Menu

Como os algoritmos de aprendizagem de máquina podem ajudar as cidades inteligentes

30 de janeiro de 2017 - Cidades Inteligentes, Tecnologia
Como os algoritmos de aprendizagem de máquina podem ajudar as cidades inteligentes

A aprendizagem mecânica – a forma de estreita inteligência artificial que permite às máquinas aprender com os dados – tem enorme potencial para transformar a vida urbana. De carros sem motorista a edifícios que podem prever as instalações que você deseja usar, o aprendizado de máquinas pode agilizar nossas experiências cotidianas e melhorar nossa qualidade de vida.

Assim, como parte de nosso projeto mais amplo sobre aprendizagem de máquinas, a Sociedade Real liderou um workshop sobre aprendizado de máquinas para cidades inteligentes, transporte e serviços públicos em 29 de setembro. Exploramos a “arte do possível” e discutimos barreiras à implementação segura e rápida da aprendizagem de máquinas na vida cotidiana.

Esta postagem do blog fornece uma breve visão geral da discussão.

Como seria a transformação?

Transporte: Sistemas de transporte inteligentes podem ajudar a aliviar o congestionamento, reduzir a poluição e melhorar as experiências dos clientes no transporte público. Em uma visão do futuro, as opções de transporte poderiam ser inteligentes; Os telefones inteligentes podem rever uma variedade de opções de viagem e fazer sugestões personalizadas, usando a aprendizagem automática para contabilizar preferências pessoais, como opções de estilo de vida. Aprendizagem de máquina também suporta carros sem motorista, como discutimos antes , que poderia ter uma gama de benefícios . Por exemplo, Elon Musk sugeriu que os seres humanos poderiam ser proibidos de dirigir devido aos benefícios de segurança aumentados de carros sem motorista.

Utilidades: O aprendizado de máquinas já está sendo usado no setor de energia para otimizar redes elétricas e pode apoiar a descarbonização, fornecendo utilitários de forma mais inteligente. Por exemplo, o Nest Learning Thermostat usa aprendizado de máquina para aprender as preferências e horários de um proprietário, otimizando o aquecimento doméstico e o resfriamento. Esta “inteligência doméstica” também pode estimular mudanças nos modelos de negócios de utilidade, o que significa que os usuários poderiam pagar por serviços como mobilidade, conforto e limpeza em vez de produtos como eletricidade, gás e água.

Cidades inteligentes : As cidades estão derretendo potes de muitos problemas complexos e interdependentes. Aprendizagem de máquinas poderia resolver esses problemas conectados, otimizando o planejamento urbano e integrando os serviços da cidade para resultados personalizados, mesmo se os indivíduos não têm usado serviços específicos antes. Por exemplo, a aprendizagem de máquina poderia seguir níveis de desperdício em caixas de reciclagem e serviços de coleta de alfaiate baseados em previsões de desperdício. Isso também pode fornecer informações sobre as taxas de reciclagem variável.

Obstáculos a superar

A disponibilidade, a qualidade e o formato dos dados são fundamentais para permitir o uso do aprendizado automático . No entanto, o nosso workshop identificou problemas de acessibilidade de dados como uma barreira fundamental para o uso da aprendizagem de máquinas no contexto de cidades inteligentes, utilitários e transportes. Existem diferentes maneiras de abordar esta questão, eo apoio de Manchester de compartilhamento de dados públicos como parte de sua recente descentralização urbana mostra um caminho potencial para a frente.

Dito isto, os dados por si só não são suficientes. “Grandes dados não significam um grande conhecimento”: órgãos públicos e empresas privadas precisam formular perguntas úteis para interrogar dados com o objetivo de gerar o resultado desejado, como por exemplo, mais viagens de ônibus a menor custo e menos carbono. Gerar essas perguntas requer que especialistas em domínios e cientistas de dados trabalhem em conjunto, mas esses papéis geralmente são desconectados. Uma forma de “ciência dos dados para os não-cientistas de dados de formação poderia ajudar a aumentar a compreensão de quando o aprendizado de máquinas pode ser valioso, e criar clientes inteligentes para sistemas de aprendizagem de máquina.

Alguns sistemas de aprendizado de máquinas são capazes de produzir resultados altamente precisos, mas sofrem com a falta de transparência na forma como esses resultados foram criados, como observamos anteriormente neste blog . A baixa interpretabilidade desses sistemas pode criar problemas com a verificação ou a certificação, e aumentar o tempo necessário para garantir a aprovação regulamentar pode desencorajar serviços ou produtos inovadores. No entanto, isso também tem que ser equilibrado contra proteger os clientes de inovações arriscadas.

Qual o proximo?

Há uma forte necessidade de “unir os pontos” entre as tecnologias, como a aprendizagem de máquinas e a Internet das Coisas, para criar ambientes verdadeiramente inteligentes. Isto poderia ser conseguido, em parte, através de uma maior consciencialização do potencial da aprendizagem de máquinas – através de estudos de caso, por exemplo – e pela quebra de silos entre sectores. Por exemplo, o projeto sem motorista de carros da Greenwich está atraindo novos pensamentos em cidades de energia, transporte e smart.

Em última análise, qualquer visão para o futuro das empresas de serviços públicos, dos transportes e das cidades inteligentes precisa ser orientada pelo consumidor, uma vez que a aceitação pública irá informar as considerações éticas e de aceitabilidade à medida que a aprendizagem das máquinas é aplicada na vida cotidiana. O primeiro passo é identificar as necessidades dos consumidores e exemplos de “prova de conceito” para a aprendizagem de máquinas, a fim de aumentar o interesse e a aceitação segura por parte dos serviços públicos e privados. Aprendizagem de máquina é atualmente mais difundido em marketing como Amazon recomendador sistemas e Netflix, mas usado corretamente, aprendizagem de máquina poderia ser aproveitado para criar mudança transformacional para o bem público.

 

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *