Iza kulisa: kako je razvijen OPTI-UP Toolkit

Kako godine istraživanja prometa, modeliranja i iskustava iz provedbe pilot-aktivnosti u stvarnim uvjetima pretvoriti u alat kojim se drugi grad doista može koristiti? Upravo je to bio izazov pri razvoju alata OPTI-UP Toolkit.

Odgovor nije bio jednostavno objaviti projektna izvješća na internetu ili sažeti stotine stranica istraživanja u digitalni upitnik. Cilj je bio znanje stečeno tijekom projekta OPTI-UP pretočiti u strukturirani proces potpore odlučivanju koji bi drugim malim i srednjim gradovima pomogao prepoznati perspektivne smjerove poboljšanja javnog prijevoza. Taj je proces naposljetku prerastao u OPTI-UP Toolkit.OPTI-UP Toolkit

Alat je nastajao postupno: od istraživanja i modeliranja, preko iskustava iz pilot-aktivnosti u stvarnim uvjetima i stručnog znanja, do tehničkog razvoja i ponovljenih testiranja.

 Korak 1: Polazak od stvarnih izazova javnog prijevoza

Projekt OPTI-UP provodio se na šest projektnih područja u srednjoj Europi: Osijeku, Modeni, Paksu, Pečuhu, Český Krumlovu i Grosuplju. Ti se gradovi razlikuju po veličini, prometnim mrežama, obrascima potražnje i kapacitetima za planiranje. Upravo je ta raznolikost bila važna.

U prvom dijelu projekta partneri su prikupljali i analizirali podatke o postojećim mrežama javnog prijevoza i praksama planiranja. Zatim su izrađeni ili ažurirani prometni modeli kako bi se bolje razumjelo postojeće stanje i ispitali mogući budući scenariji.

Sam postupak modeliranja pokazao je zašto bi jednostavniji alat za potporu odlučivanju mogao biti koristan. Mogućnosti modeliranja znatno su se razlikovale među projektnim područjima, a dostupnost podataka i lokalna tehnička stručnost iznova su se pokazivale kao izazovi.

Korak 2: Provjera ideja u stvarnim uvjetima

Analiza i modeliranje nisu bili krajnji cilj. Projekt se oslonio na ta saznanja pri izradi lokalnih planova i provedbi pilot-aktivnosti u trima glavnim područjima: prijevozu na zahtjev, optimizaciji mreže javnog prijevoza i uporabi vozila na alternativna goriva.

Tako je projekt omogućio usporedbu teorijskog planiranja i provedbe: što je funkcioniralo prema očekivanjima, što se promijenilo nakon primjene mjere u stvarnim uvjetima i koji su se praktični izazovi pojavili.

Sveobuhvatna strategija projekta također je razvijana postupno, u suradnji s partnerskim gradovima. Metodološke sastavnice preispitivane su i dorađivane na temelju povratnih informacija dionika i praktične primjene. Ta su iskustva postala važan temelj alata.

Korak 3: Pretvaranje projektnog znanja u logiku odlučivanja

Sljedeći je izazov bio znatno zahtjevniji: pretvoriti sve to znanje u oblik kojim se računalo može koristiti.

Razvojni je tim najprije utvrdio obilježja gradova važna pri razmatranju različitih strategija javnog prijevoza. Početni, širi skup postupno je sužen na 28 varijabli koje obuhvaćaju sociodemografske značajke, ponudu i potražnju javnog prijevoza, obilježja voznog parka te prioritete prometnih politika.

Istodobno je u projektu izrađena baza stručnih procjena koja predstavlja različite hipotetske profile gradova i strategije koje su prometni stručnjaci smatrali prikladnima za njih.

Korak 4: Razvoj logike koja funkcionira i s nepotpunim informacijama

Uobičajeni sustav temeljen na pravilima zahtijevao bi da se gradovi točno uklapaju u unaprijed definirane kategorije. S druge strane, model strojnog učenja zahtijevao bi znatno više podataka za učenje nego što ih je projekt imao na raspolaganju. Stoga je tim odabrao pristup interpolacije neizrazitih pravila (fuzzy rule interpolation).

