… ili kako koristiti AI kao strateški alat.

Puno toga miješamo, pišemo umjetna inteligencija s kraticom UI ili AI po engleskom izričaju. Spadam u one koji kratice pišu na engleskom, a stručan izraz većinom na hrvatskom književnom jeziku. Ovdje ću najčešće koristiti AI.

Doživljaj AI je većinom u (cestovnom) prometu zacementiran kroz autonomna vozila, a na drugom mjestu su svi mogući algoritmi vođenja (gradskog) prometa. Gomila podataka, brzina, trenutak, to je nešto gdje AI pokazuje snagu. Jeli to sve? Možemo li koristiti današnja i buduća AI postignuća i za srednjoročne probleme (izazove) ili čak za dugoročnije strateško planiranje? Odgovorom na pitanje se bavim u ovoj temi.

Temelj mi je knjiga Umjetna inteligencija – Moderan pristup (u fenomenalnom prijevodu gospodina Borisa Debića). Knjiga je bezobrazno (pre)skupa, ali ne vidim načina biti inženjer i ne posjedovati tu knjigu (izvornik ili naš prijevod), ili kao alternativu posjedovati 5 – 6 drugih knjiga koje je mogu zamijeniti.

U ovoj temi je naglasak isključivo na AI pa se moram orijentirati na agentni pristup. Agent (racionalni) je nešto što može percipirati svoju okolinu putem senzora i djelovati na tu okolinu putem aktuatora (efektora). Racionalnost se definira kroz četiri čimbenika PEAS: Performance measure (Mjera uspješnosti), Environment (okolina agenta), Actuators (kojima agent raspolaže), Sensors (kojima prikuplja podatke). I tu sam završio s teorijom, sada idem u maglu svog pogleda na AI u strateškom prometnom planiranju. Knjiga Umjetna inteligencija – Moderan pristup opravdano definira i prepoznaje puno agenata, a ja sam se odlučio na ova četiri.

Budući da govorimo o AI i nekom periodu 10 – 20 godina, onda govorimo i o redovitom korištenju digitalnih blizanaca, odnosno njihove niže razine: modela ili sjene.

U AI rješenju uvijek mora biti buzzword i nešto (d)efektno, zato i moji agenti imaju takva imena:

1. Agent za kalibraciju i ingestiju podataka,
2. Strateški agent populacije,
3. Strateški planerski AI agent,
4. Sustavski agent dizajner mehanizma.

Ingestija podataka je proces prikupljanja, uvoza i prijenosa podataka iz različitih izvora u neki središnji sustav. ICT je to po načelu copy-paste preuzeo iz biologije (ingestija je unošenje hrane u organizam).

Agenti za kalibraciju i ingestiju podataka

Tip agenta (Agent Type): refleksni agent zasnovan na modelu i učenju (Model-Based Reflex & Learning Agent). Agent održava interni model strukture mreže te kontinuirano uči (većinom) skrivene uzorke kretanja iz nestrukturiranih Big Data izvora bez potrebe za ljudskim nadzorom.
Mjera učinkovitosti (Performance Measure): minimizacija razlike između modelirane (prognozirane) prometne potražnje i stvarno izmjerene prometne potražnje. Algoritamski moduli stalno (kontinuirano) generiraju i re-kalibriraju matrice putovanja – OD matrice (origin destination matrix) u bilo kojem trenutku, odnosno kako se to stručno kaže: nad bilo kojim planskim/vremenskim horizontom.
Okruženje (Environment): strateška digitalna sjena koja je izgrađena kroz Big Data: Floating Car Data (FCD) GPS trajektorije, očitanja kamera za automatsko prepoznavanje registarskih tablica (ANPR/ALPR), zapise telekom operatora (CDR – Call Detail Record) i podatke brojila prometa.
Izabrao sam digitalnu sjenu (razinu niže od digitalnog blizanca) jer je dostatna, a držim da u sljedećih 10-tak godina neće (ipak) doći do tolikog proboja tehnologije u sva područja prometa pa ćemo se i dalje više orijentirati na podatke iz same infrastrukture. U svakom slučaju okruženje je opservacijsko, stohastičko, sekvencijalno, dinamičko i kontinuirano – sve kao i digitalna sjena/blizanac.
Aktuatori (Actuators): neki komunikacijski API (Application Programming Interface) koji translatira novu OD matricu u digitalnu sjenu.
Senzori (Sensors): nešto puno bolje i jače od onoga što imamo danas, a danas imamo: Bluetooth/Wi-Fi, FCD GPS prijemnici i ANPR kamere.
Komunikacija (Communications): podatkovne mreže koje će u (bliskoj) budućnosti izgledati puno jače od danas već vrlo moćnih mreža; to je pretpostavka virtualnog okruženja: digitalnog blizanca/sjene.

