به گزارش سرویس ترجمه خبرگزاری ایمنا، در الگوی متداول مدیریت شهری بسیاری از مشکلات زمانی وارد دستور کار می‌شوند که شهروندان شکایت کنند، بازرسان گزارشی بنویسند یا اختلالی جدی رخ دهد. هوش مصنوعی می‌تواند این ترتیب را تغییر دهد: داده‌های موجود را پیوسته بررسی کند، نشانه‌های اولیه مشکل را پیدا کند و پیشنهاد مداخله بدهد. تفاوت اصلی این دو رویکرد فقط سرعت بیشتر نیست، بلکه حرکت از رسیدگی پس از خرابی به شناسایی و پیشگیری پیش از گسترش آن است.
این تحول به‌معنای سپردن شهرداری به یک سامانه خودکار نیست. کاربردهای عملی محدود و مشخص هستند از جمله شناسایی چاله در تصویر خیابان، پیشنهاد زمان‌بندی چراغ، تشخیص رفتار غیرعادی تجهیزات یا کمک به یافتن اطلاعات در مقررات. در چنین ساختاری هوش مصنوعی نقش ابزار پشتیبان را دارد و مسئولیت تصمیم، تخصیص بودجه و پاسخگویی همچنان بر عهده مدیران و کارکنان عمومی باقی می‌ماند.
بخش مهمی از ارزش این فناوری از اتصال داده‌هایی حاصل می‌شود که پیش‌تر جدا از یکدیگر بودند. اطلاعات ترافیکی، گزارش تعمیرات، داده حسگرهای ساختمان و تصاویر خودروهای خدماتی می‌توانند تصویری دقیق‌تر از وضعیت شهر بسازند. گردآوری داده به‌تنهایی کافی نیست؛ خروجی تحلیل باید به فرایندی اجرایی همچون یک ماموریت تعمیر، اصلاح برنامه چراغ یا بررسی فنی تجهیزات وصل شود وگرنه شهر فقط داشبوردهای بیشتری خواهد داشت.
گزارش‌های منتشرشده در سال‌های اخیر نشان می‌دهند تجربه‌ها و دستاوردهای شهرهای مختلف یکسان نیستند. در بعضی پروژه‌ها نتیجه عملیاتی همچون کاهش تاخیر ترافیکی اندازه‌گیری شده است؛ در بعضی دیگر موفقیت به دقت تشخیص یا امکان یکپارچه‌سازی سامانه‌ها محدود می‌شود. تشخیص درست یک چاله، فقط به‌معنای تعمیر سریع‌تر آن نیست؛ همان‌طور که پیشنهاد کاهش مصرف انرژی، بدون اندازه‌گیری مصرف واقعی، صرفه‌جویی اثبات‌شده محسوب نمی‌شود.
به همین دلیل، معیار شهر هوشمند نباید تعداد دوربین‌ها، حسگرها یا قراردادهای فناورانه باشد. پرسش اصلی این است که خدمات چه تغییری کرده‌اند، چه کسانی از آن بهره برده‌اند و هزینه و خطر اجرای سامانه چه بوده است. حفاظت از حریم خصوصی، امکان اعتراض به تصمیم‌های اشتباه و حفظ مسیرهای غیردیجیتال دریافت خدمات نیز بخشی از همین ارزیابی هستند.
سنگاپور؛ هوش مصنوعی در مقیاس یک محله هوشمند
سنگاپور هوش مصنوعی را نه به‌عنوان یک ابزار مستقل، بلکه به‌عنوان بخشی از زیرساخت دیجیتال شهر به کار گرفته است. نمونه برجسته این رویکرد، «منطقه دیجیتال پونگول» است؛ محله‌ای ۵۰ هکتاری در شمال‌شرق سنگاپور که در آن ساختمان‌ها، زیرساخت‌های شهری، سنسورها و سامانه‌های حمل‌ونقل به یک بستر داده مشترک متصل شده‌اند و هدف، مدیریت هماهنگ‌تر انرژی، خدمات، ایمنی و جابه‌جایی در مقیاس محله است.
