Ulaşımda yapay zekâ: Metro sistemlerini yeniden tanımlamak

Metro sistemleri, bir şehrin toplu ulaşımının merkezinde yer alır ve her gün milyonlarca yolcu taşır. New York ve Tokyo gibi şehirlerde her gün sırasıyla 3 milyondan ve 6 milyondan fazla kişi metroyu kullanır. Şehirler büyüdükçe metro sistemlerini daha verimli, güvenli ve yolcular için daha konforlu hâle getirmek hayati önem taşır.

Yapay zekâ (AI) burada devreye girerek bilet alımından tren bakımına kadar her şeyi dönüştürüyor. Bu yazıda metro yolculuğunun her aşamasında yapay zekânın nasıl iyileştirmeler sağladığını ve her şeyin sorunsuz işlemesini sağlayan görünmez yapay zekâ teknolojilerini keşfedeceğiz.

Toplu taşımada yapay zekâ, ücret toplamayla başlıyor#

Metro yolculuğu genellikle sıraya girip bilet almak ve turnikelerden geçmekle başlar. Yapay zekâ bu süreci aktif olarak kolaylaştırarak yolcular için daha hızlı ve kullanışlı hâle getirir. Örneğin, metro bilet sistemlerinde yüz tanıma teknolojisi kullanılabilir. Kalabalık şehirlerde yolcular fiziksel bilet veya akıllı kart olmadan hizmetlerden yararlanabilir. Bunun yerine giriş noktalarında yüzleri taranarak istasyona sorunsuzca girmeleri sağlanır. 2019'da Pekin, yoğun saatlerde aşırı kalabalığı ve uzun kuyrukları azaltmak için bir yüz tanıma sistemi kullanmaya başladı.

Şekil 1. Çin'in Shenzhen Metrosu'ndaki yüz tanıma sistemi.

İyi entegre edilmiş yapay zekâ, günlük yolculukları kolaylaştırır ve her gün milyonlarca yolcuya fayda sağlar. Yapay zekâ destekli bilet sistemleri yolcu deneyimini iyileştirmenin yanı sıra güvenliği de artırır. Sistem, yüz verilerini analiz ederek istasyona yalnızca yetkili yolcuların girmesini sağlar. Yapay zekâ kimlikleri hızla doğrulayabilir, yetkisiz erişimi engelleyebilir ve olası tehditleri tespit edebilir. Giriş sürecini hızlandırabilir, güvenliği artırabilir ve ücret kaçakçılığını azaltabilir.

Yapay zekâ yardımıyla metro hatlarında yolunu bulmak#

Metroya girdikten sonra istasyonda yolunu bulmak, özellikle yoğun saatlerde kafa karıştırıcı olabilir. Yapay zekâ tabanlı navigasyon sistemleri, yolculara gerçek zamanlı yönlendirme sunarak metroda hareket etmeyi kolaylaştırabilir. Bu sistemler GPS, sensörler ve kameralar gibi kaynaklardan gelen verileri yapay zekâ algoritmalarıyla analiz ederek en iyi rotaları bulur ve doğru, güncel yönlendirmeler sunar. Yolcular, Google Maps benzeri mobil uygulamaları kullanarak istasyon içinde adım adım yol tarifi alabilir ve peronları, çıkışları ve olanakları hızla bulabilir. Yapay zekâ tabanlı navigasyon zaman kazandırabilir ve stresi azaltabilir.

Metroda kameralar ve bilgisayarlı görü verileri, navigasyonun yanı sıra gerçek zamanlı kalabalık yoğunluğunu izlemek için de kullanılabilir. İstasyonun her yanındaki kameralar, olası darboğazları ve aşırı kalabalık alanları belirlemek için belirli bölgelerdeki yolcuları sayabilir. Bu içgörüler, ulaşım yetkililerinin tren sıklığını ayarlamak veya kalabalığı yönetmek için personel görevlendirmek gibi önlemleri önceden almasına yardımcı olur. Nitekim yapay zekâ, Dubai'de deneysel olarak yoğunluğu %40 ila %60 azaltmak ve yoğun saatlerde ve halka açık etkinliklerde bekleme sürelerini 30 dakikaya indirmek için kullanıldı.

Şekil 2. Nesne tespiti kullanarak metroda insanları sayma.

