Kako AI može poboljšati pametno upravljanje urbanom infrastrukturom
Novo istraživanje pokazuje da bi korištenje generativne umjetne inteligencije kao što su ChatGPT i Googleov Gemini moglo poboljšati planiranje grada poboljšavanjem pristupa alatima koji pomažu u mjerenju mogućnosti pješačenja, sigurnosti, osvjetljenja i još mnogo toga
Za razliku od tradicionalnih metoda koje zahtijevaju tehničku stručnost ili ručni rad, istraživači s Fakulteta prirodnih resursa i okoliša Virginia Tech otkrili su da veliki jezični modeli (LLM) nude pristupačniji alat za korisnike, olakšavajući dionicima politike i planiranja korištenje ovih modela u malim i gradovima srednje veličine za upravljanje pametnom urbanom infrastrukturom.
“LLM-i imaju pouzdano visok učinak u reviziji skupa značajki izgrađenog okruženja“, rekao je Kee Moon Jang, glavni autor studije, za Cities Today. “Razvoj alata prilagođenog korisniku može značajno pridonijeti produktivnosti lokalnih vlasti smanjenjem vremena i troškova uključenih u revizije izgrađenog okoliša.“
Jedan primjer koji su istraživali bio je procijeniti koliko je određeno područje moguće hodati ili voziti biciklom
Tim je zadao AI-ju da otkrije značajke izgrađenog okruženja – klupe, pločnike, drveće i uličnu rasvjetu – sve elemente koji utječu na to kako ljudi percipiraju prohodnost i sigurnost.
Drveće, bicikli, ceste i vegetacija značajke su koje su oba LLM-a točno identificirala (više od 95 posto), dok su ulična svjetla, nogostupi i vozila tri elementa najslabije detektiranih između 10 urbanih značajki uključenih u studiju (između 70 do 85 posto uspješnosti) .
Ostala ograničenja uključuju pristranosti u podacima o obuci umjetne inteligencije, što može uzrokovati geografske razlike. Alati obično imaju bolju izvedbu u velikim gradovima nego u manjim mjestima zbog neujednačene dostupnosti podataka za obuku AI modela.
Pomicanje fokusa prema osiguravanju kvalitete podataka
“Značajan zaključak je potencijalna potreba za pomicanjem fokusa prema osiguravanju kvalitete podataka“, dodao je Jang. „Iako su slike s prikaza ulice istaknute kao pouzdan izvor za revizije izgrađenog okoliša, njihova ograničena prostorna pokrivenost i velika vremenska varijabilnost nisu bile zadovoljavajuće. Što je bolja kvaliteta podataka, bolji su LLM-ovi, što je potaknulo istraživače na stvaranje visokokvalitetnih sintetičkih podataka u obuci kako bi poboljšali ove modele.”
Studija nudi lokalnim geografima i urbanističkim planerima kritičan politički alat za istraživanje podzastupljenih zajednica i može pomoći u identificiranju područja koja zahtijevaju intervenciju za promicanje zdravlja zajednice i prohodnosti u susjedstvu, unatoč razini tehničke stručnosti korisnika.
Jang, međutim, upozorava da je vrlo svjestan geografske pristranosti u informacijama koje se koriste za obuku LLM-a i poziva na pažljivo korištenje takvih metoda temeljenih na LLM-u kako bi se izbjegla nerazmjerna zastupljenost i primjena u praksi.
Istraživanje je objavljeno početkom listopada 2024. u časopisu The Professional Geographer, a provedeno je u suradnji s Kee Moon Jangom s Institutom za tehnologiju Massachusetts.
