这听起来可能很奇怪，但我曾经被称为交通领域人工智能的怀疑论者，尽管我是这项技术的坚定支持者。但说实话：在我们的行业里，人们对AI的渴望多于行动。是的，世界各地都在举行自动驾驶汽车试点，但这是否意味着我明年可以乘坐自动驾驶班车上班？可能不会。
当涉及到自动驾驶汽车时，我们有一个明确的1级到5级自主权的排名系统。但其他交通系统和软件解决方案呢？你如何为它们定义 智能，以及如何将机器学习解决方案应用于交通领域？让我们来制定战略。
正如我们之前所写的，人工智能在城市交通、物流和车队管理中的应用备受期待，并已在一定程度上得到部署。
例如，65%的物流公司领导人将人工智能列为未来三到五年的重要技术。另外，截至2018年，四分之一的公共交通管理者已经将AI用于实时运营管理和客户分析。
此外，许多政府正在为一系列用于交通项目的人工智能提供资金和支持。加拿大有一个雄心勃勃的ACATS计划，向公司提供高达 290 万美元的赠款和捐款资金，以促进交通运输系统的连通性和自动化。
各国也都做了机器学习在交通系统应用的成功试点，主要展示了自动驾驶电动舱、人工智能调节的交通信号灯调度和智能道路基础设施的试点运行。
然而，尽管多年来有成功的报告，但成功的试点数量大大超过了商业人工智能的交通解决方案的数量。
为什么？因为实现和扩展AI部署是一项艰难的平衡行动，即在利益与担忧和权衡之间取得平衡。
有些人认为，人工智能在交通行业的应用仍然是科幻电影和遥远的未来的东西，这可能是因为一些最彻底的转变是无法用肉眼看到的。事实上，人工智能已经改变了交通行业。让我们看看最能说明问题的重要用例，以证明这一点。
在过去十年中，允许车辆在没有司机的情况下行驶的技术得到了惊人的发展。物联网传感器收集和传输大量的数据，这些数据被即时处理，并与其他远程信息处理和地理位置数据保持一致。同时，基于数据的指令被实时发送至车辆的接收器。这就是自动驾驶汽车简化版的基于机器学习的工作流程的样子。
在东京，自动驾驶汽车已经允许在整个城市运行，尽管仍然需要司机以便在紧急情况下进行干预。但人工智能驱动的自动驾驶的最大潜力在于商业领域和公共交通行业。
想想全球65%的货物通过卡车运输，将人工智能技术引入卡车不仅可以彻底改变物流和运输行业，还可以改变整个全球贸易体系的游戏规则。
法律限制、安全问题和缺乏用户信任仍然是大规模采用自动驾驶汽车的主要障碍。然而，问题不在于自动驾驶汽车是否会入侵我们的街道，而在于它们会以多快的速度入侵。
交通管理——特别是处理拥堵——是交通系统中机器学习如何改变行业的另一个很好的例子。
再一次，大量数据通过摄像头、传感器和其他物联网设备收集并传输到云端，人工智能驱动的算法分析数据并在特定交通问题发生之前识别风险。之后，可操作的见解将发送到集中式交通管理系统（例如用于控制交通信号灯）和个人用户（例如路线建议或事故通知）。
人工智能驱动的交通管理也为行业带来了可持续性。例如，由Rapid Flow Technologies公司开发的SurTac AI解决方案不仅使匹兹堡市的平均出行时间减少了25%，而且还减少了20%的排放。
由人工智能驱动的预测性维护技术有助于在车辆发生故障之前预测其发生。它的工作原理是这样的：汽车零部件的性能和关键指标被实时跟踪，当发现偏离安全范围时，基于人工智能的系统会向车主或负责车队维护的经理发送信号。
交通运输行业使用机器学习接收和处理的数据越多，预测就越准确和及时。基于人工智能的异常检测已经在帮助个人和企业车主提高车队性能，降低维修成本，并确保运输服务的可靠性。
无人机出租车是人工智能用于交通领域的一个惊人的例子，可能比自动驾驶汽车更令人兴奋。今年，第一个空中出租车机场在英国启用，证实了飞行出租车不再是科幻小说中的幻想。
无人驾驶航空器不仅提醒我们，类似第五元素的世界比我们想象的更接近，而且也是若干挑战的可持续解决方案。
在人工智能的帮助下，交通领域的无人驾驶出租车可以大大减少碳排放，解决交通拥堵，并节省未来基础设施建设和公共交通的成本。这还没有提到对无人机出租车乘客的好处，他们可以通过减少通勤时间每周节省几个小时。
