Table of Contents
The Rising Role of Artificial Intelligence in Transport Safety
תאונות תחבורה נותרו גורם מוביל לפציעה ומוות ברחבי העולם, על פי ארגון הבריאות העולמי, כ-1.19 מיליון בני אדם מתים מדי שנה מתאונות דרכים, עם עשרות מיליוני פצועים או נכים נוספים.המחיר הכלכלי הוא מגזול באותה מידה, עלות מדינות עד 3% מהתמ"ג שלהם, בעוד אמצעי בטיחות מסורתיים - כגון כיבים, תיקי אוויר, ושיפור תשתיות דרכים - נעשו צעדים משמעותיים, היא מונעת את הגדלה של בעיות חכמות יותר, כאשר הן מנבאות יותר, הן יכולות חכמות יותר, הן מעדיפות גבוהה יותר, הן יכולות חכמות יותר, הן מעדיפות גבוהה יותר, כמו פתרון בינה מלאכותית.
AI הופך נתונים גולמיים לאינטליגנציה מעשית.על ידי ניתוח דפוסים בטלמטרי רכב, התנהגות הנהג, תנאי מזג אוויר, וזרימת תנועה, מערכות בינה מלאכותית יכולות לזהות מצבים בסיכון גבוה יותר שניות לפני התנגשות פוטנציאלית.גישה פרואקטיבית זו שונה באופן בסיסי מטכנולוגיות בטיחות תגובתיות. במקום פשוט לשחיקה את ההשפעה, AI שואפת לחסל את התאונה לחלוטין ממקרי חירום אוטונומיים לתחזוקה חיזוי של כלי רכב AI, הופכת להתחדשות אחורית של מערכות בטיחות.
במדריך מורחב זה, אנו חוקרים כיצד AI צופה תאונות, הטכנולוגיות המאפשרות מניעה, מחקרים של מקרים אמיתיים, אתגרים שנשארו, ואת העתיד המבטיח של בטיחות המונעת על ידי AI. בין אם אתה מנהל צי, מתכנן תחבורה, מהנדס בטיחות, או פשוט קורא מעוניין, הבנה של התפתחויות אלה היא קריטית בעידן שבו ניידות הופכת להיות אוטומטית יותר ויותר מונחת נתונים.
כיצד בינה מלאכותית צופה בתאונות תחבורה: די עמוק
תאונות חיזוי הן משימה מורכבת כי תאונות הן אירועים נדירים, אך הן תוצאה של הדבקה של גורמים שהם לעתים קרובות עדינים ולא ליניארים מודלים סטטיסטיים מסורתיים נאבקים ללכוד אינטראקציות אלה, אבל אלגוריתמי למידת מכונה מצטיינים במציאת דפוסים בנתונים עתירי ממדים.כאן איך צינור החיזוי עובד.
איסוף נתונים: הדלק לבינה מלאכותית
מערכות תחבורה מודרניות לייצר כמות עצומה של נתונים.רכבים מצוידות ביחידות בקרה אלקטרו-אירוניות (ECUs) , GPS, מדממים ומצלמות. חיישנים של תשתיות, כולל מצלמות תנועה, גלאי גללאות ותחנות מזג אוויר, להאכיל במערכות ריכוזיות.
- (FLT:0) ו-Telemetry: מהירות 1FLT, האצה, כוח מתפתל, זווית הנעה, לחץ צמיגים, אבחון מנוע.
- התנהגות:0 (FLT:1) , זמני תגובה, מעקב עין, קצב לב (בכמה טחנות מתקדמות).
- (ב) תנאים של שימור:0) תנאי בטיחות: FLT:1 משקעים, חשיפה, טמפרטורת פני השטח, מהירות הרוח.
- (ב) עיין:0 (ב) ,0) ,5 ,5 ,7) , מהירות ממוצעת לכל נתיב, דוחות אירועים.
- (ב) תועדות תאונת דרכים: 0 ;1 ,9 ,5 ,5 , ).
ההיתוך של מקורות נתונים הטרוגניים אלה הוא אתגר מפתח.מערכת AI חייבת להתאים נתונים משיעורים ופורמטים שונים, אבל התגמול הוא משמעותי: על ידי שילוב של טלמטה בזמן אמת עם ההקשר הסביבתי, המודל יכול לזהות חתימות טרום-קרב - כגון עיוות פתאומי בשילוב עם כבישים רטובים ונהגים (דקודש באמצעות מצלמה) ואזהרות.
