När artificiell intelligens möter Koontipalvelu – fem konkreta möjligheter för framtidens kollektivtrafik

I de två första delarna av den här artikelserien har jag beskrivit hur Fintraffics Koontipalvelu (Mobility Database) samlar splittrad kollektivtrafikdata till en gemensam, standardiserad datagrund och hur den kan kombineras med Fintraffics övriga öppna datatjänster.

Nästa naturliga fråga är därför:

Vad händer när artificiell intelligens får tillgång till den här datan?

För första gången finns kollektivtrafikdata tillgänglig som en sammanhållen, standardiserad och kontinuerligt växande datamängd. Det är inte AI i sig som är den stora nyheten – utan att den datainfrastruktur som AI behöver nu finns på plats.

Bra AI börjar med bra data

Det finns en vanlig missuppfattning att artificiell intelligens kan lösa problem med dålig datakvalitet.

I verkligheten är det tvärtom.

AI förstärker kvaliteten på den information den får.

Om datan är strukturerad och tillförlitlig blir resultaten bättre. Om datan är splittrad och motsägelsefull blir även analyserna osäkra.

Det är därför en stor del av arbetet i många AI-projekt fortfarande handlar om att samla in, städa och harmonisera data innan själva modellutvecklingen ens kan börja.

Koontipalvelu förändrar den utgångspunkten.

För det första standardiseras informationen enligt internationella format som GTFS, NeTEx och SIRI. Det minskar behovet av omfattande förbehandling innan datan kan analyseras.

För det andra byggs ett historiskt datalager upp över tid. Varje försening, varje störning och varje förändring blir en del av ett växande kunskapsunderlag som gör det möjligt att identifiera återkommande mönster.

För det tredje kombineras historiska data med realtidsinformation. Historiken visar vad som tidigare har hänt, medan realtidsdatan beskriver vad som händer just nu. Tillsammans skapar de betydligt bättre förutsättningar för analyser än var och en för sig.

Dessutom är plattformen byggd för att kunna kompletteras med andra datakällor. Trafikflöden, vägväder, järnvägsinformation och sjöfartsdata kan tillsammans ge en betydligt mer heltäckande bild av transportsystemet än någon enskild datakälla kan erbjuda.

Fem praktiska användningsområden

Artificiell intelligens är ingen enskild funktion.

Det är ett verktyg som kan användas på många olika sätt beroende på vilket problem som ska lösas.

Här är fem exempel där AI skulle kunna skapa konkret nytta ovanpå den datagrund som redan finns.

1. Förutse störningar innan de uppstår

Historiska data visar att många störningar återkommer under liknande förhållanden.

Genom att kombinera tidigare störningar med exempelvis vägväder, trafikbelastning och årstidsvariationer kan AI-modeller uppskatta var problem sannolikt kommer att uppstå innan de påverkar resenärerna.

Det ger trafikoperatörer möjlighet att agera tidigare och resenärer möjlighet att planera om sin resa i tid.

2. En reseassistent som förstår vanligt språk

Dagens reseplanerare bygger oftast på att användaren själv fyller i stationer, hållplatser och tider.

Stora språkmodeller öppnar för ett helt annat arbetssätt.

En resenär skulle kunna skriva:

“Jag behöver vara i Helsingfors före klockan tio i morgon och vill undvika många byten.”

Istället för att fylla i formulär skulle AI kunna tolka önskemålet, hämta information från Koontipalvelu och Fintraffics övriga datakällor och presentera det mest lämpliga reseförslaget med naturligt språk.

Tekniskt är lösningen avancerad, men de viktigaste byggstenarna finns redan.

3. Upptäcka fel innan någon hinner rapportera dem

Trafiksystem producerar ständigt signaler om att något inte fungerar som det ska.

En hållplats visar orimliga prognoser.

En linje avviker regelbundet från tidtabellen.

En operatör slutar plötsligt att leverera realtidsdata.

AI kan upptäcka sådana avvikelser automatiskt och larma långt innan problemen blir synliga för resenärerna.

Det handlar inte om science fiction.

Liknande metoder används redan idag inom andra delar av Fintraffics verksamhet för att förbättra datakvaliteten.

4. Prognoser för framtida efterfrågan

Resandet förändras ständigt.

Väder, helger, konserter, idrottsevenemang och skolornas lov påverkar hur människor rör sig.

När historisk trafikdata kombineras med externa informationskällor kan AI-modeller uppskatta hur efterfrågan kommer att utvecklas.

Det ger operatörer bättre möjligheter att planera kapacitet och hjälper myndigheter att fatta mer välgrundade beslut om framtida trafik.

5. Automatiska analyser av trafikens kvalitet

Transportmyndigheter lägger idag mycket tid på att sammanställa rapporter om trafikens kvalitet.

Hur punktlig var trafiken?

Var uppstod störningar?

Vilka linjer eller operatörer hade återkommande problem?

Generativ AI kan automatisera stora delar av detta arbete.

Istället för att manuellt analysera stora datamängder kan myndigheter få färdiga rapporter där de viktigaste förändringarna, trenderna och avvikelserna redan sammanfattats.

Av de exempel som beskrivs här är detta sannolikt ett av de områden som ligger närmast praktisk användning.

Vad är realistiskt redan idag?

Alla AI-lösningar befinner sig inte på samma mognadsnivå.

Automatisk avvikelsedetektering och automatiserad rapportering är tekniskt fullt möjliga redan idag. Tekniken finns och den nödvändiga datagrunden börjar vara på plats.

Prognoser för störningar och efterfrågan kräver längre historik, fler datakällor och noggrann validering innan de kan användas operativt, men de ligger väl inom räckhåll.

Den mest ambitiösa tillämpningen är den konversationsbaserade reseassistenten.

Stora språkmodeller utvecklas snabbt, men att kombinera dem med flera realtidssystem och samtidigt säkerställa tillförlitliga svar är fortfarande en betydande teknisk utmaning.

Gemensamt för samtliga användningsområden är dock en sak:

Tillförlitlig AI kräver tillförlitlig data.

Infrastruktur före artificiell intelligens

Artificiell intelligens beskrivs ofta som startpunkten för den digitala omställningen.

Min erfarenhet är den motsatta.

Det verkliga fundamentet är data.

Utan standardiserad, validerad och kontinuerligt uppdaterad information går en stor del av utvecklingsarbetet åt till att rätta data istället för att skapa nya tjänster.

Koontipalvelu förändrar den utgångspunkten.

Istället för att varje organisation behöver lösa samma integrationsproblem om och om igen finns nu en gemensam datagrund att bygga vidare på.

Det garanterar inte att varje AI-projekt blir framgångsrikt.

Men det undanröjer ett av de största hinder som länge har bromsat utvecklingen.

Kanske är därför Koontipalvelus viktigaste resultat inte själva plattformen.

Det är att Finland nu har den digitala infrastruktur som krävs för nästa generation av intelligenta mobilitetstjänster.