در مرکز این محله پلتفرم دیجیتال باز قرار دارد؛ یک زیرساخت دیجیتال که داده‌های ساختمان‌ها، تجهیزات، سنسورها و دستگاه‌های اینترنت اشیا را جمع‌آوری و یکپارچه می‌کند. این پلتفرم امکان پایش لحظه‌ای سامانه‌هایی از جمله سرمایش هوشمند، روشنایی، تحویل رباتیک و سایر خدمات محله‌ای را فراهم می‌کند. پلتفرم دیجیتال باز همچون یک لایه میانی بین تجهیزات فیزیکی و سامانه‌های مدیریتی عمل می‌کند. داده‌های سنسورهای دما، مصرف انرژی، وضعیت تجهیزات و حرکت افراد و وسایل نقلیه در این لایه گردآوری و پردازش می‌شوند، سپس خروجی آن‌ها در قالب داشبوردها، هشدارها و پیشنهادهای عملیاتی در اختیار مدیران قرار می‌گیرد.
یکی از اجزای کلیدی این زیرساخت، دوقلوی دیجیتال است. دوقلوی دیجیتال بازنمایی دیجیتال و به‌روزشونده از وضعیت فیزیکی محله است که به مدیران امکان می‌دهد وضعیت تجهیزات و سامانه‌ها را از راه دور مشاهده کنند، سناریوهای مختلف را شبیه‌سازی کنند و پیش از اجرای تغییرات، اثر احتمالی آن‌ها را بررسی کنند. این رویکرد از جمع‌آوری داده فراتر می‌رود و داده‌ها نه‌فقط برای نمایش، بلکه برای تصمیم‌گیری عملیاتی استفاده می‌شوند. برای مثال، اگر مصرف انرژی یک ساختمان از الگوی معمول خارج شود یا عملکرد تجهیزات سرمایشی افت کند، سامانه می‌تواند هشدار صادر کند یا تنظیمات بهینه را پیشنهاد دهد.
در این زیرساخت، هوش مصنوعی و یادگیری ماشین برای بهبود مدیریت انرژی و منابع به کار گرفته می‌شوند. سامانه با تحلیل داده‌های تاریخی و لحظه‌ای، الگوهای مصرف را شناسایی می‌کند و پیشنهادهایی برای تنظیم بهتر تجهیزات ارائه می‌دهد. هدف کاهش مصرف انرژی و افزایش بهره‌وری منابع در طول زمان است. این فرایند شامل چند مرحله است: گردآوری داده از سنسورها، پاک‌سازی و استانداردسازی داده‌ها، استخراج ویژگی‌های مرتبط، آموزش مدل بر اساس داده‌های تاریخی و سپس پیش‌بینی یا پیشنهاد تنظیمات. در این ساختار مدل‌های یادگیری ماشین می‌توانند الگوهایی را شناسایی کنند که برای ناظر انسانی دشوار یا زمان‌بر است. برای مثال، اگر داده‌های مصرف انرژی نشان دهند که یک تجهیز در ساعت‌های خاصی عملکرد بهینه ندارد، سامانه می‌تواند زمان‌بندی روشن‌وخاموش‌شدن آن را اصلاح کند.
سامانه «تشخیص هوشمند همراه» یکی دیگر از کاربردهای عملی هوش مصنوعی در مدیریت شهری است که توسط سازمان بازآفرینی شهری سنگاپور توسعه یافته است. این سامانه روی خودروهای گشت نصب می‌شود و با استفاده از بینایی ماشین بر پایه یادگیری عمیق، رفتارهای ناایمن را حین حرکت خودرو و توفق شناسایی می‌کند.