Kako agent djeluje najbolje pokazati na primjerima. Primjer korištenja agenta u uvjetima neisprekidanog prometnog toka je praćenje teretnih vozila. Kamioni izbjegavaju cestarinu i generiraju neželjeni tranzit na drugim koridorima pa će agent odmah poslati podatke za rekalibraciju matrice putovanja. Nakon 1- 2 godine vidljivo je jesu li rekalibracije učestale ili sporadične. U gradskim uvjetima (isprekidan prometni tok) agent prati određena vozila kako bi rekonstruirao navike putovanje bez potrebe za provođenjem anketa. Ako su navike učestale i sezonski očekivane možemo uočiti (prepoznati) promjene ili ustaljeni obrazac ponašanja.

Strateški agenti populacije

Tip agenta (Agent Type): agent zasnovan na korisnosti i učenju u uvjetima ograničene racionalnosti (Utility-Based & Learning Agent with Bounded Rationality). Agent primjenjuje satisficing (satisfy – zadovoljiti + suffice – biti dovoljno) ponašanje i uči iz iskustva.
Mjera učinkovitosti (Performance Measure): maksimizacija očekivane korisnosti ili dualni problem minimalizacije osobnog troška putovanja (vrijeme putovanja, cestarine, (ne)udobnost, pouzdanost i dr.).
Okruženje (Environment): makroskopska prometna mreža predstavljena usmjerenim grafom u kojem djeluju brojni drugi (sebični) agenti (prvo Wardropovo načelo – korisnički ekvilibrij). Okruženje je kompetitivno, djelomično (u budućnosti i potpuno) nadzirano te manje/više stohastičko.
Aktuatori (Actuators): odabir i izvršenje cjelodnevnih putnih itinerera: izbor vremena polaska, načina prijevoza (načinska razdioba, modal split), te odabir konkretnog slijeda dionica na ruti.
Senzori (Senzori): pametni telefoni, V2X (Vehicle-to-Everything) uređaji u vozilima, sučelja sustava za planiranje ruta (PRG – Predictive Route Guidance) i druge prometne aplikacije
Komunikacija (Communications): V2X protokoli (DSRC/WiFi, 5G …) i(li) interaktivna razmjena poruka s navigacijskim platformama, putem kojih agent šalje svoj odabrani profil strategije u digitalni blizanac.

U vangradskim uvjetima primjer su agenti – vozači koji svakodnevno putuju autocestovnim koridorom i kada zaprime obavijest o incidentu – uskom grlu, (ne) odlučuju se na promjenu itinerera. Agent stvara kognitivni modul za izračunavanje (ne)opravdanosti ostajanja na autocesti ili skretanja na paralelni koridor nižeg reda uz ostvarivanje (potencijalnog ili sigurnog) bonusa sadašnjeg i(li) budućeg besplatnog prolaska.
Kod izvanrednih događaja u gradskim uvjetima, agent prati ponašanje vozača glede usporedbe troška vremena i eksploatacije vozila za ulazak u središte grada u odnosu na obodno Park & Ride parkiralište s besplatnom kartom javnog prijevoza, prati promjene ili ustaljenost ponašanja. Posebno je zanimljivo pratiti kako iz određene adrese (ili dijela mreže) u zimskim i lošim vremenima put započinje automobil, a u sezoni lijepog vremena motocikl.

