Naukowcy zaproponowali system AI do oceny bezpieczeństwa przejść kolejowych poprzez analizę obrazów i danych z historycznych wypadków. Podejście multi-modalne łączy wskazówki wizualne z raportem wypadków, aby dostarczyć oceny bezpieczeństwa wyrównane z opinią ekspertów i standardami Federalnej Administracji Kolei (FRA). System wykorzystuje kompaktny model wizyjno-językowy (VLM), który po procesie fine-tuning'u osiąga impresjonujące wyniki: identyfikuje przejścia wysokiego i niskiego ryzyka z wynikiem makro F1 0.757 i szacuje oceny bezpieczeństwa FRA z błędem średniokwadratowym (RMSE) 0.078 oraz korelacją 0.492.
Opracowana architektura stanowi proof-of-concept dla bardziej złożonego systemu oceny infrastruktury. Kluczowym wyzwaniem badawczym była integracja różnych typów danych - od obrazów przejść po strukturalne informacje z oficjalnych raportów wypadków - w ujednoliconą analitykę. Zespół eksplorował różne paradygmaty uczenia maszynowego, aby zbilansować dokładność z efektywności obliczeniową.
Taki system ma praktyczne znaczenie dla bezpieczeństwa publicznego, umożliwiając automatyczną identyfikację przejść wymagających interwencji lub modernizacji. Jakościowe wyniki wyrównują się z ocenami ekspertów domeny, co sugeruje, że podejście AI może wspomóc procesy decyzyjne dotyczące alokacji zasobów bezpieczeństwa w sieci kolejowej.