വെള്ളിയാഴ്ച വൈകുന്നേരം റൂവൻ (Rouen), കെയ്ൻ (Caen) നഗരങ്ങൾക്കിടയിൽ സഞ്ചരിച്ചിരുന്ന ഒരു ട്രെയിൻ ക്ലിയോൺ (Cleon) എന്ന പട്ടണത്തിന് സമീപം പാളം തെറ്റി. 180 യാത്രക്കാരിൽ 44 പേർക്ക് പരിക്കേറ്റു, ഗുരുതരാവസ്ഥയിലുള്ള ഒരു യാത്രക്കാരനെ ഹെലികോപ്റ്റർ ഉപയോഗിച്ച് രക്ഷപ്പെടുത്തി. അടിയന്തര സേനയിൽപ്പെട്ട 140 അഗ്നിശമന സേനാംഗങ്ങളെ സംഭവസ്ഥലത്തേക്ക് അയച്ചു.

പാതയിൽ തിരിച്ചറിയാൻ കഴിയാത്ത ഒരു വസ്തുവിൽ ട്രെയിൻ ഇടിച്ചതായാണ് ഫ്രഞ്ച് അധികൃതർ പറയുന്നത്; ഇതിന്റെ കാരണം ഇനിയും അന്വേഷണത്തിലാണ്. SNCF റൂവൻ-കെയ്ൻ, കെയ്ൻ-ലെ ഹാവർ (Le Havre) ലൈനുകളിലെ സർവീസ് നിർത്തിവെക്കുകയും പകരം ബസുകൾ വിന്യസിക്കുകയും ചെയ്തു.

എന്തുകൊണ്ടാണ് AI അധിഷ്ഠിത നിരീക്ഷണം പ്രധാനമാകുന്നത്

റെയിൽവേ ശൃംഖലകൾ വൃത്തിയുള്ള പാതകളെ ആശ്രയിച്ചിരിക്കുന്നു, എങ്കിലും വീണുകിടക്കുന്ന ചരക്കുകൾ, അലഞ്ഞുതിരിയുന്ന വാഹനങ്ങൾ, അല്ലെങ്കിൽ മരച്ചില്ലകൾ എന്നിങ്ങനെയുള്ള അന്യവസ്തുക്കൾ മുന്നറിയിപ്പില്ലാതെ പാതയിൽ പ്രത്യക്ഷപ്പെട്ടേക്കാം. പരമ്പരാഗത പരിശോധനകൾ നിശ്ചിത സമയങ്ങളിൽ മനുഷ്യർ നടത്തുന്ന പരിശോധനകളെയോ, ഇൻസ്പെക്ഷൻ ട്രെയിനുകളിൽ നിന്നുള്ള ദൃശ്യപരിശോധനകളെയോ, അല്ലെങ്കിൽ പിന്നീട് പരിശോധിക്കാനായി വീഡിയോ റെക്കോർഡ് ചെയ്യുന്ന ഫിക്സഡ് ക്യാമറകളെയോ ആണ് ആശ്രയിക്കുന്നത്. ഇത്തരം രീതികൾ പെട്ടെന്നുണ്ടാകുന്ന അപകടസാധ്യതകൾ തിരിച്ചറിയുന്നതിൽ പരാജയപ്പെടുകയോ അല്ലെങ്കിൽ ഒരു ട്രെയിൻ കടന്നുപോയതിന് ശേഷം മാത്രം അവ കണ്ടെത്തുകയോ ചെയ്യുന്നു.