Strateški planerski AI agenti

Meni je ovo najinteresantniji agent jer bi trebao inženjer(k)e prometa osloboditi građenja prometnih modela, koji znaju na kraju biti upitni zbog nedostatka podataka, a danas im, ruku na srce, malo tko vjeruje. Čim nekome tko odlučuje spomenem prometni model, uvijek se formira poznata ekspresija nepovjerenja (blagog prezira).

Tip agenta (Agent Type): agent zasnovan na ciljevima i korisnosti uz hijerarhijsko planiranje (Goal-Based & Utility-Based Planning Agent). Stručno rečeno, agent izračunava različite scenarije razvoja prometa, uz izbor najboljeg.
Mjera učinkovitosti (Performance Measure): mogu biti različite, od elementarne pristupačnosti u nerazvijenim prometnim sustavima pa do pitanja kvalitete i ekologije u situiranim mrežama. Na nama je odluka hoćemo li (ne) postaviti i granicu investicije.
Okruženje (Environment): malo drugačije od običnog 3D svijeta. Ovdje se radi o strateškim planovima razvoja prostora i prometa, postojećim i planiranim GIS slojevima namjene zemljišta, postojećim i budućim karakteristikama prometnih koridora, odnosno mrežna topologija u horizontu od 10 do 30 godina. Sve to, naravno, vrlo lijepo može se inkorporirati u digitalnu sjenu, ili (još bolje) u digitalni blizanac pa je svaka administrativna, organizacijska i(li) fizička (infrastrukturna) promjena odmah zabilježena.
Aktuatori (Actuators): mogu biti vidljivi: građevinske i organizacijske modifikacije mreže (izgradnja, reorganizacija prometa, ali i nevidljivi: najčešće se radi o ITS uslugama.
Senzori (Sensors): moduli za čitanje atributa digitalne sjene/blizanci, GIS analitički alati i senzorski agregati kao npr. fotogrametrijsko snimanje.
Komunikacija (Communications): društveni i inženjerski s ključnim dionicama prometnog sustava te prijenos predloženih scenarija (mrežnih topologija) digitalnu sjenu/blizanac.

Uzet ću primjere iz cestovnog prometa glede razumljivosti, a način kako agent radi je sljedeći. Prilikom donošenja neke odluke prometne politike agent trenutno analizira mogući novi koridor između dva autocestovna čvora na horizontu vremena (puno) prethodnih godina i aktualnih podataka. Izračunava i pokazuje da bi povezivanje bilo štetno (Braessov paradoks) te umjesto toga predlaže izgradnju ramp-metering na oba čvora uz naznaku trenda zaustavljanja rasta ili rasta autocestovnog prometa. Ako u gradskom prometu kao jedan od ciljeva zadamo manje automobilskog prometa, agent može predložiti zatvaranje nekih ulica jer će se, uz efekt Traffic Evaporation, pokazati u digitalnom modelu/sjeni/blizancu da ostali dio prometne mreže može preuzeti dodatni promet uz određene organizacijske i regulacijske promjene.
Sve brzo i bez pristranosti – čisti podatci i odluke (algoritmi) koje su prihvatili (usuglasili) svi ključni dionici prometnog sustava.

