כל מנהל טכנולוגיות ברשות מקומית או בארגון ביטחוני מכיר את הפרדוקס: מאות מצלמות פרושות ברחבי העיר, אבל אף אדם לא מסוגל באמת לצפות בכולן בו-זמנית. כאן בדיוק נכנס לתמונה Safe City מבוסס בינה מלאכותית — גישה שבה מערכת ה-AI היא שמנטרת, מזהה ומתריעה, במקום שורת מוקדנים עייפים מול קיר מסכים. ב-2026 כבר לא מדובר בחזון עתידי אלא בתשתית תפעולית פעילה ברשויות ובמתקנים רגישים בישראל.
בכתבה נפרק איך AI שינה את משוואת ניהול הערים: אילו טכנולוגיות עומדות מאחורי פתרונות Safe City, אילו תרחישי שימוש מניבים את הערך הגבוה ביותר, איך המערכת עובדת בשטח, ומה חייב לדעת מנהל טכנולוגי לפני שהוא בוחר ספק — כולל אתגרי אינטגרציה, פרטיות, עלות, זמן יישום ומדדי הצלחה.
מה זה Safe City ולמה בינה מלאכותית שינתה את הכללים
Safe City הוא מערך תשתיות חיישנים, מצלמות ומקורות מידע עירוניים המחובר לשכבת ניתוח מרכזית, שתפקידה להפוך נתונים גולמיים להחלטות תפעוליות. עד לפני כמה שנים השכבה הזו הייתה אנושית כמעט לחלוטין: מוקדן שצופה, מזהה ומחליט, ומערכת שמתפקדת בעיקר כארכיון לתחקור בדיעבד.
הבעיה ידועה לכל CTO שניהל מוקד — תשומת הלב האנושית מתפוגגת אחרי כ-20 דקות מול עשרות מסכים, ואירועים קריטיים פשוט מתפספסים. ככל שמספר המצלמות גדל, יכולת הצפייה האנושית דווקא יורדת ביחס הפוך. בינה מלאכותית שינתה את המשוואה: במקום שאדם יחפש את האירוע, המערכת מציפה רק את מה שחריג ומחייב התייחסות.
המשמעות התפעולית עמוקה. המוקדן עובר מ"חיפוש" ל"אישור והכרעה", הקיבולת התפעולית גדלה פי כמה ללא הגדלת כוח אדם, והעיר מקבלת יכולת תגובה פרואקטיבית במקום תיעוד פסיבי. זה ההבדל בין מערכת שמסבירה מה קרה אתמול לבין מערכת שמונעת את מה שעומד לקרות עכשיו.
חשוב להבין שמדובר בשינוי תפיסתי ולא רק בשדרוג טכני. ארגון שמטמיע Safe City עובר ממודל של "תגובה לאירוע" למודל של "ניהול סיכונים מתמשך", שבו נתוני העבר מזינים מודלים חיזויים שמכוונים פריסת כוחות עוד לפני שמתרחשת בעיה.
הטכנולוגיות שמאחורי Safe City: ראייה ממוחשבת וזיהוי אנומליות
בלב כל פתרון Safe City עומדת ראייה ממוחשבת (Computer Vision) — היכולת של מודל AI לנתח וידאו ולהבין מה מתרחש בפריים: אנשים, רכבים, חפצים, תנועה וכיווניות. על גבי זה רצים מודלים ייעודיים לכל תרחיש, מספירת קהל ועד זיהוי נפילה של אדם.
זיהוי אנומליות (Anomaly Detection) הוא הלב הפועם: במקום להגדיר ידנית "מה אסור", המערכת לומדת את ההתנהגות הנורמלית של הזירה — קצב התנועה, מסלולים שכיחים, שעות עומס — ומתריעה כשמשהו חורג מהדפוס. כך מזוהים חפץ שננטש, התקהלות לא אופיינית או רכב שנע בכיוון הנגדי, גם בלי שמישהו הגדיר מראש את התרחיש המדויק.
רכיב מרכזי נוסף הוא ANPR (זיהוי לוחיות רישוי אוטומטי), המאפשר הצלבה מול רשימות מעקב וניהול תנועה דינמי. הדיוק של המודלים האלה תלוי ישירות באיכות האימון — וכאן ההבדל בין ספק שמשתמש במודל גנרי לבין צוות שמאמן ומכייל (fine-tuning) את המודל על הדאטה המקומי הספציפי, כולל תאורה, מזג אוויר וזוויות המצלמות בשטח. אצלנו ב-Two Solutions זה ההבדל בין כ-80% ל-97% דיוק בזיהוי — פער שמכריע אם המערכת מייצרת אמון או מטביעה את המוקד בהתראות שווא.
