W pełni działające wirtualne miasto o populacji ok. 115 tysięcy mieszkańców, z prawdziwymi osiedlami, ulicami, szkołami, zakładami pracy i nazwiskami. Realistyczne związki między ludźmi i cykl dobowy. Model oparty na realnych danych demograficznych i urbanistycznych Gorzowa Wlkp., uzupełniony o migrantów z Ukrainy.
Symulator Gorzowa to kompletna symulacja życia miejskiego działająca w czasie rzeczywistym. Każdy z prawie 115 tysięcy mieszkańców ma własną tożsamość, rodzinę, pracę, szkołę i harmonogram dnia.
Symulator generuje strumień zdarzeń: przebudzenia, dojazdy, pracę, zakupy, randki, związki, seks — wszystko oparte o realne dane słownikowe, statystyczne i behawioralne z różnych źródeł.
Dostęp do archiwum zdarzeń jest i pozostanie bezpłatny. Nie wymaga też rejestracji kont, ani żadnej innej formy podawania swoich danych.
W instancjach komercyjnych możemy Ci wystawić strumień zdarzeń w formie endpointu API, streamingu Apache Kafka, replikacji MySQL, zasilania kolejek Amazon SQS, albo w zasadzie dowolnej innej.
Budujemy takie symulatory na zamówienie dla firm — i możemy dodać niemal wszystko. Oto przykłady rozszerzeń, które realizowaliśmy lub możemy zrealizować:
Mieszkańcy mogą się okradać, napadać, a nawet zabijać. Model recydywy, gangów, rejonów wysokiego ryzyka itp.
Rzeczywiste adresy z baz Geoportal / ksiąg wieczystych. Możliwość odwzorowania prawdziwych mieszkańców miasta.
Każda osoba może mieć własny model językowy jako „mózg" — LLM-driven agents w skali miasta.
Symulacja chorób, kariery zawodowej, rynku pracy, nieruchomości — cokolwiek potrzebujesz.
Możemy uruchomić kilka równoległych wariantów (również przyspieszonych) i porównywać, jak różne decyzje lub zdarzenia wpływają na dalszy rozwój wypadków.
Skontaktuj się, żeby omówić wymagania i wycenę projektu.
Napisz do nasWycena projektu zwykle w ciągu 48 godzin.
Rozporządzenie o ochronie danych osobowych skutecznie blokuje wiele nowoczesnych metod analitycznych i kampanijnych. Jeśli Twój sztab napotyka na któreś z tych ograniczeń:
Art. 22 RODO zakazuje zautomatyzowanego podejmowania decyzji opartego na profilowaniu osób fizycznych. Budowanie modeli predykcyjnych na danych wyborczych to obszar permanentnego ryzyka prawnego.
Art. 9 RODO klasyfikuje dane ujawniające poglądy polityczne jako szczególną kategorię — przetwarzanie bez wyraźnej zgody jest co do zasady zakazane. Analiza zachowań głosowania, aktywności w social mediach czy geolokalizacji pod kątem preferencji partyjnych to poważne ryzyko.
Łączenie danych z różnych źródeł (rejestry publiczne, dane zakupowe, aktywność online) w celu targetowania kampanii wymaga podstawy prawnej, której partie rzadko mogą legalnie uzyskać. Cambridge Analytica pokazała, co grozi za przekroczenie tej granicy.
Uczenie systemów AI na zbiorach zawierających dane osobowe wymaga zgodności z zasadą minimalizacji danych i ograniczenia celu — co praktycznie uniemożliwia budowanie zaawansowanych modeli behawioralnych.
Możemy dostarczyć wysokiej jakości strumień zdarzeń symulujących codzienne życie nawet milionów sztucznych mieszkańców — na tyle realistyczny demograficznie i behawioralnie, że można na nim opierać systemy analityczne, trenować modele AI i testować strategie kampanijne.
