Redazione di GO-Mobility

Come l’AI cambierà la mobilità delle persone

È passato un anno della release di ChatGPT, quando abbiamo iniziato a fare conoscenza con le AI generative, esplorandone le potenzialità e imparando i modi migliori per assimilarle. In quel frangente avevamo “giocato” con ChatGPT, chiedendogli di risolvere i problemi della mobilità urbana, mettendolo alla prova sulla sua capacità di ottimizzare il traffico e migliorare la pianificazione infrastrutturale, addirittura scrivendoci un Piano di mobilità per Roma. Già allora i risultati erano stati sorprendenti, sebbene si riconoscesse già in questo strumento un buon alleato più che un sostituto. Ma cosa possiamo dire ora, dopo un anno di familiarizzazione con l’AI e sperimentazioni concrete su più campi del nostro lavoro? Con questo articolo vogliamo riprendere il discorso approfondendo gli impatti dell’Ai sulla mobilità nei prossimi anni, scandagliando i tre pilastri su cui crediamo si poggeranno: dati, competenze e governance.

Un matrimonio annunciato: AI e MaaS

Se chiedessimo quale elemento della mobilità sarà più impattato dall’intelligenza artificiale, senza dubbio tutti penseremmo alla MaaS. In questi giorni, ad esempio, l’azienda municipalizzata del trasporto pubblico di Bari AMTAB ha svelato NIC-O (New Intelligent Comunication) un servizio di chatbot basato su Ai GPT in grado di interagire con i cittadini e comprendere le loro esigenze.
NIC-O è stato sviluppato con l’obiettivo di assistere gli utenti nella navigazione del sito AMTAB, garantendo un’interazione fluida, accessibile ed efficiente. A differenza dei comuni chatbot, un chatbot di tipo avanzato come NIC-O non si limita solo a rispondere a domande puntuali, ma è anche in grado di svolgere compiti e attività molto più elaborate. Grazie all’utilizzo di algoritmi di apprendimento automatico, ed essendo stato istruito per dialogare con l’utente, è capace di conversare con le persone, interagirci in modo abbastanza logico e coerente. Al momento il servizio è fruibile nella versione sperimentale BETA ed è strutturato in diverse macroaree, ciascuna dedicata a specifici servizi erogati da AMTAB: News, Mezzi Pubblici, MUVT (l’app dedicata), Aree di sosta e Segnalazioni.

Da questo esempio, primo nel suo genere in Italia, è facile immaginare come da qui ai prossimi anni i chatbot GPT saranno le interfacce principali degli operatori di mobilità verso i propri utenti, diventando dei veri e propri travel planner MaaS che guideranno passo-passo gli utenti tra i vari servizi di mobilità.

Secondo un recente articolo pubblicato nella rivista ScienceDirect dai ricercatori Eriketti Servou, Frauke Behrendt e Maja Horst intitolato “Data, AI and governance in MaaS – Leading to sustainable mobility” l’Ai avrà un impatto significativo nei sistemi MaaS nei seguenti aspetti:

• Personalizzazione delle opzioni di viaggio: analizzare i dati degli utenti per formulare proposte su misura e rendendo la MaaS più attraente rispetto al mezzo privato
• Analisi dati in tempo reale: elaborazione dell’enorme quantità di dati generati da diversi servizi di mobilità per ottimizzare i percorsi, ridurre i tempi di attesa e migliorare l’efficienza complessiva del sistema di trasporto
• Supporto alle politiche di mobilità: aiutare pianificatori urbani e policymaker a prendere decisioni informate basate su modelli di traffico previsionali e tendenze di mobilità, contribuendo a una pianificazione urbana più sostenibile
• Sviluppo di Sistemi di Trasporto Intelligenti (ITS): l’integrazione dell’AI può facilitare una gestione più efficace del traffico e una risposta dinamica alle condizioni di viaggio in tempo reale
• Governance e regolamentazione: il ruolo di algoritmi avanzati nel decision making può portare alla nascita di nuove forme di governance nella mobilità, che richiederanno un equilibrio tra controllo algoritmico e governance umana per assicurare che i valori pubblici e la sostenibilità rimangano al centro.

Esaminando questi elementi, come anticipato nella premessa, dal nostro punto di vista si possono identificare in sintesi tre pilastri su cui poggeranno – nel bene e nel male – gli impatti della diffusione dell’intelligenza artificiale sulla mobilità delle persone, il lavoro dei tecnici del settore e le decisioni dei politici: i dati, le competenze e la governance. Da dove partiamo? Come sempre, ovviamente: dai dati.

