یک قطار که بین روآن (Rouen) و کان (Caen) در حرکت بود، عصر جمعه در نزدیکی شهر کلئون (Cleon) از ریل خارج شد. از میان ۱۸۰ مسافر، ۴۴ نفر مجروح شدند و یک هلیکوپتر، مصدومی را که در وضعیت وخیم بود، نجات داد. تیم‌های امدادی ۱۴۰ آتش‌نشان را به محل حادثه اعزام کردند.
مقامات فرانسوی می‌گویند قطار با شیء ناشناخته‌ای روی ریل برخورد کرده است؛ علت حادثه همچنان در دست بررسی است. شرکت SNCF سرویس‌دهی در خطوط روآن-کان و کان-لوآور (Le Havre) را متوقف کرده و اتوبوس‌های جایگزین مستقر کرده است.
چرا نظارت مبتنی بر هوش مصنوعی اهمیت دارد
شبکه‌های ریلی به بستر ریلی پاک و بدون مانع وابسته‌اند، با این حال، اشیاء خارجی و ضایعات — مانند محموله‌های سقوط‌کرده، خودروهای سرگردان یا حتی شاخه‌های درخت — می‌توانند بدون هشدار قبلی ظاهر شوند. بازرسی‌های سنتی بر پیاده‌روی‌های برنامه‌ریزی‌شده توسط انسان، بررسی‌های چشمی توسط قطارهای بازرسی، یا دوربین‌های ثابت که ویدئو را برای بررسی‌های بعدی ضبط می‌کنند، متکی هستند. این روش‌ها خطرات گذرا را نادیده می‌گیرند یا تنها پس از عبور قطار آن‌ها را شناسایی می‌کنند.
سیستم‌های هوش مصنوعی داده‌های حسگرها را به‌صورت آنی (real-time) پردازش کرده و به محض ظهور ناهنجاری‌ها، آن‌ها را علامت‌گذاری می‌کنند. یک استقرار معمولی شامل نصب اسکنرهای لیدار (lidar) یا رادار با وضوح بالا روی تیرهای کنار ریل یا خودروهای بازرسی متحرک است که داده‌ها را به مدل‌های بینایی ماشین (computer-vision) تغذیه می‌کنند؛ مدل‌هایی که برای شناسایی اشکالی که متعلق به محیط ریلی نیستند، آموزش دیده‌اند. هنگامی که الگوریتم شیئی نامتعارف را شناسایی می‌کند، هشداری به مرکز کنترل ارسال کرده، قطارهای در حال نزدیک شدن را کند یا متوقف می‌کند و تیم‌های تعمیر و نگهداری را به مختصات دقیق GPS اعزام می‌نماید.
اگر چنین سیستمی در خط نورماندی فعال بود، مانعی که باعث خروج قطار از ریل شد، می‌توانست دقایق یا حتی ثانیه‌هایی پیش از رسیدن قطار شناسایی شود و به اپراتورها فرصت مداخله بدهد.
بافت گسترده‌تر
با فشار دولت‌ها برای استفاده از حمل‌ونقل سبزتر، راه‌آهن اروپا برای جابه‌جایی بیشتر مسافر و کالا تحت فشار است. فرانسه، با داشتن یکی از گسترده‌ترین شبکه‌های سریع‌السیر و منطقه‌ای در قاره، ایمنی را به عنوان یکی از ارزش‌های اصلی خدمات عمومی خود معرفی می‌کند. حوادثی مانند واژگونی در کلئون، آسیب‌پذیری‌ای را آشکار می‌کنند که فناوری می‌تواند آن را کاهش دهد.
اپراتورهای ریلی در سراسر جهان در حال آزمایش نظارت مبتنی بر هوش مصنوعی هستند. در چندین کشور آسیایی، خلبان‌ها از نقشه‌برداری‌های هوایی مبتنی بر پهپاد استفاده می‌کنند که ویدئو را به طبقه‌بندی‌کننده‌های شبکه عصبی (neural-network classifiers) ارسال کرده و نقشه‌های زنده‌ای از شرایط ریل تولید می‌کنند. در ایالات متحده، راه‌آهن‌های باری، سیستم‌های لیدار کنار ریل را نصب کرده‌اند که به‌طور مداوم برای شناسایی عوامل مزاحم در کنار ریل اسکن کرده و به سیستم‌های ترمز خودکار متصل می‌شوند.
