AI pour les infrastructures civiques
Plateforme AI multi-pipeline : 197 types d'actifs détectés, 84K arbres évalués, 99%+ de précision d'extraction d'accidents, 6 400+ tests automatisés
197 types d'actifs
84K arbres évalués
Le Problème
Inspection manuelle d'imagerie de rue, risques arboricoles, état des routes et rapports d'accidents à l'échelle d'une ville, à travers des millions d'images et des milliers de documents
Inspection manuelle d'imagerie de rue, risques arboricoles, état des routes et rapports d'accidents à l'échelle d'une ville. Un gouvernement municipal important se préparant pour un événement sportif mondial devait cataloguer les actifs d'infrastructure, évaluer les risques arboricoles, évaluer l'état des routes et extraire des données structurées de rapports d'accidents, le tout dans une zone métropolitaine entière. L'inspection manuelle ne pouvait pas passer à l'échelle. L'imagerie de rue existait mais manquait d'analyse automatisée. 93 000+ arbres de rue nécessitaient une évaluation des risques. 763 miles de routes nécessitaient une évaluation d'état tous les 20 pieds. Des milliers de rapports d'accidents de plusieurs juridictions existaient sous forme de PDFs et TIFFs scannés sans données structurées.
Nous avons construit une plateforme AI multi-pipeline sur AWS. Le pipeline de détection d'infrastructure utilise Claude Sonnet et le traitement de nuages de points LiDAR pour classifier 197 types d'actifs à partir d'imagerie de rue, avec affinement de position, déduplication inter-collections et rapports GeoJSON interactifs. Le système fonctionne sur ECS Fargate avec des workers parallèles et l'inférence Bedrock Batch pour 50% d'économies à grande échelle.
Un pipeline d'évaluation des risques arboricoles a traité 86 164 arbres de rue sur 7 sites majeurs de l'événement, atteignant un taux d'évaluation de 97,2%. La sélection d'images basée sur l'orientation par KD-tree trouve les 15 meilleures vues par arbre parmi 4,4 millions d'enregistrements caméra. Un mécanisme de réessai sémantique a amélioré 8 048 évaluations de non-évaluable à évaluable, identifiant 24 arbres de priorité critique et 3 085 de haute priorité. Un pipeline séparé d'évaluation routière extrait 12+ attributs d'état de 205 707 points d'étude sur 763 miles tous les 20 pieds.
Un système d'extraction de rapports d'accidents gère le traitement de documents multi-juridictions avec un pipeline hybride OCR + LLM atteignant 99,36–99,78% de précision par champ. Un analyseur de récits d'accidents extrait 30 champs structurés du texte narratif dans 13 juridictions avec des règles de validation post-vérification. La plateforme complète comprend 6 400+ tests automatisés en Python et Rust.
Arbres évalués (97,2% de taux)
Précision d'extraction d'accidents
Tests automatisés
Pourquoi c'était important
Besoin opérationnel
Les équipes municipales devaient examiner actifs, arbres, voiries et rapports d'accidents à l'échelle de la ville sans perdre la visibilité d'audit.
Ce qui a changé
Cinq pipelines spécifiques à chaque domaine ont produit des preuves que les opérateurs pouvaient inspecter via cartes, rapports, téléchargements et validation a posteriori.
Une plateforme AI multi-domaines conçue pour la confiance municipale
Le problème central était de construire cinq pipelines AI spécialisés que les opérateurs pouvaient vérifier : infrastructure, arbres, voiries, documents d'accidents et récits. Chaque domaine exigeait ses propres contrôles de précision et sa propre surface de revue.
Couverture des domaines
Actifs d'infrastructure, risques arboricoles, état des voiries, rapports d'accidents et analyse de récits. Chaque pipeline fonctionne indépendamment mais partage un cadre commun de conformité et de livraison.
Maîtrise du risque
Chaque pipeline est encadré par une validation de précision propre au domaine et des règles de post-vérification, appuyé par 6 400+ tests automatisés en Python et Rust, et géré selon des pratiques de livraison revues sur le plan sécurité.
Confiance des opérateurs
Les cartes interactives Leaflet, les téléchargements GeoJSON et les rapports détaillés ont été structurés pour soutenir la revue municipale et la visibilité d'audit, et pas seulement le débit brut du modèle.
Contexte
Un gouvernement municipal important se préparant pour un événement mondial devait cataloguer 197 types d'actifs d'infrastructure, évaluer 93K arbres de rue, évaluer 763 miles de routes et extraire des données structurées de milliers de rapports d'accidents multi-juridictions.
Contrainte
L'inspection manuelle ne pouvait pas passer à l'échelle. Chaque domaine (infrastructure, arbres, routes, accidents) nécessitait des pipelines AI spécialisés avec validation de précision spécifique au domaine.
Intervention
Construit une plateforme AI multi-pipeline : détection d'infrastructure (Claude + LiDAR), évaluation des risques arboricoles (sélection d'images KD-tree, réessai sémantique), évaluation routière (12+ attributs tous les 20 pieds), et extraction d'accidents (OCR + LLM hybride, 99%+ de précision).
Résultat
197 types d'actifs détectés, 84K arbres évalués (97,2% de taux, 24 critiques trouvés), 99,36–99,78% de précision d'extraction d'accidents et 6 400+ tests.
Architecture
Plateforme AI multi-domaine de l'imagerie à l'intelligence structurée
Détection Visuelle
Évaluation des Risques Arboricoles
Extraction de Documents
Plateforme de Données
Stack Technique
Calcul
AWS ECS Fargate + Bedrock Batch
Modèles AI
Claude Sonnet 4.6, Qwen 3 VL, Grounding DINO
Langages
Python + Rust (54K LOC Rust)
Données
Snowflake, S3, Textract OCR
Spatial
Nuages de points LiDAR, indexation KD-tree
Contrôles de livraison
Pratiques alignées sur SOC 2
Résultats
Vous Préparez un Mandat Comparable ?
Un appel découverte direct pour parler du problème, des contraintes et du chemin le plus crédible pour avancer.
Nous répondons sous 4 heures pendant les heures ouvrables