄ«jumu.

Praktiska pieeja: ā€œkopÄ«gais operāciju attēlsā€ (Common Operating Picture)

Viens no reālistiskākajiem mērÄ·iem, ko aÄ£entÅ«ras var uzstādÄ«t 6–12 mēneÅ”iem, ir vienots situācijas panelis (nevis uzreiz ā€œpilnÄ«ga AI transformācijaā€). Tas var apvienot:

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

Kad Å”is pamats ir izveidots, AI kļūst daudz vērtÄ«gāks: tas var ne tikai ā€œrādÄ«t, kas notiekā€, bet paskaidrot, kāpēc un ieteikt, ko darÄ«t 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 ā€œjauna tehnoloÄ£ijaā€. Jeitsu saruna labi ievelk uz zemes: inovācija ir spēja uzlabot pakalpojumu, pat ja ierobežojumi ir skarbi — iepirkumi, droŔība, arodbiedrÄ«bas, 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 darbÄ«bas izmaksas vai ā€œugunsdzēsÄ«buā€? (piemēram, mazāk avārijas remontu, mazāk manuālu saskaņojumu)
  3. Vai pasažieris to sajutīs 90 dienu laikā? (ja nē, risks kļūt par mūžīgu pilotu ir augsts)

Å Ä« pieeja labi sader ar e-pārvaldes loÄ£iku: nevis ā€œdigitālais projektsā€, bet pakalpojuma uzlabojums, kas ir izmērāms.

AI lietojumi, kas visbiežāk dod ātru atdevi

Publiskā transporta aÄ£entÅ«rām parasti nav problēmu atrast 50 idejas. Problēma ir izvēlēties 5, kas tieŔām strādā, un ieviest tās tā, lai organizācija spēj uzturēt rezultātu.

1) PrognozējoŔā uzturēŔana (predictive maintenance)

Ātrākais ceļŔ uz uzticamÄ«bu 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 ā€œservice disruptionā€ gadÄ«jumu,
  • Ä«sāks vidējais remonta laiks,
  • labāka rezerves daļu loÄ£istika.

2) Reāllaika marŔrutu un grafiku pielāgoŔana

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

SvarÄ«gi: Å”eit vajag stingru pārvaldÄ«bu, jo grafiki ietekmē darba tiesÄ«bas un sabiedrisko lÄ«gumu.

3) DispečēŔanas palÄ«gs 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 rÄ«cÄ«bas soļus.

Å is ir ā€œzemā sliekŔņaā€ AI, kas bieži dod labu rezultātu bez milzÄ«ga infrastruktÅ«ras pārbÅ«ves.

4) ā€œSmart decisionsā€ satiksmē: prioritātes, nevis tikai signāli

Daudz runā par ā€œsmart signalsā€, bet vērtÄ«ba rodas tad, kad signālu vadÄ«ba saņem mērÄ·us:

  • dot prioritāti autobusam ar lielu noslodzi,
  • lÄ«dzsvarot kavējumu ķēdi marÅ”rutā,
  • uzturēt pārsēŔanās savienojumus.

AI Å”eit kalpo kā prioritāŔu dzinējs, kas palÄ«dz pilsētai un transporta operatoram rÄ«koties vienoti.

Kā ieviest AI publiskajā sektorā, nesalaužot uzticēŔanos

AI publiskajā sektorā vienmēr ir uzticēŔanās tests. Un transportā tas ir dubults: ja algoritms kļūdās, cilvēki nokavē darbu, ārstu, skolu. Tāpēc ievieÅ”anas pieeja ir tikpat svarÄ«ga kā modelis.

Minimālais ievieŔanas komplekts (ko es ieteiktu aģentūrai)

  1. Datu inventarizācija un īpaŔnieki: kur ir GPS, biļeŔu dati, apkope, sūdzības, incidenti, satiksmes dati; kurŔ par ko atbild.
  2. KPI pirms modeļa: izvēlieties 3–5 rādÄ«tājus (punktualitāte, neplānotie bojājumi, incidentu izŔķirÅ”anas laiks, pasažieru informēŔanas ātrums).
  3. Cilvēks cilpā (human-in-the-loop): pirmajos mēneÅ”os AI sniedz ieteikumus, nevis automātiski vada operācijas.
  4. Paskaidrojami lēmumi: ja sistēma iesaka mainÄ«t marÅ”rutu, tai jāpaskaidro ā€œkāpēcā€ cilvēkam saprotami.
  5. DroŔība un privātums pēc noklusējuma: piekļuves tiesÄ«bas, auditējamÄ«ba, datu minimizācija.

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

Ko no SEPTA stāsta var paņemt Latvijas paÅ”valdÄ«bas 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:

  • paÅ”valdÄ«bu satiksmes departamentiem,
  • sabiedriskā transporta operatoriem,
  • ceļu uzturētājiem,
  • policiju un operatÄ«vajiem dienestiem,
  • datu pārvaldÄ«bas un kiberdroŔības komandām.

Ja mērÄ·is ir LEADS (projekti, iepirkumi, pilotēŔana), tad vērtÄ«gākais piedāvājums tirgum nav ā€œAI platformaā€. Tas ir skaidrs, pārbaudāms lietojums ar KPI un ievieÅ”anas plānu.

Piemēram:

  • ā€œPrognozējoŔā uzturēŔana 30 transportlÄ«dzekļiem 12 nedēļu laikÄā€
  • ā€œIncidentu klasifikācija un atbildes laika samazināŔana par 20%ā€
  • ā€œKavējumu cēloņu analÄ«tika un prioritāŔu matrica operācijāmā€

Noslēguma doma Å”ai sērijai ir vienkārÅ”a: mākslÄ«gais intelekts publiskajā sektorā ir instruments labākai pārvaldÄ«bai — nevis mērÄ·is pats par sevi. Transportā tas parasti nozÄ«mē uzticamÄ«bu, prognozējamÄ«bu un godÄ«gu informāciju pasažierim.

Ja jÅ«s Å”obrÄ«d plānojat AI iniciatÄ«vu mobilitātē, sāciet ar jautājumu: kurÅ” lēmums Å”odien tiek pieņemts par vēlu, jo dati ir pārāk izkaisÄ«ti? TieÅ”i tur parasti slēpjas pirmais projekts, kas atmaksājas.