דיספצ'ר עירוני מתמודד מדי יום עם עשרות אלפי אירועים: תאונות דרכים, תקיעות צנרת, תלונות תושבים, שינויי מזג אוויר. רובם מטופלים ידנית, כשהמידע מפוזר בין מערכות שונות. התוצאה — זמן תגובה לאירוע עולה על שעתיים, והמשאבים מנוצלים בצורה לא יעילה.
אנו מפתחים פלטפורמות AI לערים חכמות מאפס. השקנו 12 פרויקטים בערים עם אוכלוסייה של 300,000 עד 2,000,000. הפלטפורמה שלנו מאחדת נתונים מרמזורים, מצלמות מעקב, מוני שירותים וחיישנים סביבתיים לשדה מידע אחד. בזמן אמת, המערכת מעבדת אירועים, מזהה חריגות ומציעה תרחישי תגובה. הפלטפורמה משלבת נתונים מ-10+ מקורות, מטפלת בעד 500,000 אירועים בשנייה עם זמן השהיה מתחת ל-100 אלפיות השנייה. החיסכון בתקציב העיר מגיע עד $135k–195k בשנה על ידי אופטימיזציה של זרמי תנועה והפחתת צריכת אנרגיה.
הפלטפורמה בנויה על מיקרוסרוויסים עם Apache Kafka כאוטובוס נתונים ו-Apache Flink לעיבוד זרמים. הגדרה זו משיגה זמן השהיה של עיבוד מתחת ל-100 אלפיות השנייה בעומסי שיא של עד 500,000 אירועים בשנייה. בהשוואה לעיבוד אצווה, זה מהיר פי 600.
תוצאה — הפחתה של 60% בזמן תגובה לאירועים והפחתה של 15% בצריכת האנרגיה של תשתיות העיר.
כיצד פלטפורמת ה-AI מאחדת נתונים מפוזרים?
עיר מודרנית מייצרת נתונים מעשרות מערכות עצמאיות. הפלטפורמה שלנו מאחדת אותם באמצעות Apache Kafka:
| מערכת | נתונים | תדירות |
|---|---|---|
| בקרת תנועה (ASUDD) | זרימת תנועה | זמן אמת |
| מעקב וידאו (CCTV) | זרמי וידאו | רציף |
| שירותים (ASKUE) | צריכת אנרגיה | כל 15 דקות |
| ניטור סביבתי | אוויר, רעש | כל 5–30 דקות |
| שירותי חירום (112/EDDS) | שיחות, אירועים | בעת אירוע |
| תחבורה ציבורית | GPS, זרימת נוסעים | כל 30 שניות |
Apache Kafka כאוטובוס נתונים + Apache Flink לעיבוד זרמים:
from confluent_kafka import Consumer, KafkaError
import json
def process_city_events(topics=['transport', 'utilities', 'safety']):
consumer = Consumer({
'bootstrap.servers': 'kafka:9092',
'group.id': 'smart-city-analytics',
'auto.offset.reset': 'latest'
})
consumer.subscribe(topics)
while True:
msg = consumer.poll(timeout=1.0)
if msg is None:
continue
if msg.error():
if msg.error().code() == KafkaError._PARTITION_EOF:
continue
break
event = json.loads(msg.value())
topic = msg.topic()
if topic == 'transport':
process_transport_event(event)
elif topic == 'utilities':
process_utility_anomaly(event)
elif topic == 'safety':
process_safety_incident(event)אנו משתמשים ב-Kafka גרסה 3.5 עם שמירה של 7 ימים, Flink 1.18 עם נקודות ביקורת כל 30 שניות. זה מבטיח אספקה אמינה וסובלנות לתקלות בזמן כשלים.
מדוע מודולי AI קריטיים לניהול עירוני?
ניתוח מצב. מנוע הקורלציה מקשר אירועים ממערכות שונות: תקיעת צנרת ראשית + תלונות תושבים + עומס תנועה עקב סגירת כביש יוצרים אירוע אחד. מסווג NLP מעבד הודעות נכנסות ומדיה חברתית כדי לקשר אותן לאירועים ידועים. כל האירועים הקשורים לאירוע מוצגים על ציר זמן.