Yapay zekâ destekli metroya binmek ve yolculuk etmek#

Yolcular trene binerken yapay zekâ, yolculuk deneyimlerini çeşitli şekillerde iyileştirebilir. İşte bu uygulamalardan bazıları:

• Erişilebilirlik desteği: Nesne algılama gibi bilgisayarlı görü teknikleri tekerlekli sandalye kullanıcılarını belirleyebilir ve onları trenin erişilebilirliği en yüksek bölümüne yönlendirebilir. Kapıların kapanma süreci, bu yolcuların güvenle binmesi için ek süre tanıyacak şekilde de ayarlanabilir.
• Kişiselleştirilmiş anonslar ve reklamlar: Yapay zekâ, trende kimlerin bulunduğuna ve saate göre yolcu anonslarını ve reklamları kişiselleştirmek için kullanılabilir.
• Trenin boş olduğunu kontrol etme: Metro ağının son istasyonunda, trende yolcu kalmadığından emin olmak için bilgisayarlı görüyle “boş tren kontrolü” yapılabilir.
• Terk edilmiş bagaj yönetimi: Herhangi bir bagaj terk edilirse bilgisayarlı görü bunu tespit edip eşyaları peron ekranlarında gösterebilir. Yolcular da eşyalarını kolayca alabilir.

Metro trenlerinin kendileri de yapay zekâ ile çalışabilir. Tam otonom trenler, insan mürettebat olmadan güvenle çalışabilir. Yapay zekâ destekli bu trenler, gerçek zamanlı kararlar almak için gelişmiş algoritmalardan; engelleri algılayıp güvenle çalışmak içinse sensörlerden yararlanır. Yapay zekâ destekli metro trenleri personel maliyetlerini düşürür, daha iyi hizmet kalitesiyle daha fazla yolcu taşıma konusunda esneklik sağlar, seferleri daha tutarlı biçimde zamanında gerçekleştirebilir ve enerji tüketimini azaltmak için hızlanma ve frenlemeyi optimize eder. Örneğin, Honolulu Raylı Ulaşım Projesi, ABD'deki ilk tam otonom sistemdir. Sistemin, günde yaklaşık 40.000 araç yolculuğunu ortadan kaldırarak trafik yoğunluğunu ve emisyonları azaltması bekleniyor.

Şekil 3. İtalya'nın Milano kentinde sürücüsüz bir metro.

Metro istasyonundan çıkan yolcuları izlemek için yapay zekâ kullanımı#

Farklı istasyonlardan kaç kişinin çıktığını izlemek de metro akışını verimli yönetmek için önemlidir. Ultralytics YOLOv8 gibi yapay zekâ modelleri bu süreçte önemli bir rol oynar. YOLOv8 ayrıca nesne takibini destekler ve birden fazla nesneyi gerçek zamanlı olarak belirleyip takip etmek için kullanılabilir; bu da modeli yoğun metro sistemleri için son derece uygun kılar. İstasyonların çeşitli noktalarına yerleştirilen kameralardan gelen video akışlarını analiz eden YOLOv8, çıkan yolcuları sayabilir, hareketlerini izleyebilir ve yoğunluk örüntülerini belirleyebilir.

Yapay zekâ, metro çıkış kapılarının ötesinde son kilometre bağlantı çözümlerine entegre edilebilir. Yapay zekâ destekli bisiklet paylaşım istasyonları, araç çağırma hizmetleri ve servisler yolcuların istasyondan ayrılmasını kolaylaştırabilir. Yapay zekâ, gerçek zamanlı verileri analiz ederek talebi ve bu hizmetlerin ne zaman kullanılabilir olacağını tahmin edebilir. Bu teknoloji ayrıca mevcut trafik koşullarına ve kişisel tercihlere göre en iyi rotaları ve ulaşım türlerini önerebilir. Böylece yolcular istasyondan çıkarken kendilerine en uygun ulaşım seçeneklerine hızla erişebilir, bekleme süreleri kısalır ve yolculukları daha konforlu hâle gelir.

Peron arkasında yapay zekâ: Metro raylarının bakımı#

Yolcular olarak metro yolculuklarımızın arka planında gerçekleşen karmaşık süreçleri çoğu zaman gözden kaçırırız. Yapay zekâ, özellikle ray inceleme ve bakımında perde arkasında kritik öneme sahiptir. Duos Technologies Demiryolu Vagonu İnceleme Portalı (RIP) gibi sistemler, yapay zekâ destekli bu yaklaşımı gözler önüne serer. RIP, yapay zekâ algoritmalarını kullanarak her tren vagonunun 360 derecelik görüntülerini saniyeler içinde, saatte 125 milin üzerindeki hızlarda bile yakalar ve analiz eder. Uçta çalışan bu yapay zekâ sistemleri sorunları tespit eder ve bakım sorunlarını demiryolu personeline 60 saniye içinde bildirir. Sürekli izleme, olası sorunların hızla belirlenip giderilmesini sağlar.