این سامانه از مدل‌های بینایی کامپیوتری استفاده می‌کند که روی تصاویر ویدئویی آموزش دیده‌اند. وظیفه مدل تشخیص موقعیت خودروها، تحلیل موقعیت آن‌ها نسبت به خطوط و علائم و شناسایی مواردی است که با قوانین رانندگی ایمن هم‌خوانی ندارند. خروجی مدل، فهرستی از موارد مشکوک است که برای بررسی یا اقدام بیشتر به ماموران ارجاع داده می‌شود. این رویکرد پوشش نظارتی را گسترش می‌دهد و به بهبود ایمنی خیابان‌ها و پارکینگ‌ها کمک می‌کند. به‌جای آنکه ماموران فقط به نقاط مشخص بروند، سامانه می‌تواند در طول مسیر موارد مشکوک را ثبت کند. براساس معرفی رسمی، دقت این سامانه در آزمایش‌ها به بیش از ۹۵ درصد رسیده است که توانایی مدل در تشخیص موارد ناایمن را نشان می‌دهد
شهرداری سنگاپور طرح آزمایشی ابزار «دستیار کنترل توسعه» را راه‌اندازی کرده است؛ یک چت‌بات بر پایه مدل‌های زبانی بزرگ که به توسعه‌دهندگان، معماران و شهروندان کمک می‌کند تا در میان دستورالعمل‌های پیچیده کنترل توسعه وبسایت شهرداری، اطلاعات موردنیاز را پیدا کنند. این ابزار پس از آزمایش داخلی قرار است در اختیار صنعت قرار گیرد.
چنین ابزاری بر پایه مدل زبانی بزرگ ساخته شده که با داده‌های رسمی و متنی سازمان آموزش دیده است. کاربر می‌تواند پرسش خود را با زبان طبیعی مطرح کند و سامانه، پاسخ مرتبط را از میان اسناد و دستورالعمل‌ها استخراج کند. هدف این طرح کاهش زمان جست‌وجو و افزایش دسترسی به اطلاعات رسمی است. این ابزار نشان می‌دهد که هوش مصنوعی در سنگاپور فقط در حوزه‌های عملیاتی همچون انرژی یا ایمنی نیست، بلکه در خدمات اطلاعاتی و پاسخگویی نیز به کار گرفته می‌شود.
سن‌خوزه؛ خودروهای شهری در نقش بازرس خیابان
شهرداری سن‌خوزه در ۲۰۲۳ طرح آزمایشی «شرایط ایمنی راه» را اجرا کرد که خودروهای خدماتی حین انجام وظایف روزمره، وضعیت خیابان‌ها را نیز پایش می‌کردند. دوربین‌هایی که روی این خودروها نصب شده بودند، تصاویر مسیر را به سامانه‌ای بر پایه بینایی ماشین ارسال می‌کردند تا نشانه‌های چاله، زباله رهاشده و موانع احتمالی روی مسیر شناسایی شوند.
ایده اصلی این طرح استفاده از ظرفیت موجود بود؛ خودروهایی که پیش‌تر برای انجام وظایف شهری در خیابان‌ها حرکت می‌کردند، این‌بار به منبعی برای گردآوری داده تبدیل شدند. شهرداری می‌توانست تصویری تازه‌تر از وضعیت معابر به دست آورد و مشکلات را پیش از آنکه به شکایت شهروندان یا خرابی جدی تبدیل شوند، در فهرست کار قرار دهد.
گزارش‌های منتشرشده نشان دادند که این پروژه از یک آزمایش اولیه به ارزیابی دقیق‌تر عملکرد رسیده است. در گزارش مرحله نخست، دقت تشخیص چاله‌ها ۹۷ درصد و دقت شناسایی زباله‌های مزاحم ۸۸ درصد اعلام شد. مرحله دوم با حمایت مالی ۲۶۰ هزار دلاری بنیاد تحرک تویوتا اجرا شد و تمرکز بیشتری بر موانع خیابان، مسیر دوچرخه و پیاده‌رو داشت. گزارش نهایی ژوئن ۲۰۲۶ نشان داد که آموزش مدل با داده‌های محلی و اصلاح تدریجی آن، عملکرد سامانه را در شرایط واقعی بهبود داده است. در این مرحله دقت پایه تشخیص چاله ۸۹ درصد و تشخیص پوشش گیاهی مزاحم ۸۸ درصد ثبت شد.