Żadnych danych osobowych. Żadnego RODO. Pełna swoboda analityczna.
Potrzebujesz customizacji pod swój przypadek? Dla partii "skrajnych" wdrożymy ją za darmo.
PorozmawiajmyNa szybko i za darmo można wygenerować zestaw sztucznych danych w kilka sekund. Problem zaczyna się wtedy, gdy te dane muszą działać nie przez jeden dzień, ale przez tydzień, miesiąc, rok — albo gdy wymagana jest spójność nie tylko w pojedynczym rekordzie, ale też między tysiącami rekordów w czasie. Pierwszego dnia wszystko wygląda nieźle. Ale już w drugim tygodniu lub po pierwszym pełnym cyklu symulacji zaczyna się rozjeżdżać: student jednocześnie pracuje na dwa etaty, małżonkowie mieszkają pod różnymi adresami, a emeryt chodzi do szkoły podstawowej. My kładziemy nacisk przede wszystkim na koherencję — danych, relacji i czasu.
Nie losujemy tysięcy niezwiązanych ze sobą osób. Każda rodzina jest tworzona jako spójna całość: rodzice mają wiek pasujący do wieku dzieci, rodzeństwo mieszka pod tym samym adresem, dziadkowie są realistycznie starsi od dzieci i wnuków. Żadne szybkie narzędzie generatywne nie robi tego automatycznie.
Para poznała się zanim zaczęła mieszkać razem. Wzięli ślub zanim pojawiły się dzieci — albo nie, ale to jest celowe i odzwierciedla statystyki. Każde zdarzenie wynika z poprzedniego i pozostawia ślad w stanie świata. Darmowe generatory losują daty bez zwracania uwagi na zależności czy ogólną chronologię zdarzeń.
Po tygodniu, miesiącu, roku — dane wciąż są wewnętrznie spójne. Osoba, która dostała wypowiedzenie, nie pojawia się następnego dnia w pracy. Ktoś, kto ożenił się w piątek, w poniedziałek mieszka z partnerem. Koherencja długoterminowa to cecha, którą trzeba zaprojektować od podstaw — nie da się jej dołożyć po fakcie.
Odległości między miejscami w mieście są rzeczywiste. Osoba wychodząca z domu o 7:30 i pracująca 4 km dalej przyjeżdża do pracy o realnej godzinie — nie teleportuje się ani nie spędza trzech godzin w drodze. Dojazdy uwzględniają rzeczywistą siatkę ulic i dzielnic Gorzowa.
Rozkłady wiekowe, proporcje płci, wskaźniki aktywności zawodowej, poziom wykształcenia, dzietność — wszystko wzorowane na statystykach GUS dla Gorzowa Wlkp. Twoje modele nie nauczą się, że „typowy mieszkaniec" to 24-letni singiel bez dzieci i bez zatrudnienia.
Każda decyzja wynika z funkcji deterministycznej przypisanej do konkretnej osoby i chwili czasu, nie z globalnego ziarna losowości. Możesz zatrzymać symulację, zrobić kopię stanu i uruchomić ją ponownie — uzyskasz dokładnie te same zdarzenia. To kluczowe przy debugowaniu modeli AI i testowaniu systemów analitycznych.
Nasze osoby nie robią dwóch rzeczy jednocześnie. Nie śpią i nie robią zakupów w tym samym momencie. Nie idą do pracy, jeśli w poprzednim cyklu odeszły z firmy. Każda zmiana stanu wynika ściśle z poprzedniego stanu — to wymaga prawdziwego silnika symulacji, nie generatora rekordów.
Ponieważ symulacja jest deterministyczna i odtwarzalna, możesz jej używać jak środowiska CI/CD dla swoich modeli: uruchamiasz tę samą sekwencję zdarzeń i sprawdzasz, czy Twój system nadal produkuje oczekiwany wynik. Regresje są łatwe do wykrycia. Żaden statyczny zbiór danych tego nie zapewni.