Az ember-a-hurokban (HITL) ellenőrzés az automatizált vizsgálatok során egy olyan eljárás, amely egyesíti az AI-alapú hibafelismerő modelleket a megjelölt anomáliák kötelező emberi felülvizsgálatával. Az AI-algoritmus feldolgozza a felvételeket, és megbízhatósági pontszámokat rendel a detektált hibákhoz, az alacsony megbízhatóságú észleléseket pedig képzett ellenőrökhöz irányítja végleges döntéshozatalra. Ez a részben automatizált munkafolyamat a jelenlegi legjobb gyakorlat a kritikus biztonsági infrastruktúra – hidak, burkolatok, futópályák és repülőtéri létesítmények – ellenőrzésében.
Ember-a-hurokban (HITL) egy architekturális paradigma részben automatizált rendszerek számára, amelyben egy gépi tanulási modell elvégzi az adatok kezdeti feldolgozását, majd egy emberi kezelő felülvizsgálja, validálja vagy korrigálja a modell kimeneteit, mielőtt azokat véglegesként elfogadnák. Az infrastruktúra-ellenőrzés kontextusában a HITL kifejezetten azokra a munkafolyamatokra utal, ahol egy AI-alapú hibafelismerő algoritmus feldolgozza hidak, burkolatok, futópályák vagy repülőtéri létesítmények nagy felbontású felvételeit, megbízhatósági pontszámokat rendel minden egyes észlelt anomáliához, majd az alacsony megbízhatóságú vagy bizonytalan észleléseket egy képzett ellenőrhöz irányítja kézi döntéshozatalra.
A HITL alapvető indoklása az ellenőrzésben a jelenlegi számítógépes látásmodellek kritikus biztonsági környezetben történő alkalmazásának veleszületett korlátaiból fakad. A mélytanuló modellek, beleértve a konvolúciós neurális hálózatokat (CNN) és a látástranszformereket, nagy pontosságot érnek el a benchmark adatkészleteken, de kiszámíthatatlanul hibázhatnak határesetekben – szokatlan fényviszonyok, újszerű repedésmorfológiák, hibamintázatokat utánzó felületi szennyeződések vagy növényzetből és törmelékből adódó takarások esetén. Egy 2024-es, a Michigani Állami Egyetem által végzett tanulmány, amely hét multimodális nagyméretű nyelvi modellt értékelt burkolatállapot-felmérésre, megállapította, hogy bár az olyan modellek, mint a GPT-4o, erős teljesítményt nyújtottak a szabványos hibafelismerésben, minden modell változékonyságot mutatott a térbeli mintázatok felismerésében és a súlyosságértékelési feladatokban, amelyek kontextuális megértést igényelnek. A HITL architektúra elismeri, hogy olyan infrastruktúra-elemek esetében, ahol a meghibásodás katasztrofális következményekkel járhat, a gépi hatékonyságnak alá kell rendelődnie az emberi ítélőképességnek a végső döntés pontján.
A HITL megközelítés az elszámoltathatósági hiányosságot is kezeli, amely akkor merül fel, ha a döntéseket teljes egészében algoritmusok hozzák. A szabályozott iparágakban – repülés, közúti infrastruktúra, nukleáris létesítmények – az ellenőrzési jelentéseket egy minősített szakembernek kell aláírnia, aki jogi felelősséget visel a megállapításokért. Az Európai Unió Repülésbiztonsági Ügynöksége (EASA) az AI ütemterve alapján iránymutatást adott ki, amely szerint a magas kockázatú AI alkalmazásoknak a légijármű-karbantartásban „értelmes emberi felügyeletet" kell tartalmazniuk, „a döntések felülbírálásának vagy megváltoztatásának képességével". Hasonlóképpen, az amerikai Szövetségi Közútkezelési Hatóság (FHWA) Nemzeti Hídellenőrzési Szabványai (NBIS) előírják, hogy a híd állapotbesorolását egy meghatározott képesítési kritériumoknak megfelelő csapatvezetőnek kell megadnia, ami olyan követelmény, amely nem ruházható át szoftverre.
A National Academies 2024-es jelentése az AI alkalmazásokról az automatikus burkolatállapot-értékelésben hangsúlyozta, hogy „az automatizált hibafelismerési eredmények emberi verifikációja elengedhetetlen az adatminőség fenntartásához és annak biztosításához, hogy a karbantartási döntések megbízható értékeléseken alapuljanak." A jelentés dokumentálta, hogy azok az ügynökségek, amelyek teljesen automatizált burkolatértékelést alkalmaztak emberi felülvizsgálat nélkül, 15–25%-os hibaráttal szembesültek a közepes súlyosságú repedések esetében, szemben a 3–8%-kal, amikor az ember felülvizsgálta az AI kimeneteit.
