KI-Überwachungssystem DETECTOR zielt darauf ab, Fahrschwindel im U-Bahn-Netz von New York einzudämmen
- Das U-Bahn-System in New York City setzt auf die KI-Überwachungstechnologie „DETECTOR“, um Fahrscheinschwindel zu bekämpfen, indem sie Methoden und Zeiten von Spitzenlasten verfolgt.
- „DETECTOR“ ist darauf ausgelegt, Datenberichte über Fahrscheinschwindel zu erstellen, nicht jedoch, um die Strafverfolgungsbehörden in Echtzeit zu identifizieren oder zu alarmieren.
- Methoden des Fahrscheinschwindels beinhalten das Durchgehen durch Notausgänge, das Überkletten der Drehkreuze, das Unter-durch-Schmuggeln und das sogenannte „Back-Cocking“.
Die New York City Metropolitan Transport Authority (M.T.A.) hat hochmoderne KI-Überwachungstechnologie eingeführt, um Fahrschwindel im U-Bahn-System zu bekämpfen. Das KI-System mit dem Namen „DETECTOR“, entwickelt vom spanischen Softwareunternehmen AWAAIT, wurde bereits in sieben Stationen in der Stadt implementiert. Die M.T.A. plant, die Nutzung bis Ende des Jahres auf zwei Dutzend weitere Stationen auszuweiten. Dieser Schritt erfolgt, nachdem die Behörde im Vorjahr einen erschütternden Verlust von 690 Millionen US-Dollar durch Fahrschwindel erlitten hatte, was sie zu entschlossenem Handeln gegen dieses wachsende Problem veranlasste.
Zweck des KI-Überwachungssystems
DETECTOR wurde ursprünglich für das U-Bahn-Netz von Barcelona entwickelt und hat sich als effektiv bei der Erkennung von Fahrschwindel-Methoden erwiesen. In New York City ist das KI-System in die vorhandene Kamera-Infrastruktur integriert, um Videostreams in Echtzeit zu überwachen und rund um die Uhr Daten zu Fahrschwindel-Mustern bereitzustellen, ohne einzelne Täter zu identifizieren oder Strafverfolgungsbehörden zu unterstützen.
Die M.T.A. betont, dass DETECTOR primär zur Erstellung von Berichten und zur Quantifizierung des Ausmaßes des Fahrschwindels genutzt wird, nicht zur Identifizierung von Tätern oder zur Auslösung von Echtzeit-Warnungen an Strafverfolgungsbehörden. Diese Technologie zielt darauf ab, der M.T.A. zu helfen, die Häufigkeit und Methoden des Fahrschwindels zu messen, sodass sie das Ausmaß des Problems besser verstehen kann.
Verständnis der Fahrschwindel-Methoden
Die Analyse der KI hat faszinierende Einblicke in die von U-Bahn-Fahrgästen verwendeten Fahrschwindel-Methoden geliefert. Die Daten zeigen, dass etwa 50 % des Fahrschwindels darin besteht, dass Personen durch Notausgangstore gehen, 20 % über Drehtürme klettern oder springen, 12 % sich darunter ducken und 16 % eine als „Back-Cocking“ bekannte Methode verwenden, bei der der Drehturm rückwärts gezogen wird, um durch die Lücke zu schlüpfen.
DETECTOR ermöglicht es der M.T.A., Fahrschwindel-Spitzen zu bestimmten Tageszeiten zu überwachen. Ein signifikanter Anstieg tritt gegen 15 bis 16 Uhr auf, was mit den Schulferienzeiten zusammenfällt, während ein kleinerer Anstieg während der morgendlichen Stoßzeit auftritt. Mit diesen Daten kann die M.T.A. gezielte Strategien zur Bewältigung dieser Spitzenzeiten effektiv entwickeln.
Bewältigung der Herausforderungen des Fahrschwindels
Die M.T.A. räumt ein, dass Fahrschwindel eine komplexe Herausforderung darstellt, und hat verschiedene Lösungen zur Bekämpfung des Problems vorgeschlagen. Diese Lösungen reichen von der Verbesserung der Aufklärung von Schülern über die Bedeutung der Fahrgeldzahlung bis hin zur Implementierung neuer Fahrgeldschranken, die ohne Zahlung schwerer zu umgehen sind, was möglicherweise die Notwendigkeit von Notausgangstoren überflüssig macht.
Während AWAAITs KI-System in Barcelona zur Bereitstellung von Fahrschwindel-Warnungen an Kontrolleurinnen und Kontrolleur über eine Smartphone-App genutzt wurde, konzentriert sich der Ansatz der M.T.A. ausschließlich auf die Erstellung von Datenberichten. Das System in New York City sieht keine direkten Echtzeit-Eingriffe durch Kontrolleurinnen und Kontrolleur oder Vollzugsbeamte vor.
Bemühungen der MTA zur Bekämpfung des Fahrschwindels
Die M.T.A. nimmt Fahrschwindel ernst und erkennt die erheblichen finanziellen Auswirkungen auf das Transportsystem an. Durch die Nutzung von KI-Technologie zielt die Behörde darauf ab, bessere Einblicke in das Ausmaß des Problems zu gewinnen, was letztendlich zu gezielteren und effektiveren Lösungen führen wird.
Mit „DETECTOR“, einem KI-gestützten Überwachungssystem, unternimmt die M.T.A. einen großen Schritt zur Bekämpfung des Fahrschwindels im U-Bahn-System von New York City. Die Technologie liefert wertvolle Daten zu Fahrschwindel-Mustern und ermöglicht es der Behörde, gezielte Strategien zur Bekämpfung dieses Problems zu entwickeln. Während das System auf weitere Stationen ausgedehnt wird, hofft die M.T.A., Fahrschwindel einzudämmen und die Gesamteffizienz und Nachhaltigkeit des U-Bahn-Systems zu verbessern.
Lesen Sie nicht nur Krypto-Nachrichten. Verstehen Sie sie. Abonnieren Sie unseren Newsletter. Es ist kostenlos.
Haftungsausschluss: Die bereitgestellten Informationen stellen keine Anlageberatung dar. Cryptopolitan.com übernimmt keine Haftung für Investitionen, die auf der Grundlage der auf dieser Seite bereitgestellten Informationen getätigt werden. Wir empfehlen dringend, vor jeder Anlageentscheidung unabhängige Recherchen durchzuführen und/oder einen qualifizierten Fachmann zu konsultieren.
Glory Kaburu
Glory ist eine äußerst versierte Journalistin, die mit KI-Tools und Forschung bestens vertraut ist. Sie ist leidenschaftlich engagiert für KI und hat mehrere Artikel zu diesem Thema verfasst. Sie hält sich über die neuesten Entwicklungen in künstlicher Intelligenz, maschinellem Lernen und Deep Learning auf dem Laufenden und schreibt regelmäßig darüber.
