Big Data un mašīnmācīšanās viedajām pilsētām

1. gadā SmartCitiesWorld podkāsts publicēja epizodi par to, kā Big Data un mašīnmācīšanās palīdz pilsētām. 2025. gada nogalē šī tēma vairs nav “nākotnes plāns” — tā ir ikdienas darba instruments pašvaldībās, kas grib pieņemt lēmumus ātrāk, lētāk un ar mazāk kļūdu.

Šajā mūsu sērijas “Mākslīgais intelekts publiskajā sektorā un viedajās pilsētās” ierakstā es izstāstīšu, ko pilsētas reāli iegūst no datiem un ML, kur parasti rodas vilšanās, un kā sakārtot pamatus, lai AI publiskajā sektorā dotu izmērāmu rezultātu (nevis skaistus slaidus).

Ko pilsētas patiesībā pērk, kad “pērk AI”

Pilsētas nepērk algoritmus — tās pērk prognozējamību un operatīvu kontroli. AI un Big Data ir vērtīgi tikai tad, ja tie samazina nenoteiktību: satiksmē, komunālajos pakalpojumos, drošībā, klientu apkalpošanā, budžeta plānošanā.

Vienkāršs, bet svarīgs princips: jo īsāks lēmuma cikls (minūtes/stundas, nevis mēneši), jo lielāka AI atdeve. Tāpēc viedajās pilsētās visātrāk rezultātus dod risinājumi, kas strādā ar plūstošiem datiem — satiksmes sensoriem, sabiedriskā transporta telemetriju, siltumtīklu mērījumiem, zvanu centra un e-pakalpojumu pieprasījumiem.

“Big Data” pilsētā nav tikai apjoms

Pilsētu kontekstā Big Data nozīmē trīs lietas:

• Daudzveidību: IoT sensori, video, GPS, biļešu sistēmas, sūdzības, e-pakalpojumu žurnāli, meteoroloģija.
• Ātrumu: dati ienāk nepārtraukti, un lēmums jāpieņem tagad.
• Saistāmību: lielākā vērtība rodas, kad dažādi avoti ir savietoti vienā “patiesības versijā” (vienoti identifikatori, laika zīmogi, telpiskās koordinātas).

Ja jūsu pilsētā dati ir “izkaisīti pa departamentiem”, AI projekti būs lēni un dārgi. Tas nav tehnoloģiju trūkums — tā ir pārvaldības problēma.

3 praktiskie ieguvumi: kur mašīnmācīšanās atmaksājas visātrāk

AI publiskajā sektorā vislabāk strādā tur, kur ir daudz atkārtojamu situāciju un skaidra mērīšana. Zemāk ir trīs jomas, kuras es redzu kā drošāko startu lielākajai daļai pašvaldību.

Satiksme un mobilitāte: no “reakcijas” uz prognozi

Atbilde īsi: mašīnmācīšanās ļauj prognozēt sastrēgumus un pielāgot satiksmes vadību pirms problēma kļūst redzama ielās.

Ja satiksmes vadība balstās tikai uz vēsturiskām shēmām (piemēram, “rīta pīķis 8:00–9:00”), jūs vienmēr kavēsieties. Pilsētas dzīvo pēc notikumiem: negadījumi, koncerti, iepirkšanās sezona decembrī, negaidīts sniegs, remontdarbi.

Ko dara ML modeļi mobilitātē

• Plūsmas prognozēšana (15–60 minūtes uz priekšu) pēc sensoriem, laikapstākļiem un notikumu kalendāra.
• Sabiedriskā transporta kavējumu prognozēšana un dispečeru atbalsts: kur pārplānot reisus, kur sūtīt rezerves transportu.
• Adaptīvie luksofori: optimizē zaļo fāžu garumu pēc reālās plūsmas (nevis statiskiem grafikiem).

Kāpēc tas ir e-pārvaldes jautājums

Satiksmē “AI” nav tikai sensori uz stabiem. Tas ir arī lēmumu process: kurš drīkst mainīt satiksmes režīmus, kā tiek informēti iedzīvotāji, kā dati nonāk līdz atbildīgajam dienestam. Viedā pilsēta ir tik laba, cik laba ir tās operatīvā pārvaldība.

Infrastruktūra un komunālie pakalpojumi: uzturēšana pēc riska, nevis kalendāra

Atbilde īsi: Big Data + ML palīdz pāriet uz prediktīvo uzturēšanu — remontēt tad, kad risks pieaug, nevis pēc grafika vai pēc avārijas.

Decembrī un janvārī (īpaši Ziemeļeiropā) pilsētām pieaug slodze: temperatūras svārstības, apledojums, sāls ietekme uz ceļiem, lielāks enerģijas patēriņš. Tas ir brīdis, kad datu vadīta infrastruktūras pārvaldība dod reālu ietaupījumu.

Tipiski lietojumi viedajās pilsētās

• Ūdens zudumu noteikšana: anomāliju detektēšana plūsmas un spiediena datos.
• Siltumtīklu optimizācija: temperatūras režīmu prognozēšana pēc pieprasījuma un laika apstākļiem.
• Ceļu uzturēšana: prioritātes izveide remontiem, apvienojot seguma stāvokli, satiksmes intensitāti un avāriju datus.

Šeit svarīgs ir stāsts par atbildību: ja modelis iesaka neremontēt, bet notiek avārija — kas atbild? Tāpēc labākā prakse ir cilvēks lēmuma ķēdē (human-in-the-loop) un skaidri noteikts, kā rekomendācijas tiek apstiprinātas.

E-pārvalde un klientu apkalpošana: mazāk rindas, vairāk atrisinājumu

Atbilde īsi: mašīnmācīšanās palīdz pašvaldībām ātrāk šķirot pieprasījumus, atrast tipiskos gadījumus un automatizēt vienkāršās atbildes.