AI സംവിധാനങ്ങൾ സെൻസർ ഡാറ്റ തത്സമയം വിശകലനം ചെയ്യുകയും അസ്വാഭാവികതകൾ കണ്ടാലുടൻ അവ സൂചിപ്പിക്കുകയും ചെയ്യുന്നു. സാധാരണയായി, പാതയോരത്തുള്ള പോസ്റ്റുകളിലോ അല്ലെങ്കിൽ ചലിക്കുന്ന ഇൻസ്പെക്ഷൻ വാഹനങ്ങളിലോ ഉയർന്ന റെസല്യൂഷനുള്ള lidar അല്ലെങ്കിൽ radar സ്കാനറുകൾ ഘടിപ്പിക്കുകയും, റെയിൽവേ പാതയിൽ ഉണ്ടാകാൻ പാടില്ലാത്ത രൂപങ്ങൾ തിരിച്ചറിയാൻ പരിശീലിപ്പിച്ച കമ്പ്യൂട്ടർ-വിഷൻ (computer-vision) മോഡലുകളിലേക്ക് ആ വിവരങ്ങൾ നൽകുകയും ചെയ്യുന്നു. അൽഗോരിതം ഒരു അസ്വാഭാവിക വസ്തുവിനെ കണ്ടെത്തുമ്പോൾ, അത് കൺട്രോൾ സെന്ററിലേക്ക് ഒരു മുന്നറിയിപ്പ് അയക്കുകയും, അടുത്തുവരുന്ന ട്രെയിനുകളുടെ വേഗത കുറയ്ക്കുകയോ അവ നിർത്തുകയോ ചെയ്യുകയും, കൃത്യമായ GPS കോർഡിനേറ്റിലേക്ക് മെയിന്റനൻസ് സംഘത്തെ അയക്കുകയും ചെയ്യുന്നു.

നോർമണ്ടി (Normandy) ലൈനിൽ ഇത്തരമൊരു സംവിധാനം സജീവമായിരുന്നെങ്കിൽ, ട്രെയിൻ പാളം തെറ്റാൻ കാരണമായ തടസ്സം ട്രെയിൻ എത്തുന്നതിന് മിനിറ്റുകൾക്ക് മുമ്പോ അല്ലെങ്കിൽ സെക്കൻഡുകൾക്ക് മുമ്പോ തിരിച്ചറിയാൻ കഴിയുമായിരുന്നു, ഇത് ഓപ്പറേറ്റർമാർക്ക് ഇടപെടാൻ അവസരം നൽകും.

വിശാലമായ പശ്ചാത്തലം

പരിസ്ഥിതി സൗഹൃദ ഗതാഗതത്തിനായി സർക്കാരുകൾ പ്രേരിപ്പിക്കുന്നത് കാരണം യൂറോപ്പിലെ റെയിൽവേ ശൃംഖലകൾക്ക് കൂടുതൽ യാത്രക്കാരെയും ചരക്കുകളെയും എത്തിക്കേണ്ട സമ്മർദ്ദമുണ്ട്. യൂറോപ്പിലെ ഏറ്റവും വിപുലമായ ഹൈ-സ്പീഡ്, റീജിയണൽ റെയിൽവേ ശൃംഖലകളിലൊന്ന് കൈവശമുള്ള ഫ്രാൻസ്, സുരക്ഷയെ ഒരു പ്രധാന പൊതുസേവന മൂല്യമായി കാണുന്നു. ക്ലിയോൺ ട്രെയിൻ അപകടം പോലുള്ള സംഭവങ്ങൾ സാങ്കേതികവിദ്യയിലൂടെ പരിഹരിക്കാവുന്ന ഒരു വീഴ്ചയെയാണ് വെളിപ്പെടുത്തുന്നത്.

ലോകമെമ്പാടുമുള്ള റെയിൽവേ ഓപ്പറേറ്റർമാർ ഇതിനകം തന്നെ AI അധിഷ്ഠിത നിരീക്ഷണ സംവിധാനങ്ങൾ പരീക്ഷിച്ചുവരികയാണ്. ഏഷ്യയിലെ പല രാജ്യങ്ങളിലും, ഡ്രോൺ ഉപയോഗിച്ചുള്ള ആകാശ സർവേകൾ വഴി ലഭിക്കുന്ന വീഡിയോകൾ ന്യൂറൽ നെറ്റ്‌വർക്ക് ക്ലാസിഫയറുകളിലേക്ക് (neural-network classifiers) നൽകുകയും, പാതയുടെ അവസ്ഥയെക്കുറിച്ചുള്ള തത്സമയ മാപ്പുകൾ നിർമ്മിക്കുകയും ചെയ്യുന്നു. അമേരിക്കയിൽ, ചരക്ക് റെയിൽവേകൾ പാതയോരത്തെ തടസ്സങ്ങൾ തുടർച്ചയായി സ്കാൻ ചെയ്യുന്നതിനായി wayside lidar സ്ഥാപിക്കുകയും അവ ഓട്ടോമേറ്റഡ് ബ്രേക്കിംഗ് സംവിധാനങ്ങളുമായി ബന്ധിപ്പിക്കുകയും ചെയ്തിട്ടുണ്ട്.