מודלים לחיזוי תאונות
כמה גישות אלגוריתמיות הוכחו יעילות.FLT:0 רשתות עצביות חוזרות (RNNs)BuildFLT:1, במיוחד FLT:2 Long-Term Memory (LSTM)evolveFLT 3 רשתות, הן פופולריות משום שהן יכולות ללמוד מרצף של אירועים לאורך זמן.
(ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
מודלים למידה עמוקה, בעודם חזקים, דורשים נתונים מתוייגים גדולים.כדי להתגבר על המחסור בנתונים בתאונות, החוקרים משתמשים ב-FLT:0synthetic OversamplingFLT:1 (למשל, SMOTE) ו- (FLT:2transferment LearningFLT 3:0) - ניהול מודלים על סימולציה לפני כוונון קנס על תקריות בעולם האמיתי.
מודלים חיזוייים: החל מהסתברות למפות סיכון
לאחר אימון, AI תפוקה הסתברות של תאונה קרובה.זה יכול להיות גיאוגרפיה לתוך FPLT:0 סיכון מפת חום מפתsph 1 עדכון בזמן אמת.לדוגמה, עיר בווה, וושינגטון, השתמש AI מ FLT:2curb.comFLT 3 כדי לנתח נתונים תנועה ולהקטין את ההתנגשות ב -15% בצומת בסיכון גבוה על ידי התאמה של אותות דומים או לוחות זמנים חלופיים.
מודלים חיזוייים תומכים גם ב-FLT:0 (התכנון של מבנה התכנון של המבנה) 1 (באמצעות ניתוח תאונות היסטוריות ודפוסי תנועה, מתכננים ערים יכולים להצביע על צמתים מסוכנים ולעצב אותם מחדש לפני תאונה אחרת מתרחשת.
כיצד בינה מלאכותית מסייעת למנוע תאונות
החיזוי הוא רק חצי הקרב, הערך האמיתי של AI הוא ביכולתו למנוע תאונות להתרחש מלכתחילה באמצעות התערבות אוטומטית ואזהרות של מניעת בני אדם ליפול לקטגוריות אחדות.
התראות בזמן אמת ובקרת רכב אוטומטית
(FLT:0) מערכות ניהול מתקדמות (ADASIRFLT:1) הן קו החזית של מניעת תאונות מבוססות AI.מערכות אלה מסתמכות על מצלמות, מכ"ם, ומכסה כדי לתפוס את הסביבה, והם משתמשים באלגוריתמים כדי לקבל החלטות מפוצלות שנייה.
- (FLT:0) דלקת חירום ארווימטית (AEBorive): 1 Detects a briefruptects a Near Clash andחול על בלמים אם הנהג לא יגיב.תוכנית הערכת הרכב החדשה האירופית (Euro NCAP) מדווחת כי AEB מפחית התנגשות אחורית עד 38%.
- (ב) [13] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
- (FLT:0) בקרת קרוז (ACC): FIRLT:1 שומרת על מרחק בטוח לאחר מכן ומתאים את המהירות בתגובה לזרימת תנועה, צמצום הסיכון לתאונות תגובת שרשרת.
ברמה הבאה, (FLT:0) כלי רכב אוטונומיים (AVI)FLT:1 מייצגים שילוב מלא של AI עבור מניעת חברות כמו FLT:2WaymocioFLT:3 מונעים מיליוני קילומטרים באופן אוטונומי ללא פגיעה חד פעמית במערכות AI שלהם כל הזמן לחזות את הטרק של משתמשים אחרים בכביש ולבצע תמרונים כפי שנדרש, בעוד שהם עדיין לא נמצאים בתאונות בטיחות, הם עדיין לא מוכנים, בעוד שהם עדיין לא יהיו זמינים, כמו גם כן, כמו גם כן, כמו גם שירותי אבטחה, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם שירותי AI, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם שירותי אבטחה, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם שירותי אבטחה, כמו גם שירותי אבטחה, כמו גם כן, כמו גם כן, כמו גם שירותי אבטחה, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו כן, כמו גם כן, כמו כן, כמו גם כן, כמו גם כן, כמו גם כן, כמו רובוטים ללא תשלום, כמו כן, כמו
מעקב אחר נהגים ו Fatigue Detection
עייפות נהג היא גורם מוביל לתאונות קטלניות, במיוחד במשאית ממושכת. AI מופעלת (FLT:0) מערכות ניטור של נהגים (DMS)BuildFLT:1), במיוחד במצלמות הפונה פנימה כדי לעקוב אחר מבטו של הנהג, קצב ממצמץ, מיקום ראש, ו- yawning. כאשר סימנים של ריקנות או מזוהים, המערכת נשמעת אזעקה, רוטטת מושב או יצרנים - כולל משאיות הפעלה,
מחקר שנערך על ידי מועצת הבטיחות של התחבורה הלאומית (NTSB) מצא כי עייפות של נהג הייתה גורם ב -13% מכל התאונות הכרוכות במשאיות גדולות. DMS מבוסס בינה מלאכותית יכול להפחית את התאונות הקשורות לעייפות ב-50% על פי נתונים מוקדמים של צי, המציע החזר משמעותי על ההשקעה עבור מפעילי.
