Τα «έξυπνα μάτια»: πώς η τεχνητή νοημοσύνη εντοπίζει παραβάσεις στους δρόμους της Αθήνας

Από την απλή καταγραφή στην «κατανόηση» της εικόνας

Η ουσιαστική διαφοροποίηση των νέων καμερών τεχνητής νοημοσύνης από τα παλαιότερα συστήματα (π.χ. τα κλασικά ραντάρ ταχύτητας) είναι ότι δεν περιορίζονται στη λήψη μιας φωτογραφίας όταν ενεργοποιηθεί ένας αισθητήρας. Αναλύουν βίντεο σε πραγματικό χρόνο με αλγορίθμους βαθιάς μάθησης (deep learning), «διαβάζοντας» τη σκηνή: αναγνωρίζουν οχήματα και ανθρώπους, κατηγοριοποιούν τύπους οχημάτων και εντοπίζουν συγκεκριμένες συμπεριφορές του οδηγού, όπως το κινητό στο χέρι ή τη μη χρήση ζώνης και κράνους.

Ο πυρήνας του συστήματος είναι ένα δίκτυο καμερών αυτόματης αναγνώρισης πινακίδων (ANPR — Automatic Number Plate Recognition), πάνω στο οποίο «κάθεται» ένα επιπλέον στρώμα αλγοριθμικής ανάλυσης τεχνητής νοημοσύνης. Όταν εντοπιστεί παράβαση, το λογισμικό δεν διαβάζει μόνο την πινακίδα: ανιχνεύει επίσης τη μάρκα, το μοντέλο και το χρώμα του οχήματος, στοιχεία που λειτουργούν ως επιπλέον επίπεδο διασταύρωσης για την ταυτοποίηση. Αρκετές κάμερες λειτουργούν με διπλή λήψη (μπροστινή και πίσω εγγραφή) για μεγαλύτερη ακρίβεια, ενώ έχουν τη δυνατότητα φωτογράφισης και βιντεοσκόπησης ακόμη και σε συνθήκες χαμηλού φωτισμού — άρα δουλεύουν αδιάκοπα, μέρα και νύχτα.

Τι εντοπίζουν οι αλγόριθμοι

Το πιλοτικό σύστημα του Υπουργείου Ψηφιακής Διακυβέρνησης και Τεχνητής Νοημοσύνης καταγράφει πέντε βασικές κατηγορίες παραβάσεων του Κ.Ο.Κ.: α) παραβίαση ερυθρού σηματοδότη, β) υπέρβαση του ορίου ταχύτητας, γ) κίνηση ή στάση σε λεωφορειολωρίδες (και λωρίδες έκτακτης ανάγκης), δ) μη χρήση ζώνης ασφαλείας ή κράνους και ε) χρήση κινητού τηλεφώνου εν κινήσει. Πρόκειται ουσιαστικά για τις παραβάσεις που θα εντόπιζε και ένας τροχονόμος με το μάτι — μόνο που εδώ ο «τροχονόμος» είναι ένα εκπαιδευμένο μοντέλο όρασης υπολογιστών που δεν κουράζεται και δεν αποσπάται.

Το θεσμικό πλαίσιο δόθηκε από τον νόμο 5256/2025, ο οποίος προβλέπει τα «Συστήματα Καταγραφής Παραβάσεων του Κ.Ο.Κ. με κάμερες και συστήματα τεχνητής νοημοσύνης» και τη λειτουργία ενός Ενιαίου Ηλεκτρονικού Συστήματος Καταγραφής και Διαχείρισης Παραβάσεων (Ε.Η.Σ.), το οποίο διαχειρίζεται ο νεοσύστατος φορέας ΟΔ.Υ.Σ.Ε.ΑΣ.

Η διαδρομή των δεδομένων: από τη διασταύρωση στη Θυρίδα Πολίτη

Η ροή μιας παράβασης μέσα στο σύστημα έχει ενδιαφέρον ως άσκηση αρχιτεκτονικής δεδομένων. Όταν ο αλγόριθμος «εντοπίζει» μια παράβαση, η κάμερα αποθηκεύει αυτόματα το αποδεικτικό υλικό — φωτογραφίες, βίντεο, αριθμό πινακίδας και χρονικά μεταδεδομένα. Στην περίπτωση των καμερών ερυθρού σηματοδότη της Περιφέρειας Αττικής, ο φάκελος κάθε περιστατικού περιλαμβάνει πέντε φωτογραφίες υψηλής ανάλυσης και ένα σύντομο βίντεο, ώστε να υπάρχει πλήρης τεκμηρίωση αν ο οδηγός υποβάλει ένσταση.

