# AI Form Builder-ის საშუალებით რეალურ დროში ადაპტიული ჭკვიანი ნაგავსაყრელის მონიტორინგის შესაძლებლობა

## შესავალი

ქალაქის ნაგავსაყრელის მართვა არის ერთ-ერთი ყველაზე ხილული, თუმცა არასაკმარისად ოპტიმიზირებული სერვისი თანამედროვე ქალაქებში. ტრადიციული შეგროვების გრაფიკები ეყრდნობა სტატიკური მარშრუტებსა და ფიქსირებულ სიხშირეებს, რაც იწვევს **გადამოწმებას** (დაზიანებული საწვავი, არასაჭირო შრომა) ან **ქვე‑შეგროვებას** (გადავსებული ყუთები, ნარჩენები, საზოგადოებრივი ჯანმრთელობის რისკები).  

**ინტერნეტის საგნები (IoT)** სენსორების, **მიღებული კომპიუტერის** და **გენერაციული AI** კონვერგენცია ახლა საშუალებას იძლევა გადაყვანა რეაქტიული მოდელიდან **პრედიკტიული, ადაპტიული** მოდელზე. ტრანსფორმაციის გულშია **AI Form Builder**—ლოუ‑კოდის პლატფორმა, რომელიც აძლევს ქალაქის დაგეგმველებს, ნაგავსაყრელის ოპერატორებს და მონაცემთა მეცნიერებს შესაძლებლობას, შექმნან, განავრცელონ და იმიტირონ რეალურ დროში ფორმები და სამუშაო ნაკადები, extensive‑კოდის დაწერის გარეშე.

ეს სტატია განისაზღვრება:

1. ტექნიკური სტეკის, რომელიც აძლიერებს ჭკვიან ნაგავსაყრელის მონიტორინგს.  
2. როგორ ქმნის AI Form Builder ადაპტიული ფორმები მონაცემთა შეგროვებისთვის, ვალიდაციისთვის და გადაწყვეტილებების მხარდაჭერაზე.  
3. ნაბიჯ‑ნაბიჯ განხორციელების გიდი.  
4. მოსალოდნელი სარგებელი, KPI‑ის გაუმჯობესება და პოტენციური გამოწვევები.  
5. მომავალ გაფართოებებს, როგორიცაა მოქალაქეთა მოხსენებული ინციდენტები და ციკლური‑ეკონომიკის ინტეგრაცია.

> **მთავარი დასკვნა:** სენსორების ნაკადების AI‑გენერირებული ადაპტიული ფორმებთან coupling‑ით, მუნიციპალიტეტებს შეუძლიათ **შეგროვების მანძილის შემცირება 30 %‑მდე**, **გრინჰაუს‑გაზის გამოტოვებული გამომუშავება**, და **მოქალაქეთა დაკმაყოფილების მაჩვენებლების ზრდა** პირველ წელს.

---

## 1. ბირთვული არქიტექტურის მიმოხილვა

ქვემოთ წარმოდგენილია სისტემის end‑to‑end დიაგრამა. იგი აჩვენებს, როგორ გადის მონაცემები ნაგავსაყრელის სენსორიდან AI Form Builder‑ში, შემდეგ გადაწყვეტილების ძრავში და საბოლოოდ ველოსის გუნდის მობილურ აპლიკაციაზე.

```mermaid
flowchart LR
    subgraph Sensors
        "Bin Fill Sensor":::device --> "Temperature Sensor":::device
        "GPS Tracker":::device --> "Battery Monitor":::device
    end
    subgraph Edge
        "Edge Processor":::edge --> "Data Normalizer":::edge
    end
    subgraph Cloud
        "AI Form Builder":::cloud --> "Adaptive Form Engine":::cloud
        "Predictive Model Service":::cloud --> "Anomaly Detector":::cloud
        "Route Optimizer":::cloud --> "Dispatch System":::cloud
    end
    subgraph Mobile
        "Collector App":::mobile --> "Real‑Time Alerts":::mobile
    end

    classDef device fill:#ffeb3b,stroke:#333,stroke-width:1px;
    classDef edge fill:#90caf9,stroke:#333,stroke-width:1px;
    classDef cloud fill:#a5d6a7,stroke:#333,stroke-width:1px;
    classDef mobile fill:#ffcc80,stroke:#333,stroke-width:1px;

    "Bin Fill Sensor" --> "Edge Processor"
    "Edge Processor" --> "AI Form Builder"
    "AI Form Builder" --> "Collector App"
    "Predictive Model Service" --> "Route Optimizer"
    "Route Optimizer" --> "Dispatch System"
    "Dispatch System" --> "Collector App"
```