Enerji yönetimi ve optimizasyonu, metrolarda yapay zekânın yaygın olarak bilinmeyen diğer uygulamalarıdır. Örneğin Metro de Madrid, havalandırma enerji maliyetlerini %25 azaltmak ve CO₂ emisyonlarını yılda 1.800 ton düşürmek için yapay zekâ tabanlı bir sistem kullanıyor. Yılda 80 gigawatt-saate kadar enerji tüketen 891 havalandırma fanını işleten sistem, arı kolonilerinin yiyecek arama davranışından esinlenen bir optimizasyon algoritması kullanıyor. Bu algoritma; hava sıcaklığı, istasyon mimarisi, tren sıklığı, yolcu yükü ve elektrik fiyatları gibi etkenleri dikkate alarak büyük miktarda veriyi analiz ediyor. Her istasyon için en iyi dengeyi tahmin edip yakalamak üzere hem geçmiş hem de benzetim verilerinden yararlanıyor ve makine öğrenimiyle zaman içinde iyileşiyor.

Şekil 4. Madrid Metrosu'nun yapay zekâ tabanlı havalandırma sistemi.

Toplu taşımada yapay zekânın artıları ve eksileri#

Yapay zekânın metro sistemlerine entegrasyonu birçok fayda sağladı. Örneğin metro sistemlerinin tarifelere uymasına, gecikmeleri azaltmasına ve daha sorunsuz hizmet için operasyonları optimize etmesine yardımcı olarak verimliliği artırıyor. Sürekli izleme güvenliği artırırken kestirimci bakım da kaza ve arızaların önlenmesine yardımcı oluyor.

Ancak yapay zekâyı metro sistemlerinde uygulamak şu gibi zorlukları beraberinde getiriyor:

• Veri gizliliğiyle ilgili kaygılar: Yolcu verilerinin toplanması ve kullanılması, kişilerin gizlilik haklarını korumak için dikkatle yönetilmesi gereken önemli gizlilik kaygılarına yol açar.
• Mevcut altyapıyla entegrasyon: Yapay zekâ sistemlerini mevcut metro altyapısına entegre etmek karmaşık olabilir ve değişiklikler gerektirebilir.
• Yüksek uygulama maliyetleri: Yapay zekâ teknolojisini uygulamanın başlangıç maliyetleri yüksek olabilir ve bu durum bazı metro sistemleri için engel oluşturabilir.
• Nitelikli uzman ihtiyacı: Yapay zekâ sistemlerini başarıyla uygulamak ve sürdürmek için yüksek nitelikli uzmanlar gerekir; bu da kaynaklar açısından zorluk yaratabilir.

Bu zorluklara rağmen sağladığı faydalar, yapay zekâyı metro gibi modern kentsel ulaşım sistemlerinde dönüştürücü bir güç hâline getiriyor. Verimliliği artırma, güvenliği güçlendirme ve yolcu deneyimlerini iyileştirme potansiyeli, yapay zekânın sunduğu avantajlardan tam anlamıyla yararlanmak için yapay zekâ topluluğunun bu engelleri aşmaya neden aktif olarak çalıştığını açıklıyor. Bu yüzden bir dahaki metro yolculuğunda, yolculuğunun parçası olan yapay zekâ yeniliklerine dikkat et.

Ulaşımda yapay zekânın geleceği#

İstasyona girişten metroda yol bulmaya, seyahat etmeye ve çıkışa kadar yapay zekâ tüm yolculuğu dönüştürüyor. Operasyonları optimize ediyor, güvenliği artırıyor ve yolculara daha sorunsuz bir deneyim sunuyor. Yapay zekâ, ray bakımını ve enerji yönetimini iyileştirerek metro sistemlerinin verimli ve uygun maliyetli kalmasına yardımcı oluyor. Uygulama maliyetleri ve veri gizliliği kaygıları gibi zorluklara rağmen, metro gibi kentsel ulaşım sistemlerinde yapay zekânın faydaları açıkça görülüyor. Şehirler büyümeye devam ettikçe yapay zekâ, metro ulaşımını daha akıllı, güvenli ve verimli hâle getirmede giderek daha önemli bir rol oynayacak.

Yapay zekâ hakkında öğrenmeye devam etmek için topluluğumuzla iletişimde kal! Yapay zekâyı tarım ve üretim gibi çeşitli sektörlerde yenilikçi çözümler üretmek için nasıl kullanabileceğimizi keşfetmek üzere GitHub depomuza göz at.