A szabványos HITL architektúra az infrastruktúra-ellenőrzésben egy strukturált ötlépcsős csővezetéket követ, amely a nyers érzékelőadatokat ellenőrzött állapotfelméréssé alakítja. Minden szakasznak meghatározott technikai követelményei és minőségellenőrzési pontjai vannak.
Nagy felbontású felvételek készülnek pilóta nélküli légijárművekkel (UAV), vonalmenti kamerákkal felszerelt ellenőrző járművekkel vagy tartószerkezetekre szerelt rögzített kamerákkal. Hídellenőrzések esetén egy tipikus UAV-misszió 5 000–10 000 képet gyűjt 20–50 megapixeles felbontásban, 0,5–2 mm/pixel talajmintavételi távolsággal (GSD). Burkolatfelmérésekhez speciális járművek folyamatos felvételeket készítenek autópálya-sebességnél, több szinkronizált kamerával, 4 méteres sávszélességet lefedve. Az adatgyűjtési szakasznak szigorú minőségellenőrzést kell tartalmaznia – életlenség-detektálás, expozíció-validálás és geotérbeli címkézés ellenőrzése –, mert a downstream AI teljesítményét a bemeneti minőség korlátozza.
A begyűjtött felvételeket egy mélytanuló következtető motor dolgozza fel, amely jellemzően egy CNN architektúrán alapul, mint például a YOLOv8, a Faster R-CNN vagy egy U-Net variáns szemantikus szegmentációhoz. A modell pixelszintű vagy határolókeretes észlelését végzi előre meghatározott hibakategóriáknak. Hídellenőrzés esetén ezek a kategóriák jellemzően repedéseket (keresztirányú, hosszanti, átlós, hálós repedés), kagylósodást, rétegleválást, korróziós elszíneződést, szabaddá vált vasalást és hézagsérüléseket foglalnak magukban. Burkolatellenőrzés esetén a kategóriák közé tartozik a fáradásos repedés, tömbrepedés, szélső repedés, nyomvályúsodás, felületi kopás, kátyúk és foltozások.
Minden észlelést megbízhatósági pontszám kísér, amely 0,0 és 1,0 közötti tartományban mozog, és a modell becslését jelenti arról, hogy az észlelés mennyire valószínűleg valódi pozitív. A következtető motor metaadatokat is kiad, beleértve az észlelés koordinátáit képtérben, a hiba méreteit pixelekben (vagy fizikai egységekben, ha kalibrációs adatok állnak rendelkezésre) és az osztályozási címkét.
Az AI kimeneteit egy útválasztó modul dolgozza fel, amely konfigurálható megbízhatósági küszöbértékeket alkalmaz az észlelések osztályozására. Az útválasztó logika jellemzően kétküszöbös rendszert használ:
| Megbízhatósági tartomány | Útválasztási döntés | Indoklás |
|---|---|---|
| 0,95 – 1,00 | Automatikus elfogadás | Magas megbízhatóságú valódi pozitívok; minimális hamis pozitív kockázat |
| 0,50 – 0,95 | Emberi felülvizsgálatra irányítás | Bizonytalan észlelések, amelyek szakértői ítélőképességet igényelnek |
| 0,00 – 0,50 | Automatikus elutasítás | Magas megbízhatóságú hamis pozitívok; zajként kiszűrve |
A küszöbértékek helyspecifikusak és állíthatók. Egy repedésre kritikus szerkezeti elem (FCM) hídellenőrzése esetén a felülvizsgálati küszöb 0,70-re csökkenthető, hogy minden potenciálisan jelentős hiba emberi felülvizsgálatra kerüljön. Egy kis forgalmú vidéki út burkolatfelmérése esetén a küszöb 0,90-re emelhető, elfogadva egy kissé magasabb hamis negatív arányt a csökkentett felülvizsgálati terhelés fejében.
A megjelölt észleléseket egy képzett ellenőr számára egy speciális felülvizsgálati felületen jelenítik meg. A felület jellemzően megjeleníti az észlelt hibát az AI által generált határolókerettel vagy szegmentációs átfedéssel, a megbízhatósági pontszámot, a hiba osztályozását és kontextuális információkat, mint például az eszközazonosítót (hídszám, burkolati szakasz), a helykoordinátákat és a rendelkezésre álló történeti ellenőrzési adatokat.
Az ellenőr három lehetséges műveletet hajthat végre minden megjelölt észlelésnél:
A modern felülvizsgálati felületek billentyűparancsokat és kötegelt műveleteket tartalmaznak a felülvizsgálati folyamat felgyorsítására. Egy tapasztalt ellenőr óránként 200–500 megjelölt hibát képes felülvizsgálni, a hibasűrűségtől és a kép összetettségétől függően. A felülvizsgálati munkamenet egy naplózási nyomvonalat hoz létre, amely dokumentál minden ellenőri műveletet, ami kritikus fontosságú a minőségbiztosítás és a szabályozási megfelelés szempontjából.