תחזוקה חיזויית: מניעת כשלים מכניים
התמוטטות רכב – כגון מכתשים צמיגים, כישלונות בלמים או שריפות מנועים – הם גורם מרכזי לתאונות חמורות, במיוחד על כבישים מהירים. AI- מופעל FLT:0 תחזוקה מוקדמת של שלפוחית:1 מנתח נתונים של חיישן מן הרכב כדי לחזות כשלים רכיב לפני שהם מתרחשים.לדוגמה, AI יכול לזהות תנודות עדין במערכת החבטים המעידים על כריות, או ירידה בנפט שעלול להוביל להפחתה דרסטית של מנוע.
פלטפורמות ניהול צי כמו:0 (SamsaraFcioLT:1 ו-FLT:2UptakeFLT 3: 3 לספק לוחות נתונים שדרגו נכסים במקרה אחד, חברה לוגיסטית גדולה השתמשה תחזוקה חיזויית כדי להפחית את העיכובים ב- 60% ולבטל שני כשלים במערכת בלמים גדולה שעלולים לגרום לתאונות רציניות.
ניהול תנועה ותיאום תשתיות
AI גם מונע תאונות ברמה מערכתית על ידי אופטימיזציה של תנועה.מרכזי ניהול התנועה העירוניים להשתמש AI כדי להתאים תזמון אותות דינמי, לתאם תנועה דרך מסדרונות, וניהול אירועים.לדוגמה, כאשר AI מזהה בניית ציר פתאומי - מבשר להתנגשות אחורית - זה יכול להאריך אורות ירוקים בצומת למטה כדי לאפשר כלי רכב לנקות את האזור, להפחית את הסבירות של ערימה.
בברצלונה, מערכת ניהול תעבורה מבוססת בינה מלאכותית הפחיתה את זמני הנסיעות ב-22% ותאונות ב-20% בצומת מפתח.המערכת משתמשת בחיזוק הלמידה כדי לאזן באמצעות חישוב ובטיחות, להסתגל כל הזמן לתנאי זמן אמתיים.
מחקרים אמיתיים: בינה מלאכותית מונעת תאונות
כדי להבין את ההשפעה של AI, זה עוזר לבחון פריסות ספציפיות ואת התוצאות שלהם.
מקרה מחקר 1: משאיות אוטונומיות של Waymo על הכביש
Waymo Via, חטיבת משאיות אוטונומית, נבחנה על משאיות מונעות על ידי AI על כבישים מהירים בארה"ב.במקרה אחד, משאית Waymo זיהתה רכב נכה באופן חלקי חסום נתיב קדימה.ה- AI חזה שהנהג (שנמצא כמפעיל בטיחות) לא יגיב בזמן ויזם שינוי יזום מדי לפני הסיכון.המשאית עברה בבטחה ללא הפרעה פתאומית, אך לא מנעה חיזוי מוקדם של כמה קילומטרים לפני כן, כי לא היו לעתים קרובות מדי בדיקות בטיחותיות, עד שלא היו מתרחשות, עד שלעתים קרובות, עד כמה פעמים, עד שלעתים קרובות, עד שלעתים קרובות, רק כמה מאותן של כל אחד, עד שלעתים קרובות, עד שלעתים קרובות, עד שלעתים קרובות, עד שלעתים קרובות, כמו כן, רק כמה פעמים, רק כמה מאותן של כמה מאותן של כמה עשרות אלפי משתמשים באלפי קילומטרים של אנשים היו מעורבים.
מקרה מחקר 2: AI-Enhanced Intersection Safety
נאשוויל, טנסי, שותף עם FLT:0.Rekor SystemsveFLT:1 כדי לפרוס AI בצומת בסיכון גבוה.AI מנתחת הזנות וידאו ודאר כדי לזהות רצים אור אדום וטרכיים קרובים בזמן אמת.כאשר התנגשות פוטנציאלית מזוהה, המערכת יכולה לגרום סימני אזהרה עבור נהגים או אפילו להאריך את השלב האדום כדי לנקות את הצומת בשנה הראשונה, אור אדום-אדום צנח על ידי התאונות ארוכות טווח ירידה של 40%, כמו גם על ידי התאונות דרכים אלה.
