Molte organizzazioni di trasporto pubblico in tutto il mondo utilizzano già la potenza degli strumenti di intelligenza artificiale per rendere le operazioni più sicure, più efficienti e più comode per i passeggeri.
“Si stanno aprendo nuove opportunità. Da un lato, per facilitare le operazioni, e dall’altro, per cambiare il modo in cui comunichiamo con i clienti. Alla fine, questo dovrebbe creare un nuovo modello di business che ci impatta internamente ed esternamente. I nostri clienti lo richiedono sempre di più”, dichiara Ralph Gambetta Presidente del comitato IT&I dell’UITP.
Un documento dell’ UITP AI Working Group ha analizzato l’uso dell’IA nel trasporto pubblico evidenziando tre categorie tecnologiche chiave di applicazioni di IA:
• LLM, utilizzati principalmente nei chatbot.
• Analisi video basata sull’IA, che sfrutta l’elaborazione avanzata delle immagini.
• Modellazione predittiva, che affronta le sfide operative.
Le prime due categorie in genere si basano su varie forme di apprendimento profondo, una tecnica di IA all’avanguardia.
La modellazione predittiva, al contrario, impiega spesso metodi di IA più tradizionali che, sebbene possano sembrare meno avanzati, sono altamente efficaci per risolvere un’ampia gamma di problemi pratici nel trasporto pubblico.
Un capitolo dello studio è dedicato alle iniziative in corso nei diversi paesi del network UITP. per l’Italia si segnala in particolare Club Italia e la nuova LLM Velvet sviluppata da Almawav. “Club Italia, si legge, è un’organizzazione non-profit che promuove l’uso di sistemi di pagamento e accesso contactless per il trasporto pubblico. A gennaio 2025, ha lanciato l’applicazione open source Velvet, che consentirà agli utenti di inviare richieste a un LLM in lingua italiana. Queste vengono quindi integrate in un chatbot in grado di rispondere alle richieste degli utenti e di offrire informazioni aggiornate dinamicamente, tra cui gli orari dei servizi e consigli sull’abbigliamento adatto alle condizioni meteorologiche previste per il giorno del viaggio. La soluzione è in fase di test con diverse istituzioni partner, come IntercentER (Agenzia per gli acquisti telematici della Regione Emilia Romagna), UniMarconi (Università telematica) e la Regione del Veneto. L’obiettivo principale di Club Italia è di distribuire Velvet nelle regioni centrali e meridionali dell’Italia, con particolare attenzione agli operatori del trasporto pubblico in Sicilia”.

LLM
Sebbene gli LLM abbiano attirato una notevole attenzione, il loro impiego primario nel trasporto pubblico si è concentrato finora su due aree pratiche: migliorare l’assistenza del personale e migliorare l’assistenza ai clienti. Queste applicazioni sfruttano le capacità degli LLM nella comprensione e nella
generazione del linguaggio naturale per semplificare la comunicazione, ridurre i tempi di risposta e migliorare la qualità del servizio.

VIDEO ANALYTICS

L’analisi video basata sull’intelligenza artificiale, nota anche come video analytics, è in prima linea nei progressi dell’intelligenza artificiale nel trasporto pubblico.

Nel corso dell’ultimo decennio sono state implementate molteplici applicazioni in questo campo, tra cui:
Monitoraggio dei passeggeri: le telecamere installate sopra le porte e i soffitti dei veicoli consentono all’intelligenza artificiale di contare i passeggeri, monitorare l’affollamento, l’occupazione dei binari e generare dati di origine-destinazione.
Monitoraggio della sicurezza degli autobus: le telecamere dotate di intelligenza artificiale monitorano gli angoli ciechi e il comportamento dei conducenti e rilevano
potenziali collisioni, migliorando la sicurezza complessiva.
Enforcement applications: l’intelligenza artificiale rileva veicoli non autorizzati nelle corsie degli autobus ed eventi di evasione delle tariffe, consentendo

un’applicazione tempestiva. Sicurezza dei passaggi a livello: l’intelligenza artificiale monitora gli attraversamenti per rilevare pericoli come veicoli o pedoni che attraversano
in modo non sicuro e avvisa immediatamente gli operatori.
Sulla base delle applicazioni precedenti, ora c’è spazio per utilizzare l’intelligenza artificiale per affrontare sfide emergenti più difficili.
I principali casi d’uso includono:
• rilevamento di comportamenti irregolari, rilevamento di vagabondaggio, disagio, scontri o comportamenti suicidi per consentire interventi proattivi.
• Rilevamento di armi: identificazione di potenziali armi in tempo reale per garantire una risposta rapida e mantenere la sicurezza.
• Monitoraggio di bagagli abbandonati: rilevamento di oggetti abbandonati e tracciamento dell’ultimo proprietario per affrontare rapidamente le minacce alla sicurezza.
Alcune di queste sfide hanno superato la prova di concetto, con vari gradi di successo ma nessuna di esse ha avuto abbastanza successo da essere introdotte nelle operazioni regolari.
Attualmente ci si concentra sul rendere l’analisi video più diffusa ed efficace nel trasporto pubblico, riducendone i costi complessivi e migliorandone le capacità.