A végső állapotjelentés integrálja az automatikusan elfogadott magas megbízhatóságú észleléseket az ember által ellenőrzött megjelölt észlelésekkel. A jelentés összesített mutatókat számít, mint például a hibasűrűséget (az egyes hibatípusok által érintett felület százalékos aránya), a Burkolatállapot Indexet (PCI) repülőterek vagy utak esetében, vagy elemszintű állapotbesorolásokat hidak esetében az AASHTO elemszintű ellenőrzési keretrendszere szerint.
A megbízhatósági küszöbértékek azok a kritikus hangolási paraméterek, amelyek meghatározzák bármely HITL ellenőrzési rendszer működési hatékonyságát és biztonsági tartalékát. A küszöbértékek túl agresszív beállítása (alacsony megbízhatóságú előrejelzések elfogadása) növeli a hamis negatívok – kihagyott hibák, amelyek veszélyeztethetik a szerkezeti integritást – kockázatát. A küszöbértékek túl konzervatív beállítása (minden emberi felülvizsgálatra irányítása) meghiúsítja az automatizálás hatékonysági célját.
Az AI-modell vevő működési jellemző (ROC) görbéje biztosítja az analitikai alapot a küszöbérték kiválasztásához. A ROC görbe a valódi pozitív arányt (érzékenységet) ábrázolja a hamis pozitív arány függvényében minden lehetséges küszöbértékre. A ROC görbe alatti terület (AUC) összegzi a modell általános megkülönböztető képességét. Egy 0,95 vagy magasabb AUC-vel rendelkező modell reprezentatív tesztadatokon általában alkalmasnak tekinthető HITL telepítésre.
Az iparági legjobb gyakorlatok a küszöbértékek kalibrálását egy költségmátrix segítségével javasolják, amely pénzbeli vagy kockázatalapú súlyokat rendel minden hibafajtához:
| Hibafajta | Következmény | Relatív költség |
|---|---|---|
| Hamis negatív (kihagyott kritikus repedés) | Potenciális szerkezeti meghibásodás, biztonsági veszély | Nagyon magas |
| Hamis negatív (kihagyott esztétikai hiba) | Késleltetett karbantartás, megnövekedett életciklus költség | Közepes |
| Hamis pozitív (nem hiba megjelölése) | Elpazarolt ellenőri felülvizsgálati idő | Alacsony |
| Téves osztályozás (helyes keret, rossz osztály) | Helytelen állapotbesorolás | Közepes |
A küszöbérték kalibrációs folyamata jellemzően magában foglalja az AI-modell futtatását egy validációs adatkészleten, amely legalább 5 000–10 000, minősített ellenőrök által függetlenül felcímkézett képet tartalmaz. A modell észleléseit összehasonlítják a valóságos címkékkel, és a küszöböt egy célzott hamis negatív arány eléréséhez állítják be – ez jellemzően 1–2% a repedésre kritikus hídelemeknél és 5–8% az általános burkolatfelméréseknél.
A dinamikus küszöbölés egy feltörekvő gyakorlat, ahol a küszöbértékeket valós időben állítják be a környezeti feltételek, a képminőségi mutatók vagy az eszköz kritikussága alapján. Például, ha az ellenőrző jármű heves esőzésbe vagy gyenge fényviszonyok közé kerül, ami rontja a képminőséget, a rendszer automatikusan csökkenti a megbízhatósági küszöbét, hogy több észlelést irányítson emberi felülvizsgálatra, kompenzálva a modell előrejelzéseinek magasabb bizonytalanságát.
Az emberi felülvizsgálati felület a HITL ellenőrzési rendszer működési központi eleme. Kialakítása közvetlenül befolyásolja a verifikációs folyamat sebességét és pontosságát. A rosszul megtervezett felületek kezelői fáradtságot okoznak, növelik a hibák arányát, és szűk keresztmetszeteket hoznak létre, amelyek semlegesítik az AI automatizálásból származó termelékenységi előnyöket.
A hatékony felülvizsgálati felületek több kulcsfontosságú tervezési elvet alkalmaznak:
Az AI kimenet és a forrásfelvétel párhuzamos megjelenítése. A felületnek az AI észlelését (határolókeret, szegmentációs maszk vagy hőtérkép) az eredeti képre kell vetítenie, az átfedés be- és kikapcsolásának lehetőségével. Ez lehetővé teszi az ellenőr számára, hogy pontosan lássa, mit észlelt a modell, miközben megőrzi a képességét a nyers felvétel vizsgálatára a kihagyott hibák tekintetében.
Kontextuális navigációs segédeszközök. A felületnek biztosítania kell egy hibaszintű navigációs rendszert (előre/hátra a megjelölt észlelések között) integrált eszközszintű navigációval (pl. hídelem-választó vagy burkolati szakasz térkép). A Twinsity Twinspect platform, amelyet egy 2025-ös koncepcióigazolásban mutattak be a Die Autobahn GmbH-val német autópálya-hidakon, egy konszolidált nézetet valósított meg, ahol a több képen megjelenő sérülések egyedi hibarekordokba olvadnak össze, csökkentve a redundanciát és felgyorsítva az ellenőr munkáját több mint 600 AI által észlelt anomália felülvizsgálatakor.