ആദ്യകാലങ്ങളിൽ lidar അധിഷ്ഠിത തടസ്സങ്ങൾ കണ്ടെത്തുന്ന കിറ്റുകൾക്ക് ഓരോ കിലോമീറ്ററിനും ലക്ഷക്കണക്കിന് യൂറോ ചിലവ് വന്നിരുന്നു. സെൻസറുകളുടെ വലിപ്പം കുറയ്ക്കുന്നതിലും ക്ലൗഡ് അധിഷ്ഠിത മോഡൽ സേവിംഗിലും വന്ന സമീപകാല പുരോഗതികൾ ഈ വില ഗണ്യമായി കുറച്ചിട്ടുണ്ട്—അപകടങ്ങൾ, സർവീസ് തടസ്സങ്ങൾ, നഷ്ടപരിഹാര ക്ലെയിമുകൾ എന്നിവ ഒഴിവാക്കുന്നതിലൂടെ ലഭിക്കുന്ന ലാഭം കണക്കിലെടുക്കുമ്പോൾ ഏതാനും വർഷങ്ങൾക്കുള്ളിൽ ഈ ചിലവ് ഈടാക്കാൻ പല ഓപ്പറേറ്റർമാർക്കും സാധിക്കും.

ആർക്കാണ് നേട്ടം, ആർക്കാണ് റിസ്ക്

റെയിൽവേ ഓപ്പറേറ്റർമാർക്ക് അപകടങ്ങൾ മൂലമുള്ള പ്രവർത്തന തടസ്സങ്ങൾ കുറയ്ക്കാനും അവരുടെ സൽപ്പേര് സംരക്ഷിക്കാനും സാധിക്കും. അടിയന്തര അറ്റകുറ്റപ്പണികൾ കുറയുന്നതിലൂടെയും, ഇൻഷുറൻസ് പ്രീമിയം കുറയുന്നതിലൂടെയും, കൂടുതൽ വിശ്വസനീയമായ സമയക്രമം ഉറപ്പാക്കുന്നതിലൂടെയും ലാഭം ലഭിക്കും.

യാത്രക്കാർക്ക് കൂടുതൽ സുഗമവും സുരക്ഷിതവുമായ യാത്രകൾ ആസ്വദിക്കാം. നോർമണ്ടിയിലെ 44 പരിക്കുകളും ഒരു ഗുരുതരാവസ്ഥയിലുള്ള യാത്രക്കാരനും ഒഴിവാക്കാമായിരുന്നെങ്കിൽ, ജീവനുകളും മാനസികാഘാതങ്ങളും സംരക്ഷിക്കപ്പെടുമായിരുന്നു.

സർക്കാരുകൾക്കും റെഗുലേറ്റർമാർക്കും നിയമപരമായ മാനദണ്ഡങ്ങൾ പാലിക്കുന്നുണ്ടെന്ന് തെളിയിക്കാൻ വ്യക്തമായ തെളിവുകൾ ലഭിക്കും. AI നിരീക്ഷണം വഴി സുരക്ഷാ മാനേജ്‌മെന്റ് മുൻകൂട്ടി ചെയ്യുന്നുണ്ടെന്ന് കാണിക്കുന്ന ഓഡിറ്റ് ട്രയലുകൾ (audit trails) തയ്യാറാക്കാൻ സാധിക്കും, ഇത് ദേശീയവും യൂറോപ്യൻ നിർദ്ദേശങ്ങളും പാലിക്കുന്നത് എളുപ്പമാക്കും.

സാങ്കേതിക വിതരണക്കാർക്ക് (Technology providers) ഓപ്പറേറ്റർമാർ മാനുവൽ പരിശോധനാ രീതികളിൽ നിന്ന് AI പ്ലാറ്റ്‌ഫോമുകളിലേക്ക് മാറുന്നതോടെ, യൂറോപ്പ്, ഏഷ്യ, വടക്കേ അമേരിക്ക എന്നിവിടങ്ങളിലായി കോടിക്കണക്കിന് യൂറോ മൂല്യമുള്ള ഒരു വിപണി ഉപയോഗപ്പെടുത്താൻ സാധിക്കും.