### 1.1 სენსორების ფენა

| სენსორის ტიპი | ტიპიკური სიხშირე | მონაცემის პუნქტები |
|---------------|-------------------|--------------------|
| ულტრასონური შევსების დონე | 1 წთ | % შევსება, უტილური მანძილი |
| ტემპერატურა & სველი | 5 წთ | °C, %RH |
| GPS | 30 წმ | გეოგრაფიული განედი, გეოგრაფიული გრძედი |
| ბატარეის ვოლტაჟი | 10 წთ | % დარჩენილი |

სენსორები გადაგზავნიან მონაცემებს **edge‑gateway‑ს** (მაგ. Raspberry Pi ან ინდუსტრიული MCU), რომელიც აკეთებს **მცირე ფილტრაციას** და **TLS‑ენქრიპტებული** ტრანსმიციას ღრუბელში.

### 1.2 ღრუბლის ფენა – AI Form Builder

AI Form Builder იძლევა სამ ძირითად სერვისს:

1. **ადაპტიული ფორმის გენერაცია** – ფორმები ევოლუციონირებულია სენსორის კონტექსტის მიხედვით (მაგ., “High Fill” ფორმა აძლევს “Urgent Collection” გადამრთველს).  
2. **წეს‑დაფუძნებული ვალიდაცია** – AI‑მოყოლილი შეზღუდვები აცილებენ შეცდომიან ჩანაწერებს (მაგ., “fill % > 95 %” უნდა იყოს “priority” დროშით).  
3. **სამუშაო ნაკადის ორკესტრაცია** – ფორმის გაგზავნის შემდეგ, პლატფორმა ტრიგერს downstream‑სერვისებს: მარშრუტის ოპტიმიზაციას, გუნდის შეტყობინებას, ანალიტიკის ლოგირებას.

### 1.3 გადაწყვეტილების ძრავი

**პრედიკტიული მოდელი** (gradient‑boosted trees ან LSTM) პროგნოზირებს შევსების ტრაჯექტორებს შემდეგ 6‑12 საათში. მოდელი იყენებს:

* ისტორიული შევსების კერვები  
* ამინდის პროგნოზები (წვიმა შემცირებს შევსებას)  
* ღონისძიებების კალენდარი (კონცერტები ზრდის ნაგავსაყრელს)  

**ანომალიის დეტექტორი** ალარმს აყენებს ბინებს, რომლებიც გადაჭარბებულია > 20 % პროგნოზირებულ ნორმაზე, რაც იწვევს **მანუალური ვალიდაციის ფორმის** შექმნას.

### 1.4 მობილური დისპაჩი

გუნდის წევრები იღებენ **push‑შეტყობინებებს** წინასწარ შევსებული შეგროვების ფორმით. ფორმა შეიცავს:

* ბინის ID, მდებარეობა, პროგნოზირებული შევსება  
* შემოთავაზებული შეგროვების ფანჯარა  
* უსაფრთხოების შენიშვნები (მაგ., “მაღალი ტემპერატურა – ხელთათმები”)  

გუნდის წევრები დადასტურებენ შესრულებას, სურვილისამებრ ატვირთავენ ფოტოს. დადასტურება განაახლებს ცენტრალურ დეშბორდს რეალურ დროში.

---

## 2. ადაპტიული ფორმების შექმნა AI Form Builder‑ით

### 2.1 ფორმის ბლუ პრინტი

| ველი | ტიპი | დინამიკური წესები |
|------|------|-------------------|
| Bin ID | Hidden (ავტოპოპულირებული) | – |
| Current Fill % | Read‑only | – |
| Predicted Fill % (6 h) | Read‑only | – |
| Collection Priority | Dropdown (Low, Medium, High) | ავტომატურად დაყენდება **High**, თუ `Current Fill % ≥ 90` |
| Crew Assignment | Auto‑suggested (მდებარეობის მიხედვით) | შეიძლება გადატვირთვა |
| Photo Upload | Optional | აუცილებელია, თუ `Priority = High` |
| Comments | Textarea | – |

### 2.2 AI‑მოყოლილი ადაპტივობა

AI Form Builder იყენებს **prompt engineering**‑ს, რათა შექმნას კონდიციული ლოგიკა “on the fly”. მაგალითი prompt:

```
Generate a form for waste bin collection. If the fill level is above 90%, set the priority field to "High" and make the photo upload mandatory. Otherwise, hide the photo field.
```

პლატფორმა აბრუნებს **JSON schema**‑ს, რომელიც ფრონტ‑ენდი იმედით რენდერებს. ეს იშლება საჭიროება მანუალურ კოდირებაზე, როდესაც ახალი პოლიტიკები (მაგ., “Holiday Surge” წესები) გამოვლინდება.

