Sztuczna inteligencja przewidzi wypadki. Nowy sposób mapowania niebezpiecznych ulic miast
Miasta to wielki labirynt połączony setkami km asfaltowych dróg. W ich gąszczu pomaga nam podróżować nawigacja, a kamery cofania ułatwiają unikać kosztowych zadrapań na przepełnionych parkingach. Tymczasem organizacja ruchu wciąż polega na stałej sygnalizacji drogowej, a planowanie bezpieczeństwa ulic dalej opiera się na wykorzystywaniu wyłącznie danych historycznych, które nie zawsze dają zadowalający efekt.
Niedoskonałości może jednak zminimalizować nowe oprogramowanie będące owocem współpracy badaczy z Laboratorium Informatyki i Sztucznej Inteligencji MIT (CSAIL) oraz Katarskiego Centrum Sztucznej Inteligencji (QCAI).
Opracowali oni oprogramowanie wykorzystujące model głębokiego uczenia, które potrafi tworzyć mapy ryzyka nie tylko na podstawie danych historycznych, ale także na podstawie zdjęć satelitarnych o wysokiej rozdzielczości, czy informacji GPS zawierających wskazówki dotyczące kierunku ruchu bądź jego gęstości.
Nowe narzędzie potrafi zidentyfikować obszary wysokiego ryzyka i przewidzieć przyszłe wypadki nawet w miejscach mało oczywistych, w których dotychczas wypadków nie było ze względu np. na mały ruch. Jego sprawność została przeprowadzona w 2019 i 2020 roku na podstawie danych z 2017 i 2018 roku. Co ciekawe okazało się, że autostrada, a szczególnie jej zjazdy są znacznie bardziej niebezpieczne niż pobliskie drogi osiedlowe.
Poligon doświadczalny obejmował 7500 km2 i dotyczył Los Angeles, Nowego Jorku, Chicago i Bostonu. Spośród czterech miast Los Angeles miało największą gęstość wypadków, a następnie w kolejce były Nowy Jork, Chicago i Boston. Model wytypował wiele lokalizacji, w których faktycznie zdarzały się wypadki, mimo iż dane historyczne na to nie wskazywały.
Dzięki zastosowaniu sztucznej inteligencji model może też z dużym prawdopodobieństwem przewidzieć wypadki w regionie, gdzie nie ma dostępu do danych historycznych. Ponadto dane mogą zostać np. wykorzystane przez towarzystwa ubezpieczeniowe do oferowania spersonalizowanych polis lub jako pomoc dla urbanistów planujących rozwój miejskiej infrastruktury drogowej.