ഈ സാങ്കേതികവിദ്യ നടപ്പിലാക്കുന്നത് അത്ര എളുപ്പമല്ല. തുടർച്ചയായ വീഡിയോ സ്ട്രീമുകൾ ഡാറ്റാ പ്രൈവസി (data-privacy) സംബന്ധിച്ച ആശങ്കകൾ ഉയർത്തുന്നു, ഇത് സമീപത്തുള്ള വസ്തുക്കളിലുള്ള ആളുകളെ ചിത്രീകരിക്കാൻ സാധ്യതയുണ്ട്. അൽഗോരിതമിക് ബയാസ് (Algorithmic bias) കാരണം തെറ്റായ മുന്നറിയിപ്പുകൾ ലഭിക്കുകയും, അത് അനാവശ്യമായ സർവീസ് തടസ്സങ്ങൾ ഉണ്ടാക്കി യാത്രക്കാരുടെ വിശ്വാസം കുറയ്ക്കുകയും ചെയ്തേക്കാം. നിലവിലുള്ള സുരക്ഷാ സംവിധാനങ്ങളെ ബാധിക്കാതെ തന്നെ, തത്സമയ അപകട വിവരങ്ങൾ സ്വീകരിക്കുന്നതിനായി പഴയ സിഗ്നലിംഗ് സംവിധാനങ്ങൾ പരിഷ്കരിക്കേണ്ടി വരുന്ന ഇന്റഗ്രേഷൻ സങ്കീർണ്ണത (Integration complexity) മറ്റൊരു വെല്ലുവിളിയാണ്.

ഫ്രഞ്ച് അന്വേഷണം വെളിപ്പെടുത്തുന്നത് എന്താണ്

വസ്തു നാശമുണ്ടാക്കാൻ മനഃപൂർവം ചെയ്തതാണോ (vandalism), വീണുകിടക്കുന്ന ചരക്ക് കണ്ടെയ്നറാണോ, അതോ അറ്റകുറ്റപ്പണിയിലെ വീഴ്ചയാണോ എന്ന് SNCF-ഉം ഫ്രഞ്ച് പോലീസും പരിശോധിക്കും. സുരക്ഷിതമല്ലാത്ത ഒരു പ്രവേശന കവാടത്തിലൂടെയാണ് വസ്തു പാതയിൽ എത്തിയതെന്ന് അന്വേഷകർ കണ്ടെത്തിയാൽ, കണ്ടെത്തൽ സംവിധാനങ്ങൾക്കൊപ്പം മികച്ച ചുറ്റളവ് സുരക്ഷയുടെ (perimeter security) ആവശ്യകതയും ഈ കേസ് ഉയർത്തിക്കാട്ടും. വീണുകിടക്കുന്ന മരച്ചില്ല പോലെ പെട്ടെന്നുണ്ടാകുന്ന ഒരു പ്രകൃതിദത്ത തടസ്സമായിരുന്നു ആ വസ്തുവെങ്കിൽ, സ്ഥിരമായ അടിസ്ഥാന സൗകര്യങ്ങളിൽ നിന്നും ചലിക്കുന്ന അവശിഷ്ടങ്ങളിൽ നിന്നും അവയെ വേർതിരിച്ചറിയാൻ കഴിയുന്ന AI സെൻസറുകൾ അത്യന്തം വിലപ്പെട്ടതാകുമായിരുന്നു.

Rouen-Caen, Caen-Le Havre സർവീസുകൾ നിർത്തിവെക്കുന്നത് ഒരു ഒറ്റപ്പെട്ട സംഭവം എങ്ങനെ ഒരു പ്രാദേശിക ശൃംഖലയെ മുഴുവൻ ബാധിക്കുന്നുവെന്ന് കാണിച്ചുതരുന്നു; ഇത് യാത്രക്കാരെ സാവധാനത്തിലുള്ള ബസുകളിലേക്ക് മാറാൻ നിർബന്ധിതരാക്കുകയും പ്രാദേശിക റോഡ് ഗതാഗതത്തിന് സമ്മർദ്ദം ചെലുത്തുകയും ചെയ്യുന്നു. അപകടസാധ്യതകൾ മുൻകൂട്ടി നീക്കം ചെയ്യുന്നതിലൂടെ, AI മോണിറ്ററിംഗിലൂടെ ഈ പ്രധാന പാതകൾ തുറന്നുപിടിക്കാനും റെയിൽവേ നൽകുന്ന സാമ്പത്തിക പ്രവാഹം നിലനിർത്താനും സാധിക്കും.