### 2.3 ვალიდაციის ლოგიკა (Pseudo‑code)

```python
def validate_form(data):
    if data["current_fill"] >= 90 and data["priority"] != "High":
        raise ValidationError("Priority must be High for fill ≥ 90%")
    if data["priority"] == "High" and not data.get("photo"):
        raise ValidationError("Photo is required for high‑priority collections")
    return True
```

AI Form Builder ავტომატურად ინტეგრირებს ამ ლოგიკას ფორმის ბექ‑ენდში, რაც უზრუნველყოფს **მონაცემთა მთლიანობას** დეველოპერის ჩარევის გარეშე.

---

## 3. ნაბიჯ‑ნაბიჯ განხორციელების გიდი

### ნაბიჯი 1 – სენსორების განთავსება

1. **აპარატურის არჩევა** (მაგ., Libelium Waspmote ულტრასონურ სენსორით).  
2. **Edge‑gateway-ის კონფიგურაცია** მონაცემთა ბაჩის ყოველ წუთში.  
3. **ყოველი ბინის რეგისტრაცია** AI Form Builder‑ის **Asset Registry**‑ში (უნიკალური ID, GPS კოორდინატები, სერვისის ზონა).

### ნაბიჯი 2 – პრედიკტიული მოდელის შექმნა

1. ექსპორტირება ისტორიული შევსების მონაცემები (მინიმუმ 6 თვე).  
2. Managed ML სერვისის (მაგ., Azure AutoML) გამოყენება დროის სერიების პროგნოზის ტრენირებისთვის.  
3. მოდელის დეპლოი როგორც **REST endpoint** და რეგისტრაცია AI Form Builder‑ის **External Service Catalog**‑ში.

### ნაბიჯი 3 – ადაპტიული ფორმის დიზაინი

1. გახსენით AI Form Builder UI → “Create New Form”.  
2. ჩასვით prompt (ნახეთ სექცია 2.2) და დაელოდეთ AI-ს, რომ შექმნას სქემა.  
3. გადახედეთ ავტომატურად გენერირებულ **validation rules**‑სა და **field layout**‑ს.  
4. შეინახეთ და **გამოქვეყნეთ** “Smart Waste Bin” აპლიკაციის არხზე.

### ნაბიჯი 4 – სამუშაო ნაკადის კონფიგურაცია

1. **Trigger**: ახალი სენსორის წაკითხვა → `fill ≥ 80%`.  
2. **Action**: პრედიკტიული მოდელის გამოძახება, პროგნოზის შენახვა.  
3. **Decision**: თუ `predicted_fill ≥ 95%` **ან** `current_fill ≥ 90%`, შექმენით **High‑Priority Form** და გაგზავნეთ მობილურ აპლიკაციას.  
4. **Post‑Action**: ფორმის გაგზავნის შემდეგ, გამოიძახეთ **Route Optimizer** სერვისი, რათა გადათვალოთ დღის მარშრუტი.

### ნაბიჯი 5 – მობილური აპლიკაციის ინტეგრაცია

1. გამოიყენეთ AI Form Builder‑ის **SDK** (iOS, Android, React Native).  
2. გამოწერეთ “Smart Waste Bin” არხი.  
3. ფორმები ავტომატურად რენდერდება; SDK-მა მართავს offline‑ქეშინგსა და სინქრონიზაციას.

### ნაბიჯი 6 – მონიტორინგი & მუდმივი გაუმჯობესება

| KPI | მიზანი | მაკვალის ინსტრუმენტი |
|-----|--------|----------------------|
| შეგროვების მანძილის შემცირება | ≥ 30 % | GPS მარშრუტის ანალიტიკა |
| ბინების გადავსების ინციდენტები | ≤ 5 % საერთო ბინებიდან | ინციდენტის ლოგი |
| გუნდის რეაგირების დრო | ≤ 10 წთ შეტყობინების შემდეგ | დისპაჩის დროის ნიშნები |
| მოქალაქეთა დაკმაყოფილება (გამოკითხვა) | ≥ 4.5/5 | AI Form Builder‑ის საშუალებით სერვისის შემდგომის გამოკითხვა |

დააყენეთ **დეშბორდი** AI Form Builder‑ის ანალიტიკის მოდულში, რათა რეალურ დროში ნახოთ ეს KPI‑ები.

