ایمن‌ترین راه برای قدم زدن به خانه در شب چیست؟ ما برنامه‌ای هوش‌مصنوعی ساخته‌ایم که برای شما نشان می‌دهد

نویسنده

ایلیا ایلیانکو، دانشجوی دوره دکترا در SpaceTimeLab، دانشگاه UCL

بیانیه افشای اطلاعات

ایلیا ایلیانکو دریافت‌کننده بودجهٔ دکترا از شورای مهندسی و علوم فیزیکی (Engineering and Physical Sciences Research Council) و Ordnance Survey است. او هم‌بنیان‌گذار و مدیر فناوری (CTO) شرکت Safest Way، یک استارت‑اپ حمایت‌شده توسط برنامه شتاب‌دهنده Geovation سازمان Ordnance Survey است. این مقاله به‌همراه Prototypes for Humanity، یک ابتکار جهانی که نوآوری‌های علمی را برای حل چالش‌های اجتماعی و زیست‌محیطی به نمایش می‌گذارد و تسریع می‌کند، سفارش شده است. The Conversation شریک رسانه‌ای Prototypes for Humanity 2025 است.

شرکای

دانشگاه کالج لندن به‌عنوان شریک بنیادین The Conversation UK، تأمین مالی می‌کند.

شناسهٔ دیجیتال (DOI)

https://doi.org/10.64628/AB.xd3cshuxy

در شهر تاریخی پر دیوار دِری (که به لندوندرری نیز شناخته می‌شود) در شمال ایرلند، اقتصاد شبانه پر رونق است. اما همانند بسیاری از مراکز شهری، چالش‌های ایمنی برای کسانی که می‌خواهند به خانه برسند، ایجاد می‌کند. در شب، یک گروه داوطلبی به نام Inner City Assistance Team (iCat) اغلب خیابان‌ها را گشت می‌زند و در مواقعی که افراد احساس آسیب‌پذیری می‌کنند، مداخله می‌کند؛ چه به دلیل مستی، مشکلات روانی یا صرفاً تنها بودن در مناطق تاریک یا ناشناس.

به‌تازگی در این شهر، iCat برنامه Safest Way را معرفی کرد؛ این برنامه ناوبری عابر پیاده‌ای است که من به‌عنوان بخشی از پژوهش دکتری‌ام در UCL توسعه دادم. این برنامه از فناوری هوش مصنوعی استفاده می‌کند تا مسیرهایی نه تنها سریع‌تر بلکه ایمن‌تر برای کاربران هنگام قدم‌زدن به مقصد یا بازگشت از آن نشان دهد – برای مثال، ایمن‌ترین مسیر به خانه پس از یک شب‌نشینی.

نیاز به چنین مداخلاتی ریشه در اختلاف واضح در تجربه ایمنی شهری بین زنان و مردان دارد.

تحقیقات دفتر آمار ملی در سال ۲۰۲۲ نشان داد که ۸۲٪ از زنان احساس ناامنی می‌کنند هنگام قدم زدن به تنهایی در پارک‌ها یا فضاهای باز پس از تاریکی، در مقایسه با ۴۲٪ مردان. همچنین ۶۳٪ از زنان فعالانه از سفرهای تک‌نفره در شب اجتناب می‌کنند، در مقابل ۳۴٪ مردان.

نظرسنجی‌ای توسط Plan International UK در سال ۲۰۲۴ نشان داد که نزدیک به سه‌چهارم دختران و زنان جوان (سنین ۱۴ تا ۲۱) گاهی مسیرهای طولانی‌تری به خانه انتخاب می‌کنند تا از خطر احتمالی عبور کنند، و تقریباً دو‑سومی حداقل یک بار در ماه با تاکسی به خانه می‌روند به‌دلیل ریسک‌های مرتبط با حمل‌ونقل عمومی یا پیاده‌روی.

این ترس‌ها واکنش مستقیم به محیط ساخته‌شده است؛ پژوهش‌ها نشان می‌دهند که عواملی مانند روشنایی خیابان و وضعیت پیاده‌روها از عوامل کلیدی احساس ایمنی زنان هستند. روشنایی معمولاً عامل تصمیم‌گیری است: ۶۰٪ از زنانی که احساس ناامنی در حرکت به و از وسایل نقلیه عمومی می‌کنند، نور ناکافی را به عنوان دلیل اصلی ذکر می‌کنند.

پر کردن خلأ داده‌ای

به‌طول دهه‌ها، عابران شهری مانند وسایل نقلیه در نظر گرفته شدند، به‌طوری که ابزارهای نقشه‌برداری مسیرها را بر پایه یک معیار — زمان سفر — بهینه‌سازی می‌کنند، در حالی که یک کوچه‌ی تاریک و یک خیابان اصلی را اگر فاصله‌یشان یکسان باشد، یکسان می‌پذیرند. مسئله‌ی احساس ایمنی تا حد زیادی توسط این فناوری نادیده گرفته شده است.

یکی از دلایل این موضوع فقدان داده‌های یک‌شبه است. در حالی که مقامات محلی و نیروی پلیس مقدار زیادی اطلاعات در مورد روشنایی خیابان‌ها، مکان دوربین‌های مداربسته و حوادث جرمی جمع‌آوری می‌کنند، این داده‌ها معمولاً به‌صورت پخش‑پذیری، ناسازگار یا به‌صورت PDFهای ثابت محصور می‌شوند.