Gli sviluppi chiave in corso includono:
Edge computing: l’elaborazione di video su dispositivi edge locali riduce la latenza e la larghezza di banda, consentendo risposte più rapide e costi infrastrutturali più bassi.
Analisi multi-camera collaborativa: la sincronizzazione dei feed delle telecamere può migliorare la copertura e le informazioni, soprattutto nelle aree affollate.
Segnalazione di incidenti in tempo reale: ciò comporta l’avviso immediato degli operatori su incidenti come alterchi o sovraffollamento per consentire risposte più rapide.
Manutenzione proattiva: i controlli visivi su apparecchiature e infrastrutture mobili vengono utilizzati per rilevare problemi e/o prevedere guasti, riducendo così al minimo le interruzioni.
Integrazione cross-modale con sensori Internet of Things (IoT): l’integrazione di dati IoT (ad esempio temperatura, rumore, ecc.) con l’analisi video arricchisce il processo decisionale e migliora l’esperienza dei passeggeri.
L’analisi video offre molti vantaggi, ma presenta anche punti deboli che i decisori devono considerare. Un problema importante è l’impatto delle mutevoli condizioni
ambientali sull’analisi. I modelli di intelligenza artificiale sono spesso addestrati su set di dati specifici e i cambiamenti nell’ambiente fisico possono ridurne l’accuratezza.
Per garantire prestazioni affidabili, potrebbe essere necessaria una messa a punto.
Un’altra debolezza riguarda le telecamere stesse: l’esposizione ambientale può degradarne la qualità nel tempo, riducendo la nitidezza delle immagini e influenzando le prestazioni dell’intelligenza artificiale.
Il monitoraggio regolare delle condizioni delle telecamere è fondamentale per mantenere una qualità di input ottimale. È inoltre fondamentale sviluppare modelli di intelligenza artificiale in grado di gestire variazioni e glitch delle immagini senza perdite significative di prestazioni.

MODELLAZIONE PREDITTIVA CON AI

La modellazione predittiva è una branca dell’AI che utilizza tecniche di apprendimento automatico per fare previsioni o eventi di clustering in base a relazioni e modelli appresi da dati storici. I modelli possono essere classificati in diversi gruppi, ognuno adatto a diversi tipi di attività e dati. I modelli di previsione si concentrano sulla previsione di valori che sono continui, ad esempio un numero di passeggeri o una durata, o categorizzati, ad esempio lo stato del servizio come “in orario” o “in ritardo”, mentre i modelli di clustering raggruppano insieme punti dati simili per identificare modelli nascosti.
Con i progressi della tecnologia e della potenza dei computer, l’apprendimento automatico predittivo ha fatto un grande passo avanti negli ultimi anni.
I modelli di apprendimento automatico possono analizzare rapidamente grandi quantità di dati e identificare modelli che potrebbero non essere immediatamente evidenti all’occhio umano. Il vantaggio principale è una maggiore accuratezza nei risultati di previsione e clustering, che, a sua volta, porta a un migliore processo decisionale.
Sebbene l’apprendimento automatico abbia trasformato molti campi, a volte non riesce a fornire i risultati attesi.
Ci sono molte ragioni per questo, tra cui mancanza di dati, problemi di qualità dei dati, overfitting, deriva del modello e mancanza di risorse informatiche appropriate. E anche quando tutte le regole d’oro dell’apprendimento automatico sono state seguite e il modello produce risultati eccellenti, una mancanza di fiducia dovuta a un effetto “scatola nera” può rendere un modello inutile.
La modellazione predittiva con AI sta trasformando il processo decisionale nel trasporto pubblico per dipendenti, veicoli, servizi e infrastrutture.
Un migliore processo decisionale in questo campo porta a una maggiore efficienza operativa, qualità del servizio e sicurezza.
In termini di risorse umane, l’AI facilita una pianificazione efficiente dei turni, l’assegnazione delle attività e la distribuzione della forza lavoro, ad esempio anticipando i picchi di domanda e l’assenteismo.
Altre applicazioni di modelli di previsione automatizzano le attività di reporting per migliorare l’efficienza operativa del personale di pianificazione.

Fonte FERPRESS