evidoria

← Voltar à navegação

Boa prática Importada

Projeto-piloto de IA de San José para Condições Rodoviárias — Deteção de Buracos com 97% de Precisão a partir de Câmaras em Veículos Municipais

Estados Unidos da América · San José · Ver o perfil de Estados Unidos da América · Ver o perfil de San José

Evidência: Descritivo / autorreportado Top 24% 73/100 · Pergunte a Evidence Copilot sobre esta prática

San José instalou câmaras com IA em veículos municipais para detetar automaticamente buracos e detritos na via pública, alcançando 97% de precisão na deteção de buracos e 88% na de detritos, e está agora a alargar o piloto a varredoras municipais com financiamento da Toyota Mobility Foundation.

97 %
Precisão de deteção de buracos (2023-2025)
88 %
Precisão de deteção de lixo/detritos (2023-2025)

Detalhes

Maturidade
Piloto
Promotor
City of San José (Information Technology Department & Transportation Department)
Período
2023–2025
Palavras-chave
transportation, public works, computer vision, local government IT

Contexto

O Departamento de Tecnologias de Informação de San José, em conjunto com o Departamento de Transportes, lançou em dezembro de 2023 o projeto-piloto Road Safety Conditions para testar se modelos de IA a funcionar em câmaras instaladas em veículos municipais conseguiam detetar automaticamente perigos na via, como buracos, detritos e obstruções em ciclovias e passeios.

Objetivos

O piloto visava detetar automaticamente perigos na via a partir de imagens já recolhidas por veículos que circulam nas rotas municipais, evitando o custo de veículos de inspeção dedicados.

Atividades

O equipamento de deteção foi instalado em varredoras de rua e, numa fase posterior, em veículos de fiscalização de estacionamento que já faziam as suas rondas normais. San José é membro fundador da GovAI Coalition, uma rede de governos locais e estaduais (incluindo jurisdições na Califórnia, Minnesota, Oregon, Texas, Washington e Colorado) que partilham ferramentas de IA e, eventualmente, dados de treino, pelo que um padrão de defeito aprendido numa cidade pode, em princípio, melhorar a deteção noutra. Uma segunda fase, parcialmente financiada por uma bolsa da Toyota Mobility Foundation, está a alargar a cobertura das câmaras de um único distrito para uma área de estudo mais vasta.

Resultados

Os funcionários municipais publicaram resultados que mostram que o sistema identificou buracos com 97% de precisão e lixo ou detritos com 88% de precisão, com base em imagens recolhidas por veículos que já circulavam nas rotas municipais.

Conclusões

Os valores publicados são resultados do piloto reportados pelo município, e não uma auditoria independente de terceiros, e o programa ainda não reportou reduções sistemáticas, antes/depois, nos atrasos de reparação ou nos custos — uma lacuna importante para futuras avaliações.

Implementação

Custo indicativo
Baixo (< 50 mil €) — Camera hardware mounted on existing city vehicles; phase 2 partly funded by a Toyota Mobility Foundation grant. Total cost not disclosed.
Tempo até resultados
Curto (< 1 ano) — Launched December 2023; phase 2 expansion under way as of the source reporting (2023-2025).
Equipa e competências
City of San Jose Information Technology Department, City of San Jose Transportation Department

Condições de sucesso

  • Piggybacking detection hardware on vehicles already in service (street sweepers, later parking-enforcement vehicles) to avoid dedicated survey fleets
  • GovAI Coalition membership enabling shared AI tools and eventual shared training data across jurisdictions
  • External grant funding (Toyota Mobility Foundation) for phase 2 expansion

Modos de falha comuns

  • Accuracy figures are city-reported, not independently audited
  • No systematic before/after reduction in repair backlogs or costs reported yet

Onde se enquadra

Tipo de governação
US municipal government
Escala
single-district pilot expanding city-wide
Nível de rendimento
high income

Implementa esta prática? Reivindique-a — implementadores verificados obtêm um contacto público na página e podem propor correções.

Fontes de dados

De onde foi obtida a informação desta prática, e quando.

Práticas semelhantes que podem ser úteis