Цікаво, чому деякі міста покращуються більше, ніж інші? MIT Media Lab знає

У 2013 році дослідники з Медіа-лабораторії Массачусетського технологічного інституту (MIT) створили систему комп’ютерного зору, яка може читати фотографії міських районів і оцінювати, наскільки безпечними вони будуть для людей. Тепер, використовуючи ту ж саму систему, команда працює з колегами з Гарвардського університету над визначенням причин успіху або невдач міських районів. Випробувана на п’яти американських містах, ця система кількісно оцінює фізичне поліпшення або погіршення районів.

Згідно зі статтею, опублікованою в Proceedings of the National Academy of Sciences, дослідники використовували систему для аналізу понад мільйона пар фотографій, зроблених з інтервалом у сім років. Ці результати потім були використані для перевірки популярних теорій про причини ревіталізації міст.

Всупереч поширеній думці, рівень доходів населення та ціни на житло не передбачають змін у районі. Натомість, дослідження показало, що це більше пов’язано з іншими факторами. Дослідники виявили, що щільність високоосвічених мешканців, близькість до центральних ділових районів або інших фізично привабливих районів, а також початковий бал безпеки, присвоєний системою комп’ютерного зору, призводять до поліпшення фізичного стану.

• 30-відсоткове зменшення кількості таксі в Нью-Йорку може бути покращенням, вважає Массачусетський технологічний інститут
• Білий дім зберігає соціальні мережі адміністрації Обами в цифровому архіві
• Хочете знати все про своє місто або роботу? Цей сайт покаже вам

Інша теорія, яка була перевірена, полягає в тому, що райони в основному оновлюються, коли їхні будівлі достатньо зношені для заміни. Дослідники з Массачусетського технологічного інституту та Гарварду виявили незначну кореляцію між віком будівель району та ступенем фізичного покращення.

Для того, щоб належним чином навчити використану систему машинного навчання, люди-добровольці повинні були оцінити відносну безпеку міських районів, показаних на сотнях тисяч пар зображень. Потім, для нового дослідження, та ж система порівняла зображення, пов’язані з тими ж географічними координатами з різницею в сім років у сервісі Google “Перегляд вулиць”. Однак, щоб забезпечити надійність рішень системи, знімки довелося попередньо обробити, щоб вони були достовірними. Наприклад, зелені насадження є одним із способів, за допомогою якого люди оцінюють безпеку. Якщо одне зображення було зроблено влітку, а інше – взимку, система машинного навчання може помилково вважати, що район втратив зелені насадження.

Щоб перевірити результати роботи системи, дослідники представили 15 000 випадкових пар зображень з набору даних людям-рецензентам. Коли їх попросили оцінити відносну безпеку показаних районів, рецензенти збіглися з комп’ютером у 72 відсотках випадків. Крім того, в решті випадків більшість розбіжностей стосувалися пар з незначними змінами в оцінках безпеки.

Краще розуміючи, що спричинило покращення чи погіршення цих показників, інші міста можуть вчитися та адаптуватися, щоб забезпечити безпечніші та практичніші рішення для своїх мешканців. Це ще один спосіб, як міста можуть стати розумнішими, не обмежуючись додаванням датчиків.

Рекомендації редакції

• Усередині проекту MIT, який робить можливим маніпулювання сновидіннями в стилі “Початок
• Сонячний дах стартапу дешевший, ефективніший і простіший в установці, ніж сонячна плитка Tesla
• Пости в соціальних мережах можуть допомогти спрогнозувати забруднення в деяких найбільших містах світу
• Доповідь: Підлітки тепер витрачають більше годин на споживання медіа, ніж на сон
• Нова ініціатива Google Sidewalk Labs спрямована на “покращення життя в містах для всіх

Source: digitaltrends.com