 U praksi to omogućuje da alat radi s približnim informacijama i međusituacijama. Korisnik može unijeti točne brojčane podatke kada su dostupni, ali i kvalitativno opisati određene okolnosti. Sustav zatim procjenjuje sličnosti između korisnikova grada i stručnih primjera, umjesto da traži isključivo potpuno podudaranje. Ta logika čini analitičku jezgru preporuka koje korisnici danas dobivaju.

Korak 5: Pretvaranje logike u upotrebljiv digitalni proizvod

Nakon utvrđivanja temeljne metodologije tehničkim je razvojem ona pretočena u web-aplikaciju.

Arhitektura je organizirana u četiri faze:

1. Prikupljanje parametara grada.
2. Rangiranje potencijalno prikladnih strategija.
3. Povezivanje odabrane strategije s relevantnim referentnim rješenjima projekta OPTI-UP.
4. Pomoć korisnicima pri tumačenju i istraživanju rezultata putem sučelja uz potporu umjetne inteligencije.

Za fazu s umjetnom inteligencijom uveden je i postupak generiranja proširenog dohvatom informacija (Retrieval-Augmented Generation, RAG). Umjesto oslanjanja isključivo na opće znanje jezičnog modela, sustav dohvaća informacije iz dokumentacije projekta OPTI-UP kako bi potkrijepio svoje odgovore.

Korak 6: Testiranje. Prikupljanje povratnih informacija. Poboljšavanje. Ponavljanje.

Testiranje nije ostavljeno za kraj. Alat je tijekom razvoja provjeravan i ocjenjivan u više ciklusa. Namjerno su uključene tri perspektive: prometnih stručnjaka i urbanističkih planera, IT stručnjaka te potencijalnih krajnjih korisnika.

Prometni stručnjaci ispitivali su logiku preporuka, terminologiju i definicije parametara. IT stručnjaci usredotočili su se na performanse, integraciju sustava i tehničku stabilnost. Potencijalni korisnici bavili su se jednako važnim pitanjem: je li alat doista razumljiv i jednostavan za uporabu.

Povratne informacije bile su konkretne. Pitanja je trebalo jasnije formulirati. Pojedine parametre trebalo je bolje objasniti. Sučelje je na nekim mjestima sadržavalo previše informacija. Navigaciju je trebalo pojednostavniti. Prvi odgovor chatbota predugo se čekao. Uvodne poruke umjetne inteligencije bile su preduge. Korisnici su tražili jasnije upute i jednostavniji pristup referentnim dokumentima.

Ta su zapažanja izravno dovela do promjena. Redizajniran je raspored zaslona. Elementi sučelja uklonjeni su ili drukčije raspoređeni. Dodana su objašnjenja. Izmijenjene su formulacije pitanja. Dorađeni su stručni parametri i pravila. Prilagođene su upute umjetnoj inteligenciji i postupak dohvaćanja informacija kako bi odgovori bili jasniji i relevantniji.

Od projektnog rezultata do praktičnog alata

Alat koji korisnici danas vide stoga nije samo rezultat razvoja softvera. On je rezultat duljeg procesa: istraživanje → podaci → modeliranje → lokalni planovi → iskustva iz pilot-aktivnosti → stručno znanje → logika odlučivanja → razvoj → testiranje → dorada.

Taj proces objašnjava i ulogu koju alat treba imati. Njime se ne pokušava prenijeti složenost cjelovite prometne studije u internetski preglednik. Umjesto toga, stečena iskustva projekta OPTI-UP pretvara u pristupačan prvi korak za gradove koji žele utvrditi koje smjerove poboljšanja javnog prijevoza vrijedi detaljnije istražiti.

Iako je alat digitalan, znanje na kojem se temelji proizašlo je iz stvarnih gradova, stvarnih izazova prometnog planiranja i ponovljenih provjera načina na koje odluke o javnom prijevozu funkcioniraju u praksi.

Uvjerite se sami u rezultat. OPTI-UP Toolkit objedinjuje istraživanja, modeliranje, iskustva iz pilot-aktivnosti i stručno znanje nastalo tijekom projekta u jednom interaktivnom alatu.
Isprobajte OPTI-UP ToolkitTry the OPTI-UP Toolkit