SmartSport: ספירת קהל פוגשת מודלים לשוניים גדולים לניהול מתקנים חכם

מדוע מרחבי ספורט חכמים חשובים

בערים רבות מופיעים גנים חדשים, מגרשים ושבילי כושר, ובכל זאת אנשים מוצאים מגרשי כדורסל צפופים בעוד שבילי הליכה סמוכים עומדים ריקים. חוסר ההתאמה הזה מבזבז כספי ציבור ומוצאות תושבים שמבקשים סתם הזדמנות הוגנת להתעמלות. מחקר SmartSport מציג דרך להשתמש במצלמות ובבינה מלאכותית מתקדמת כדי למדוד את השימוש במתקני הספורט הציבוריים ולהמיר את המספרים האלה להמלצות קונקרטיות למנהלי עיר. המטרה פשוטה: לסייע לקהילות להפיק יותר בריאות והנאה מהמרחבים שכבר קיימים.

ממרשמים לסensing רציף

כיום רוב הערים עדיין סומכות על עובדים עם לוחות רישום או סקרים מזדמנים כדי לאמוד עד כמה עמוס מגרש או מסלול ריצה. שיטות אלה לוכדות רק תמונת מצב קצרה, מפספסות מקומות רבים והן איטיות מדי כדי להנחות החלטות יום-יומיות. כמו כן הן מתקשות להסביר מדוע חלק מהמתקנים עומסים בעוד אחרים כמעט לא בשימוש. SmartSport מחליפה מאמצים מפוזרים אלה במערכת אוטומטית שמצפה למתקנים דרך מצלמות קבועות, סופרת כמה אנשים נמצאים לאורך זמן ומשלבת את המידע הזה עם מפות, נתוני אוכלוסייה והקשר נוסף.

ללמד מחשבים לראות אנשים בצורה הוגנת

החצי הראשון של SmartSport, שנקרא CrowdVision, מתמקד בזיהוי וספירת אנשים במרחבי ספורט פתוחים כגון מגרשים חיצוניים, שדות ושבילי כושר. במקום לעקוב אחר פנים או זהויות, הוא מחפש רמזים חזותיים קטנים שמסמנים אדם בסצנה רחבה — כמו דמויות זעירות ברקע או חלקים מוסתרים על ידי אחרים. החוקרים תכננו רשת ראייה קומפקטית שיכולה לסרוק תמונות מכיוונים שונים, להרכיב תבניות על פני הסצנה כולה ולהתמודד עם אנשים בגדלים שונים באותו המסגרת. כל אדם מיוצג על ידי נקודה במקום תיבת גבול, מה שמקל על מיקום מדויק של יחידים בסביבות צפופות תוך שמירה על מהירות שמספיקה להפעלה על מכשירי edge זולים בסמוך למצלמה.

להפוך ספירות גולמיות להחלטות טובות יותר

החצי השני, LLM-Advisor, מתפקד כיועץ דיגיטלי למנהלי מתקנים. הוא מקבל את סדרות הזמן של ספירות הקהל ש-CrowdVision הפיק ומשלב אותן עם מידע נוסף: היכן כל מתקן ממוקם בעיר, מי גר בקרבתו, כמה נגיש הוא בתחבורה ציבורית ואיזה ציוד זמין. באמצעות מודלים לשוניים גדולים — אותו סוג של בינה מלאכותית שמניע צ׳אטבוטים מודרניים — המערכת מונחית על ידי הנחיות מוקפדות שמובילות תהליך חשיבה שלב אחר שלב. היא מזהה דפוסים יומיים ושבועיים, מפיקה סימנים לעומס או לשימוש נמוך, ואז מציעה פעולות מעשיות, כגון שינוי שעות פתיחה, שדרוג מגרשים מסוימים או הוספת מתקנים בשכונות בעלות שירות לקוי. בסיס ידע תומך של שיטות עבודה ומדיניות מהעולם האמיתי עוזר לשמור על ההמלצות ברות קיימא ומקצועיות.

להראות שזה עובד בשטח

כדי לבחון את SmartSport, הצוות העריך את CrowdVision על מערכי נתונים סטנדרטיים לספירת קהל ועל אוסף התמונות שלהם מ-15 מתקני ספורט ציבוריים. מודול הראייה השיג דיוק ספירה של כ-94 אחוזים בהגדרות ספורט אמתיות אלה, על חשבון ביצועי כמה שיטות מחקר עדכניות ובו־בזמן פועל ביעילות מספקת למעקב בזמן אמת. בצד ההמלצות, המחברים ביקשו מ-12 מומחים בניהול מתקני ספורט לדרג באופן עיוור יותר מ-250 דוחות שנוצרו על ידי הבינה המלאכותית. בממוצע המומחים דירגו את העצות ב-4.2 מתוך 5 על איכות כללית, שיבחו את השלמות וההנמקה הלוגית אך ציינו שהצעות מפורטות מאוד ותלויות-אתר נשארות אתגר. יחד, התוצאות הללו מרמזות ש-SmartSport יכול גם למדוד שימוש באופן אמין וגם להציע תובנות ניהוליות שמקצוענים מוצאים מועילות באמת.

מה זה אומר למשתמשים יומיומיים

לתושבים, ההבטחה של SmartSport איננה עוד מסכים או גאדג'טים, אלא פארקים ומגרשים מתופעלים טוב יותר. על ידי ספירה שקטה של כמה אנשים משתמשים בכל מתקן ומתי, ללא מעקב אחרי זהותם, המערכת מסייעת לפקידי העיר לראות אילו מרחבים סובלים ממחסור בהשקעה ואילו מהווים הזדמנויות לא מנוצלות. עם הזמן זה יכול להתרגם לזמני המתנה קצרים יותר במגרשים פופולריים, שבילי הליכה ומתחני כושר ממוקמים באופן מושכל יותר ולוח זמנים שמתאים לשגרות מקומיות. בעוד שהמחברים מדגישים שעבודה עתידית תצטרך להתמודד עם תנאי תאורה קיצוניים, אמצעי פרטיות והבנה עמוקה יותר של התנהגויות, המחקר שלהם מראה ששילוב ראייה ממוחשבת עם חשיבה מבוססת שפה יכול להעביר את ניהול הספורט הציבורי מניחושים לתכנון עירוני מבוסס ראיות.

ציטוט: Li, P., Xu, C. SmartSport: crowd counting meets large language models for smart facility management. Sci Rep 16, 13991 (2026). https://doi.org/10.1038/s41598-026-44145-9

מילות מפתח: מתקני ספורט ציבוריים, ספירת קהל, בינה מלאכותית עירונית, תכנון עיר חכם, ניהול מתקנים