ניתוח חיזוי. חיזוי רב-תחומי צופה את מצב העיר ל-24–72 שעות: תנאי תנועה בהתחשב באירועים ומזג אוויר, צריכת שיא של מים/חום/חשמל, סיכון לסכסוכים חברתיים בהתבסס על אירועים ציבוריים וסנטימנט במדיה חברתית.
תחבורה חכמה
ניהול תנועה אחיד. שליטה מרכזית בכל תשתיות התחבורה: בקרת רמזורים אדפטיבית (לא מבודדת, אלא כלל-מערכתית), גל ירוק לתחבורה ציבורית, לוחות מידע דינמיים לנהגים.
ניתוח חניה. חיישני IoT לתפוסה, חיזוי ML לזמינות חניה בזמן הגעה בהתחשב בעיכוב נסיעה, תמחור דינמי לפיזור זרימה.
ניטור סביבתי עם AI
מדד איכות אוויר בזמן אמת. רשת חיישנים ל-PM2.5, PM10, NO₂, O₃, CO → חישוב AQI לפי GOST. אינטרפולציה בין תחנות בהתבסס על נתוני רוח וטופוגרפיה. תחזית איכות אוויר ל-12–24 שעות. התראות Push לקבוצות רגישות כשמדד AQI מחמיר.
איי חום עירוניים. צילומי תרמיה מלווייניים (Landsat Band 10) מזהים איי חום עירוניים. קורלציה עם כיסוי אספלט וירוק מספקת המלצות למתכנני ערים.
תכנון עירוני
ניתוח עיר של 15 דקות. לכל נקודה, בניית איזוכרון הליכה של 15 דקות משירותים מרכזיים (באמצעות נתוני OSM). מפת חום של נגישות שירותים חושפת אזורים 'ריקים' הזקוקים לבית ספר, מרפאה או פארק. ההמלצות משולבות בתוכנית המתאר.
מודל זרימת אוכלוסין. נתונים מצטברים ואנונימיים של מפעילי סלולר בונים מטריצות מוצא-יעד לתכנון מסלולי תחבורה והצבת מתקנים חברתיים.
כיצד מובטחת אבטחת מידע?
הפלטפורמה משתמשת בהצפנה במנוחה ובתעבורה, בקרת גישה מבוססת תפקידים, ביקורת אירועים. נתוני מפעילי סלולר מצטברים ואנונימיים. ארכיטקטורת פריסה — ענן פרטי או on-premise, Kubernetes לתזמור, PostgreSQL לנתונים רלציוניים, אחסון תואם S3 לנתונים גולמיים.
תהליך אינטגרציה שלב-אחר-שלב של פלטפורמת ה-AI
- ביקורת נתונים: זיהוי כל המקורות, הפורמטים ותדירויות העדכון.
- עיצוב אוטובוס נתונים: הגדרת Apache Kafka עם מחיצות ונושאים מתאימים.
- פיתוח עיבוד זרמים: יצירת משימות Flink לכל סוג אירוע.
- הטמעת מודולי AI: אימון מודלים על נתונים היסטוריים, הגדרת קורלציה וחיזוי.
- בדיקות עומס: אימות תפוקה וזמן השהיה.
- פריסה וניטור: פריסה לסביבת ייצור, הקמת ניטור 24/7.
מה כלול בפיתוח הפלטפורמה?
| שלב | תוצאה |
|---|---|
| אנליטיקה | ביקורת מקורות נתונים, מסמך דרישות |
| ארכיטקטורה | תיעוד עיצוב, דיאגרמת תשתית |
| אינטגרציה | חיבור חיישנים, הגדרת Kafka, Flink |
| מודולי AI | פיתוח מודלים (NLP, חיזוי, CV) |
| בדיקות | בדיקות עומס, UAT |
| פריסה | פריסה לסביבת ייצור |
| הדרכה | הדרכה למפעילים ואנליסטים |
| תמיכה | ניטור 24/7, תחזוקת SLA למשך 6 חודשים |
עלות הפיתוח מחושבת באופן פרטני.
צרו קשר להערכה ראשונית של העיר שלכם — נכין הצעה מסחרית תוך 2–3 ימים. הזמינו פרויקט פיילוט: תוך 4–6 שבועות נבנה אב-טיפוס על הנתונים שלכם ונדגים תוצאות על תרחישים אמיתיים.
מקור: עיר חכמה







