ساکنان شهر تمایل دارند که حضور این فن آوری‌ها را به طور منفعلانه بپذیرند - اگر اصلاً متوجه آنها باشند. با این وجود این پذیرش با هراس متناوب در مورد حریم خصوصی محکوم می‌شود - برای مثال، می‌توان به آخرین برنامه حمل و نقل در لندن برای رد یابی سفرهای مسافر از طریق شبکه حمل و نقل با استفاده ازwifi ، که انتقاد کار شناسان حریم خصوصی را برانگیخته است، اشاره کرد. الگوریتم‌ها می‌توانند آموزش داده شوند تا شهرهای ما را با جزئیات بیشتری ببینند. اگر درک گسترده‌تری در مورد چگونگی عملکرد این فناوری‌ها وجود داشته باشد، شهروندان در موقعیت بهتری قرار می‌گیرند که در مورد داده‌هایی که به اشتراک می‌گذارند راحت باشند و در مورد این که چگونه می‌توانند از حریم شخصی خود در هنگام پیمایش در شهر محافظت کنند، قضاوت کنند. فضای شخصی شما دیگر فیزیکی نیست - بلکه یک شبکه جهانی داده است.
به همین دلیل، در مطالعه اخیر، من توضیح داده‌ام که چگونه برخی از الگوریتم‌های عملکرد هوش مصنوعی و یاد گیری ماشین و تأثیر آنها بر زمینه‌های شهری آشنا مانند خیابان‌ها، میادین و کافه‌ها کار می‌کنند. اما به جای تلاش برای توضیح ریاضیات گیج کننده در مورد چگونگی کار الگوریتم‌ها، شروع کردم به بررسی این که چگونه آنها واقعاً دنیایی را که در آن زندگی می‌کنیم "می‌بینند".
چگونه الگوریتم‌ها "می‌بینند"
اگر واقعاً بخواهیم آن چه ماشین‌ها می‌بینند را ببینیم، باید خودمان را مجبور کنیم که مانند رایانه‌ها فکر کنیم. این بدان معناست که همه چیزهایی را که معمولاً با حواسمان درک می‌کنیم و از طریق مغز خود عقلانی می‌کنیم را تخفیف دهیم و در عوض پروسه مرحله به مرحله دستیابی به اطلاعات را طی کنیم. این دقیقاً همان چیزی است که ما سعی کرده‌ایم با چشم ماشین نشان دهیم: شبیه سازی‌ای که مراحلی را نشان می‌دهد که از طریق آنها یک سیستم هوش مصنوعی فرضی "یک محیط فیزیکی" را می‌خواند و می‌تواند افراد موجود در آن را نمایه کند.این حالت از یک وضعیت سیاه و سفید - بدون اطلاعات - شروع می‌شود و به تدریج داده‌ها را از تعدادی دستگاه به هم پیوسته جمع می‌کند: تلفن‌های هوشمند، میکروفن، دوربین مدار بسته و حسگرهای دیگر. این کار با شناسایی و سازمان دهی اطلاعات به طور مستقیم از محیط فیزیکی شروع می شود: ابعاد اتاق، نوع استقرار، تعداد افراد داخل اتاق، زبان آنها، لهجه‌ها، جنس‌ها و انواع مکالمه. سپس این داده‌ها را با آن چه در مورد هر فرد آنلاین می‌توان یافت، داده کاوی از رسانه‌های اجتماعی، پست‌های آنلاین، پایگاه داده‌ها و صفحات شخصی درون گذاری می‌شود.
دستگاه هوش مصنوعی ما سرانجام قادر است همه این داده‌ها را در یک پروفایل دقیق از یک فرد هدفمند جمع کند و احتمال روابط شخصی، چشم اندازهای خانوادگی، امید به زندگی، بهره‌وری یا "ارزش اجتماعی" - یعنی سهم آنها در جامعه در امور مالی و اصطلاحات اجتماعی، در چارچوب این داستان - را استنتاج کند .