Η διαβίβαση γίνεται κρυπτογραφημένα: οι κάμερες της Περιφέρειας στέλνουν τα δεδομένα μέσω ασφαλούς δικτύου στο κατά τόπον αρμόδιο Τμήμα Τροχαίας. Εκεί μπαίνει στο παιχνίδι ο άνθρωπος: κάθε υποψήφια παράβαση που έχει εντοπίσει η τεχνητή νοημοσύνη εξετάζεται από αστυνομικούς της Τροχαίας πριν βεβαιωθεί οριστικά η κλήση. Πρόκειται για κλασικό σχήμα «human in the loop» — ο αλγόριθμος προτείνει, ο άνθρωπος αποφασίζει.

Εφόσον η παράβαση επιβεβαιωθεί, η Πράξη Βεβαίωσης Παράβασης εκδίδεται και επιδίδεται ψηφιακά: ο πολίτης λαμβάνει ειδοποίηση στο Gov.gr Wallet και ενημερωτικό SMS, ενώ η κλήση εμφανίζεται και στη Θυρίδα Πολίτη στο gov.gr. Από εκεί μπορεί είτε να πληρώσει ηλεκτρονικά είτε να υποβάλει ένσταση, επίσης πλήρως ψηφιακά. Ολόκληρος ο κύκλος — καταγραφή, βεβαίωση, επίδοση, ένσταση, πληρωμή — τρέχει πάνω στο Ε.Η.Σ., χωρίς χαρτί και χωρίς μπλοκάκι τροχονόμου.

Ένα οικοσύστημα, τρία δίκτυα

Αυτό που περιγράφεται συλλήβδην ως «οι κάμερες AI της Αθήνας» είναι στην πραγματικότητα τρία διακριτά δίκτυα που συγκλίνουν στο ίδιο πληροφοριακό σύστημα.

Το πρώτο είναι οι οκτώ πιλοτικές κάμερες τεχνητής νοημοσύνης του Υπουργείου Ψηφιακής Διακυβέρνησης, τοποθετημένες από τον Δεκέμβριο του 2025 σε κομβικά σημεία υψηλής επικινδυνότητας — από την Πανεπιστημίου με Βασιλίσσης Σοφίας στο κέντρο της Αθήνας μέχρι τη Συγγρού στην Καλλιθέα και την Ποσειδώνος στα νότια προάστια. Αυτές καλύπτουν και τις πέντε κατηγορίες παραβάσεων.

Το δεύτερο είναι οι 388 κάμερες της Περιφέρειας Αττικής, ειδικά κατασκευασμένες κατά παραγγελία βάσει τεχνικών προδιαγραφών, με την εγκατάσταση να ολοκληρώνεται μέσα στον Ιούλιο του 2026. Έχουν πιο στενή αποστολή: καταγράφουν αποκλειστικά την παραβίαση του ερυθρού σηματοδότη. Η ενεργοποίησή τους είναι συνδεδεμένη απευθείας με τον ρυθμιστή κυκλοφορίας του σηματοδότη και καταγράφουν κάθε όχημα που περνά τη λευκή γραμμή ενώ το φανάρι είναι κόκκινο — μια ντετερμινιστική σκανδάλη, σε αντίθεση με την πιθανοτική φύση της ανίχνευσης συμπεριφορών.

Το τρίτο δίκτυο είναι κινητό: δέκα λεωφορεία της ΟΣΥ εξοπλίστηκαν με κάμερες που ελέγχουν την αντικανονική κυκλοφορία και στάθμευση στις λεωφορειολωρίδες, σε γραμμές όπου η παράνομη είσοδος οχημάτων ξεπερνά σε ορισμένους άξονες το 20-30% της ροής. Ενδιαφέρουσα λεπτομέρεια: οι κάμερες των λεωφορείων δεν κόβουν απλώς κλήσεις — συλλέγουν παράλληλα δεδομένα για την κατάσταση των υποδομών και την κίνηση, τροφοδοτώντας τον σχεδιασμό των δρομολογίων.

Ο τελικός στόχος είναι ένα δίκτυο 2.500 καμερών: 2.000 σε σταθερά σημεία υψηλής επικινδυνότητας και 500 πάνω σε λεωφορεία, με επέκταση που συζητείται ήδη και για τη Θεσσαλονίκη.

Οι αριθμοί — και τι πραγματικά δείχνουν

Κατά την πιλοτική φάση, το δίκτυο των οκτώ καμερών εντόπιζε πάνω από 40.000 παραβάσεις την ημέρα — νούμερο που ο αρμόδιος υπουργός χαρακτήρισε σοκαριστικό. Όταν όμως ξεκίνησε η επίσημη βεβαίωση κλήσεων, τα μεγέθη προσγειώθηκαν: από τις 30 Μαρτίου έως τις 29 Απριλίου 2026, οι ίδιες οκτώ κάμερες βεβαίωσαν 13.705 παραβάσεις συνολικά.

