V současné diskusi o Agentic AI jsou často v centru pozornosti schopnosti modelů. Nové systémy dokážou plánovat, volat nástroje, orchestrují pracovní postupy a stále častěji přebírají složité úkoly. Jakmile však tato diskuse opustí svět demo ukázek a setká se s reálnými provozními otázkami, perspektiva se mění. Už nejde o to, zda KI agent může úkol vykonat. Zajímavější je otázka, zda rozumí prostředí, ve kterém musí být rozhodnutí učiněno. Právě tato otázka byla výchozím bodem scénáře Urban Digital Twin pro Frankfurt nad Mohanem. Cílem bylo zkoumat, jak lze propojit prostorové analýzy, simulace a KI, aby se podpořily rozhodovací procesy v komplexním městském prostředí. Během práce však vzniklo mnohem zásadnější poznání: Než KI agent může smysluplně podporovat rozhodnutí, musí pochopit prostorové souvislosti, které formují město. Města nejsou shlukem nezávislých systémů. Doprava, infrastruktura, počasí, spotřeba energie, veřejná doprava, stavby a lidské chování se neustále vzájemně ovlivňují. Kdo chce tyto interakce pochopit, potřebuje víc než data. Potřebuje kontext. A tento kontext je v mnoha případech prostorový.
Každé město má paměť
Když se mluví o Digital Twins, mnoho lidí si nejdříve představí data v reálném čase. Dopravní toky, senzory, stavby, informace o počasí nebo aktuální události často určují představu o tom, co by měl digitální dvojče zvládnout. Při práci na frankfurtském scénáři se však rychle ukázalo, že přítomnost vypráví jen část příběhu. Města mají také paměť. Každá dopravní nehoda zanechává stopy v datech. Opakující se zácpy vytvářejí vzory. Některé křižovatky nebo silniční úseky vykazují po léta podobné anomálie. Když se tyto vzory zpřístupní, postupně vzniká porozumění tomu, jak se rizika v urbaním prostoru vyvíjejí. Proto analýza nezačala KI, ale historickými daty o dopravních nehodách.
Cílem nebylo zkoumat jednotlivé nehody nebo vytvořit další heatmapu. Zajímavá byla otázka, zda lze během několika let identifikovat stabilní prostorové vzory, které poskytnou indicie o fungování dopravního systému. Některé výsledky potvrdily očekávání. Vysoké koncentrace nehod se objevovaly podél důležitých dopravních os, na frekventovaných křižovatkách a kolem centrálních dopravních uzlů. Jiné výsledky byly překvapivé. Některé oblasti města se opakovaně objevovaly v analýzách i přesto, že na první pohled nehrály významnou roli v dopravní síti.
Teprve zapojením dalších geodat, například o struktuře osídlení, dopravní infrastruktuře nebo využití veřejného prostoru, vznikl soudržnější obraz. Skutečné poznání nespočívalo v jednotlivých horkých místech (hotspotech), ale ve stálosti určitých vzorů. Některé části města si po léta udržovaly podobné rizikové struktury, zatímco jiné zůstávaly překvapivě stabilní.
Pohled zpět nestačí
Historická data pomáhají pochopit minulost. Rozhodnutí se však činí pro budoucnost.Z tohoto důvodu byla analýza rozšířena o dopravní simulace. Zatímco analýzy nehod odpovídají na otázku, co se stalo v minulých letech, simulace umožňují nahlédnout do možných budoucích vývojů.
Jak se změní dopravní toky během větších stavebních prací?
Jaký vliv mají objížďky?
Jak reagují určité části města na rostoucí dopravní zatížení?
Které koridory jsou brzy pod tlakem?
Simulace neposkytují předpovědi v klasickém smyslu slova. Umožňují spíš hraní scénářů a ukazují, jak se mohou zatížení šířit sítí dopravy.Na začátku existovaly obě analytické oblasti vedle sebe: historické vzory nehod na jedné straně a simulované dopravní toky na straně druhé. Skutečná přidaná hodnota vznikla až kombinací obou perspektiv.
Když budoucí tlak narazí na historické riziko
Vysoké dopravní zatížení je důležitá informace. Hotspot nehody je také důležitá informace.Zvlášť zajímavá jsou místa, kde se oba faktory setkávají. Ve frankfurtském scénáři se objevily oblasti, kde dopravní simulace předpovídaly rostoucí zatížení a zároveň historické analýzy nehod dokumentovaly po léta zvýšené hodnoty rizika.