کیت‌های اولیه تشخیص مانع مبتنی بر لیدار، هر کیلومتر چندین صد هزار یورو هزینه داشتند. پیشرفت‌های اخیر در کوچک‌سازی حسگرها و ارائه مدل‌های مبتنی بر ابر (cloud-based)، این قیمت را به‌شدت کاهش داده است؛ هزینه‌ای که بسیاری از اپراتورها می‌توانند با توجه به هزینه‌های پیشگیری‌شده از تصادفات، اختلال در خدمات و دعاوی مسئولیت مدنی، طی چند سال جبران کنند.
چه کسی سود می‌برد و چه کسی ریسک را متحمل می‌شود
اپراتورهای ریلی می‌توانند زمان توقف ناشی از حوادث را کاهش داده و از شهرت خود محافظت کنند. صرفه‌جویی از طریق کاهش تعمیرات اضطراری، حق بیمه‌های کمتر و برنامه‌های زمانی قابل‌اعتمادتر حاصل خواهد شد.
مسافران از سفرهای روان‌تر و ایمن‌تر بهره‌مند خواهند شد. با این سیستم، شاید از ۴۴ مورد آسیب‌دیدگی و یک مورد وخیم در نورماندی جلوگیری می‌شد و جان انسان‌ها حفظ می‌شد و از آسیب‌های روحی جلوگیری می‌گشت.
دولت‌ها و نهادهای تنظیم‌گر به شواهد شفاف‌تری برای رعایت قوانین دست می‌یابند. نظارت هوش مصنوعی می‌تواند مسیرهای بازرسی (audit trails) ایجاد کند که مدیریت پیشگیرانه ایمنی را اثبات می‌کند و مسیر دستیابی به دستورالعمل‌های ملی و اروپایی را هموار می‌سازد.
تأمین‌کنندگان فناوری با تغییر رویکرد اپراتورها از رژیم‌های بازرسی دستی به پلتفرم‌های هوش مصنوعی، فرصت ورود به بازاری به ارزش میلیاردها یورو در اروپا، آسیا و آمریکای شمالی را خواهند داشت.
پذیرش این فناوری بدون چالش نیست. جریان‌های مداوم ویدئویی نگرانی‌های مربوط به حریم خصوصی داده‌ها را برمی‌انگیزد، زیرا ممکن است افرادی را در املاک مجاور ضبط کند. سوگیری الگوریتمی می‌تواند باعث ایجاد هشدارهای مثبت کاذب شود و منجر به وقفه‌های غیرضروری در خدمات گردد که اعتماد مسافران را سلب می‌کند. پیچیدگی یکپارچه‌سازی باعث می‌شود سیستم‌های سیگنالینگ قدیمی برای دریافت ورودی‌های خطر به‌صورت آنی، نیاز به بازسازی داشته باشند بدون اینکه ایمنی سیستم‌های کنترلی موجود به خطر بیفتد.
آنچه تحقیقات فرانسوی فاش می‌کند
شرکت SNCF و پلیس فرانسه بررسی خواهند کرد که آیا شیء مذکور ناشی از خرابکاری، سقوط یک کانتینر محموله یا کوتاهی در تعمیر و نگهداری بوده است یا خیر. اگر بازرسان متوجه شوند که شیء از طریق یک نقطه دسترسی غیرایمن وارد محدوده ریل شده است، این پرونده نیاز به امنیت محیطی بهتر را علاوه بر سیستم‌های تشخیص آشکار خواهد کرد. اگر شیء یک خطر طبیعی گذرا — مانند یک شاخه درخت سقوط‌کرده — بوده باشد، حسگرهای هوش مصنوعی که زیرساخت‌های ثابت را از ضایعات متحرک تشخیص می‌دهند، بسیار ارزشمند می‌بودند.
تعلیق سرویس‌های Rouen-Caen و Caen-Le Havre نشان می‌دهد که چگونه یک حادثه واحد، اثرات زنجیره‌ای در یک شبکه منطقه‌ای ایجاد می‌کند، مسافران را مجبور به استفاده از اتوبوس‌های کندتر می‌کند و ترافیک جاده‌ای محلی را تحت فشار قرار می‌دهد. با حذف خطرات از پیش، نظارت مبتنی بر هوش مصنوعی می‌تواند این شریان‌ها را باز نگه دارد و جریان اقتصادی را که راه‌آهن زیربنای آن است، حفظ کند.
