AI für kommunale Infrastruktur
Multi-Pipeline AI-Plattform: 197 Asset-Typen erkannt, 86K Bäume bewertet, 99%+ Unfallextraktionsgenauigkeit, 6.400+ automatisierte Tests
197 Asset-Typen
86K Bäume bewertet
Das Problem
Manuelle Inspektion von Straßenbildern, Baumgefährdungen, Straßenzuständen und Unfallberichten im Stadtmaßstab, über Millionen von Bildern und Tausende von Dokumenten
Manuelle Inspektion von Straßenbildern, Baumgefährdungen, Straßenzuständen und Unfallberichten im Stadtmaßstab. Eine große Kommunalverwaltung, die sich auf ein globales Sportereignis vorbereitete, musste Infrastruktur-Assets katalogisieren, Baumgefährdungen bewerten, Straßenzustände evaluieren und strukturierte Daten aus Unfallberichten extrahieren, alles über ein gesamtes Metropolgebiet. Manuelle Inspektion konnte nicht skalieren. Straßenbilder existierten, aber es fehlte an automatisierter Analyse. 93.000+ Straßenbäume benötigten Gefährdungsbewertung. 763 Meilen Straße erforderten Zustandsbewertung in 20-Fuß-Intervallen. Tausende von Unfallberichten aus mehreren Gerichtsbarkeiten lagen als gescannte PDFs und TIFFs ohne strukturierte Daten vor.
Wir haben eine Multi-Pipeline AI-Plattform auf AWS gebaut. Die Infrastrukturerkennungs-Pipeline verwendet Claude Sonnet und LiDAR-Punktwolkenverarbeitung zur Klassifizierung von 197 Asset-Typen aus Straßenbildern, mit Positionsverfeinerung, sammlungsübergreifender Deduplizierung und interaktiven GeoJSON-Berichten. Das System läuft auf ECS Fargate mit parallelen Workern und Bedrock-Batch-Inferenz für 50% Kosteneinsparung im Großbetrieb.
Eine Pipeline zur Bewertung von Baumgefährdungen verarbeitete 86.164 Straßenbäume an 7 Hauptveranstaltungsorten und erreichte eine Bewertungsrate von 97,2%. Die KD-Tree-basierte Bildauswahl nach Ausrichtung findet die 15 besten Ansichten pro Baum aus 4,4 Millionen Kameraaufnahmen. Ein semantischer Wiederholungsmechanismus verbesserte 8.048 Bewertungen von nicht-bewertbar zu bewertbar, und identifizierte 24 Bäume mit kritischer Priorität und 3.085 mit hoher Priorität. Eine separate Pipeline zur Straßenzustandsbewertung extrahiert 12+ Zustandsattribute aus 205.707 Vermessungspunkten über 763 Meilen in 20-Fuß-Intervallen.
Ein System zur Unfallberichtsextraktion verarbeitet Dokumente aus mehreren Gerichtsbarkeiten mit einer hybriden OCR + LLM-Pipeline und erreicht 99,36–99,78% Feldgenauigkeit. Ein Unfall-Narrativ-Analyzer extrahiert 30 strukturierte Felder aus Erzähltexten über 13 Gerichtsbarkeiten mit Nachprüfungs-Validierungsregeln. Die gesamte Plattform umfasst 6.400+ automatisierte Tests in Python- und Rust-Codebasen.
Trees assessed
Extraction accuracy
Automated tests
Why it mattered
Operating need
Municipal teams had to review assets, trees, roads, and crash records at city scale without losing audit visibility.
What changed
Five domain-specific pipelines produced evidence operators could inspect through maps, reports, downloads, and post-check validation.
A multi-domain AI platform built for municipal trust
The core problem was building five specialized AI pipelines that operators could verify: infrastructure, trees, roads, crash documents, and narratives. Each domain needed its own accuracy checks and review surface.
Domain coverage
Infrastructure assets, tree hazards, roadway conditions, crash reports, and narrative analysis. Each pipeline operates independently but shares a common compliance and delivery framework.
Risk control
Every pipeline is gated by domain-specific accuracy validation and post-check rules, backed by 6,400+ automated tests across Python and Rust, and managed with security-reviewed delivery practices.
Operator confidence
Interactive Leaflet maps, GeoJSON downloads, and drill-down reports were structured to support municipal review and audit visibility, not just raw model throughput.
Kontext
Eine große Kommunalverwaltung, die sich auf ein globales Ereignis vorbereitete, musste 197 Infrastruktur-Asset-Typen katalogisieren, 93K Straßenbäume auf Gefährdungen bewerten, 763 Meilen Straße evaluieren und strukturierte Daten aus Tausenden von Unfallberichten mehrerer Gerichtsbarkeiten extrahieren.
Einschränkung
Manuelle Inspektion konnte nicht skalieren. Jede Domäne (Infrastruktur, Bäume, Straßen, Unfälle) erforderte spezialisierte AI-Pipelines mit domänenspezifischer Genauigkeitsvalidierung.
Maßnahme
Multi-Pipeline AI-Plattform gebaut: Infrastrukturerkennung (Claude + LiDAR), Baumgefährdungsbewertung (KD-Tree-Bildauswahl, semantische Wiederholung), Straßenzustandsbewertung (12+ Attribute in 20-Fuß-Intervallen) und Unfallextraktion (hybrides OCR + LLM, 99%+ Genauigkeit).
Ergebnis
197 Asset-Typen erkannt, 86K Bäume bewertet (97,2% Rate, 24 kritische gefunden), 99,36–99,78% Unfallextraktionsgenauigkeit und 6.400+ Tests.
Architektur
Multi-Domänen AI-Plattform von Bildern zu strukturierter Intelligenz
Visuelle Erkennung
Baumgefährdungsbewertung
Dokumentenextraktion
Datenplattform
Technologie-Stack
Compute
AWS ECS Fargate + Bedrock Batch
AI-Modelle
Claude Sonnet 4.6, Qwen 3 VL, Grounding DINO
Sprachen
Python + Rust (54K LOC Rust)
Daten
Snowflake, S3, Textract OCR
Spatial
LiDAR-Punktwolken, KD-Tree-Indizierung
Delivery-Kontrollen
SOC 2-ausgerichtete Praktiken
Ergebnisse
Planen Sie ein ähnliches Mandat?
Ein direkter Discovery-Call über das Problem, die Restriktionen und den glaubwürdigsten Weg nach vorn.
Wir antworten innerhalb von 4 Stunden während der Geschäftszeiten