# AI Form Builder omogućuje praćenje zračnih patogena u stvarnom vremenu i adaptivno u školama

## Uvod  

Pandemija COVID‑19 otkrila je kritičnu ranjivost u obrazovnim okruženjima: nedostatak trenutnog, podacima vođenog uvida u prijenos zračnih bolesti. Dok su mnogi okrugi usvojili nadogradnje ventilacije i povremeno testiranje, mogućnost **otkrivanja, procjene i reagiranja na zračne patogene u stvarnom vremenu** i dalje je ograničena.  

Upoznajte **AI Form Builder** — platformu s niskim kodom i AI‑poboljšanjima koja može pretvoriti statične zdravstvene ankete u dinamične, senzorom vođene radne tokove. Integracijom IoT senzora kvalitete zraka, brzih PCR ili antigenskih rezultata testova i podataka o rasporedu škole, AI Form Builder stvara **zatvoreni sustav praćenja** koji prilagođava svoje radnje kako se uvjeti mijenjaju.  

Ovaj članak detaljno opisuje kako škole mogu implementirati takav sustav, temeljnu arhitekturu, razmatranja privatnosti i opipljive rezultate uočene u pilot programima.

---

## Zašto je praćenje u stvarnom vremenu i adaptivno važno  

| Izazov | Tradicionalni pristup | Adaptivni jaz u stvarnom vremenu |
|--------|----------------------|---------------------------------|
| **Kašnjenje** | Tjedni zdravstveni upitnici, odgođeno izvještavanje | Trenutno otkrivanje u minuti |
| **Skalabilnost** | Ručni unos podataka za svaku učionicu | Automatizirano prikupljanje podataka s milijunima senzora |
| **Brzina odlučivanja** | Reaktivne politike (npr. zatvaranje nakon izbijanja) | Proaktivne prilagodbe (povećanje ventilacije, ciljano testiranje) |
| **Povjerenje dionika** | Nesigurnost oko skrivenog prijenosa | Transparentni nadzorni paneli za roditelje, osoblje i odbore |

AI Form Builder zatvara svaki od ovih praznina **automatizacijom prikupljanja podataka**, **primjenom AI‑vođenog ocjenjivanja rizika** i **okidavanjem adaptivnih radnji** (npr. otvaranje prozora, obavijesti roditeljima) bez ljudskih uskih grla.

---

## Osnovne komponente adaptivnog sustava praćenja  

```mermaid
graph LR
    A["Senzori kvalitete zraka"] --> B["Edge procesor (MQTT)"]
    B --> C["AI Form Builder API za unos podataka"]
    D["Rezultati brzih testova (Lab API)"] --> C
    E["Raspored i popunjenost (SIS)"] --> C
    C --> F["AI motor rizika (LLM + Bayes)"]
    F --> G["Dinamičko generiranje obrazaca"]
    G --> H["Motor za upozorenja i radnje"]
    H --> I["Sustav upravljanja objektom"]
    H --> J["Centar za obavijesti roditelja i osoblja"]
    H --> K["Nadzorni panel za usklađenost i izvještavanje"]
```

*Sve oznake čvorova su u dvostrukim navodnicima, kako je potrebno za Mermaid sintaksu.*

### 1. Senzori kvalitete zraka  
- **CO₂, PM2.5, VOC i detektori bio‑aerosola** postavljeni u svakoj učionici, hodniku i kantini.  
- Podaci se strujaju putem **MQTT** na edge procesor koji normalizira vremenske oznake i filtrira šum.

### 2. Integracija brzih testova  
- Škole surađuju s lokalnim laboratorijima koji nude **iste‑dan PCR ili antigenski rezultat**.  
- Ishodi testova se šalju AI Form Builderu putem sigurnog **RESTful API‑ja**.

### 3. Sinkronizacija s informacijskim sustavom učenika (SIS)  
- AI Form Builder preuzima **popise razreda, limite popunjenosti i promjene rasporeda** kako bi kontekstualizirao ocjene rizika.

### 4. AI motor rizika  
- Kombinira **razmišljanje velikog jezičnog modela (LLM)** s **Bayesovom mrežom** koja vaguje očitanja senzora, pozitivnost testova i metrike gužve.  
- Generira **ocjenu rizika (0‑100)** za svaku zonu svakih 5 minuta.

### 5. Dinamičko generiranje obrazaca  
- Kada rizik premaši konfigurabilni prag, AI Form Builder **automatski stvara ciljani obrazac** (npr. „Trenutna provjera simptoma za učionicu 203”) i distribuira ga pogođenim učenicima, roditeljima i osoblju.

### 6. Motor za upozorenja i radnje  
- Okida **radnje objekta** (povećanje svježeg zraka u HVAC‑u, postavljanje prijenosnih HEPA jedinica).  
- Šalje **višekanalne obavijesti** (SMS, e‑mail, školska aplikacija) s jasnim uputama.  
- Bilježi svaku radnju radi **revizije** i **usklađenosti s propisima**.

---

## Vodič za implementaciju korak po korak  

### Korak 1: Procjena infrastrukture  
- Provedite **reviziju senzora** kako biste otkrili praznine u pokrivenosti.  
- Provjerite **propusnost mreže** za kontinuirane MQTT tokove (≈ 10 KB/s po senzoru).  

### Korak 2: Konfiguracija AI Form Buildera  
1. **Stvorite novi projekt “Praćenje zračnih patogena”** u konzoli Form Buildera.  
2. Definirajte **izvore podataka**: MQTT poslužitelj, Lab API, SIS API.  
3. Upotrijebite **vizualni AI editor radnih tokova** za mapiranje dolaznih polja na shemu motora rizika.  