Megbízhatósági pontszám vizualizáció. Minden észlelésnek meg kell jelenítenie a megbízhatósági pontszámát numerikusan és vizuálisan – jellemzően színkódolt jelvényként (zöld a magas, sárga a közepes, piros az alacsony megbízhatósághoz). Ez segít az ellenőrnek először a legbizonytalanabb észlelésekre összpontosítani, ami egy bizonytalanság-vezérelt felülvizsgálat néven ismert munkafolyamat.
Naplózási nyomvonal rögzítése. Minden ellenőr által végzett műveletet – megerősítés, elutasítás, javítás, kihagyás – időbélyeggel, felhasználó-azonosítóval ellátva, megváltoztathatatlan naplózási nyomvonalban kell rögzíteni. Ez nem opcionális; szabályozási követelmény minden olyan ellenőrzési adat esetében, amely biztonsági irányítási rendszerekbe vagy megfelelőségi jelentésekbe kerül.
Kötegelt megerősítés nagy volumenű felülvizsgálathoz. Olyan ellenőrzéseknél, ahol több ezer megjelölt észlelés van, a felületnek támogatnia kell a kötegelt kiválasztást és a hasonló alacsony kockázatú észlelések tömeges megerősítését. Egy 10 km-es autópálya-szakasz burkolati repedéseit felülvizsgáló ellenőr több száz azonos keresztirányú repedéssel találkozhat; ezek egyetlen megerősítési műveletbe történő csoportosítása drámaian csökkenti a felülvizsgálati időt.
A felülvizsgálati munkafolyamat sorrendje jellemzően a következő:
Az AI előrejelzések emberi javítása a HITL rendszer egyik legértékesebb funkciója. Amikor egy ellenőr korrigál egy AI kimenetet – egy rosszul elhelyezett határolókeret beállításával, egy tévesen azonosított hibatípus újraosztályozásával vagy egy súlyossági besorolás frissítésével –, a rendszer nemcsak a javított kimenetet rögzíti, hanem az AI előrejelzés és az emberi valóság közötti különbséget is. Ez a különbség az a jel, amely az aktív tanuláson keresztül a modell fejlesztését vezérli.
Az infrastruktúra-ellenőrzés gyakori javítási típusai a következők:
Határolókeret beállítása. Az AI helyesen azonosíthatja, hogy egy hiba létezik, de a határolókeretet pontatlanul helyezi el – vagy túl szorosan (levágva a repedés egy részét), vagy túl lazán (nem hibás felületet is belefoglalva). Az ellenőr beállítja a keretet, hogy pontosan körülzárja a hibát, és a rendszer rögzíti az IoU-t (Intersection over Union) az AI előrejelzés és az emberi javítás között. Az ismétlődő alacsony IoU pontszámok meghatározott hibaosztályokon jelzik a modell újratanításának szükségességét jobb lokalizációs példákkal.
Osztályozási javítás. Az AI észlelhet egy repedést, de „keresztirányúként" osztályozhatja, amikor az valójában „hosszanti". Ez a téves osztályozás következményekkel jár az állapotbesorolásra, mert a különböző repedéstípusok eltérő súlyossági mátrixokhoz tartoznak a burkolatkezelési rendszerekben (pl. ASTM D6433 a PCI számításhoz). Az ellenőr javítja a címkét, és a rendszer rögzíti a konfúziós mátrix bejegyzést, létrehozva egy adatkészletet a nehéz osztályozási esetekből.
Súlyosság újraértékelése. Számos állapotfelmérési protokoll súlyossági besorolást (alacsony, közepes, magas vagy numerikus skála) ír elő a hiba méretei alapján. Az AI helyesen azonosíthatja és lokalizálhatja a repedést, de rosszul becsülheti meg annak szélességét vagy hosszát, ami helytelen súlyossági besoroláshoz vezet. Az ellenőr javítja a súlyosságot, és a rendszer naplózza a mérési eltérést.
Hamis pozitív elutasítása. Az ellenőrök leggyakoribb művelete az alacsony megbízhatóságú észleléseknél az elutasítás – az AI egy olyan felületi jellemzőt (olajfolt, árnyék, gumiabroncsnyom, hézag) jelölt meg, amely nem hiba. Minden elutasítás egy címkézett hamis pozitív példa, amely javítja a modell megkülönböztető képességét.
Egy 2025-ös, a Twinsity által a Die Autobahn GmbH-val együttműködésben végzett koncepcióigazoló tanulmány bemutatta az emberi javítás gyakorlati hatását. Az AI-modell kezdetben 600 anomáliát észlelt egy német autópálya-hídon, amelyek közül 176 volt szerkezeti mérnökök által megerősített repedés. A HITL felülvizsgálati folyamat során az ellenőrök javították az AI osztályozásait, finomították a határolókereteket és elutasították a hamis pozitívokat. A végső ellenőrzött, 156 megerősített repedésből álló szám 88,6%-os pontosságot eredményezett, amely a javítási adatok modell finomhangolásra történő felhasználása után 95% fölé emelkedett.
