人工智慧與機器學習聯繫（人工智慧和機器學習可以將智能城市的大量數據轉化為超級洞察力）
2023-07-03 16:26:50 1
原創不易 請隨手點擊關注
本文由Rehoo團隊Leery原創，無授權禁轉！(圖片來自網絡）
圖片來自網絡
城市產生大量數據，確切的數量取決於城市的規模及其複雜性，但它肯定不僅僅是人類可以吸收和使用的。智能城市為尋找數據驅動技術解決方案以應對日常所面臨的各種問題，越來越多地轉向人工智慧，為居民提供服務，從尋找槍枝和尋找腫瘤到調度工作人員到接收垃圾面面俱到。
紐約是全球約90個使用ShotSpotter系統的城市之一，該系統使用麥克風網絡即時識別和定位槍聲。在莫斯科，所有在醫院拍攝的胸部X光片都通過AI系統來識別和診斷腫瘤。是什麼構成「智慧城市」的定義不明確。從最廣泛的意義上講，智能城市是一個使用電子手段為居民提供服務的城市。但是，在提供服務的簡單承諾上提供服務也會非常困難。相反，一個傳感器網絡 ，一個物聯網。會知道什麼時候下雪，下降了多少，除雪機在哪裡，什麼時候它們在街道上執行除雪任務，以及什麼時候它們會在那裡。
圖片來自網絡
當然，需要一個通信基礎設施，允許所有這些傳感器相互通信，一個中央資料庫，以及應用程式編程接口和數據中心，以便讓其他服務（如消防部門）訪問掃雪機數據，可以利用這些信息在惡劣天氣下更好地定位救護車。這只是一個應用程式。以及人工智慧和機器學習如何能夠輕鬆應用於智慧城市運營。因此，最新的「智慧城市」技術的標語是AIoT：將人工智慧納入物聯網。
然而，AI / ML和智慧城市運營之間出現了不可避免的緊張局勢。智能城市的標誌之一是為使智能城市成為可能而收集的數據的最大開放性和可用性。例如，芝加哥發布政府數據，紐約， 巴塞隆納（這裡是英文版），莫斯科也是如此 。但AI和ML算法的性質模糊不清，不一定是議員或社區組織者可以輕易理解的東西。每個司法管轄區的政治程序都反映了當地的習俗，需求和願望，其中任何一項都可能包括對提供服務的公平性等其他價值觀的審查程度。
學會以比其他人更快的速度向某些社區派遣警察的人工智慧，建是利用所有更精準的數據，更有效地提供服務，同時期待智能城市中的AI系統向實際人員提出建議。
圖片來自網絡
紐約市和華盛頓特區使用的ShotSpotter系統。研究表明，每八次槍擊事件中只有一次向當局報告。ShotSpotter使用策略性放置麥克風的網絡來收聽槍聲。當麥克風拾取與槍聲的籤名聲音相匹配的噪音時，ShotSpotter系統會對一個位置進行三角測量，並將錄音和相關信息發送給數據中心處理。
在聽到聲音的60秒內，ShotSpotter的傳感器可以報告鏡頭的緯度，經度和高度，拍攝的鏡頭數量以及子彈行進的方向和速度。在紐約實施的ShotSpotter中，有關確認射擊的信息與城市本身的地址資料庫合併（因為並非所有地點都有街道地址），監控視頻，犯罪和拍攝歷史記錄，以及任何人的姓名和圖片。在該地址開立認股權證，以及在該地區籤發的任何槍枝許可證。警方響應電話會在他們到達現場時將所有數據存儲在他們的計算機或平板電腦上。
總共有60平方英裡的紐約市大約20％的城市地區被ShotSpotter所覆蓋。為了防止故意破壞的可能性，所覆蓋的確切區域和傳感器的位置都是專有的，即使紐約警察局也不知道。該市表示，它的響應次數是槍擊事件數量的四到五倍，而ShotSpotter實施之前，它已經能夠匹配其他公開犯罪所收回的槍枝和子彈。