### Korak 3: Izgradnja modela rizika  
- Iskoristite ugrađenu **LLM biblioteku promptova**:  
  ```
  Procijeni rizik od zračnih patogena na temelju razine CO₂, PM2.5, nedavnih pozitivnih testova i gužve. Izlaz: ocjena rizika 0‑100.
  ```  
- Kalibrirajte **Bayesove prethodne vrijednosti** koristeći **povijesne podatke o izbijanju** iz okruga.

### Korak 4: Dizajn adaptivnih obrazaca  
- Izradite **predložak obrasca “Samoprocjena simptoma”** s uvjetnom logikom (npr. prikaži pitanje o temperaturi samo ako je temperatura > 37,5 °C).  
- Omogućite **automatsko popunjavanje** podacima senzora (npr. prikaži trenutnu CO₂ vrijednost).

### Korak 5: Postavljanje pravila radnji  
- Definirajte **pragove**:  
  - CO₂ > 1000 ppm → povećaj ventilaciju.  
  - Ocjena rizika > 70 → pošalji hitnu obavijest i zakaži brzi test.  
- Povežite svako pravilo s **API‑jem sustava upravljanja objektom** (npr. BMS).

### Korak 6: Pilot i iteracija  
- Provedite **4‑tjedni pilot** u dvije osnovne škole.  
- Prikupite **KPI‑e**: latencija otkrivanja, stopa lažnih pozitivnih, vrijeme reakcije ventilacije, zadovoljstvo dionika.  
- Poboljšajte LLM promptove i Bayesove težine na temelju povratnih informacija iz pilot programa.

### Korak 7: Širenje na cijeli okrug  
- Skalirajte rješenje koristeći **kontejnerizirane mikro‑usluge** za sloj unosa podataka.  
- Organizirajte **radionice obuke** za osoblje objekta i zdravstvene koordinatorе.  
- Objavite **javni nadzorni panel** (samo za čitanje) kako bi roditelji mogli vidjeti trenutne razine rizika po zgradi.

---

## Privatnost, sigurnost i usklađenost  

| Aspekt | Detalj implementacije |
|--------|-----------------------|
| **Minimizacija podataka** | Dugoročno se pohranjuju samo agregirani podaci senzora (bez osobnih identifikatora). |
| **Šifriranje** | TLS 1.3 za sav API promet; šifriranje podataka u mirovanju AES‑256. |
| **Kontrole pristupa** | Pristup temeljen na ulogama (Zdravstveni službenik, Upravitelj objekta, Pregled roditelja). |
| **HIPAA & FERPA** | Obrasci koji prikupljaju zdravstvene informacije označeni su kao **PHI**; AI Form Builder automatski primjenjuje **logiranje revizija** i **prikupljanje pristanka**. |
| **Prava slična GDPR‑u** | Roditelji mogu zatražiti brisanje podataka svog djeteta putem ugrađenog obrasca “Zahtjev subjekta podataka”. |

Platforma **AI‑poboljšanog radnog toka pristanka** osigurava da svaki točka prikupljanja podataka sadrži jasan, jezično optimiziran izjava o pristanku, čime se smanjuje pravni rizik za okruge.

---

## Mjerljive koristi iz ranih pilot programa  

| Metrika | Prije implementacije | Nakon 3 mjeseca |
|---------|----------------------|-----------------|
| **Prosječna latencija otkrivanja** | 48 sati (ručno izvještavanje) | 7 minuta (automatizirano) |
| **Vrijeme reakcije ventilacije** | 30 minuta (ručno) | 3 minute (automatsko) |
| **Pozitivni slučajevi po 1 000 učenika** | 12 | 5 |
| **Povjerenje roditelja (anketa)** | 62 % | 89 % |
| **Administrativni rad (sati/tjedno)** | 25 | 8 |

Rezultati pokazuju da **praćenje u stvarnom vremenu i adaptivno ne samo da smanjuje prijenos**, već i **osloboduje osoblje da se fokusira na obrazovanje umjesto na krizno upravljanje**.

---

## Buduća poboljšanja  

1. **Prediktivno predviđanje** – Integracija vremenskih API‑ja i sezonskih trendova patogena za anticipiranje vrhova rizika prije nego što se pojave.  
2. **Među‑okrugovno dijeljenje podataka** – Stvaranje federirane mreže učenja gdje okruzi dijele anonimirane obrasce rizika, poboljšavajući točnost modela bez ugrožavanja privatnosti.  
3. **Integracija nosivih uređaja** – Uparivanje učenicima dodijeljenih nosivih uređaja koji prate puls i temperaturu, pružajući dodatne signale AI motoru rizika.  
4. **Gamificirano zdravstveno obrazovanje** – Korištenje **dinamičnog generiranja sadržaja AI Form Buildera** za isporuku edukativnih mini‑igara prilagođenih dobi koje jačaju higijenske navike.

---

## Zaključak  

Korištenjem **fleksibilnosti niskog koda AI Form Buildera, AI‑vođenog ocjenjivanja rizika i dinamičnog generiranja obrazaca**, škole mogu preći s reaktivnog, opterećenog papirologijom modela zdravlja na **proaktivni, podacima vođen ekosustav**. Rezultat je sigurnije okruženje za učenje, veće povjerenje dionika i predložak za druge javne institucije koje traže praćenje zdravlja u stvarnom vremenu i adaptivno.