كاميرات الذكاء الاصطناعي على الحافلات أصدرت 375 ألف مخالفة — فأين الأثر؟

تخيّل أن الذكاء الاصطناعي لديك يكتشف أخطاء المستخدمين ببراعة، وأن أجره يُدفع عن كل خطأ يكتشفه. المبيعات تنمو، والتقارير تسرّ العميل. لكن المستخدمين يواصلون الخطأ، والمشكلة الأصلية باقية. تقدّم الكاميرات على حافلات المدارس الأمريكية مثالًا ملموسًا على فخ المنتجات هذا: نجحت أتمتة رصد السلوك الخطر، لكن إثبات تحسّن السلامة تبيّن أنه أصعب.

في مقاطعة مونتغمري بولاية ماريلاند، جمع البرنامج أكثر من 375 ألف مخالفة بقيمة 92 مليون دولار. وهذا مبلغ المطالبات الصادرة، ولا يمكن اعتباره أموالًا محصّلة أو إيرادات للمورّد. ووفق تحقيق Bloomberg Businessweek وType Investigations المنشور في أبريل 2026، انخفضت المخالفات انخفاضًا طفيفًا، ولم يجد الصحفيون أدلة على تراجع عدد التصادمات قرب الحافلات المتوقفة.

كيف تحوّل الكاميرا التجاوز إلى قضية لدى الشرطة

المهمة واضحة: توقفت الحافلة وأضاءت الأضواء الحمراء وفتحت لافتة التوقف الجانبية، ومرّت سيارة بجانبها. تسجّل الكاميرات الواقعة ولوحة السيارة. ثم تبدأ عملية لا يشكّل التعرّف فيها سوى مرحلة واحدة.

تصف منطقة أlentاون التعليمية المخطط كما يلي: يُحفظ الفيديو مع الإحداثيات والوقت على المسجّل المثبّت في الحافلة، ثم يُرسل عبر اتصال آمن إلى السحابة. يقوم الذكاء الاصطناعي بتصفية المواد، ويراجع متخصص المخالفة المفترضة ويجمع الأدلة. وتدرس الشرطة الملف وتقرر ما إذا كانت سترسل إشعارًا إلى مالك السيارة.

مثلًا، تظهر في التسجيل سيارة تعبر المنطقة المجاورة للحافلة. لا يكفي التعرّف على اللوحة: يحتاج المراجِع إلى تسلسل الأحداث وحالة الإشارات وموقع السيارة والوضع المروري. لذلك تعتمد جودة المنتج على النموذج وعلى اكتمال التسجيل وعلى الوقت الذي يستطيع الإنسان تخصيصه للمراجعة. أتمتة الانتقاء لا تُغني عن التدقيق في الحالات الخلافية.

حين ينمو العمل مع نمو المشكلة

يشرح المورّد BusPatrol نموذجه المالي ببساطة: تغطي الشركة تركيب المعدات وتشغيلها من عائدات الغرامات. ويحصل العميل على النظام دون شراء أولي للكاميرات. وهذا عرض جذاب لبلدية ذات ميزانية محدودة.

غير أن هذا الترتيب يخلق تضاربًا في الحوافز. فإذا اختفت حالات التجاوز الخطرة، تقلّص مصدر الدفع. وهذا لا يثبت تضخيمًا متعمدًا لعدد المخالفات، لكنه يستوجب التحقق من النتيجة للسكان بشكل منفصل. فنمو العائدات في ذاته لا يقول شيئًا عن مدى ازدياد أمان صعود الأطفال ونزولهم.

من المفيد هنا الفصل بين ثلاثة مؤشرات: كم حالة رصدها النظام، وكم مخالفة أكدها المراجعون، وكيف تغيّر الخطر على الطريق. الأول يصف حجم العمل، والثاني يساعد على تقييم جودة الانتقاء، والثالث يجيب عن الوعد المقدَّم للعميل. ومن السهل جدًا استبدال الأخير بالأولين، خاصة حين يكونان هما ما يؤمّن التدفق المالي.

ومن ذلك تنتج مهمة محددة للمطوّر: حفظ أسس القرار وإمكانية إعادة بناء الواقعة كاملة. وللمدير المنتج: الاتفاق مسبقًا على ما سيُعدّ نجاحًا بعد عام. مثلًا، تراجع حالات التجاوز الخطرة مع عدد مماثل من توقفات الحافلات، إضافة إلى تكلفة المراجعة ونسبة القرارات الملغاة. هذه معايير تقييم مقترحة، وليست نتائج منشورة للبرنامج.

لماذا لا تثبت 19 حالة لـ Waymo شيئًا دون المقام

في المنشور الأصلي تُقارن مخالفات السائقين العاديين بـ 19 واقعة تخص Waymo. أفادت NPR بأن هذا هو عدد الحالات التي وثّقتها منطقة أوستن التعليمية. وقد بدأ التحقيق الفيدرالي بعد بلاغ عن واقعة منفردة؛ ومن غير الدقيق ربط بدايته بالرقم 19 تحديدًا.

تلفت المقارنة الانتباه، لكن الاستنتاج بشأن السلامة يتطلب فترات وظروفًا متماثلة وعددًا متساويًا من مصادفات الحافلات المتوقفة. مئات الآلاف من المخالفات بحق البشر لا تبرر خطأ المركبة ذاتية القيادة. وغياب انخفاض مثبت في الحوادث لا يعني أن الكاميرات عديمة الفائدة: المطلوب تقدير ملائم للأثر.

والخلاصة العملية لفريق منتج الذكاء الاصطناعي بسيطة: قبل التوسع، تحقق مما إذا كانت إيراداتك مرتبطة بحل مشكلة العميل. وإلا فقد تبني خدمة ناجحة تحتاج، كي تواصل النمو، إلى بقاء المشكلة.