Sustavski agent dizajner mehanizama

Ovo je „najpametniji“ agent, ali i najvažniji, jer pomiruje sve moguće pameti (i gluposti) ovoga svijeta. Unutra možemo natrpati što god hoćemo i što god može netko nametnuti, ali agent određuje pravila i rješenje. Moja vizija je da ovaj agent primjenjuje teoriju mehanizma dizajna (Mechanism Design) radi ostvarivanja drugog Wardropovog načela (System Optimum – SO).
Kako god ga pristrano „namjestili“ on će zaključivati temeljem drugog Wardropovog načela, osim ako namjerno ne napravimo problem. Što znači namjerno napraviti problem? Primjerice, damo agentu krive instrukcije za igranje šaha i onda se čudimo zašto ne igra po pravilima. Ako zadamo uobičajene norme optimizacije premetne mreže (Performance standard) onda ćemo dobiti objektivne pokazatelje i realne (zakonski utemeljene) akcije da se optimizacija (poboljšanje) i provede. Budući je sve to automatski povezao s okolinom (digitalni blizanak), bilo kakve pristranosti i neobjektivnosti svih vrsta su (većinom) isključeni.
Agent ima i Q-LERNING modul čime je zajamčeno („zabetonirano“) ponašanje za ostvarivanje društvene koristi.

Tip agenta (Agent Type): nadzorni učeći agent za dizajn mehanizama (Utility-Based Mechanism Design & Learning Agent). Djeluje na najvišoj hijerarhijskoj razini te upravlja strukturom igre radi usklađivanja individualnih ciljeva s društvenim optimumom.
Mjera učinkovitosti (Performance Measure): minimizacija ukupnog utrošenog vremena svih vozila u mreži (drugo Wardropovo načelo – SO) i(li) drugih pokazatelja učinka (Performance index).
Okruženje (Environment): model teorije igara za cjelokupnu prometnu mrežu u kojem sudionici donose autonomne odluke.
Aktuatori (Actuators): alokacija troškova i benefita uz uvođenje dinamičkih cestarina ili drugih naknada koje se temelje na marginalnom (graničnom) proizvodu.
Senzori (Sensors): senzori digitalne sjene/blizanca koji mjere (prate) odstupanje aktualnog stanja od društvenog optimuma
Komunikacija (Communications): slanje cjenovnih i kreditnih direktiva u navigacijske sustave vozila (prometala) te automatsko ugrađivanje tarifa u ICT infrastrukturu digitalnog blizanca.

Govorimo o (ne)dalekoj budućnosti kada će sve imati cijenu i biti vezano isključivo (i jedino) za novac. Recimo da će prevladavati autonomna vozila i nećemo imati problem sebičnosti pa će trebati rješavati probleme prevelikog broja entiteta u kratkom vremenu na malom prostoru, a to jedino ide novcem putem dodatnih naplata ili poticaja (vaucheri, tokeni, beznovčani vremenski slotovi). Agent omogućuje simulacije i različite scenarije razrješenja problema (de)motivacije korisnika: unaprijed rezervacija vremenskog prozora određenog dijela mreže, mjesečni paket besplatnih tokena, itd..

Kako bi ti agenti radili zajedno u interakciji s okolinom i nama (ključnim dionicima i korisnicima prometnog sustava) pokazuje sljedeća slika.

Još danas (2026. godine) i nešto kratko (eventualno još par godina) metodologije, računalne alate, simulacije, prometne modele i tome slično možemo vrtjeti na papiru ili „u prazno“. AI je živi mehanizam, a taj mehanizam je digitalna sjena/blizanac. Na kraju, koji je smisao postojanja ovakvih AI agenata koji se „napajaju“ bilijunima (meta)podataka, a onda neće komunicirati s okolinom!?

Temelj je digitalni (prometni) model: infrastruktura, oprema, urbaniteti, obavezno demografski i prostorni atributi. Digitalni prometni model je conditio sine qua non ikakvog razvoja AI u prometu. U Hrvatskoj većinom urbani prostori, ali sve više i vangradske prometnice imaju video sustave koji imaju stvarnu ili moguću nadzornu i senzornu ulogu. Upravo ti senzori transformiraju model u sjenu. Bit će dostupni brojni kvalitetni i raznovrsni podatci: prometni senzori svih vrsta , IoT, podatci iz vozila i mobitela, Floating Car Data, vjerojatno će netko biti u sustavu Living Lab, …, što će digitalni model transformirati u „živi organizam“, odnosno (digitalnu sjenu), a to je raj za sve (ne)poznate i (ne)postojeće modele strojnog učenja. Mi ćemo se služiti hibridnim digitalnim blizancem, nečime što povezuje znanstvene zakone i terenske podatke; primjerice modifikacija modela teorije prometnog toka pomoću terenskih podataka u realan operativni (izvršni) model. Nećemo komplicirati temu, definicija digitalnog blizanca je dovoljna za ovu razinu promišljanja.

