This post is also available in: enEnglish (אנגלית)

מודל של למידת מכונה שאומן על בסיס נתונים של תאונות עבר, בשילוב מפות דרכים, הדמיות לוויין ו-GPS מספק מפת תאונות ברזולוציה גבוהה שעשויה להפוך את הכבישים שלנו לבטוחים יותר. 

למרות שהטכנולוגיה שיתנה את הדרך שבה אנו מתניידים בכבישים, החל מהג'יפי.אס שפטר אותנו מלשנן רחובות בעל פה, דרך מערכות חיישנים ומצלמות שמזהירים אותנו מאובייקטים קרובים לרכבים שלנו, ועד רכבים חשמליים אוטונומיים, נראה כי אמצעי הזהירות שאנו נוקטים בדרכים נשארו פחות או יותר זהים. כיום אנו עדיין נשענים על שלטי תנועה, אמון הדדי בכביש, ותקווה כי נגיע מנקודה א' לב' בשלום. 

בניסיון להתמודד עם אי הוודאות המושרשרת בתאונות דרכים, חוקרים ממעבדת מדעי המחשב והבינה המלאכותית של מכון MIT, ביחד עם המרכז הקטארי לבינה מלאכותית, הצליחו לפתח מודל למידה עמוקה שחוזה ברזולוציה גבוהה סיכוני תאונות במפות. המודל משלב נתוני תאונות עבר, מפות דרכים, הדמיות ועקבות GPS, ובעזרתו מתגבשת מפה שמתארת את מספר התאונות הצפויות לטווח זמן עתידי מוגדר. בדרך זו, המפה מאפשר לזהות איזורים בסיכון גבוה ולחזות תאונות עתידיות. 

עד כה מפות מסוג זה נלכדו ברזולוציות נמוכות בהרבה, ובכך נמנע מהן מידע חיוני. בעוד שניסיונות קודמים התבססו לרוב על נתוני עבר של תאונות, צוות החוקרים גיבש רשת רחבה של מידע קריטי, שמזהה איזורי סיכון גבוהים בעזרת דפוסי GPS המספקים מידע לגבי צפיפות, מהירות וכיוון התנועה, לצד הדמיות לוויין שמספקות נתונים על המבנה של כבישים שונים. החוקרים הצליחו להגיע לרזולוציה של תאי רשת בגודל 55x מ', והצליחו להגיע לתובנות חדשות: הם מצאו כי כבישים מהירים, למשל, יותר מסוכנים מכבישי מגורים סמוכים, כשהצמתים שמתמזגים ויוצאים מהכביש  המהיר נמצאו כבעלי פוטנציאל גבוהה עוד יותר לתאונות. 

לכידת התפלגות הסיכונים הבסיסית שקובעת את ההסתברות לתאונות עתידיות בכל האיזורים, בשילוב נתוני עבר, מביאים למציאת דרכים בטוחות יותר, ויכולים לסייע גם לחברות ביטוח בהתאמת מסלול ביטוח מתאימים בהתבסס על מסלולי הנסיעה של הלקוחות, לסייע למתכנני ערים לעצב כבישים בטוחים יותר, ואפילו לחזות תאונות עתידיות בסגמנטים מוגדרים, כך לפי homelandsecuritynewswire.com.