{"id":20908,"date":"2017-01-30T14:12:48","date_gmt":"2017-01-30T16:12:48","guid":{"rendered":"http:\/\/www.kblo.com.br\/blog\/?p=20908"},"modified":"2017-01-30T14:13:55","modified_gmt":"2017-01-30T16:13:55","slug":"20908-2","status":"publish","type":"post","link":"https:\/\/www.kblo.com.br\/blog\/20908-2\/","title":{"rendered":"Como os algoritmos de aprendizagem de m\u00e1quina podem ajudar as cidades inteligentes"},"content":{"rendered":"

A aprendizagem mec\u00e2nica – a forma de estreita intelig\u00eancia artificial que permite \u00e0s m\u00e1quinas aprender com os dados – tem enorme potencial para transformar a vida urbana.<\/span> De carros sem motorista<\/a> a edif\u00edcios que podem prever as instala\u00e7\u00f5es que voc\u00ea deseja usar, o aprendizado de m\u00e1quinas pode agilizar nossas experi\u00eancias cotidianas e melhorar nossa qualidade de vida.<\/span><\/p>\n

Assim, como parte de nosso projeto<\/a> mais amplo sobre<\/a> aprendizagem de m\u00e1quinas, a Sociedade Real liderou um workshop sobre aprendizado de m\u00e1quinas para cidades inteligentes, transporte e servi\u00e7os p\u00fablicos em 29 de setembro.<\/span> Exploramos a “arte do poss\u00edvel” e discutimos barreiras \u00e0 implementa\u00e7\u00e3o segura e r\u00e1pida da aprendizagem de m\u00e1quinas na vida cotidiana.<\/span><\/p>\n

Esta postagem do blog fornece uma breve vis\u00e3o geral da discuss\u00e3o.<\/span><\/p>\n

Como seria a transforma\u00e7\u00e3o?<\/span><\/h3>\n

Transporte:<\/strong> Sistemas de transporte inteligentes podem ajudar a aliviar o congestionamento, reduzir a polui\u00e7\u00e3o e melhorar as experi\u00eancias dos clientes no transporte p\u00fablico.<\/span> Em uma vis\u00e3o do futuro, as op\u00e7\u00f5es de transporte poderiam ser inteligentes;<\/span> Os telefones inteligentes podem rever uma variedade de op\u00e7\u00f5es de viagem e fazer sugest\u00f5es personalizadas, usando a aprendizagem autom\u00e1tica para contabilizar prefer\u00eancias pessoais, como op\u00e7\u00f5es de estilo de vida.<\/span> Aprendizagem de m\u00e1quina tamb\u00e9m suporta carros sem motorista, como discutimos antes<\/a> , que poderia ter uma gama de benef\u00edcios<\/a> .<\/span> Por exemplo, Elon Musk sugeriu que os seres humanos poderiam ser<\/a> proibidos de dirigir<\/a> devido aos benef\u00edcios de seguran\u00e7a aumentados de carros sem motorista.<\/span><\/p>\n

Utilidades: O aprendizado de<\/strong> m\u00e1quinas j\u00e1 est\u00e1 sendo usado no setor de energia para otimizar redes<\/a> el\u00e9tricas e pode apoiar a descarboniza\u00e7\u00e3o, fornecendo utilit\u00e1rios de forma mais inteligente.<\/span> Por exemplo, o Nest Learning Thermostat<\/a> usa aprendizado de<\/a> m\u00e1quina para aprender as prefer\u00eancias e hor\u00e1rios de um propriet\u00e1rio, otimizando o aquecimento dom\u00e9stico e o resfriamento.<\/span> Esta “intelig\u00eancia dom\u00e9stica” tamb\u00e9m pode estimular mudan\u00e7as nos modelos de neg\u00f3cios de utilidade, o que significa que os usu\u00e1rios poderiam pagar por servi\u00e7os como mobilidade, conforto e limpeza em vez de produtos como eletricidade, g\u00e1s e \u00e1gua.<\/span><\/p>\n

Cidades inteligentes :<\/strong> As cidades est\u00e3o derretendo potes de muitos problemas complexos e interdependentes.<\/span> Aprendizagem de m\u00e1quinas poderia resolver esses problemas conectados, otimizando o planejamento urbano e integrando os servi\u00e7os da cidade para resultados personalizados, mesmo se os indiv\u00edduos n\u00e3o t\u00eam usado servi\u00e7os espec\u00edficos antes.<\/span> Por exemplo, a aprendizagem de m\u00e1quina poderia seguir n\u00edveis de desperd\u00edcio em caixas de reciclagem e servi\u00e7os de coleta de alfaiate baseados em previs\u00f5es de desperd\u00edcio.<\/span> Isso tamb\u00e9m pode fornecer informa\u00e7\u00f5es sobre as taxas de reciclagem vari\u00e1vel.<\/span><\/p>\n