ارزش عملی این سامانه، تولید فهرستی زودهنگام از مشکلات احتمالی است. این فهرست باید بررسی شود، موارد تکراری حذف شوند و ماموریت‌های تعمیر یا پاک‌سازی به تیم‌های مربوط ارجاع داده شوند. سن‌خوزه در پایان مرحله دوم، حرکت از آزمایش به اجرای گسترده‌تر تشخیص چاله، تخلیه غیرمجاز زباله و دیوارنویسی را مطرح کرد. دستاورد این تجربه علاوه بر بهبود تشخیص، روشن‌شدن مرز کاربردهای مناسب و نامناسب است.
آمستردام؛ هوش مصنوعی در خدمت شهرداری و شهروند
آمستردام هوش مصنوعی را نه‌فقط به‌عنوان ابزار فناورانه، بلکه به‌عنوان بخشی از حکمرانی شهری به کار گرفته است که تمرکز آن بر بهبود خدمات عمومی، شفافیت در استفاده از الگوریتم‌ها و مشارکت شهروندان در تصمیم‌گیری‌هاست. شهرداری آمستردام در سال ۲۰۲۴، «چشم‌انداز هوش مصنوعی آمستردام» را منتشر کرد که مبنایی برای استفاده مسئولانه از این فناوری در خدمات شهری است. این چشم‌انداز بر سه اصل شفافیت، حقوق دیجیتال و امنیت شهروندان تاکید دارد. این چارچوب شامل ابزارهایی همچون ارزیابی اثر حقوق بشر برای طراحی، خرید و استفاده از الگوریتم‌هاست و هدف، اطمینان از این است که سامانه‌های هوش مصنوعی پیش از استقرار، از نظر اخلاقی، حقوقی و عملیاتی بررسی می‌شوند.
شهرداری آمستردام سامانه ثبت الگوریتم‌ها را راه‌اندازی کرده است که اطلاعات مربوط به الگوریتم‌های مورد استفاده شهرداری را در اختیار عموم قرار می‌دهد. این سامانه امکان بازخورد شهروندان و سازمان‌ها درباره عملکرد و اثر الگوریتم‌ها را نیز فراهم می‌کند. در برنامه عملیاتی ۲۰۲۵–۲۰۲۶، شهرداری آمستردام چند پروژه مشخص را در دست اجرا دارد که یکی از آن‌ها تشخیص تصویری فضاهای عمومی است و برای شناسایی اشیایی همچون کانتینرها، داربست‌ها و سطل‌های زباله استفاده می‌شود.
این سامانه از مدل‌های بینایی کامپیوتری استفاده می‌کند که روی تصاویر ویدئویی آموزش دیده‌اند. وظیفه مدل، شناسایی و دسته‌بندی اشیای موجود در تصویر است. خروجی مدل، فهرستی از اشیای شناسایی‌شده است که می‌تواند برای برنامه‌ریزی خدمات شهری استفاده شود. این سامانه به بهبود مدیریت فضاهای عمومی کمک می‌کند.
«چت آمستردام (ChatAmsterdam)» یک چت‌بات رسمی که به شهروندان کمک می‌کند تا پاسخ سؤالات خود را درباره خدمات شهرداری دریافت کنند. این ابزار با استفاده از مدل‌های زبانی بزرگ و روش «بازیابی–تولید» کار می‌کند و پاسخ‌ها را بر اساس منابع رسمی شهرداری ارائه می‌دهد. کاربر پرسش خود را مطرح می‌کند، موتور بازیابی اسناد مرتبط را پیدا می‌کند و مدل زبانی پاسخ نهایی را بر اساس آن اسناد تولید می‌کند.