A HITL aktív tanulással való integrációja egy folyamatos fejlesztési ciklust hoz létre, amely fokozatosan csökkenti az emberi felülvizsgálati terhelést az idő múlásával. Az aktív tanulás egy gépi tanulási stratégia, ahol az algoritmus azonosítja, hogy mely címkézetlen adatpontok lennének a leginformatívabbak a modell teljesítményének javításához, és ezekhez a pontokhoz kér címkéket egy emberi annotátortól.
A HITL ellenőrzési kontextusban az aktív tanulás a következőképpen működik:
Az észlelések kiválasztásának lekérdezési stratégiája az emberi címkézésre irányításhoz kritikus fontosságú. A gyakori stratégiák a következők:
Az Automation in Construction folyóiratban publikált, az automatizálást támogató HITL rendszereket értékelő tanulmány az infrastruktúra vizuális ellenőrzésében megállapította, hogy az aktív tanulás 60–75%-kal csökkentette az emberi címkézési terhelést a véletlenszerű mintavételezéshez képest, miközben fenntartotta a modell egyenértékű pontosságát. A tanulmány dokumentálta, hogy öt aktív tanulási ciklus után egy repedésfelismerő adatkészleten a modell 94,7%-os pontosságot ért el, a képzési adatok mindössze 30%-a igényelt emberi felülvizsgálatot.
Az aktív tanulás gyártási HITL rendszerekben történő megvalósítása verziókezelt modellmenedzsmentet igényel. Minden újratanítási ciklus egy új modellverziót hoz létre, amelyet egy félretett teszthalmazon kell validálni a telepítés előtt. A rendszernek támogatnia kell az A/B tesztelést is – az új modell futtatását árnyék módban a jelenlegi éles modell mellett –, hogy ellenőrizze, hogy a teljesítményjavulások általánosíthatók-e új ellenőrzési adatokra a frissítés véglegesítése előtt.
A hídellenőrzés a HITL technológia legkritikusabb biztonsági alkalmazása az infrastruktúrában. Az Egyesült Államokban több mint 617 000 híd található, amelyek közül körülbelül 42% több mint 50 éves, és 7,5% minősül szerkezetileg elégtelennek az American Society of Civil Engineers (ASCE) 2024-es Infrastruktúra Jelentőkártyája szerint. A 23 CFR 650-ben kodifikált Nemzeti Hídellenőrzési Szabványok (NBIS) előírják, hogy a közutakon lévő összes hidat legfeljebb 24 hónapos időközönként, képzett csapatvezetők által kell ellenőrizni.
Az FHWA dokumentációja hangsúlyozza, hogy az emberi verifikáció nem alku tárgya az NBIS keretrendszer szerint hozzárendelt állapotbesorolások esetében. A hídelemek állapotbesorolási skálái (0–9 a fedélzet, a felépítmény és az alépítmény esetében a Nemzeti Hídleltári kódolási útmutató szerint) megkövetelik, hogy az ellenőr több megfigyelhető állapotot szintetizáljon egyetlen numerikus besorolássá – olyan feladat, amelyet a jelenlegi AI rendszerek nem képesek megbízhatóan elvégezni, mert megköveteli a szerkezeti terhelési utak, az anyagviselkedés és a romlási mechanizmusok megértését.
A HITL hídellenőrzési munkafolyamat több adatforrást integrál:
UAV felvételek nagy felbontású vizuális adatokat biztosítanak a híd minden hozzáférhető felületéről – fedélzet, alsó rész, gerendák, pillérek, hídfők, csapágyak és hézagok. Egy tipikus UAV hídellenőrzés 3 000–8 000 képet gyűjt szerkezetenként, a híd méretétől és összetettségétől függően. Az AI következtető motor feldolgozza ezeket a képeket repedések, kagylósodás, korrózió és egyéb látható hibák észlelésére.
Talajradar (GPR) adatokat a vizuális felvételek mellett használnak fedélzeti rétegleválás észlelésére és vasaláskorrózió értékelésére. Míg a GPR jel értelmezése speciális szakértelmet igényel, az AI modellek képesek szokatlan jelmintázatokat jelezni emberi felülvizsgálatra.
Az ellenőr szerepe a HITL rendszerben nem csupán az AI előrejelzések megerősítése vagy elutasítása, hanem olyan szerkezeti mérnöki ítélőképesség hozzáadása, amelyet az AI nem tud biztosítani. Az ellenőr a megjelölt észleléseket a híd ismert teherbírásának, forgalmi volumenének, környezeti kitettségének és ellenőrzési történetének kontextusában vizsgálja felül. Egy hajszálrepedés egy előfeszített beton gerenda gerincében azonnal sürgős javításra jelölhető, míg egy azonos repedés egy másodlagos merevítő elemben kisebb megfigyelésként értékelhető – ez olyan megkülönböztetés, amely szerkezeti mérnöki ismeretektől függ, nem pedig pixelszintű mintázatfelismeréstől.