دیدگاه مخالف: فناوری یک راهکار جادویی نیست
منتقدان هشدار می‌دهند که اتکای بیش از حد به هوش مصنوعی می‌تواند باعث سهل‌انگاری در میان اپراتورهای انسانی شود. اگر اپراتورها به هشدارهای کاذب مکرر عادت کنند، ممکن است سیستمی که شیئی را شناسایی می‌کند اما آن را به اشتباه دسته‌بندی می‌کند، نادیده گرفته شود. مدل‌های هوش مصنوعی نیز برای عملکرد قابل اعتماد به مجموعه‌داده‌های بزرگ و باکیفیت نیاز دارند؛ جمع‌آوری چنین داده‌هایی در طول هزاران کیلومتر خط آهن، یک چالش لجستیکی است.
بحث هزینه در مقابل ریسک نیز مطرح است. برای خطوط منطقه‌ای کم‌ترافیک، سرمایه‌گذاری در آرایه‌های پیچیده lidar و سخت‌افزارهای edge-computing ممکن است زمانی که احتمال آماری وجود یک شیء خطرناک پایین است، توجیه‌پذیر نباشد. در این موارد، یک رویکرد ترکیبی — بازرسی‌های دوره‌ای بهبودیافته همراه با پایش‌های گاه‌به‌گاه مبتنی بر هوش مصنوعی — ممکن است تعادل بهتری برقرار کند.
نگاه به آینده: چه مواردی را باید زیر نظر داشت
- چارچوب‌های مقرراتی: انتظار می‌رود اتحادیه اروپا دستورالعمل‌های ایمنی به‌روزرسانی‌شده‌ای صادر کند که می‌تواند تشخیص مانع مبتنی بر هوش مصنوعی را برای پروژه‌های ریلی جدید اجباری کند. اپراتورها باید فرآیندهای تدارکات و صدور گواهینامه خود را با این قوانین هماهنگ کنند.
- استانداردسازی قالب‌های داده: تعامل‌پذیری بین تامین‌کنندگان حسگر، ارائه‌دهندگان مدل‌های هوش مصنوعی و سیستم‌های سیگنالینگ راه‌آهن حیاتی خواهد بود. گروه‌های صنعتی در حال تدوین رابط‌های مشترک برای جلوگیری از وابستگی به یک تامین‌کننده (vendor lock-in) هستند.
- اجرای طرح‌های آزمایشی: چندین کریدور اروپایی برنامه‌های آزمایشی را برای اوایل سال آینده اعلام کرده‌اند که هدف آن‌ها اعتبارسنجی دقت تشخیص هوش مصنوعی در شرایط مختلف آب‌وهوایی و نوری است.
- مطالعات هزینه-فایده: ارزیابی‌های مستقل که صرفه‌جویی‌های بلندمدت ناشی از جلوگیری از حوادث را با هزینه‌های سرمایه‌ای اولیه مقایسه می‌کنند، راهنمای تصمیم‌گیری برای شبکه‌های پرتراکم و روستایی خواهند بود.
نتیجه‌گیری
حادثه خروج از ریل در نورماندی نشان می‌دهد که چگونه یک مانع واحد و شناسایی‌نشده می‌تواند یک سرویس منطقه‌ای معمول را به بحرانی تبدیل کند که ده‌ها نفر را مجروح کرده و یک کریدور حمل‌ونقل کلیدی را مسدود می‌کند. سیستم‌های پایش خط و تشخیص مانع مبتنی بر هوش مصنوعی وعده می‌دهند که چنین خطراتی را پیش از رسیدن قطار به آن‌ها شناسایی کنند، که این امر پتانسیل نجات جان انسان‌ها، حفظ برنامه‌های زمانی و محافظت از رگ‌های حیاتی اقتصادی که راه‌آهن فراهم می‌کند را دارد. فناوری به تنهایی نمی‌تواند تمام ریسک‌ها را از بین ببرد، اما ادغام نظارت هوش مصنوعی در لحظه در پروتکل‌های ایمنی موجود می‌تواند گام تعیین‌کننده‌ای باشد که از تبدیل شدن «شیء شناسایی‌نشده» بعدی به یک تیتر خبری جلوگیری کند.