വിപരീത വാദം: സാങ്കേതികവിദ്യ എല്ലാ പ്രശ്നങ്ങൾക്കും പരിഹാരമല്ല

AI-യെ അമിതമായി ആശ്രയിക്കുന്നത് മനുഷ്യ ഓപ്പറേറ്റർമാരിൽ അശ്രദ്ധയുണ്ടാക്കാൻ കാരണമായേക്കാം എന്ന് വിമർശകർ മുന്നറിയിപ്പ് നൽകുന്നു. ഒരു വസ്തുവിനെ തിരിച്ചറിഞ്ഞെങ്കിലും തെറ്റായി തരംതിരിക്കുന്ന ഒരു സിസ്റ്റം ഉണ്ടെങ്കിൽ, നിരന്തരമായ തെറ്റായ മുന്നറിയിപ്പുകൾ (false alarms) ലഭിക്കുന്നതിലൂടെ ഓപ്പറേറ്റർമാർ അത് അവഗണിക്കാൻ സാധ്യതയുണ്ട്. AI മോഡലുകൾ വിശ്വസനീയമായി പ്രവർത്തിക്കാൻ വലിയ അളവിലുള്ളതും ഉയർന്ന ഗുണനിലവാരമുള്ളതുമായ ഡാറ്റാസെറ്റുകൾ ആവശ്യമാണ്; ആയിരക്കണക്കിന് കിലോമീറ്റർ നീളമുള്ള പാതകളിൽ നിന്ന് ഇത്തരത്തിലുള്ള ഡാറ്റ ശേഖരിക്കുക എന്നത് ഒരു വലിയ വെല്ലുവിളിയാണ്.

ചിലവ് versus റിസ്ക് എന്നത് മറ്റൊരു ചർച്ചാവിഷയമാണ്. ഗതാഗതം കുറഞ്ഞ പ്രാദേശിക പാതകളിൽ, അപകടകരമായ വസ്തുക്കൾ ഉണ്ടാകാനുള്ള സാധ്യത കുറവാണെങ്കിൽ, അത്യാധുനിക lidar arrays-കളിലും edge-computing ഹാർഡ്‌വെയറുകളിലും നടത്തുന്ന നിക്ഷേപം അർത്ഥവത്തായേക്കില്ല. അത്തരം സാഹചര്യങ്ങളിൽ, കൃത്യമായ ഇടവേളകളിലുള്ള പരിശോധനകളും ഇടയ്ക്കിടെയുള്ള AI അധിഷ്ഠിത പരിശോധനകളും ചേർന്ന ഒരു ഹൈബ്രിഡ് സമീപനം കൂടുതൽ അനുയോജ്യമായേക്കാം.