Az FHWA által ajánlott keretrendszer a hídellenőrzési QC/QA programhoz, amelyet 2024-ben frissítettek, kifejezetten foglalkozik az automatizált ellenőrzési technológiák integrációjával. A keretrendszer előírja, hogy minden automatizált repedésfelismerő rendszert manuális ellenőrzéssel kell validálni a hídelemek legalább 10%-án, a validálási eredményeket dokumentálni és az ellenőrzési csapatvezető által felülvizsgálni kell. Ez a kettős validációs megközelítés egy formalizált HITL folyamat, amely biztosítja, hogy az automatizálás döntéstámogató eszközként szolgáljon, nem pedig a szakmai ítélőképesség helyettesítőjeként.
A burkolatállapot-felmérés az automatizált ellenőrzési technológia korai alkalmazója volt a magas adatmennyiségek miatt – egyetlen közútkezelő ügynökség 10 000–50 000 sávkm burkolatot kezelhet, 1–3 éves ellenőrzési időközökkel. A kézi vizuális felmérések ilyen léptékben tiltóan költségesek, 30–50 személynapot igényelve 100 sávkm-enként. Az AI-asszisztált módszerek ugyanezt a hálózatot 5–10 óra számítási idő alatt feldolgozhatják, de az eredményeket emberi ellenőröknek kell verifikálniuk, mielőtt azokat karbantartási programozási döntésekhez lehetne használni.
A HITL munkafolyamat a burkolatellenőrzésben jellemzően vonalmenti kamerákat használ, amelyek autópálya-sebességgel (80–100 km/h) haladó felmérő járművekre vannak szerelve, folyamatos 360 fokos felvételeket készítve a burkolatfelületről. A képek GPS/IMU rendszerekkel vannak georeferálva, 10–50 cm-es pontossággal. Az AI-modell a burkolatfelületet hiba kategóriákba szegmentálja, és kiszámítja a hibasűrűségi mutatókat.
Az American Association of State Highway and Transportation Officials (AASHTO) iránymutatásai a burkolatállapot-adatgyűjtéshez elismerik az automatizált rendszerek szerepét, miközben fenntartják az emberi verifikációs követelményeket. Az AASHTO PP 89-21 szabványa az automatizált burkolati hibadatgyűjtéshez minőségbiztosítási eljárásokat határoz meg, beleértve:
A HITL felülvizsgálati felület a burkolatellenőrzéshez jellemzően egy szalagdiagram nézetet jelenít meg, amely a burkolatfelületet mutatja az AI által észlelt hibákkal, típus és súlyosság szerint színkódolva. Az ellenőr végiggörget a folyamatos burkolati felvételeken, felülvizsgálva a megjelölt szakaszokat és ellenőrizve az AI állapotfelmérését. Azoknál az ügynökségeknél, amelyek a Burkolatállapot Index (PCI) módszertant használják az ASTM D6433 szerint, a HITL rendszer kiszámítja a PCI értékeket az ellenőrzött hibadatokból, az ellenőr pedig elfogadja vagy felülbírálja a számított értéket a helyszíni ismeretei alapján.
A National Academies 2025-ös tanulmánya az AI alkalmazásokról az automatikus burkolatállapot-értékelésben megállapította, hogy a HITL rendszerek 92–96%-os egyezést értek el a kézi ellenőrzéssel a hibafelismerésben, szemben a 78–85%-kal a teljesen automatizált, emberi felülvizsgálat nélküli rendszerek esetében. A tanulmány azt is megállapította, hogy a HITL 55–70%-kal csökkentette az ellenőrzési időt a tisztán kézi módszerekhez képest, miközben fenntartotta az AASHTO adatminőségi szabványoknak való megfelelést.
Az AI infrastruktúra-ellenőrzésben történő használatának szabályozási környezete gyorsan fejlődik, de a következetes téma minden jelentős keretrendszerben az, hogy az emberi felügyelet kötelező a biztonsággal kapcsolatos döntésekhez.
Nemzetközi Polgári Repülési Szervezet (ICAO) — Az ICAO Annex 14, I. kötet (Repülőterek tervezése és üzemeltetése) szerint a repülőtér-üzemeltető felelős annak biztosításáért, hogy a futópályák, gurulóutak és előterek felületei a repülőgép-műveletek számára elfogadható állapotban legyenek. Bár az ICAO nem tiltja kifejezetten az automatizált ellenőrzést, az a követelmény, hogy a „repülőtér-üzemeltető létrehoz egy ellenőrzési programot", amely „az Állam számára elfogadható", implicit módon megköveteli, hogy az állapotfelméréseket hozzáértő személyzet végezze vagy ellenőrizze. Az ICAO 9157. sz. dokumentuma (Repülőtér-tervezési Kézikönyv) hivatkozik a Burkolatállapot Index (PCI) módszertanra, amely képzett értékelők általi vizuális ellenőrzést igényel, kivéve, ha az Állam más eljárást hagy jóvá.
