Miovision uruchamia Mateo, agenta GenAI dla inżynierii ruchu

Miovision wprowadził Mateo, agenta GenAI zaprojektowanego specjalnie dla inżynierii ruchu, co oznacza zmianę w sposobie, w jaki miasta analizują i zarządzają sieciami transportowymi. Zbudowany jako rodzima rozszerzenie platformy Miovision One, Mateo przekształca złożone dane mobilności w działania poprzez interfejs konwersacyjny, umożliwiając inżynierom wyszukiwanie systemów w języku potocznym, zamiast ręcznego składania raportów.

Firma pozycjonuje Mateo jako pierwszego agenta GenAI zaprojektowanego specjalnie dla operacji mobilności, ukierunkowanego na długoletnią wąskie gardło w branży: czas potrzebny do interpretacji rosnących ilości danych ruchu.

Przekształcanie tygodni analizy w minuty

Działy ruchu stały się coraz bardziej bogate w dane, ale wyodrębnianie znaczących informacji pozostało powolne i fragmentaryczne. Według badań branżowych cytowanych przez Miovision, większość specjalistów ruchu ma trudności z czasem potrzebnym do analizy nowoczesnych wskaźników wydajności.

Mateo rozwiązuje ten problem, automatyzując zbieranie danych, odniesienia i analizę w wielu systemach. Zadania, które wcześniej wymagały tygodni wysiłku ręcznego, mogą teraz być wykonane w kilka minut za pomocą zapytań w języku naturalnym, znacznie redukując obciążenie operacyjne zespołów inżynierskich.

Zamiast zastępować inżynierów, system zmienia ich rolę. Poprzez usunięcie powtarzalnej pracy z danymi, pozwala zespołom skupić się na rozwiązywaniu problemów zatorów, poprawie bezpieczeństwa i optymalizacji infrastruktury.

Agent GenAI zaprojektowany specjalnie dla systemów ruchu

To, co wyróżnia Mateo spośród ogólnych narzędzi AI, to jego projektowanie specyficzne dla danej dziedziny. System łączy duże modele językowe z silnikiem wnioskowania i narzędziami agenckimi, które mogą wykonywać analizy wieloetapowe na danych specyficznych dla miast.

Został on przeszkolony w zasadach inżynierii ruchu i integruje się bezpośrednio z telemetrycznymi, kamerami i wskaźnikami bezpieczeństwa, umożliwiając mu:

• Skorelowanie danych z różnych źródeł, takich jak synchronizacja sygnałów, stan sprzętu i przepływ ruchu
• Generowanie wykresów, map i raportów wydajności w czasie rzeczywistym
• Przeprowadzanie analizy przyczynowo-skutkowej dla problemów z zatorami lub bezpieczeństwem
• Dostarczanie śladów audytowych, które umożliwiają śledzenie wniosków do źródeł danych

To połączenie wnioskowania i transparentności jest kluczowe w środowiskach miejskich, gdzie decyzje muszą być uzasadnione i zgodne z ustalonymi standardami inżynierskimi.

Od operacji reaktywnych do mobilności proaktywnej

Historycznie, zarządzanie ruchem było reaktywne. Inżynierowie reagowali na skargi, analizowali incydenty po ich wystąpieniu i wprowadzali stopniowe dostosowania. Mateo wprowadza bardziej proaktywny model.

Poprzez ciągłą analizę danych sieciowych, system może identyfikować nieefektywności, przewidywać pojawiające się problemy i prezentować działania w celu ich rozwiązania przed eskalacją problemów. Skutecznie działa jako cyfrowy współpracownik, uzupełniając zespoły o informacje w czasie rzeczywistym.

Wczesne testy z partnerami miejskimi, takimi jak miasto Coquitlam, wykazały praktyczny wpływ, z zespołami raportującymi znaczne redukcje czasu analizy i szybsze reakcje na problemy sieciowe.

Zbudowany na zintegrowanej stosie mobilności

Kluczową zaletą Mateo jest jego głęboka integracja z szerszym ekosystemem Miovision. Platforma firmy łączy już sensory sprzętu, analizy wideo i narzędzia zarządzania ruchem opartymi na chmurze.

Mateo jest umieszczony na szczycie tej infrastruktury, działając jako zunifikowany interfejs, który łączy wszystkie źródła danych w jedną warstwę konwersacyjną. Zamiast nawigować po wielu pulpitach, inżynierowie mogą wyszukiwać cały system na raz i otrzymywać syntetyzowane informacje natychmiast.

Ta integracja pozwala również systemowi na mostkowanie luk między różnymi interesariuszami, od inżynierów i operatorów po urzędników miejskich, którzy wymagają uproszczonych, wyższego poziomu podsumowań.

Przyszłość AI w inżynierii ruchu

Wprowadzenie Mateo sygnalizuje szerszy zwrot w kierunku agenckiego AI w systemach infrastrukturalnych. Sieci ruchu stają się coraz bardziej złożone, z rosnącymi ilościami danych sensorycznych, połączonych pojazdów i wielomodalnych wymagań transportowych.

Agenci AI, tacy jak Mateo, wskazują na przyszłość, w której miasta działają z ciągłą, czas-rzeczywistą inteligencją, zamiast okresowej analizy. Podczas ewolucji tych systemów, mogą one przenieść się poza diagnostykę do automatycznej optymalizacji, dynamicznie dostosowując sygnały ruchu, priorytetowe pojazdy awaryjne i koordynując całe ekosystemy transportowe.

Bardziej istotne jest to, że tego typu technologia przedefiniuje, w jaki sposób miasta uzasadniają inwestycje w infrastrukturę. Przekształcając surowe dane w mierne rezultaty, takie jak zmniejszony zator lub poprawione bezpieczeństwo, platformy napędzane AI mogą uczynić wpływ systemów transportowych bardziej widocznym i ilościowym.

Jeśli będą szeroko stosowane, agenci GenAI w inżynierii ruchu mogą stać się podstawą infrastruktury inteligentnych miast, umożliwiając środowiskom miejskim, które nie tylko są bardziej efektywne, ale także bardziej adaptacyjne do potrzeb ludzi poruszających się przez nie.