כך בניתי מערכת AI-Native לשחזור, אימות ואריזת פלטי מודל תחבורה מלאים — ומסרתי אותה כלי מוכן לשימוש ללקוח.
פותח עבור נתיבי איילון כחלק מתהליך הסמכת מודל התחבורה המטרופוליני של באר שבע, לאפשר בקרת איכות קפדנית של פלטי המודל לפני הגשה לממשלה.
“אי אפשר לאשר מודל שלא ניתן לאמת. המערכת הזו הופכת את האימות למהיר, חוזר ושקוף.”
פלטי מודל תחבורה הם מורכבים — עשרות טבלאות, אלפי שורות, מספר תקופות זמן. בדיקה ידנית שלהן מול יעדים לוקחת שבועות ורגישה לשגיאות. בניתי מערכת שעושה את זה אוטומטית, ונמסרת כלי מוכן לשימוש.
המערכת קוראת פלטי מודל גולמיים — שיוכי רשת כבישים, נסיעות תחבורה ציבורית, נתוני קווים — ומשחזרת כל טבלת דוח נדרשת בשימוש בנוסחאות המדויקות מתיעוד המפרט של המודל.
כל טבלה משוחזרת מושווית אוטומטית מול היעד הרשמי. המערכת מסמנת כל אי-התאמה — שורות חסרות, שורות עודפות, הפרשי ערכים מעל סבילות — ומפיקה דוח diff מפורט.
לוח בקרה מקצועי ב-Streamlit מאפשר לאנליסט לסקור כל טבלה, לעבור בין תקופות זמן (בוקר, שעות עסק, אחר הצהריים), לסנן לפי מצב התאמה, ולבחון הבדלים ברמת תא בודד עם צביעה חכמה.
כל המערכת אורזה כתוצר עצמאי ונמסרה ללקוח — כולל כל הקלטים, הסקריפטים, הממשק והתיעוד — כדי שיוכלו להפעיל אותה באופן עצמאי בכל עת.
הדגמה של לוח הבקרה לשחזור וממשק האימות.
מנוע השחזור, חבילת הבדיקות, הממשק ותהליך האריזה כולם נבנו בפיתוח AI-Native עם Claude ו-Codex. לא רק יצירת קוד — פיתוח מחזור מלא: תכנון ארכיטקטורה, מימוש איטרטיבי, בדיקות אוטומטיות והקשחה לייצור. זו שיטת העבודה שאני מלמד.
אימות מודל תחבורה הוא דרישה חוקית וחוזית לפני החלטות תשתית מרכזיות. מערכת שעושה זאת אוטומטית — ומפיקה תיעוד מסלול ביקורת — מחליפה שבועות של עבודה ידנית של אנליסט ומבטלת את הסיכון של שגיאות לא מזוהות בפלטים שמקבלי ההחלטות מסתמכים עליהם.
רוצים כלים AI-Native כאלה לפרויקט התחבורה שלכם?