Európai Unió Repülésbiztonsági Ügynöksége (EASA) — Az EASA 2024-ben publikált AI Ütemterv 2.0-ás verziója egy többszintű megközelítést hoz létre az AI számára a repülésben. A 2. szint („Ember-AI Együttműködés") alatt, amely az AI-asszisztált ellenőrzést fedi le, az ügynökség előírja: (a) az ember megtartja a végső döntési jogkört, (b) az AI rendszer magyarázatot szolgáltat a kimeneteire, és (c) a rendszert az emberi kezelő bármikor felülbírálhatja vagy kikapcsolhatja. Ezek a követelmények közvetlenül megfelelnek a HITL architektúrának.
Szövetségi Légügyi Hatóság (FAA) — Az FAA AC 150/5380-6C számú Tanácsadói Körlevele a „Burkolatkezelési Programok Iránymutatásairól" kimondja, hogy az automatizált adatgyűjtési módszerek elfogadhatók, feltéve, hogy „az adatgyűjtő berendezés hitelesített, és az adatokat egy burkolatértékelésben tapasztalt mérnök validálja." Ez a kettős követelmény – berendezés-hitelesítés plusz emberi validálás – egy formális HITL előírás.
Szövetségi Közútkezelési Hatóság (FHWA) — Az FHWA NBIS (23 CFR 650 C. alfejezet) előírja, hogy minden hídellenőrzést olyan csapatvezetőnek kell végeznie vagy irányítania, aki meghatározott képesítési követelményeknek megfelel (okleveles mérnök vagy minősített hídellenőr minimális tapasztalati küszöbértékekkel). Míg az automatizált adatgyűjtés megengedett, az állapotbesorolást a csapatvezetőnek kell meghatároznia. Az FHWA 2024-es NBIS felülvizsgálati folyamat iránymutatása megerősíti, hogy „az automatizált ellenőrzési technológiák kiegészítik, de nem helyettesítik a csapatvezető szakmai ítélőképességét."
ISO 55001 (Eszközkezelés) — Az eszközkezelés nemzetközi szabványa megköveteli, hogy a döntéshozatalhoz használt állapotadatok megbízhatóak, ismételhetőek és ellenőrizhetőek legyenek. A HITL munkafolyamatok megfelelnek ezeknek a követelményeknek azáltal, hogy az emberi verifikációt tartják fenn végső minőségi kapuként.
Ennek a szabályozási környezetnek a gyakorlati következménye, hogy a HITL nem csupán technikai preferencia az infrastruktúra-ellenőrzésben – hanem megfelelési követelmény. Bármely szervezet, amely AI-t alkalmaz repülési, közúti vagy szerkezeti eszközök ellenőrzésére, köteles emberi felülvizsgálati folyamatot bevezetni a szabályozási kötelezettségek teljesítéséhez. A pontos architektúra változhat – egyes ügynökségek az összes észlelés 100%-os emberi felülvizsgálatát írják elő, míg mások statisztikai mintavételezést fogadnak el –, de az emberi verifikáció elve univerzális.
A teljesen automatizált ellenőrzés és az ember-a-hurokban ellenőrzés közötti különbségtétel alapvető fontosságú a telepítési döntések megértéséhez az infrastruktúra-eszközkezelésben. Mindegyik megközelítésnek eltérő jellemzői, előnyei és korlátai vannak:
| Dimenzió | Teljesen automatizált | Ember-a-hurokban |
|---|---|---|
| Döntési jogkör | AI-modell | Emberi ellenőr |
| Átbocsátóképesség | Nagyon magas (100 000+ kép/óra) | Mérsékelt (200–500 megjelölt elem/óra) |
| Határesetek kezelése | Gyenge – a modell hibázik új mintázatokon | Jó – az ember alkalmazkodik új helyzetekhez |
| Elszámoltathatóság | Diffúz – nincs egyetlen felelős entitás | Egyértelmű – a minősített ellenőr visel felelősséget |
| Szabályozási megfelelés | Korlátozott – a legtöbb szabvány emberi aláírást igényel | Megalapozott – megfelel a meglévő szabályozási kereteknek |
| Folyamatos fejlesztés | Külön adatcsővezetéket igényel | Beépített aktív tanuláson keresztül |
| Ellenőrzési költség | Alacsony a kezdeti telepítés után | Magasabb az emberi munka miatt |
| Hamis negatív arány | 10–25% bizonytalan hibákon | 2–5% emberi felülvizsgálat után |
| Alkalmas | Alacsony kockázatú eszközök, kezdeti szűrés, nagy volumen | Kritikus biztonsági eszközök, végleges állapotfelmérés, szabályozott |
A teljesen automatizált és a HITL telepítés közötti döntés az ellenőrzött eszköz kockázati kategóriájától függ. Az alacsony kockázatú eszközök – mint a másodrendű utak, nem szerkezeti épületelemek és esztétikai felületi állapotok – alkalmasak lehetnek teljesen automatizált ellenőrzésre, ahol a hamis negatívok költsége elfogadható. A kritikus biztonsági eszközök – hidak, futópályák, alagutak, gátak és nagy forgalmú autópályák – HITL-t igényelnek, mert egy kihagyott kritikus hiba következménye elfogadhatatlan.