در این شبیه سازی، همه داده‌ها ساختگی هستند - هدف اصلی این ویدئو بالا بردن آگاهی در مورد آن چیزی است که یک اینترنت اشیاء به درستی متصل، که با یک سیستم هوش مصنوعی پیشرفته اداره می‌شود، می‌تواند به طور فرضی انجام دهد.
برخورد سطحی
تعداد فزاینده‌ای از شرکت‌ها در حال بررسی چگونگی مشاهده الگوریتم‌ها در محیط ساخته شده هستند. به عنوان مثال، Numina مستقر در نیویورک، داده‌هایی را در مورد جریان شهری خود روها و عابران پیاده جمع می‌کند، و خط سیرهای آنها را به صورت بلادرنگ نشان می‌دهد. و ولوو با عکاس مشهور باربارا دیویدسون همکاری کرد تا یک سیستم اتوماتیک طراحی کند، که دوربین‌ها و سنسورهای آنبورد حضور مردم را در خیابان‌های شلوغ کپنهاگ نشان می‌دهند.پروژه هایی مانند این، نمایش دستگاه محور از داده‌ها را با دیدگاه انسانی ترکیب می‌کنند - اما آنها فقط به طور سطحی آن چه را که الگوریتم‌ها واقعاً در جهان ما می‌بینند نشان می‌دهند. در واقعیت، میزان داده‌های شناسایی شده توسط سنسورها و قدرت محاسباتی پردازش الگوریتم‌های آن، تصویری بسیار غنی‌تر و ظریف‌تر از محیط شهری ایجاد می‌کند.
City Scanner یک پروژه شهری هوشمند است که توسط کمبریج (ماساچوست) با همکاری آزمایشگاه Senseable City MIT ساخته شده است. کامیون‌های زباله به مجموعه‌ای از سنسورها مجهز شده‌اند که می‌توانند تعدادی از معیارهای عملکرد شهری را از سطح آلودگی برخی مناطق گرفته تا نشت گاز و وجود حفره‌ها را تشخیص دهند.
سنسورها داده‌های جمع آوری شده در طول مسیر معمول خود را به یک سرور مرکزی می‌فرستند، جایی که یک سری از الگوریتم‌ها با هم ترکیب می‌شوند، و مرتب سازی و تجزیه و تحلیل مقدار زیادی از داده‌ها، و بازگشت به تصویری تقریباً واقعی از کیفیت زندگی شهری صورت می‌گیرد. اگر واقعاً بخواهیم آن چه ماشین‌ها می‌بینند را ببینیم، باید خودمان را مجبور کنیم که مانند رایانه‌ها فکر کنیم. این نظارت مداوم بر عملکرد شهری برگرفته از مشاهدات قبلی است تا به بهبود مستمر زیر ساخت‌های شهر و سیاست‌هایی که تحت آن است کمک کند.
به همین ترتیب، مهندسین شرکت پِیکِ UPS الگوریتم ORION (On-Road Integrated Optimization and Navigation) (بهینه سازی و پیمایش یکپارچه در جاده) را ایجاد کرده‌اند. این اثر 1000 صفحه‌ای نه تنها نشان دهنده سریع‌ترین مسیر بین دو نقطه در شهر است بلکه با گذشت زمان باهوش‌تر می‌شود. ORION به طور مداوم از خروجی‌های خود می‌آموزد، مثلاً اندازه گیری سرعت حرکت کامیون‌ها از A به B و مقایسه آن با یک مدل آماری، برای بهبود صحت و عملکرد الگوریتم.
بدیهی است که الگوریتم‌ها می توانند آموزش داده شوند تا شهرهای ما را با جزئیات بیشتری ببینند، و به گونه‌ای کارآمدتر از هر انسانی در میان شهرها پیمایش کنند. اما از همه اینها گذشته، آنها اساساً مدل‌های ریاضی و آماری هستند، و هوشمندانه برای مشکلات زندگی واقعی کاربرد دارند. به همین دلیل است که روشن ساختن راز فن آوری این جعبه‌های سیاه، برای درک و استفاده بهینه از آنها، برای بهبود محیط شهری، این قدر مهم است.
منبع: سیلویو کارتا - University of Hertfordshire