תרחישי שימוש: מתנועה עירונית ועד אבטחת מתקנים קריטיים
הערך של Safe City מתממש בתרחישים קונקרטיים. בניהול תנועה, המערכת מזהה גודש בזמן אמת, מתעדפת רמזורים ומקצרת זמני נסיעה של אמבולנסים. בבטיחות הציבור, היא מזהה תאונות, נפילות או אלימות ומזניקה כוחות לפני שמתקבלת שיחת חירום.
בתחום האבטחה ההיקפית של מתקנים קריטיים — נמלי תעופה, תשתיות אנרגיה ומתקני ביטחון — Safe City מזהה חדירה לגדר, שוטטות חשודה או כלי טיס בלתי מורשה. כאן הניסיון שלנו מפרויקטי אבטחת תעופה ובטחון בא לידי ביטוי: סביבות שבהן התראת שווא עולה ביוקר ודיוק הוא לא מותרות אלא דרישת סף.
גם מחוץ למרחב העירוני הקלאסי, אותה טכנולוגיה משרתת ארגונים. בפרויקטים כמו Quantap בתחום הבנייה והנדל"ן יישמנו ניתוח וידאו לזיהוי הפרות בטיחות באתרים — אותה ליבה טכנולוגית של Safe City, בהקשר ארגוני שונה.
המכנה המשותף לכל התרחישים הוא שהמודל חייב להתאים לסביבה הספציפית. מצלמה בכניסה לנמל תעופה, צומת עירוני עמוס ואתר בנייה דורשים אימון שונה לחלוטין — ולכן פרויקט Safe City רציני מתחיל תמיד במיפוי התרחישים הקריטיים ובהגדרת רף הדיוק הנדרש לכל אחד מהם.
ניהול עירוני בזמן אמת — איך Safe City עובד בשטח
הערך האמיתי של Safe City לא נמצא במצלמה הבודדת אלא בניהול בזמן אמת של כלל המקורות יחד. מערכת בוגרת מאחדת וידאו, חיישני תנועה, מוקד 106 ודיווחי תושבים למסך מצב אחד (Common Operational Picture), ומתעדפת אירועים לפי חומרה ולא לפי סדר הגעה.
כאן נכנסים גם סוכני AI אוטונומיים: במקום שכל התראה תחכה למוקדן, סוכן יכול לבצע צעדים ראשונים — להצליב מול מצלמות סמוכות, לאמת אם מדובר באירוע אמת או False Positive, ולפתוח אירוע מתועד עם המלצת פעולה. התוצאה אצל לקוחות Safe City שלנו: ירידה של עשרות אחוזים בהתראות שווא, וזמן תגובה ממוצע שמתקצר ממספר דקות לשניות בודדות.
מנהלי טכנולוגיה שמגיעים מעולם ה-פיתוח AI מזהים מיד את היתרון: זו אותה ארכיטקטורה של pipeline נתונים, מודלים ואוטומציה — רק שהפלט הוא ביטחון ובטיחות במרחב הציבורי במקום דשבורד עסקי. מי שכבר בנה מערכת AI ארגונית מבין שהאתגר אינו המודל הבודד אלא התזמור בין כל הרכיבים בזמן אמת ובאמינות גבוהה.
Voice AI בעברית: שכבת ההתראה והניתוב שחסרה לרוב המערכות
רוב פתרונות Safe City מתמקדים בווידאו ושוכחים את הערוץ הקולי, שהוא קריטי בעברית. Voice AI — זיהוי, הבנה והפקת דיבור בעברית — מאפשר למערכת להתקשר אוטומטית לכונן, למסור תקציר אירוע מובנה, ולנתב פניות תושבים ללא המתנה למוקדן אנושי.
זה בדיוק התחום שבו פיתחנו את Dialex, מנוע ה-Voice AI בעברית שלנו, שמתמודד עם הסלנג, הניבים והרעש שמאפיינים שיחות אמת בישראל — אתגר שמודלים גלובליים פשוט לא פותרים בעברית. שילוב שכבה קולית בעברית בתוך מערך Safe City הופך אותו ממערכת תצפית פסיבית למערכת תקשורת אקטיבית בין המוקד, הצוותים בשטח והתושבים.