A 47 amerikai állami Közlekedési Minisztérium 2024-es felmérése szerint az automatizált burkolati adatgyűjtést használó ügynökségek 93%-a alkalmaz valamilyen formájú emberi verifikációt, a véletlenszerű mintavételezéstől (a szakaszok 10%-a) a hiányosnak jelölt összes szakasz átfogó felülvizsgálatáig. Mindössze 7% fogadott el automatizált adatokat emberi verifikáció nélkül, és ezek az ügynökségek az automatizált elfogadást kizárólag a jó állapotú, kis forgalmú helyi utakra korlátozták. Hídellenőrzés esetén a felmérés azt találta, hogy az ügynökségek 100%-a fenntartotta az emberi verifikációs követelményeket, a legjellemzőbb megközelítés az összes AI által észlelt anomália emberi felülvizsgálata volt, kombinálva a hibamentesnek minősített képek 15–20%-ának véletlenszerű szúrópróbaszerű ellenőrzésével.
A működési tendencia a hibrid modellek felé mutat, amelyek az automatizálás mértékét az eszköz állapota alapján állítják be. Egy jó állapotú híd (NBI besorolás 7–9) feldolgozható magas megbízhatóságú automatikus elfogadási küszöbértékekkel és minimális emberi felülvizsgálattal, míg egy rossz állapotú híd (NBI besorolás 3–4) esetében minden észlelés emberi felülvizsgálatra irányítható, függetlenül a megbízhatósági pontszámtól. Ez a kockázathoz alkalmazkodó HITL megközelítés optimalizálja az ellenőri erőfeszítéseket azáltal, hogy a figyelmet azokra az eszközökre összpontosítja, ahol az a legnagyobb biztonsági előnyt nyújtja.
Az ember-a-hurokban verifikáció a jelenlegi legkorszerűbb megoldást képviseli az automatizált infrastruktúra-ellenőrzésben. A HITL architektúra – amely egyesíti az AI-alapú kezdeti észlelést a megbízhatóság-alapú útválasztással és a kötelező emberi felülvizsgálattal – az automatizáció termelékenységi előnyeit nyújtja, miközben fenntartja a biztonsági elszámoltathatóságot és a szakmai ítélőképességet, amelyet a szabályozási szabványok megkövetelnek. A küszöbérték-kalibráció, a felülvizsgálati felület kialakítása, az emberi javítási munkafolyamatok és az aktív tanulás integrációja azok a technikai elemek, amelyek meghatározzák, hogy egy HITL rendszer a gyakorlatban hatékonyan működik-e.
A hídellenőrzés, a burkolatállapot-felmérés, a repülőtéri futópálya-értékelés és a repülőtéri karbantartási megfelelés területén a HITL nem egy átmeneti megközelítés a teljes autonómia felé vezető úton – hanem a bevált legjobb gyakorlat, amely egyensúlyba hozza a gépek és az emberek egymást kiegészítő erősségeit. Ahogy az AI modellek pontossága tovább javul, az emberi felülvizsgálati terhelés csökkenni fog az aktív tanuláson keresztül, de az emberi verifikáció elve a kritikus biztonsági döntésekhez továbbra is szabályozási és etikai követelmény marad.
Valósítson meg ember-a-hurokban verifikációs folyamatokat, amelyek ötvözik az AI-alapú hibafelismerés sebességét a minősített ellenőri felülvizsgálat felelősségével. Lépjen kapcsolatba velünk, hogy megtudja, megoldásaink hogyan illeszkednek a HITL-munkafolyamatokba hidak, burkolatok és repülőterek ellenőrzéséhez.
Az AI-alapú repedésfelismerés számítógépes látást – konvolúciós neurális hálózatokat, víziótranszformátorokat és szemantikus szegmentációs modelleket – használ ...
A Nagy Intenzitású Futópálya-megvilágítás (HIRL) robusztus, nagy fényerejű világítási rendszerekre utal, amelyeket a futópályák szélei és küszöbei mentén helyez...
A hibaszűrés egy olyan kiértékelési stratégia, amely a prediktált hibacímkéket felülettípus és szerkezeti tartomány alapján szűri a hamis pozitívok visszaszorít...
