Billettkontroll, sensorer og predikering av trengsel. Her er noen eksempler på hvordan KI gjør hovedstadens kollektivtrafikk bedre.
«Hjulene på bussen går rundt og rundt», synges det i en av verdens mest kjente barnesanger – før den oppsummerer flere av kollektivfartøyets viktigste bestanddeler og egenskaper.
Men er det kanskje snart på tide å skrive et nytt vers til sangen? I Oslo er nemlig sensorikk, algoritmer og kunstig intelligente modeller blitt vel så viktig for kollektivtrafikkens flyt som hjulene, vindusviskerne og dørene.
I hvert fall nesten.
– Ruters busser er kjørende KI-maskiner. Det er minst 20 sensorer i hver buss. Disse fanger opp alt fra når passasjerer går inn og ut, hvor lang tid det tar fra A til B – til å levere vedlikeholdsdata i sanntid om alt fra motorer, vindusviskere og ryggekameraer.
Det sier Umair Mehmood Imam, leder for Ruters avdeling for data science og kunstig intelligens.
Og ja: Sensorene måler også når dørene går opp og lukkes – gjennom hele byen.
Disse dataene utgjør grunnlaget for arbeidet Ruter gjør med kunstig intelligens for å gi hovedstadens innbyggere et bedre og mer forutsigbart kollektivtilbud. Og det viser seg at de får oppnådd ganske mye basert på dette datasettet.
Her er 7 konkrete måter Ruter bruker kunstig intelligens for å effektivisere prosesser og skape bedre brukeropplevelser:
1. Ruteoptimalisering for spesielle reiser
Ruter er ikke bare røde busser. Kanskje du har sett de små rosa og grønne minibussene? Dette er et transporttilbud for barn og eldre.
Konseptet fungerer litt som en Uber: Du har en app og du bestiller en buss. Men i stedet for at det kommer en taxi, er det en buss som plukker deg opp utenfor hjemmet ditt – og kjører deg dit du vil.
– Når etterspørselen er høy fungerer tjenesten bra. Men i perioder med lav etterspørsel har sjåførene kjørt litt på tomgang rundt omkring i byen, helt til det kommer en bestilling, sier Imam.
Dette har etter hvert blitt en stor kostnad for Ruter, samtidig som det ofte har ført til lang ventetid for kundene.
Med kunstig intelligens kan de nå predikere hvor de fleste bestillingene vil komme fra, og når det vil være størst behov for persontransport.
Burde de ha flere på jobb på Grünerløkka, Jar eller Mortensrud? Burde rutene gå fra øst mot vest? Måtte sjåførene kjøre innom sentrum om morgenen, eller kunne de unngå rushtrafikk ved å legge rutene utenfor bykjernen?
– Predikeringsalgoritmene kom med 93 prosent nøyaktighet. Dette har spart oss for store kostnader og gjør kundene mer fornøyde.
2. Billettkontroll
Det er kjedelig å bli tatt i billettkontroll. Men mekanismen er nødvendig for å sikre at folk betaler for seg når de reiser med buss, trikk og bane.
– Billettkontroll har aldri vært en måte for Ruter å tjene penger. Tvert imot, ønsker vi å bruke mer penger på bedre kollektivtrafikk og mindre på kontroll, sier Imam.
Basert på de samme treningsdataene som ruteoptimalisering, utviklet Ruter en algoritme som kunne forutse hvor mange som vil snike i løpet av en gitt dag, og på hvilke stopp det er mest sannsynlig at snikingen vil foregå.
Algoritmene vektes med manuell input for å sikre at billettkontroll ikke rammer skjevt, ved at det for eksempel ikke kontrolleres mer i områder der folk generelt har det litt tøffere økonomisk.
3. Analysere klager og ros i stor skala
Når bussen er forsinket, eller det skjer noe annet som går utover kundeopplevelsen, mottar Ruter naturligvis klager.
Men respons om kollektivtrafikken i Oslo kommer ikke bare i offisielle kanaler. Folk kommer med sine meninger i kommentarfelt, i diskusjonsforum, på Twitter og en hel rekke andre steder omkring på internett.
– Vi trente blant annet modellen vår med en hel rekke ulike norske og svenske banneord. Ord og formuleringer jeg aldri engang hadde hørt før!