Analýza se tak už nesoustředila výhradně na dopravu nebo bezpečnost dopravy. Středem pozornosti byla najednou otázka rizika. Zde vzniklo jedno z nejdůležitějších poznání projektu. Největší přínos nespočíval v identifikaci jednotlivých hotspotů. Klíčové bylo pochopení toho, jak různé signály rizika spolu interagují. Města málokdy čelí tlaku kvůli jediné události. Kritické situace často vznikají tehdy, když nastane několik faktorů současně a navzájem se posilují.Z analytického hlediska to znamená, že prostorová podpora rozhodování nesouvisí tolik s hodnocením jednotlivých datových sad jako s pochopením jejich vzájemných interakcí.
Zde se KI stala opravdu zajímavou
Až poté, co byla vytvořena tato analytická základna, naskytla se otázka použití KI agentů v novém světle.Do té doby nebylo výzvou generovat zprávy nebo shrnovat dashboardy.Skutečným úkolem bylo propojit různé zdroje informací a odvodit z nich spolehlivé závěry.Představme si například řídicí centrum, které současně obdrží několik informací: rostoucí dopravní zatížení, blížící se počasí s intenzivním deštěm, velká akce v centru města a historické indicie zvýšeného rizika nehod v sousedních oblastech.
Každá z těchto informací sama o sobě nemusí působit spektakulárně. Společně však vytvářejí výrazně složitější obraz situace. Právě zde vzniká prostor pro nové koncepty jako Spatial Decision Intelligence.V rámci projektu Spatial Decision Skills bylo proto zkoumáno, jak mohou být geografické analytické schopnosti poskytovány jako nástroje pro KI agenty.Myšlenka za tím je vědomě jednoduchá: Místo toho, aby model předpokládal znalost všech informací již předem, získává přístup k prostorovým analytickým funkcím a může si relevantní informace sám zjistit.Agent by mohl například identifikovat hotspoty nehod, analyzovat kritickou infrastrukturu, hodnotit alternativní trasy nebo zkoumat prostorové dopady rozhodnutí.Sílou takového systému není znát odpovědi nazpaměť, ale rozpoznat souvislosti a podat je srozumitelně jako zdůvodnění.
Nejdůležitější otázka nebyla „Může to KI?“
Během práce se stále opakovala jiná otázka.
Ne:Může KI provést tuto analýzu?
Ale: Proč KI doporučuje právě tento krok?
Tato otázka se ukázala být podstatně důležitější než samotné doporučení.Důvěra nevzniká automatizací.Důvěra vzniká pochopením.Chceme vidět data použitá při rozhodování.Chceme rozumět základním předpokladům a být schopni sledovat cestu systému k určitému doporučení.Jak analýzy směřovaly více k podpoře rozhodování,tím jasnější bylo,zda transparentnost nemůže být až dodatečnou funkcí.Tvoří základ důvěryhodných GeoAI systémů.KI agent analyzující prostorové souvislosti proto musí umět víc než jen vypočítat výsledek.Musí otevřeně sdělit svůj myšlenkový proces.
Od Digital Twin k Spatial Decision Intelligence
S odstupem času frankfurtský scénář především ukázal jedno poznání.Budoucnost městských systémů nebude charakterizována autonomními KI agenty přijímajícími rozhodnutí nezávisle na lidech.Podstatně realističtější je budoucnost,kde prostorové analýzy,Digitální dvojčata,data science a KI spolupracují,k pochopení složitých souvislostí.Spatial Data Science pomáhá rozpoznat vzory.Digitální dvojčata umožňují porozumět dynamice a budoucím vývojům.Agentic AI otevírá nové cesty,k propojení různých zdrojů znalostí a jejich kontextuálnímu využití.Společně tyto trendy směřují k něčemu většímu.Oboru,který se nezabývá primárně daty nebo algoritmy,but lepšími rozhodnutími.
Protože nakonec nejdůležitější otázka není,jestli KI dokáže generovat odpověď.Klíčová otázka je,jestli může pomoci lépe pochopit důsledky možných rozhodnutí dříve než bude jednáno.A jakmile rozhodnutí ovlivňují lidi,infrastrukturu nebo města,hraje prostorový kontext téměř vždy klíčovou roli.
Další odkazy
Diskuse
Práce kolem frankfurtského Urban-Digital-Twin scénáře a projektu Spatial Decision Skills jsou teprve na začátku. Právě proto nás zajímají různé perspektivy z komunity.
Která rozhodnutí by měl KI-Agent v Urban Digital Twin podporovat?
Kde jsou hranice mezi inteligentní asistencí a autonomním rozhodováním?
A možná ta nejzajímavější otázka:
Jaké prostorové schopnosti by měl každý Geospatial AI Agent v budoucnu ovládat?
%2520Office%2520skaliert.png)