Aktivacija ovakvih ili sličnih AI agenata čini konačnu preobrazbu sjene u digitalnog blizanca. Nisam puno promišljao, mogu li se isti AI agenti koristiti za sve razine upravljanja: operativna, taktička, strateška. Tema je isključivo strateška razina, a čitatelj(ica) može sam dokučiti o (ne)mogućnosti svestranije primjene.
Inženjerski rečeno:

• digitalni model je temelj, obično se radi o topološkom grafu s mnogim atributima. Ono što već danas prisutno kod nekih gradova je uklapanje prometnog digitalnog blizanca u cijelu topologiju prostora;
• digitalna sjena je korak naprijed gdje se putem različitih podataka (senzora) s terena „oživljava“ digitalni model, a tu već itekako danas koristimo AI tekovine; spomenuo sam strojno učenje (Inverse Reinforcement Learning) za rekalibraciju OD matrica;
• digitalni blizanac zamjenjuje grupu vrlo pametnih, ali i pristranih ljudi – od predlaganja i definicije parametara matematičke igre (dizajn mehanizma) pa do odabira alternativa (scenarija razvoja) – održivih (prihvatljivih) alternativnih budućnosti.

Trebamo li se bojati? Nimalo, barem dok je imalo pameti s naše strane jer je human in the loop ključan (stožerni) čimbenik svake AI kreacije.

Budući sam inženjer prometa dat ću konkretan primjer što će se promijeniti (na bolje) za nas. Kada kreiramo kalibrirani 4-stupanjski prometni model jako smo sretni jer to je nešto vjerodostojno što nam pokazuje gdje smo (i kako smo došli do toga) te kuda (ne) možemo ili (ne ) želimo otići.
Ovdje prikazani AI agenti su u petlji, obrađuju atomizirane podatke, a ne reprezentante prometne zone ili anketne grupe, uzimaju u obzir ljudske nesavršenosti, teže prema sustavskom optimumu (SO), otkrivaju i upozoravaju na moguće (buduće) nesavršenosti – paradokse. Razlike su prikazane u tablici.

	Klasičan pristup	AI podrška
Odlučivanje	Statički 4-stupanjski prometni model s racionalnim korisnicima	Ograničena racionalnost s Inverse Reinforcement Learning
Matematička podloga	Infinitezimalni račun	Sinteza infinitezimalnog računa i Rosenthalove igra zagušenja
Arhitektura	Statička otvorena upravljačka petlja	Zatvorena (feedback) petlja stvarnog svijeta, digitalne sjene i blizanca
Podatci	Senzori, ankete, prometne zone	Atomizirani podatci putem FCD, GPS, ANPR, CDR
Utjecaj	Pasivan	Preddetekcija prometnih paradoksa i ostaih negativnosti
Integracija	Izolirani planovi, većinom bez sinergije	Interoperabilna mreža sučelja

Tablica pokazuje da razlika i nije tako velika, ali semantička razlika riječi upućuje na drastičnu razliku, na koju se već moramo danas pripremati.

Ovo je moj misaoni pokus (eksperiment) kako bi mogli (ili ćemo) koristiti AI u strateškom (dugoročnom) promišljanju. Koliko sam siguran u ovo? Poprilično jer su već puno pametniji ljudi jednostavno objasnili što je AI. Računala su nam donijela gotovo besplatno računanje, a AU nam donosi besplatno predviđanje. I zašto ne iskoristiti?!