---

## 4. სარგებელი და ROI

| სარგებელი | რაოდენობრივი გავლენა |
|-----------|----------------------|
| **საწვავის დაზოგვა** | 15‑30 % diesel‑ის მოხმარების შემცირება თითოეული შეგროვების ციკლზე |
| **გამოტოვებული გამომუშავება** | დაახლოებით 200 ტნ CO₂e წლიურად საშუალო ზომის ქალაქისთვის (10 k ბინები) |
| **შრომის ეფექტურობა** | 10‑15 % ნაკლები გუნდის საათები ოპტიმიზირებული მარშრუტის გამო |
| **სერვისის ხარისხი** | 40 % შემცირება მოქალაქეების ბინების გადავსების შესახებ ბილიკებზე |
| **მონაცემ‑მიმართული დაგეგმვა** | ნაგავსაყრელის გენერაციის მოდელები საშუალებას იძლევა მიზნობრივი გადამუშავების კამპანიები |

ტიპიკური **5‑წლიანი ROI** (დასაწყისში $150 k ჰარდვერი, $80 k პლატფორმის სააბონენტო, $200 k ოპერაციული დაზოგვა ყოველწლიურად) იძლევა **2.2 წლის გადახდის პერიოდი** და **$620 k ნეტო მიმდინარე ღირებულება (NPV)**.

---

## 5. საერთო გამოწვევების გადალახვა

| გამოწვევა | მინიმიზაციის სტრატეგია |
|-----------|------------------------|
| **სენსორების კავშირი** | LoRaWAN გეითვების განთავსება დაბალი ენერგიის, დიდი დიაპაზონის კავერაჟისთვის; ბექ‑აპ cellular‑ის გამოყენება. |
| **მონაცემთა ხარისხი** | AI Form Builder‑ის **ავტო‑კლინინგის** წესები (მაგ., outlier removal) და რეგულარული კალიბრაციის განრიგი. |
| **გუნდის ადაპტაცია** | **სასწავლო სანდქქი** AI Form Builder‑ში, სადაც გუნდის წევრები შეიძლება პრაქტიკულად შეისწავლონ ფორმის შევსება. |
| **პირადულობის საკითხები** | GPS‑მონაცემების ანონიმიზაცია საზოგადოებრივი დეშბორდისათვის; როლ‑ბაზირებული წვდომის კონტროლის განხორციელება პლატფორმაზე. |
| **მასშტაბირებადობა** | AI Form Builder‑ის **მულტი‑ტენანტ არქიტექტურაზე** დაყრდნობით; Edge‑processor‑ის ჰორიზონტალური გაფართოება ბინების რაოდენობის ზრდისას. |

---

## 6. მომავალ გაფართოებები

1. **მოქალაქეთა მოხსენებული მოხსენებები** – მსუბუქი საზოგადოებრივი ფორმა, რომელიც აძლევს მოქალაქეებს შესაძლებლობას, გადავსებული ბინები მოხსენდეს, ავტომატურად ქმნის მაღალი პრიორიტეტის სამუშაო მოთხოვნას.  
2. **ციკლური‑ეკონომიკის ინტეგრაცია** – “Material Type” ველის დამატება, რომელიც აკრედიტებს გადამუშავებული ფრაგმენტების მონაცემებს, რაც ხელს უწყობს ქალაქის გადამუშავების პრომოციის სისტემებს.  
3. **დინამიკური ფასის მოდელი** – შევსების მონაცემის გამოყენება “pay‑as‑you‑throw” სქემის შესაქმნელად, რაც ხელს უწყობს ნაგავსაყრელის შემცირებას.  
4. **AI‑გენერირებული მარშრუტის სიმულაციები** – Monte‑Carlo სიმულაციები AI Form Builder‑ში, რათა before‑deployment‑ში შეფასება alternative‑collection‑strategies.

---

## დასკვნა

AI Form Builder გარდაქმნის **სენსორების ნაკადის** მოქმედ, ადაპტიული სამუშაო ნაკადებად, რაც აძლიერებს მუნიციპალიტეტებს, smarter, greener ნაგავსაყრელის შეგროვების სერვისის გაშვებაში. ფორმის გენერაციის, ვალიდაციისა და მარშრუტის ოპტიმიზაციის ავტომატიზაციით, ქალაქებს შეუძლიათ მიიღონ მაკვალის დაზოგვა, გამოტოვებული გამომუშავება, და მაღალი მოქალაქეთა დაკმაყოფილება — ყველა იმავე დროს, ციკლური‑ეკონომიკის მონაცემ‑მიმართული საფუძველი ქმნიან.