Obst\u00e1culos a superar<\/span><\/h3>\n

A disponibilidade, a qualidade e o formato dos dados<\/a> s\u00e3o fundamentais<\/a> para permitir o uso do aprendizado autom\u00e1tico<\/a> .<\/span> No entanto, o nosso workshop identificou problemas de acessibilidade de dados como uma barreira fundamental para o uso da aprendizagem de m\u00e1quinas no contexto de cidades inteligentes, utilit\u00e1rios e transportes.<\/span> Existem diferentes maneiras de abordar esta quest\u00e3o, eo apoio de Manchester de compartilhamento de dados p\u00fablicos<\/a> como parte de sua recente descentraliza\u00e7\u00e3o urbana mostra um caminho potencial para a frente.<\/span><\/p>\n

Dito isto, os dados por si s\u00f3 n\u00e3o s\u00e3o suficientes.<\/span> “Grandes dados n\u00e3o significam um grande conhecimento”: \u00f3rg\u00e3os p\u00fablicos e empresas privadas precisam formular perguntas \u00fateis para interrogar dados com o objetivo de gerar o resultado desejado, como por exemplo, mais viagens de \u00f4nibus a menor custo e menos carbono.<\/span> Gerar essas perguntas requer que especialistas em dom\u00ednios e cientistas de dados trabalhem em conjunto, mas esses pap\u00e9is geralmente s\u00e3o desconectados.<\/span> Uma forma de “ci\u00eancia dos dados para os n\u00e3o-cientistas de dados de forma\u00e7\u00e3o poderia ajudar a aumentar a compreens\u00e3o de quando o aprendizado de m\u00e1quinas pode ser valioso, e criar clientes inteligentes para sistemas de aprendizagem de m\u00e1quina.<\/span><\/p>\n

Alguns sistemas de aprendizado de m\u00e1quinas s\u00e3o capazes de produzir resultados altamente precisos, mas sofrem com a falta de transpar\u00eancia na forma como esses resultados foram criados, como observamos anteriormente neste blog<\/a> .<\/span> A baixa interpretabilidade desses sistemas pode criar problemas com a verifica\u00e7\u00e3o ou a certifica\u00e7\u00e3o, e aumentar o tempo necess\u00e1rio para garantir a aprova\u00e7\u00e3o regulamentar pode desencorajar servi\u00e7os ou produtos inovadores.<\/span> No entanto, isso tamb\u00e9m tem que ser equilibrado contra proteger os clientes de inova\u00e7\u00f5es arriscadas.<\/span><\/p>\n

Qual o proximo?<\/span><\/h3>\n

H\u00e1 uma forte necessidade de “unir os pontos” entre as tecnologias, como a aprendizagem de m\u00e1quinas e a Internet das Coisas, para criar ambientes verdadeiramente inteligentes.<\/span> Isto poderia ser conseguido, em parte, atrav\u00e9s de uma maior consciencializa\u00e7\u00e3o do potencial da aprendizagem de m\u00e1quinas – atrav\u00e9s de estudos de caso, por exemplo – e pela quebra de silos entre sectores.<\/span> Por exemplo, o projeto sem motorista de carros da Greenwich<\/a> est\u00e1 atraindo novos pensamentos em cidades de energia, transporte e smart.<\/span><\/p>\n

Em \u00faltima an\u00e1lise, qualquer vis\u00e3o para o futuro das empresas de servi\u00e7os p\u00fablicos, dos transportes e das cidades inteligentes precisa ser orientada pelo consumidor, uma vez que a aceita\u00e7\u00e3o p\u00fablica ir\u00e1 informar as considera\u00e7\u00f5es \u00e9ticas e de aceitabilidade \u00e0 medida que a aprendizagem das m\u00e1quinas \u00e9 aplicada na vida cotidiana.<\/span> O primeiro passo \u00e9 identificar as necessidades dos consumidores e exemplos de “prova de conceito” para a aprendizagem de m\u00e1quinas, a fim de aumentar o interesse e a aceita\u00e7\u00e3o segura por parte dos servi\u00e7os p\u00fablicos e privados.<\/span> Aprendizagem de m\u00e1quina \u00e9 atualmente mais difundido em marketing como Amazon recomendador sistemas e Netflix, mas usado corretamente, aprendizagem de m\u00e1quina poderia ser aproveitado para criar mudan\u00e7a transformacional para o bem p\u00fablico.<\/span><\/p>\n

\u00a0<\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

A aprendizagem mec\u00e2nica – a forma de estreita intelig\u00eancia artificial que permite \u00e0s m\u00e1quinas aprender…<\/p>\n","protected":false},"author":1,"featured_media":20909,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[109,9],"tags":[126,128,127],"_links":{"self":[{"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/posts\/20908"}],"collection":[{"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/comments?post=20908"}],"version-history":[{"count":2,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/posts\/20908\/revisions"}],"predecessor-version":[{"id":20911,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/posts\/20908\/revisions\/20911"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/media\/20909"}],"wp:attachment":[{"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/media?parent=20908"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/categories?post=20908"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.kblo.com.br\/blog\/wp-json\/wp\/v2\/tags?post=20908"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}