Η ψαλίδα ανάμεσα στα δύο νούμερα είναι ίσως το πιο αποκαλυπτικό τεχνικό στοιχείο όλης της ιστορίας. Σύμφωνα με δημοσιεύματα, στον ανθρώπινο έλεγχο απορρίπτεται έως και το 90% των καταγραφών της τεχνητής νοημοσύνης. Οι λόγοι είναι διδακτικοί για οποιονδήποτε ασχολείται με συστήματα τεχνητής νοημοσύνης σε πραγματικές συνθήκες. Πρώτον, οι αλγόριθμοι βρίσκονται ακόμη σε φάση εκπαίδευσης πάνω σε ελληνικά δεδομένα. Δεύτερον, το πρόβλημα του πλαισίου: το μοντέλο αναγνωρίζει την εικόνα αλλά όχι την περίσταση — δεν μπορεί να καταλάβει αν ο οδηγός μπήκε στη λεωφορειολωρίδα για να ανοίξει δρόμο σε ασθενοφόρο ή αν πέρασε το κόκκινο με υπόδειξη τροχονόμου. Και τρίτον, ένας πολύ πεζός περιορισμός: αρκετές κάμερες τοποθετήθηκαν σε υπάρχοντες ιστούς φωτισμού και σηματοδότησης αντί για ειδικά σχεδιασμένα σημεία, με αποτέλεσμα οι γωνίες λήψης να δυσκολεύουν την ανίχνευση λεπτών παραβάσεων όπως το κινητό ή η ζώνη.

Υπάρχει πάντως και η άλλη όψη: η αποτρεπτική. Σε πιλοτικό σημείο όπου τοποθετήθηκε κάμερα, οι παραβιάσεις έπεσαν από περίπου 200 την ημέρα σε μόλις 5-6. Η απλή γνώση ότι «κάποιος βλέπει» φαίνεται να αλλάζει συμπεριφορές πολύ πριν φτάσει η πρώτη κλήση.

Προσωπικά δεδομένα: τι καταγράφεται και τι όχι

Το ερώτημα που απασχολεί εύλογα τους οδηγούς είναι αν οι κάμερες «βλέπουν» πρόσωπα. Η επίσημη γραμμή είναι ότι το σύστημα εστιάζει στην πινακίδα του οχήματος και ότι, στις περιπτώσεις παραβάσεων που απαιτούν ματιά μέσα στην καμπίνα (ζώνη, κράνος, κινητό), η λήψη περιορίζεται στα απολύτως απαραίτητα στοιχεία για τη βεβαίωση, σύμφωνα με τον GDPR. Οι κάμερες ερυθρού σηματοδότη της Περιφέρειας κάνουν ένα βήμα παραπάνω: φωτογραφίζουν το πίσω μέρος του οχήματος, ώστε να μην αποτυπώνεται καθόλου ο οδηγός. Στα λεωφορεία, τα μη απαραίτητα στοιχεία της εικόνας αποκρύπτονται.

Σε επίπεδο υποδομής, η διαβίβαση είναι κρυπτογραφημένη, τα αρχεία διατηρούνται για περιορισμένο χρονικό διάστημα που ορίζει ο νόμος, η πρόσβαση περιορίζεται σε εξουσιοδοτημένο προσωπικό και τα δεδομένα χρησιμοποιούνται αποκλειστικά για σκοπούς ελέγχου της κυκλοφορίας. Ο πολίτης διατηρεί το δικαίωμα πρόσβασης στα δεδομένα που τον αφορούν και τη δυνατότητα προσφυγής στην Αρχή Προστασίας Δεδομένων Προσωπικού Χαρακτήρα.

Συμπέρασμα: ο αλγόριθμος προτείνει, ο άνθρωπος αποφασίζει

Η περίπτωση των καμερών της Αττικής είναι ένα σπάνια καθαρό, εγχώριο case study εφαρμοσμένης τεχνητής νοημοσύνης σε δημόσια υποδομή. Η τεχνολογική στοίβα — ANPR, deep learning σε πραγματικό χρόνο, κρυπτογραφημένη μετάδοση, ενιαίο πληροφοριακό σύστημα, ψηφιακή επίδοση μέσω gov.gr — είναι σύγχρονη και φιλόδοξη. Ταυτόχρονα, το ποσοστό απόρριψης στον ανθρώπινο έλεγχο υπενθυμίζει ότι η υπολογιστική όραση χωρίς κατανόηση πλαισίου παράγει θόρυβο, και ότι ο άνθρωπος στον βρόχο δεν είναι γραφειοκρατική πολυτέλεια αλλά τεχνική αναγκαιότητα — τουλάχιστον μέχρι τα μοντέλα να ωριμάσουν πάνω στα δεδομένα των ελληνικών δρόμων.

Το πραγματικό στοίχημα, πάντως, δεν είναι τεχνολογικό. Αν μια κάμερα αρκεί για να ρίξει τις παραβάσεις από 200 σε 5 την ημέρα, τότε το σύστημα δουλεύει καλύτερα ως καθρέφτης παρά ως εισπρακτικός μηχανισμός: μας δείχνει πόσο συχνά παραβιάζαμε τους κανόνες όταν πιστεύαμε ότι κανείς δεν κοιτάζει.