מקרה מחקר 3: תחזוקה חיזוי בצי ארוך-הול
צי גדול של משאיות אמריקני עם יותר מ-5,000 כלי רכב מיושמות תחזוקה חיזוי חיזוי של AI בתוך שישה חודשים, המערכת חזתה שני אירועים מרכזיים: דחיסת אוויר בלם על משאית שטיילה דרך שטח הררי, ודלפה מגניבה שיכולה לגרום למנוע להתחממות יתר של אש.שנים תוקנו באופן פרואקטיבי.ה מנהל הצי ציין כי כישלונות אלה עלולים להוביל לאובדן של תאונות שליטה בתנאי התזמון והמטוסים של התאונות החמורים ירדו ב-18%.
אתגרים ומגבלות של AI בבטיחות תחבורה
למרות ההצלחות, AI אינה כדור כסף.יש לטפל באתגרים משמעותיים כדי לממש את מלוא הפוטנציאל שלה בחיזוי ומניעת תאונות חמורות.
איכות נתונים וזמינות
מודלים של בינה מלאכותית הם רק טובים כמו הנתונים שהם מאומן עליהם.מספרים הם מוטים כלפי תנאי נהיגה רגילים, עם תאונות להיות אירועים נדירים.זה מוביל ל-FLT חמור:0 חוסר איזון של מעמד: בעיות של חוסר איזון מסוגנן 1.מודלים המאומנים על נתונים לא מאוזנים יכולים להפוך שמרניים מדי (הדפלים הכל כבטוח) או רגישים יתר (בעיות של אפילזה).
יתר על כן, נתונים של יצרנים שונים ותחומי שיפוט לעתים קרובות חסרים סטנדרטיזציה.טמפרטורה קריאה של מכשיר טלמטי אחד עשויה להיות מפורמט שונה מזו, הדורשת עיבוד נרחב.ללא ממשל נתונים חזק, תחזיות בינה מלאכותית יכולות להיות בלתי אמינות.
חוסר יכולת ואמון
מודלים למידה עמוקה ידועים לשמצה בטבע "קופסא שחורה" שלהם.מערכת ביקורת בטיחותית חייבת להיות מוסברת: אם AI מחליט ללם לפתע, הרגולטורים, המהנדסים והציבור צריך להבין מדוע השדה של FLT:0explainable AI (XAI)FLT:1 מתקדם, אבל רבים מהצי ומפעילי העירייה עדיין מעדיפים מודלים פשוטים יותר, מפרשים (למשל, החלטות) על פני שקיפות עמוקה, אפילו על פני שטח של שקיפות פעילה.
אבטחת סייבר ומערכת אחריות
מערכות בינה מלאכותית בתחבורה הן מטרות עיקריות להתקפות סייבר. An ⁇ יכול להאכיל נתונים זדוניים למודל מנבא, מה שגורם לו להטעות את הסיכונים - למשל, להסתיר מכשול או ליצור סיכון phantom. כלי רכב אוטונומיים חייבים להיות מוקשים נגד התקפות כאלה, ו אדמוניות (מודולים חיישן הולכי רגל, מערכות גיבוי נפרדות) הוא חיוני.
הבטחת שמודלים של בינה מלאכותית חזקים למקרי קצה (למשל מזג אוויר יוצא דופן, אזורי בנייה, מעברי בעלי חיים) דורשים בדיקות עולם אמתיות ועדכונים אוויריים.חברות חייבות להשקיע בכבדות בסימולציה ובבדיקות סגורות לפני שהן מגיעות בקנה מידה.
שיקולים אתיים והמשפטיים
מערכות בטיחות מבוססות בינה מלאכותית מעוררות שאלות אתיות למשל, בתאונה בלתי נמנעת, כיצד כלי רכב אוטונומי צריך להעדיף - הגנה על הדיירים, הולכי רגל או רוכבי אופניים?החלטות אלה אינן רק טכניות אלא מוסריות, ותרבויות שונות ותחומי שיפוט עשויים להיות תשובות שונות.
מסגרות תגמול עדיין מתפתחות.המנהל הלאומי לבטיחות בדרכים (NHTSA) פרסם הנחיות מרצון, אך סטנדרטים מחייבים לתכונות בטיחות המונעות על ידי AI הם מעטים.מנהלי צי חייבים לנווט בעיות אחריות - אם חיזוי בינה מלאכותית נכשל ותאונה מתרחשת, האחראית: מפתח התוכנה, יצרן החומרה, או מפעילת הצי? - מסגרות משפטיות ברורות נדרשות כדי להאיץ אימוץ.