解決方案並不完美。ShotSpotter的架構意味著它只能覆蓋大約三平方英裡或更大的區域，因此比這更小的暴力時間需要不同的，更傳統的解決方案。此外，ShotSpotter並不是完美的。
在智能城市的莫斯科，國際電信聯盟最近的一份報告詳述了該市的進展情況。其中包括統一醫療信息分析系統，該系統將人們引導至該市678個診所中最近的診所，並為該市78％的居民提供電子健康記錄。但莫斯科的人工智慧相關項目是一個試點項目，該項目審查所有MRI和CAT掃描肺癌和乳腺癌的前體。
關於該項目的信息很少。但截至去年，安德烈·貝洛澤羅夫是莫斯科首席信息官的策略和創新顧問，也是莫斯科智慧城市工作的重點人物，該市已掃描了6000多張圖片，聲稱它已經收集了225個案例，而之前的流程錯過了。Belozerov說，莫斯科正在GitHub上參與有關CT掃描的RadIO開源數據科學項目。
另一名飛行員使用莫斯科的醫療數據和學校出勤數據來預測學校的病毒爆發。該市表示，根據人工智慧處理的信息，學校可以告訴學生留在家中，從而防止全面爆發。
圖片來自網絡
公共衛生也是紐約市另一個大力發展的人工智慧項目背後的目標：綜合症監測系統。SSS源於20世紀90年代的一個項目，該項目在從911電話中收集有關流感樣症狀的信息，並將其發送到該市的衛生部門。這樣的數據共享在二十年前非常罕見，但911數據證明不夠具體，無法提供幫助。然而，多年來，該系統逐漸從緊急醫療救護人員，醫院急診室，報告處方藥和非處方藥銷售的藥店收集更詳細和與健康相關的信息，這些數據每天被挖出並投入數據模型，以發現疾病趨勢。
今天在紐約市，75％的EMS電話，10％的處方藥銷售，約四分之一的非處方藥銷售，以及所有急診室訪問都報告給該市的衛生部門，直至郵政編碼。這意味著如果在皇后區的三個郵政編碼中有200個急診室的腹瀉報告，那麼第二天這個詞就會出現食源性疾病可能潛伏在那裡。如果布朗克斯的幾所學校的護士看到孩子發燒，當地的沃爾格林人突然出售一堆Aleve，這可能是流感的早期指標。如果捲菸稅上漲，衛生部門可以跟蹤對捲菸和尼古丁口香糖的影響。
由於健康數據的詞彙相當嚴格和標準化，綜合症監測系統可以檢測22種傳染病的發病率和大約25種非傳染性健康狀況，如哮喘，槍傷或使用合成大麻素（稱為K2或「香料」）。在最後一例中，很快發現了2018年夏天爆發的近100 K2過量劑量。幾天來，這些消息來源被關閉了，部分歸功於這個系統。
並非每個AIoT應用程式都像那些一樣優秀。例如，拉斯維加斯正在使用AI / ML來保持街道清潔。該市已在市中心附近的兩個公園內推出了帶攝像機的人工智慧系統。它們不是定期發送清理工作人員，只有當自動化系統看到垃圾和塗鴉時才會生成工作訂單。系統不會尋找傾倒垃圾或寫塗鴉的人。城市尚未量化儲蓄，但它注意到了一個行為改變：進行清理的工人似乎更喜歡按常規時間表只在需要時才調用這些網站。
圖片來自網絡
越南胡志明市的人口在本世紀迅速發展，過度建設已成為一個問題。該市正在與世界銀行合作，利用人工智慧，以查看大都市的衛星圖像，並識別土地覆蓋和土地利用模式。該數據將用於城市規劃和管理。公園對城市服務的需求不大，但密集的住房確實如此。此外，在沒有劃分區域的地區開發可以保證這些地區能夠獲得所需的城市服務。地理空間數據覆蓋了行政信息，地區邊界等以便了解實際情況。
AI和ML幫助挖掘現代城市所產生的大量資料庫，為他們提供所需服務的系統。
,