Med kunstig intelligens kunne de deretter kartlegge hvilke typer tilbakemeldinger som var mest akutte, kritiske og aktuelle – blant annet basert på nettopp hvilke banneord som ble brukt.
Slik kunne de få visualisert skjulte trender i dataene, som igjen ledet frem til interessant og nyttig innsikt. De vanligste klagene handlet om trengsel og fremkommelighet for rullestol.
Men særlig en klage kom overraskende på flere:
– En skjult trend var at blant de vanligste klagene handlet om musikksmaken til sjåførene, forklarer Imam, og ler.
KI-verktøy har også gjort det mulig for Ruters kundeservice å komme med raskere og mer relevante svar på klager.
– Kunstig intelligens har spart inn omkring 3080 timer med manuelt arbeid. Det tilsvarer omtrent et årsverk.
4. Predikere trengsel på bussen
Å stå som sild i tønne på en fullstappet buss er ikke særlig trivelig.
Ut ifra de samme datasettene har Ruter – med høy grad av presisjon – levert en tjeneste som gir deg en oversikt over kapasiteten på bussen.
I Ruter-appen får du nå en prediksjon på om det vanligvis er lite plass, noe plass eller god plass på enkelte stopp.
Slik kan du selv bestemme om du vil vente til neste avgang for en litt mer behagelig kollektivreise.
5. Personaliserte reiseruter
Hvordan kan Ruter konkurrere med Google Maps? Vel, det kan de ikke. I hvert fall ikke når det kommer til innhenting og bruk av brukernes persondata.
Men i samarbeid med Datatilsynets sandkasseprosjekt, har de kommet frem til en løsning for personaliserte reiseruter med anbefalinger for hvordan du enklest kan komme deg fra A til B ved hjelp av Ruters kollektivtjenester.
Det, på en måte som skal være i henhold til GDPR. Altså at Ruter ikke samler inn eller bruker data på en måte som bryter med personvern. Det innebærer blant annet at du skal vite hvilken informasjon om deg som brukes, hva informasjonen brukes til – og at den er trygt lagret.
6. Kunstig intelligens – som overvåker seg selv
Og apropos GDPR: Det finnes en hel rekke lover og reguleringer som tar for seg hvordan persondata skal håndteres i forbindelse med kunstig intelligente prosesser.
Og flere er på vei, blant annet den såkalte «Artificial Intelligence Act», eller KI-forordningen på norsk, som nå blir utarbeidet hos EU-lovgiverne.
Derfor jobber Ruter med å motvirke black box-systemer og mot transparente og forståelige kunstig intelligente prosesser. Det som ofte refereres til som explainable AI.
Altså, at mennesker enklere skal kunne forstå og tolke beslutningene som tas av KI-systemer.
– Et av tiltakene er å lære opp kunstig intelligente modeller til å overvåke seg selv, sier Imam.
Det er på ingen måte systemer som er ment for å erstatte menneskelig kontroll. Derimot er modellene designet for å forklare valgene som tas og sette dem i kontekst for bedre beslutningsgrunnlag. Disse er også innrettet slik at de kan varsle utviklere om avvik.
7. Bruk av kvanteteknologi
– Vi var veldig fornøyde med arbeidet vi gjorde med kunstig intelligens. Men ettersom datamengdene økte, ønsket vi å gjøre algoritmene våre mer komplekse, sier Imam.
Her kommer bruk av kvantedatamaskiner inn i bildet.
Akkurat hvordan det fungerer er ganske sammensatt, men for å oppsummere er det en måte å prosessere data som er eksponentielt raskere og kraftigere enn hvordan det fleste datamaskiner fungerer i dag.
Men å få tak i kvantedatamaskiner er ikke bare bare. De er enormt dyre, og det er nesten umulig å få tak i en maskin med nok kvantebiter til at prosessorkraften utgjør en reell forskjell.
– Så viste det seg at du jo bare kan leie en kvantedatamaskin i skyen. Vi leide en fra Amazon og det kostet oss bare 350 dollar.
I løpet av en testperiode kom de frem til at kvantedatabehandling er bedre egnet for KI-programmering enn en tradisjonell databehandling – i tillegg til at klimaavtrykket er betraktelig mye lavere.
– Det ga oss 1% bedre prediksjon. Det høres kanskje ikke så mye ut, men i KI-verden er det lett å få til 90% prediksjon, men nesten umulig å få til 91% – for å sette det på spissen.
– Det er en enorm forbedring.