כיוונים עתידיים: היכן נמצאת AI ובטיחות תחבורה
העשור הבא יראה AI משולב עוד יותר עמוק במערכות תחבורה.כאן מגמות מפתח לצפייה.
תקשורת לרכב (V2X)
הכוח החיזויי של בינה מלאכותית יוגבר כאשר כלי רכב יכולים לתקשר אחד עם השני ועם תשתיות. טכנולוגיית V2X מאפשרת למכוניות לשדר את עמדתם, מהירותם וכוונותיהם בזמן אמת. AI בקצה יכול למזג נתונים V2X עם חיישנים מקומיים כדי לחזות ולמנוע מחסנים רב-גופיים, במיוחד בתנאי תאימות נמוכים.
לדוגמה, אם מכונית לפני הרבה בעיות, היא יכולה לשלוח אות למכוניות הבאות באמצעות V2X, ו- AI בכלי רכב אלה יכול להתחיל מילימטרים מרתיעים לפני שהנהג אפילו רואה את אורות הבלמים ביעילות.
תאומים וסימולציות
תאומים דיגיטליים – העתקים וירטואליים של מערכות תחבורה פיזיות – יאפשרו למודלים של AI להיות מאומן ומאומתים בסביבה מציאותית ביותר. עיר יכולה ליצור תאום דיגיטלי של רשת הכבישים שלה, להשלים עם דפוסי תנועה, מזג אוויר והתנהגות הולכי רגל.אלגוריתמים של בינה מלאכותית יכולים להיבדק עבור מיליוני שעות, לחקור תרחישים נדירים ומסוכנת ללא כל סיכון בעולם האמיתי.
צוק איתן ו-Time On-Board Process
עצלות היא קריטית למניעת תאונות – מילות שניות יכולות להיות ההבדל בין התרסקות לבין מערכת עתיד קרובה של קרוב-יתר, תבסס על FLT:0edge AIFLT:1, שבו רשתות עצביות פועלות ישירות על מחשבי לוח הרכב ולא בענן.התקדמות בחומרה מיוחדת (כגון DRIVES של NVIDIA) או מערכת-on-a-chi) מאפשרות עיבוד מינימלי של מערכת ההפעלה של מערכת ההפעלה הסולרית זו, אפילו באמצעות מודל לחיזוי חשמל מורכב.
AI ליצירת בטיחות Scenario דור
מודלים יצרניים (כמו gans ומודלים diffusion) משמשים ליצירת תרחישים תאונות סינתטיות אך ריאליות למטרות אימון.לדוגמה, AI יכול ליצור קטעי הולכי רגל פתאום על כביש גשום בלילה, ומאפשר למערכות חיזוי ללמוד מתנאים המופיעים לעתים רחוקות בנתונים אמיתיים.זה מרחיב באופן דרמטי את המעטפה האימונים ומסייע להפוך את AI חזק יותר למקרים קצה.
מסקנה: עתיד בטוח יותר באמצעות אינטגרציה מלאכותית
אינטליגנציה מלאכותית אינה רק כלי אלא שינוי פרדיגמטי בבטיחות התחבורה.על ידי חיזוי תאונות לפני שהן מתרחשות, המאפשרת התערבות אוטומטית, ולמידה מתמדת מהנתונים החדשים, AI כבר הצילה חיים ומנעה פציעות בדרכים, כבישים מהירים ומרכזים עירוניים.הראיות מתכניות טייסים, פריסות צי, ופעולות רכב אוטונומיות משכנעות הן: כאשר הן מתוכננות ומופצות באחריות, AI יכול להפחית באופן משמעותי את התרחשות התאונות החמורות.
עם זאת, הדרך קדימה דורש שיתוף פעולה.מפתחי טכנולוגיה צריכים עדיפות לפרשנות ואבטחת סייבר. קובעי מדיניות צריכים ליצור תקנות ברורות שמטפחת חדשנות תוך הגנה על מפעילי ביטוח לאומי ועירוניות חייבות להשקיע בתשתיות נתונים והכשרה.ועל הציבור להיות משכיל לגבי האופן שבו AI עובד, בניית אמון במערכות שלפעמים מקבלות החלטות שנראה מנוגדות אך הן בטוחות יותר מבחינה מתמטית.
החזון האולטימטיבי הוא מערכת אקולוגית תחבורה שבה תאונות הופכות לריאליות – יוצא דופן ולא ציפייה.כאשר AI ממשיכה להתפתח, אנו נעים קרוב יותר לחזון הזה, לחיזוי אחד, למניעה אחת, ולאחד מהם הציל חיים בזמן.תפקידה של AI בחיזוי ומניעת תאונות תחבורה חמורות אינו רק מבטיח; חיוני.