برای پر کردن این خلأ، تیم من و من یک لولهٔ داده‌ای توسعه دادیم تا این منابع و سایر منابع را گردآوری کنیم. در لندن، این کار مستلزم ارسال ده‌ها درخواست آزادی اطلاعات به شوراهای محلی برای به‌دست آوردن داده‌های دقیق جغرافیایی بیش از نیم میلیون لامپ خیابانی و هزاران دوربین مداربسته عمومی بود. نقشهٔ روشنایی ما در مسابقهٔ تجسم داده‌های UCL ۲۰۲۵ جایزهٔ اول را به‌دست آورد.

سپس این اطلاعات را با داده‌های رسمی جرائم پلیس، ویژگی‌های شهری مانند مکان پارک‌ها، مناطق صنعتی و ساختمان‌های فرسوده، به‌علاوه داده‌های منبع باز Mapillary و OpenStreetMap ترکیب کردیم تا به هر بخش خیابانی «امتیاز ایمنی» اختصاص دهیم.

حتی پس از آن، داده‌های عینی فقط نیمی از تصویر را تشکیل می‌دهند. ایمنی ادراک‌شده — احساس ایمنی یک خیابان برای کسی که در حال قدم زدن است — برای انتخاب مسیرهایشان حیاتی است. برای مدلسازی این امر در مقیاس بزرگ، به هوش مصنوعی روی آوردیم: به‌طور خاص، مدل دید‑زبان OpenAI به نام Clip (Contrastive Language‑Image Pre‑Training).

بر خلاف بینایی ماشین سنتی که اشیای گسسته‌ای مانند چراغ‌های خیابان را شناسایی می‌کند، Clip (و مدل‌های مشابه دید‑زبان) معنای معنایی یک صحنه کامل را رمزگذاری می‌کند — هم داده‌های تصویری و هم متنی که کاربران ارائه می‌دهند را به بردارهای ریاضی تبدیل می‌کند.

طبقه‌بندی نظرات ذهنی نظیر «احساس ایمنی» یا «کمی خطرناک» همچنان یک حوزه تحقیقاتی در حال پیشرفت است. اما در مطالعهٔ ۲۰۲۵ ما، همبستگی بالایی بین نحوهٔ درک ایمنی توسط هوش مصنوعی و آزمون‌کنندگان انسانی بر پایه ۵۰۰ عکس از بخش‌های خیابانی لندن مشاهده شد.

در حالی که امروزه قصد داریم این روش را برای مدل‌سازی ایمنی شهری بر روی میلیون‌ها خیابان در بریتانیا و فراتر از آن مقیاس‌بندی کنیم، اما نسبت به محدودیت‌ها واقع‌بین هستیم. داده‌های گذشتهٔ جرائم و طراحی شهری می‌توانند انتخاب‌های ایمن‌تر را راهنمایی کنند، اما نمی‌توانند حوادث فردی را پیش‌بینی کنند. مدل ما برای پشتیبانی از تصمیم‌گیری طراحی شده است، نه تضمین ایمنی، و باید در کنار تلاش‌های گسترده‌تر مراکز، شوراها و پلیس برای ایمن‌تر کردن خیابان‌های شبانه باشد.

پذیرش اولیه در دِری

از زمان راه‌اندازی نسخهٔ بتای برنامه Safest Way، این برنامه توسط حدود ۱٬۰۰۰ کاربر، عمدتاً در لندن و دِری، که در آن بیشتر زیرساخت‌های ایمنی به‌طور کامل نقشه‌برداری شده‌اند، مورد استفاده قرار گرفته است.

هماهنگی راه‌اندازی در دِری از راه دور یک چالش بود. یکی از اعضای تیم Safest Way در اوایل سال ۲۰۲۵ به شهر سفر کرد تا به‌صورت مستقیم با منظرهٔ سیاسی پیچیدهٔ آن آشنا شود. اما موفقیت این پروژهٔ آزمایشی عمدتاً به‌دلیل مشارکت شرکای ما، iCat، ممکن شد.

هم‌بنیان‌گذار این گروه داوطلب، استفن هنری، به Irish News گفت که ایدهٔ آوردن این برنامه به شهر پس از برخی حملات به زنان در سال ۲۰۲۴ شکل گرفته بود.

این گروه اکنون زیراندازهای نوشیدنی با لوگوی Safest Way و کدهای QR را در پاب‌های محلی توزیع می‌کند. هنری می‌گوید: «ما همچنین به کارمندان توصیه می‌کنیم تا برنامه را دانلود کنند، زیرا آن‌ها اغلب تا ساعت ۳ بامداد یا دیرتر از مکان کار خود خارج نمی‌شوند.»

پس از نمایش اخیر فناوری‌مان در کنفرانس Prototypes for Humanity در دبی، اکنون در حال گسترش پوشش داده‌های برنامه هستیم — از روشنایی خیابان‌ها تا درک ایمنی مدل‌سازی‌شده توسط هوش مصنوعی — تا تمام انگلستان و سپس سایر نقاط بریتانیا را شامل شود. هدف ما پر کردن خلأ اطلاعاتی است که در حال حاضر گروه‌های آسیب‌پذیر را مجبور به پرداخت «مالیات ایمنی» می‌کند.

در دِری، این فناوری پیش از این لایهٔ دیجیتال حفاظتی فراهم کرده است که حضور فیزیکی داوطلبان را تکمیل می‌کند. با گنجاندن این تکنولوژی در آموزش‌های آسیب‌پذیری برای کارکنان امنیتی و استفاده از آن در گشت‌های خود، iCat از کمک واکنشی به کاهش خطر پیشگیرانه پیش می‌رود.

این مقاله به‌همراه Prototypes for Humanity، یک ابتکار جهانی که نوآوری‌های علمی را به نمایش می‌گذارد و تسریع می‌کند تا چالش‌های اجتماعی و محیط‌زیستی را حل کند، سفارش شده است. The Conversation شریک رسانه‌ای Prototypes for Humanity 2025 است.