人工智能有潜力解决紧迫的交通问题，但像往常一样，执行和交付是真正的麻烦。
整体而言，业界都在积极探索在交通行业如何应用机器学习、智能自动化、神经网络和深度学习，使交通更安全、更环保、更便宜和更高效。
但鉴于该领域本身和算法的复杂性，仍然没有一个放之四海而皆准的成功之路。然而，有几个行之有效的步骤，可以帮助完善你的产品开发载体。
道路传感器、联网汽车仪表板、浮动蜂窝数据、基于位置的服务——交通行业拥有压倒性的数据源和大数据用例。
拥有成熟DataOps的玩家要少得多，或者甚至是一个形式化的长期数据管理和治理过程——处理、保护、标准化和操作传入的见解的节奏。
然而，人工智能系统在数据的数量和质量方面是变化无常的。可扩展的传输算法需要更好、更快、更便宜的数据处理。在这种情况下，你不能只选择两个选项——要么全有，要么全无。
为算法收集和处理数据的复杂性是人工智能交通用例谨慎的小规模试点而不是全市部署的核心原因之一。
可以说，获得足够的训练数据是最大的问题之一。运输公司以不同的方式解决这个问题。例如，特斯拉建立了一个专利系统，从其客户的车辆中获取自动驾驶训练数据。
IEEE最近发表了一项分类研究，按准确性、可靠性和使用成本对不同类型的交通数据源进行了排名。
即使您已经获得了所需的所有数据，如果数据以某种方式倾斜，事情仍然会出错。就拿沃尔沃来说吧，几年前，当该公司在澳大利亚测试其人工智能驱动的大型动物检测系统时，它被袋鼠击败了。为什么？因为他们的系统是在瑞典设计的，最初是在麋鹿、鹿和驯鹿这些本地物种上进行训练和测试的，还没有准备好让有袋动物突然干扰道路测试。
经验之谈，交通行业中的有效模式识别需要各种具有代表性的数据，然而，获得这些数据可能并不总是立即可行或具有成本效益的。
但是，在争取更好的交通数据方面，您并不孤单。世界各地的私营公司和立法者正在努力提供更好的公共数据源，标准化数据格式和开放数据接口集成。
安全数据倡议——旨在将关于汽车碰撞和公路设计的现有数据与来自GPS设备的匿名数据相结合，以制定更好的速度监管实践
Waze Pilot——测试使用Waze应用程序中的众包数据预测碰撞风险和其他类型的道路事故的可行性
应用于自然驾驶数据的计算机视觉工具——联邦调查局正在构建一套计算机视觉工具，用于收集和分析自然驾驶数据，以便每个人都可以访问更好的数据集
当我们谈论人工智能在交通行业的应用时，具有技术背景的人往往会想到算法方法，而其他大多数人则想到的是用例。
人工智能作为一个术语往往缺乏实质内容。谷歌的自动完成功能是人工智能吗？是的，最近它是。它是为Alphabet的Waymo自动驾驶汽车提供动力的同一个人工智能吗？不是，方法是不同的。
人工智能在交通系统中的应用是用于开发（自）学习系统的有监督、无监督和强化学习方法的集合。
仅神经网络在交通工程中的用例就很多——交通需求预测、交通基础设施的预测性维护、驾驶员行为监控等。
选择太多了，对吧？但每个选择都有其固有的局限性。让我们以蚁群优化器算法为例，这些措施对于制定更好的公共交通路线和改善热门拼车平台上的乘客接机情况是有效的。
但是，在交通领域扩展“智能”是困难的。研究人员发现，当迭代次数（例如优化路径的数量）增加时，ACO 算法速度会显着下降。
神经网络在交通中的应用也很普遍。例如，优步（Uber）使用这类算法为出行提供精确的ETA预测，许多客户分析解决方案都是由人工神经网络提供支持的。然而，要想让神经网络高效运行，找出权重、隐含层和训练参数的最佳组合是一个繁琐的试错过程。通常情况下，解决方案最终在小数据集上表现良好，但在预生产阶段，性能会发生偏移和失败，迫使您的ML运输部门回到原点，尝试其他方法。
底线：交通领域的规模化机器学习解决方案很难实现，因为没有一种方法能提供普遍可信的结果。因此，开发时间很长，并且在实现快速、廉价和高质量性能的过程中需要进行一些权衡。