ഭാവിയിലേക്ക്: ശ്രദ്ധിക്കേണ്ട കാര്യങ്ങൾ

  • നിയമപരമായ ചട്ടക്കൂടുകൾ (Regulatory frameworks): പുതിയ റെയിൽവേ പദ്ധതികൾക്കായി AI അധിഷ്ഠിത തടസ്സങ്ങൾ കണ്ടെത്തുന്ന സംവിധാനം നിർബന്ധമാക്കുന്ന രീതിയിലുള്ള പരിഷ്കരിച്ച സുരക്ഷാ മാർഗ്ഗനിർദ്ദേശങ്ങൾ യൂറോപ്യൻ യൂണിയൻ പുറപ്പെടുവിക്കുമെന്ന് പ്രതീക്ഷിക്കുന്നു. ഓപ്പറേറ്റർമാർ തങ്ങളുടെ സംഭരണ (procurement), സർട്ടിഫിക്കേഷൻ പ്രക്രിയകൾ ഇതിന് അനുസൃതമായി ക്രമീകരിക്കേണ്ടി വരും.
  • ഡാറ്റാ ഫോർമാറ്റുകളുടെ ഏകീകരണം (Standardisation of data formats): സെൻസർ വെണ്ടർമാർ, AI മോഡൽ പ്രൊവൈഡർമാർ, റെയിൽവേ സിഗ്നലിംഗ് സംവിധാനങ്ങൾ എന്നിവർ തമ്മിലുള്ള പരസ്പര പ്രവർത്തനക്ഷമത (interoperability) നിർണ്ണായകമായിരിക്കും. വെണ്ടർ ലോക്ക്-ഇൻ (vendor lock-in) ഒഴിവാക്കുന്നതിനായി വ്യവസായ ഗ്രൂപ്പുകൾ പൊതുവായ ഇന്റർഫേസുകൾ തയ്യാറാക്കി വരുന്നു.
  • പൈലറ്റ് പ്രോഗ്രാമുകൾ (Pilot roll-outs): വിവിധ കാലാവസ്ഥാ സാഹചര്യങ്ങളിലും വെളിച്ചത്തിലും AI-യുടെ കൃത്യത പരിശോധിക്കുന്നതിനായി അടുത്ത വർഷം ആദ്യം തന്നെ നടപ്പിലാക്കാൻ ചില യൂറോപ്യൻ പാതകളിൽ പൈലറ്റ് പ്രോഗ്രാമുകൾ പ്രഖ്യാപിച്ചിട്ടുണ്ട്.
  • ചെലവ്-പ്രയോജന പഠനങ്ങൾ (Cost-benefit studies): അപകടങ്ങൾ ഒഴിവാക്കുന്നതിലൂടെ ലഭിക്കുന്ന ദീർഘകാല ലാഭവും തുടക്കത്തിലുള്ള മൂലധന ചെലവും താരതമ്യം ചെയ്യുന്ന സ്വതന്ത്ര വിലയിരുത്തലുകൾ, തിരക്കേറിയ പാതകളിലും ഗ്രാമീണ പാതകളിലും എടുക്കേണ്ട തീരുമാനങ്ങൾക്ക് വഴികാട്ടിയാകും.

ചുരുക്കത്തിൽ

നോർമണ്ടിയിലെ പാളം തെറ്റൽ കാണിക്കുന്നത്, തിരിച്ചറിയപ്പെടാത്ത ഒരു ചെറിയ തടസ്സം പോലും എങ്ങനെ ഒരു സാധാരണ പ്രാദേശിക സർവീസിനെ ഡസൻ കണക്കിന് ആളുകൾക്ക് പരിക്കേൽക്കുന്നതിനും പ്രധാന ഗതാഗത പാതകൾ അടച്ചുപൂട്ടുന്നതിനും കാരണമാകുന്ന വലിയൊരു പ്രതിസന്ധിയാക്കി മാറ്റാം എന്നാണ്. AI അധിഷ്ഠിത ട്രാക്ക് മോണിറ്ററിംഗും തടസ്സങ്ങൾ കണ്ടെത്തുന്ന സംവിധാനങ്ങളും ട്രെയിൻ എത്തുന്നതിന് മുമ്പ് തന്നെ ഇത്തരം അപകടസാധ്യതകൾ തിരിച്ചറിയുമെന്ന് വാഗ്ദാനം ചെയ്യുന്നു; ഇത് ജീവൻ രക്ഷിക്കാനും സമയക്രമം പാലിക്കാനും റെയിൽവേ നൽകുന്ന സാമ്പത്തിക അടിത്തറ സംരക്ഷിക്കാനും സഹായിക്കും. സാങ്കേതികവിദ്യയ്ക്ക് മാത്രം എല്ലാ റിസ്കുകളും ഇല്ലാതാക്കാൻ കഴിയില്ല, എങ്കിലും നിലവിലുള്ള സുരക്ഷാ സംവിധാനങ്ങളിലേക്ക് തത്സമയ AI നിരീക്ഷണം കൂടി ഉൾപ്പെടുത്തുന്നത് അടുത്ത "തിരിച്ചറിയപ്പെടാത്ത വസ്തു" ഒരു വാർത്താ തലക്കെട്ടാകുന്നത് തടയാൻ സഹായിക്കുന്ന നിർണ്ണായക ചുവടുവെപ്പായിരിക്കും.