de.wedoany.com-Bericht: Am 11. Juni präsentierte das kanadische Unternehmen für intelligente Verkehrstechnologie Miovision in Detroit, USA, seine auf Large Language Models basierende Anwendung für das Verkehrsingenieurwesen. Das System ermöglicht es Verkehrsmanagern, mithilfe natürlicher Sprache Abfragen zu Kreuzungen, Signalanlagen, Straßenverkehr und Sicherheitsdaten durchzuführen. Dadurch werden bisher manuelle Aufgaben wie Datenaufbereitung, -export, -analyse und Tabellenerstellung auf einen minutenlangen Verarbeitungsprozess komprimiert. Die entsprechende Demonstration zeigt, dass die Effizienz der Verkehrssteuerung um das Hundertfache im Vergleich zu herkömmlichen Methoden gesteigert werden kann.
Städtische Verkehrssysteme produzieren täglich eine große Menge verteilter Daten, darunter Verkehrsaufkommen, Warteschlangenlängen, Signalzeiten, Busbetrieb, Fußgängerüberwege, Kollisionsrisiken, Notfallreaktionen und Kreuzungsanomalien. Traditionelle Verkehrsingenieure müssen Daten von verschiedenen Plattformen abrufen und dann anhand von Tabellen, Diagrammen und Erfahrungen vor Ort Entscheidungen treffen. Die Large Language Model-Anwendung von Miovision integriert diese komplexen Daten in eine dialogorientierte Oberfläche. Ingenieure können direkt Fragen stellen, z. B. welche Kreuzungen die höchsten Verzögerungen aufweisen, welche Zeiträume ungewöhnlich überlastet sind oder welche Signalpläne vorrangig angepasst werden müssen. Das System generiert dann Diagramme, Karten, Sicherheitsindikatoren und Managementzusammenfassungen.
Die Bedeutung solcher Werkzeuge liegt darin, die Verkehrssteuerung von der „manuellen Datensuche“ zur „KI-gestützten Diagnose“ zu verlagern. Für städtische Verkehrsbehörden liegt der eigentliche Engpass oft nicht im Fehlen von Geräten, sondern darin, dass Kameras, Detektoren, Signalgeber und Verkehrsplattformen zu viele Daten ansammeln, die Ingenieure nur schwer zeitnah verarbeiten können. Nach der Integration von Large Language Models in den Verkehrsingenieurprozess können diese zunächst Datenabruf, Trendzusammenfassung, Anomalieerkennung und Berichtserstellung übernehmen. Anschließend entscheiden Fachleute, ob Signalpläne angepasst oder Straßenorganisationen optimiert werden müssen.
Das zuvor von Miovision eingeführte Mateo ist ein generativer KI-Agent für das Verkehrsingenieurwesen, der in Verbindung mit der Miovision One-Plattform zur Automatisierung der Verkehrsnetzdiagnose und Datenanalyse eingesetzt werden kann. Das System kann die Zeit für manuelle Datenanalysen um bis zu 95 % reduzieren und Analysen, die früher Wochen dauerten, auf Minuten verkürzen. Die aktuelle Demonstration der „100-fachen Effizienz“ zeigt weiter, dass Large Language Models von allgemeinen Büroanwendungen in spezialisierte Geschäftsprozesse wie den städtischen Verkehrsbetrieb vordringen. Für Städte mit einer großen Anzahl von Kreuzungen, Verkehrsachsen und Signalsteuerungssystemen können KI-Tools dabei helfen, Engpässe häufiger zu erkennen, die Wirkung von Signalanpassungen zu überprüfen und das Management schneller über den Straßenzustand zu informieren.
Für die Industriekette der Informations- und Kommunikationstechnologie sowie des intelligenten Verkehrs werden solche Anwendungen die Aufrüstung von Verkehrsdatenplattformen, KI-Analysetools, Kreuzungserfassungsgeräten, Signalsteuerungssystemen, Cloud-Computing, Edge-Computing und städtischen Betriebsplattformen vorantreiben. Verkehrsmanagement bedeutet nicht mehr nur die Installation von Hardware und die Erfassung von Daten, sondern die Umwandlung von Echtzeitdaten in umsetzbare Managementempfehlungen. Die nächsten Schwerpunkte liegen in der Bereitstellung der Large Language Model-Anwendung von Miovision bei städtischen Kunden, der Analysegenauigkeit in komplexen Straßennetzen, der Anbindungsfähigkeit an Signaloptimierungssysteme und der Frage, ob KI-Empfehlungen stabil in Verbesserungen des Straßenverkehrs umgesetzt werden können. Wenn die Anwendungswirkung weiterhin bestätigt wird, wird sich das städtische Verkehrsmanagement von einer seltenen manuellen Analyse schrittweise zu einem Echtzeit- und proaktiveren intelligenten Betriebsmodell entwickeln.
Dieser Artikel wurde von Wedoany übersetzt und bearbeitet. Bei jeglicher Zitierung oder Nutzung durch künstliche Intelligenz (KI) ist die Quellenangabe „Wedoany“ zwingend vorgeschrieben. Sollten Urheberrechtsverletzungen oder andere Probleme vorliegen, bitten wir Sie, uns unverzüglich zu benachrichtigen. Wir werden den entsprechenden Inhalt umgehend anpassen oder löschen.
E-Mail: news@wedoany.com