Il ruolo dei dati nell’ecosistema MaaS

Il ruolo dei dati nella mobilità, come d’altronde il nome del nostro magazine sottolinea, è un ruolo fondamentale: non può esistere la MaaS senza dati. Il funzionamento dell’ecosistema MaaS dipenderà dalla capacità di raccolta e dall’integrazione di dati provenienti da diverse fonti, come gli operatori di trasporto, i gestori delle infrastrutture e gli utenti stessi dei servizi. Per essere quindi realmente efficace ed efficiente, il sistema MaaS dovrà poter raccogliere e integrare nelle piattaforme:

• Dati GTFS correttamente compilati
• Dati sullo stato delle reti di trasporto (tempi e velocità)
• Dati sull’acquisto e utilizzo dei servizi (biglietti, abbonamenti, tap-in e tap-off)
• Dati sull’utilizzo e frequentazione dei servizi (conta passeggeri, tornelli)
• Dati aggregati su Origini-Destinazioni
• Dati meteorologici
• Dati su disponibilità di parcheggi (parcheggi pubblici, park&ride, colonnine di ricarica)
• Dati su eventi e fiere
• …

Si tratta solo di un assaggio di un elenco che non è di certo esaustivo. Inoltre, questi dati dovranno essere disponibili sia real time che storicizzati. La complessità della gestione di questi dati è tutt’altro che banale, specialmente dal punto di vista della creazione di uno standard, fondamentale per renderli fruibili a piattaforme che devono integrarli.

“Uno standard per domarli”

Dal punto di vista europeo si sta lavorando molto nella definizione degli standard. L’organizzazione NAPCORE ha proprio lo scopo di coordinare e armonizzare oltre 30 piattaforme NAP (National Acces Point) in Europa, attraverso la definizione e l’applicazione di standard, quali:
• DATEX II: lo standard che definisce la digitalizzazione e l’automazione dell’intero ecosistema della mobilità, contribuendo alla sicurezza, sostenibilità ed efficienza dei viaggi di persone e merci. DATEX II permette la standardizzazione della fornitura di dati per tutti i tipi di veicoli, dalla bicicletta ai convogli di camion pesanti. Consente di esprimere digitalmente in modo standardizzato la dinamica della disponibilità dell’infrastruttura di trasporto e gli incidenti che si verificano su di essa.
• Transmodel: il modello di dati di riferimento del CEN (ovvero l’European Committee for Standardization) per il trasporto pubblico e multimodale. Transmodel agisce come un lessico che delinea la terminologia del settore dei trasporti pubblici e i collegamenti tra vari elementi, stabilendo così una lingua standardizzata per l’industria e il settore. Gli standard da esso definiti sono
– NeTEx per lo scambio di informazioni su reti di trasporto pubblico, orari e dati associati
– SIRI per lo scambio di informazioni operative in tempo reale sulle prestazioni del trasporto pubblico.

Diffusione dei dati: dalla teoria alla realtà

Come abbiamo visto, la definizione degli standard dei dati sembra essere abbastanza matura sia nella concezione che nella sua organizzazione. Non si può dire altrettanto invece per quanto riguarda la diffusione dei dati, in particolare in Italia. Su questa tema, soprattutto in merito ai dati del trasporto pubblico, permane un problema di radice prettamente culturale.
Se analizziamo la diffusione dei dati GTFS, che rappresentano il primo passo della digitalizzazione nel mondo del trasporto pubblico, attraverso uno dei siti che raccoglie e pubblica i GTFS di tutto il mondo, emergono chiaramente ampie zone del nostro territorio che non dispongono di dati (Figura 1). Basti pensare che l’Italia ha disponibile i dati in soli 63 comuni, e il dato real time GTFS-RT è disponibile in formato open data solo a Torino e Roma. A livello regionale le regioni più virtuose sono Piemonte, Toscana, Marche e Sardegna. Permane tuttavia una grande discrepanza tra le grandi città a discapito di aree rurali o città di piccole dimensioni.

Figura 1: diffusione opendata dei dati GTFS

Parliamone

Quello della diffusione dei GTFS è solo un esempio di come in Italia persista una mancanza di consapevolezza e una resistenza culturale all’adozione degli open data. Questo è dovuto a una combinazione tra la mancanza di conoscenza sui benefici degli open data e una tradizionale riluttanza a condividere informazioni in modo aperto, così come la carenza delle risorse e le competenze tecniche necessarie per implementare e gestire efficacemente sistemi di open data. Questo ci porta infatti ad introdurre il secondo pilastro su cui vorremmo continuare la discussione, anche con l’aiuto di esperti/e e professionisti/e del settore che vorranno parteciparvi: in quale modo le competenze saranno cruciali nel determinare gli impatti dell’AI nel settore dei trasporti? E quali altri ostacoli e opportunità riguardano i dati per lo sviluppo dell’AI a servizio della mobilità?

Come ci piace fare in questi casi, il dibattito è aperto: scriveteci, commentate l’articolo sui nostri social, uniamo le forze: parliamone.