人工智能在交通行业的主要限制之一是，算法可能被迫在危急的情况下做出生死抉择（例如，杀死一名乘客以拯救十名行人），这就是为什么模型可解释性和人工智能伦理问题相当尖锐的原因。
在我们允许汽车做出道德决定之前，我们需要进行全球对话，向设计道德算法的公司以及将对其进行监管的政策制定者表达我们的偏好。——道德机器实验
目前的担忧主要与神经网络和强化学习技术等黑盒算法有关，其中算法被充分赋予了决定最佳行动方案的权利。
在某些情况下，算法可能会决定在一个地区实行较低的速度，这对防止伤亡是有好处的，但同时也会导致长时间的停车巡航和随后的交通瓶颈。同样，让算法决定让救护车通过以拯救一个病人，还是保持道路堵塞让消防人员通过的道德困境，这不是我们大多数人都会感到舒服的事情。
更加复杂的是，人类也是有争议的生物。围绕自动驾驶汽车的伦理问题的一项重要研究发现，人们在调查中表示，他们希望自动驾驶汽车能够保护行人而不是乘客。然而，大多数受访者也表示，他们不会购买这样编程的车辆！
在交通领域采用合乎道德和可持续人工智能的可能途径之一是可解释人工智能（XAI）——一种旨在建立描述性人工智能模型的方法，开发人员可以解释和调节模型的准确性、公平性和结果。换句话说，XAI传达了AI决策背后的原理。
许多其他大数据分析模型实际上是可解释的，因为它们由编程指令和统计方法提供支持，用于对不同的结果进行建模。属于“可解释”系列的数据科学和机器学习模型包括：
然而，由于这些系统不是自学的，它们无法提出机器学习/深度学习算法可能设计的新颖（也许更好）的解决方案。然而，交通业错误决策的成本可能太高，因此，可能需要在黑盒思维水平上进行权衡，以确保您的解决方案已准备好投放市场。
交通行业有许多私人和公共部门的参与者，加上监管机构监督他们的行为。通常情况下，市场参与者会选择竞争而不是社区的策略，而这一决定引发了一系列问题：
但是，如果没有系统、严格和联合的规划工作，新技术的大规模实施几乎是不可能的。
由于市场演变不明确，系统互操作性尚未提高。如果能够就市场规范达成一致，那么诸如“如果服务失败，谁应该承担责任？”等问题将变得更加清晰，投资决策可能更容易做出。此外，未来交通（FoT）正在推进新的协作方法，将数据作为商品和基础设施来使用。——英国交通部
交通行业不同软件系统之间的互操作性——从城市范围的交通管理软件到个人车队管理系统——对于确保所有车辆和设备能够有效交换数据至关重要。这样的动态数据可以被用来优化交通系统的运行，从而为所有的终端用户带来更为安全、更可预测和更加高效的出行体验。
具体而言，为了实现机器学习解决方案在交通领域应用的优势，应该在数据质量的标准化方面做出更多的共同努力，使大多数参与者同意以下规范：
ISO/TC 204是为规范智能运输系统（ITS）的系统和基础设施方面而制定的。
INSPIRE-MMTIS是欧盟的一项指令，旨在开放成员国对静态和动态数据类别的访问，以改善多式联运信息服务。
Auto-CITS是一个欧盟机构，促进自动驾驶和V2X技术采用的统一标准。
除了实现合规性之外，更高程度的互操作性也使交通行业参与者更具竞争力。通过追求平台商业模式，你可以在不推出新功能的情况下挖掘新的增长空间。相反，你可以通过API货币化、新的销售渠道(如车载商务或数字货运匹配)或推出“即服务”的产品（如出行即服务解决方案）获得额外收入。
当您评估交通技术的不同用例时，请从合作伙伴关系的角度思考：投资此用例只会使我的业务受益，还是可以开辟有趣的新合作伙伴关系和交叉整合？
人工智能在交通领域是有前途的，该技术的潜力已经在许多令人惊叹的试点、用例和市场就绪的解决方案中显示出来，如Rapid Flow的实时自适应交通信号灯控制、TuSimple的自主卡车运输和Sensible 4的自动驾驶巴士。
然而，为了看到更多的人工智能驱动的交通解决方案的规模化部署，今天应该奠定更多的基础，从技术架构的标准化和操作安全协议到微调机器学习/深度学习方法和重新调整商业模式。人工智能的实施是一项复杂的技术。那么，你打算如何把它变成一项有投资回报率支持的投资，而不是一项持续的费用？