都市インフラAI
マルチパイプラインAIプラットフォーム：197種のアセットタイプを検出、86K本の樹木を評価、99%+の事故抽出精度、6,400+件の自動テスト
197種のアセット
86K本の樹木評価
課題
都市規模でのストリートレベル画像、樹木危険度、道路状態、事故報告書の手動検査、数百万枚の画像と数千件の文書にわたり
都市規模でのストリートレベル画像、樹木危険度、道路状態、事故報告書の手動検査。世界的スポーツイベントに備える大規模な地方自治体が、インフラ資産のカタログ化、樹木危険度の評価、道路状態の評価、事故報告書からの構造化データ抽出を必要としていました、すべて大都市圏全体にわたり。手動検査ではスケールできませんでした。ストリートレベルの画像は存在しましたが自動分析が欠けていました。93,000+本の街路樹が危険度スコアリングを必要としていました。763マイルの道路が20フィート間隔での状態評価を必要としていました。複数管轄区域にわたる数千件の事故報告書がスキャンされたPDFやTIFFとして構造化データなしで存在していました。
AWS上にマルチパイプラインAIプラットフォームを構築しました。インフラ検出パイプラインはClaude SonnetとLiDAR点群処理を使用してストリートレベル画像から197種のアセットタイプを分類し、位置精緻化、コレクション間重複排除、インタラクティブGeoJSONレポートを備えています。システムはECS Fargateの並列ワーカーとBedrock Batch推論で稼働し、大規模処理で50%のコスト削減を実現します。
樹木危険度評価パイプラインは7つの主要イベント会場にわたる86,164本の街路樹を処理し、97.2%の評価率を達成しました。KD-tree方位ベースの画像選択が440万件のカメラ記録から樹木ごとに最適な15枚のビューを見つけます。セマンティックリトライメカニズムが8,048件の評価を評価不能から評価可能に改善し、24本の最優先樹木と3,085本の高優先樹木を特定しました。別個の道路評価パイプラインが763マイルにわたる205,707の調査ポイントから20フィート間隔で12+の状態属性を抽出します。
事故報告書抽出システムがハイブリッドOCR + LLMパイプラインで複数管轄区域の文書処理を行い、99.36–99.78%のフィールド精度を達成しています。事故ナラティブアナライザーが13の管轄区域にわたるナラティブテキストから30の構造化フィールドを抽出し、事後検証バリデーションルールを備えています。プラットフォーム全体でPythonとRustのコードベースにわたる6,400+件の自動テストを含みます。
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.
背景
世界的イベントに備える大規模な地方自治体が、197種のインフラ資産タイプのカタログ化、93K本の街路樹の危険度評価、763マイルの道路評価、数千件の複数管轄区域事故報告書からの構造化データ抽出を必要としていました。
制約
手動検査ではスケール不可能。各ドメイン（インフラ、樹木、道路、事故）がドメイン固有の精度検証を伴う専門AIパイプラインを必要としていました。
施策
マルチパイプラインAIプラットフォームを構築：インフラ検出（Claude + LiDAR）、樹木危険度スコアリング（KD-tree画像選択、セマンティックリトライ）、道路評価（20フィート間隔で12+属性）、事故抽出（ハイブリッドOCR + LLM、99%+精度）。
成果概要
197種のアセットタイプを検出、86K本の樹木を評価（97.2%の率、24本の最優先を発見）、99.36–99.78%の事故抽出精度、6,400+件のテスト。
アーキテクチャ
画像から構造化インテリジェンスまでのマルチドメインAIプラットフォーム
視覚検出
樹木危険度評価
文書抽出
データプラットフォーム
技術スタック
コンピュート
AWS ECS Fargate + Bedrock Batch
AIモデル
Claude Sonnet 4.6、Qwen 3 VL、Grounding DINO
言語
Python + Rust（54K LOC Rust）
データ
Snowflake、S3、Textract OCR
空間処理
LiDAR点群、KD-treeインデックス
提供管理
SOC 2整合のプラクティス