در یک نمونه عملی، واحد آرشیو شهرداری از این ابزار برای نوشتن بخشی از کد نرم‌افزاری استفاده کرد و توانست یک بایگانی شهرداری را ظرف ۲۴ ساعت در سامانه دیجیتال بارگذاری، ذخیره و منتشر کند و کارکنان خروجی را بررسی و تایید کردند. شهرداری آمستردام از هوش مصنوعی برای پشتیبانی از فرایندهای اداری نیز استفاده می‌کند. ابزار «GitHub» به تیم‌های فنی در توسعه و نگهداشت نرم‌افزارهای شهری کمک می‌کند. این ابزار می‌تواند کدنویسی، بررسی خطا و مستندسازی را تسریع کند.
یکی از ویژگی‌های متمایز آمستردام، تاکید بر مشارکت شهروندان در طراحی و ارزیابی سامانه‌های هوش مصنوعی است. شهرداری با همکاری مؤسسه راهکارهای پیشرفته کلان‌شهری آمستردام امکانات مشارکت شهروندان را بررسی کرده و در حال توسعه راهکارهایی برای مشارکت فعال‌تر آن‌ها در طراحی خدمات شهری است. این رویکرد نشان می‌دهد که هوش مصنوعی در آمستردام فقط ابزار مدیریتی نیست، بلکه بخشی از فرایند دموکراتیک تصمیم‌گیری محسوب می‌شود. شهروندان نه‌فقط کاربر خدمات، بلکه ذی‌نفعان و ناظران فرایند فناورانه نیز هستند.
دبی؛ پیوند کنترل ترافیک و نگهداشت هوشمند
دبی در سال ۲۰۲۵ مجموعه‌ای از کاربردهای هوش مصنوعی را در حمل‌ونقل معرفی کرد که از کنترل چراغ تا بازرسی فنی خودرو و بررسی خطوط ریلی را دربرمی‌گرفت. زنجیره خدمات در این شهر گسترده است و فناوری فقط به هدایت خودروها محدود نشده، بلکه وارد فرایندهایی شده است که ایمنی و تداوم فعالیت شبکه حمل‌ونقل به آن‌ها وابسته است.
سازمان راه‌ها و ترابری دبی در اکتبر ۲۰۲۵ اعلام کرد شبکه هوشمند خودروهای متصل، با تحلیل لحظه‌ای داده و کنترل پیش‌بینانه، تاخیر را ۲۵ درصد کاهش داده است. این سازمان کاهش ۲۰ تا ۳۰ درصدی هزینه عملیاتی شبکه مربوط را گزارش کرد. در حوزه بازرسی خودرو، سامانه «اتوچک ۳۶۰» از بینایی ماشین و اینترنت اشیا استفاده می‌کند. این سامانه زمان بازرسی را از ۱۷ دقیقه به هفت دقیقه می‌رساند و هدف آن استانداردترشدن بررسی‌ها و کاهش خطای انسانی است؛ کاربردی که هوش مصنوعی را از تحلیل پشت‌صحنه به بخشی ملموس از تجربه دریافت خدمت تبدیل می‌کند. کوتاه‌شدن فرایند به‌ویژه در خدمات پرتکرار می‌تواند ظرفیت پاسخگویی را تغییر دهد.
کاربرد دیگر هوش مصنوعی در مدیریت شهری دبی، بازرسی هوشمند خطوط مترو است. براساس اعلام سازمان راه و ترابری، سامانه خودکار بازرسی ریلی، زمان بررسی را ۷۰ درصد کاهش داده است. اهمیت چنین ابزاری در دسترسی سریع‌تر به اطلاعات وضعیت زیرساخت است. دبی در فوریه ۲۰۲۵ ارتقای نسل بعدی کنترل چراغ‌ها را نیز آغاز کرد؛ طرحی که بر پایه هوش مصنوعی، تحلیل پیش‌بینانه و دوقلوی دیجیتال بود و کاهش ۱۰ تا ۲۰ درصدی ازدحام تقاطع‌ها برای آن به‌عنوان هدف اعلام شد.
نظر شما