AI publiskajā sektorā bieži sākas ar redzamām lietām: čatbotiem un virtuālajiem asistentiem. Es te būšu tiešs: čatbots bez sakārtotas zināšanu bāzes ir skaists interfeiss haosam.

Kas strādā praktiski

• Pieprasījumu klasifikācija (e-pasts, iesniegumi, portāla pieteikumi): automātiski nosaka tēmu, steidzamību un atbildīgo.
• Atkārtoto gadījumu “šabloni”: ieteikt atbildes darbiniekiem, lai samazinātu apstrādes laiku.
• Pakalpojumu pieprasījuma prognoze: saprast, kad pieaugs pieteikumu skaits (piem., apkures pabalsti, deklarēšanās, atļaujas), un pielāgot resursus.

Rezultāts, ko iedzīvotājs jūt: mazāk ping-ponga starp nodaļām un ātrāks statuss “lieta pieņemta / procesā / atrisināta”. Tas tieši atbalsta mūsu sērijas tēmu — AI uzlabojumi e-pārvaldes pakalpojumos.

Kas parasti noiet greizi (un kā to novērst)

Atbilde īsi: lielākā daļa AI projektu pilsētās klūp nevis uz modeļiem, bet uz datu kvalitāti, īpašumtiesībām un procesu izmaiņām.

Šeit ir piecas problēmas, kuras redzu visbiežāk, un konkrēti pretsoļi.

1) Dati ir, bet nav vienotas datu “patiesības”

• Simptoms: dažādas nodaļas ziņo atšķirīgus skaitļus par to pašu rādītāju.
• Risinājums: vienots datu katalogs, definīcijas, datu īpašnieki, kvalitātes noteikumi (piem., trūkstošās vērtības, dublikāti).

2) Pārāk ambiciozs pirmais gadījums

• Simptoms: uzreiz grib “pilsētas digitālo dvīni”, bet nav pat sakārtotas sensoru telemetrijas.
• Risinājums: sākt ar vienu lēmumu, ko var uzlabot 8–12 nedēļu laikā (piem., anomāliju alerts ūdens tīklā).

3) Iepirkums nosaka tehnoloģiju, nevis rezultātu

• Simptoms: prasībās ir produktu saraksts, bet nav KPI.
• Risinājums: prasīt mērāmus iznākumus: reakcijas laiks, precizitāte, kļūdaini pozitīvo signālu īpatsvars, apkalpošanas laiks, dīkstāves samazinājums.

4) Privātums un uzticēšanās tiek atstāta “vēlākam”

• Simptoms: projekts apstājas juridiskā pārbaudē.
• Risinājums: privātuma ietekmes novērtējums sākumā, minimizēti dati, auditējami žurnāli, skaidra piekļuves kontrole.

5) Modelis ir labs, bet process nemainās

• Simptoms: dashboards ir, bet lēmumi tiek pieņemti kā agrāk.
• Risinājums: definēt, kurš ko dara, kad modelis dod signālu; ieviest operatīvos SLA; mācīt komandas izmantot rekomendācijas.

Snippet vērts teikums: AI pilsētā nav produkts. Tas ir jauns darba veids, kas prasa datu disciplīnu un skaidras atbildības.

Īss “starta plāns” pašvaldībai: no datiem līdz lēmumam 90 dienās

Atbilde īsi: izvēlieties vienu prioritāru pakalpojumu, savāciet minimāli nepieciešamos datus, ieviesiet vienu prognozi vai anomāliju signālu un piesieniet to pie operatīvas rīcības.

Ja jūs gribat rezultātu, nevis pilotprojektu, kas mirst mapē, pieturieties pie šāda rāmja:

1. Izvēlieties vienu problēmu ar cenu zīmi. Piemēram: avārijas siltumtīklos, kavējumi sabiedriskajā transportā, pieteikumu rindas.
2. Definējiet KPI, ko var izmērīt katru nedēļu. Piem.: vidējais novēršanas laiks, kavējuma minūtes, apkalpošanas laiks.
3. Sakārtojiet minimālo datu plūsmu. Labāk 3 avoti ar labu kvalitāti nekā 20 avoti ar haosu.
4. Izvēlieties vienkāršu modeli, ko var izskaidrot. Sākumā interpretējamība bieži ir vērtīgāka par pēdējo procentu precizitātes.
5. Ieviesiet rīcības protokolu. Kas notiek, kad modelis dod signālu? Kurš apstiprina? Cik ātri?

Šāds 90 dienu cikls labi sader ar publiskā sektora realitāti: budžeta disciplīna, audits, datu aizsardzība un atbildības sadalījums.

Ko SmartCitiesWorld podkāsta tēma nozīmē 2025. gadā

Podkāsta epizodes vēstījums par Big Data un mašīnmācīšanās ieguvumiem pilsētām ir kļuvis praktiskāks: mūsdienās uzvar nevis tās pašvaldības, kas pērk visvairāk sensoru, bet tās, kas prot savienot datus ar lēmumiem.

Ja jūs strādājat pašvaldībā, komunālajā uzņēmumā vai pilsētplānošanā, mans ieteikums ir vienkāršs: izvēlieties vienu lietojumu, kur AI var samazināt laiku vai izmaksas jau šajā sezonā, un uzbūvējiet to kā atkārtojamu modeli arī citām jomām.

Nākamais loģiskais solis mūsu sērijā par mākslīgo intelektu publiskajā sektorā ir jautājums, kuru ir vērts uzdot komandai: kurā pilsētas procesā lēmumi šobrīd balstās uz minējumiem, kaut gan dati jau eksistē?