אותה גישה של AI בהקשר מקומי מנחה אותנו גם בפרויקטים כמו MaiTech בתחום החינוך — ההבנה שדיוק אמיתי מגיע מהתאמה לשפה ולהקשר, לא ממודל "מהמדף".
אתגרי יישום ל-CTO: אינטגרציה, פרטיות, עלות וזמן
הצד הפחות זוהר אבל הקריטי. אינטגרציה היא האתגר הראשון: לרשות כבר יש VMS, מצלמות מיצרנים שונים ומערכות מורשת. פתרון Safe City טוב חייב לשבת מעל התשתית הקיימת דרך ממשקי API פתוחים, לא לדרוש החלפת חומרה גורפת שמייקרת ומעכבת את הפרויקט בשנים.
פרטיות ורגולציה הם שיקול מהותי בישראל: יש לתכנן מנגנוני אנונימיזציה, מדיניות שמירת מידע וניהול הרשאות עוד בשלב התכנון, ולא כתוספת מאוחרת. מערכת שלא נבנתה עם פרטיות-בעיצוב (Privacy by Design) תיתקע באישורים המשפטיים ותאבד את אמון הציבור.
לבסוף עלות וזמן: פרויקט Safe City מבוסס מודלים גנריים יכול להיכשל יקר, בעוד מודל מכויל לזירה הספציפית מחזיר השקעה תוך חודשים. הניסיון שלנו מפרויקטי ביטחון ותעופה מלמד ש-Proof of Concept ממוקד על אזור אחד, תוך 6–10 שבועות, הוא הדרך הנכונה להוכיח ROI לפני פריסה רחבה ולצמצם סיכון תקציבי.
מדדי הצלחה: איך מודדים ROI בפרויקט Safe City
CTO שמביא פרויקט Safe City להנהלה חייב מספרים, לא הבטחות. המדדים המרכזיים הם דיוק הזיהוי (אחוז ה-True Positives מול שיעור התראות השווא), זמן התגובה מרגע האירוע ועד פעולה, והקיבולת — כמה מצלמות מוקדן בודד מסוגל לכסות ביעילות.
בפרויקטים מוצלחים אנו רואים ירידה של 60%–80% בהתראות שווא, קיצור משמעותי בזמן התגובה, והכפלה ואף שילוש של מספר המצלמות לכל מוקדן. אלו מספרים שמתורגמים ישירות לחיסכון בכוח אדם ולשיפור מדיד בבטיחות — בדיוק השפה שבה מדברים בדיוני תקציב. מומלץ להגדיר את המדדים האלה כבר ב-POC, כך שהמעבר לפריסה מלאה יישען על נתונים ולא על תחושות.
שווה גם לעקוב אחר מדדים תפעוליים רכים יותר: שביעות רצון המוקדנים, זמן ההכשרה של עובד חדש, ועומס ההתראות היומי. ירידה בעומס ההתראות לרוב מנבאת שיפור בכל שאר המדדים, מפני שהיא משחררת את הצוות להתמקד באירועים שבאמת חשובים.
איך Two Solutions בונה פתרונות Safe City
אנחנו לא בית תוכנה גנרי — אנחנו צוות AI עומק עם אנשים מהמחלקות המתקדמות של חברות כמו Google ו-NVIDIA, המתמחה בבניית מודלים מאפס, כיול LLM ושילוב AI במוצרים אמיתיים. בפרויקטי Safe City אנחנו מביאים את אותה גישה: מודלים מכוילים לזירה, סוכני AI לאוטומציה תפעולית, ושכבת Voice AI בעברית שמדברת את השפה של השטח.
מנקודת המבט של מנהל טכנולוגי, היתרון הוא שותף יחיד שמחזיק את כל המחסנית — מ-Computer Vision ועד אינטגרציה, פרטיות ומדדי ROI — ומתחייב למספרי דיוק ולזמני יישום מדידים. אם אתם שוקלים מהלך Safe City או הטמעת AI במערך הביטחון העירוני שלכם, נשמח ללוות אתכם משלב ה-POC ועד פריסה מלאה.
למידע נוסף על המגמות בתחום ניתן לעיין בסקירת Deloitte על ערים חכמות בעידן הבינה המלאכותית.
