Comprender el funcionamiento y el comportamiento de una ciudad requiere el conocimiento de los diferentes procesos que permiten que las personas y otros organismos biológicos vivan y prosperen. así como la comprensión de sus interrelaciones, muchas de las cuales son complicadas y aún no se han explorado en profundidad.

"Las ciudades son inmensamente complejas, con muchas facetas e interacciones dentro de ellas, "dijo Pete Beckman, científico informático del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE). "Por ejemplo, el clima influye en el movimiento humano; la calidad del aire afecta la salud a largo plazo; y la disponibilidad de transporte ayuda a determinar oportunidades que van desde el empleo hasta la interacción social. Lo que necesitamos es una nueva generación de métodos y herramientas que puedan ayudarnos a encontrar relaciones ocultas dentro del creciente volumen y diversidad de datos que se recopilan sobre las ciudades ".

Un aspecto fundamental de estos métodos es el aprendizaje automático, el proceso cada vez más potente mediante el cual las computadoras se entrenan para hacer predicciones o determinaciones a partir de grandes cantidades de datos. El aprendizaje automático ha revolucionado muchas partes de nuestras vidas, desde el juego de ajedrez hasta los sistemas de reconocimiento facial, y ahora llega a nuestras ciudades.

"Con el aprendizaje automático, Podemos tomar los datos que provienen de experimentos u observaciones y podemos explorar la validez de las teorías existentes o formular hipótesis nuevas sobre las interrelaciones entre los sistemas y procesos urbanos. "explicó Beckman, que ayuda a aplicar la ciencia de datos a los desafíos urbanos.

Porque las ciudades son tan complejas, los problemas a los que Beckman y sus colegas de Argonne están aplicando estas técnicas abarcan desde la lucha contra la contaminación hasta la mejora de la seguridad de los peatones, y desde la predicción del delito hasta la comprensión de la dinámica de la propagación de enfermedades transmisibles. Maximizando uno de estos parámetros, él dijo, puede impactar a otros, haciendo del aprendizaje automático una técnica óptima para encontrar relaciones en un sistema demasiado complicado para describirlo con una teoría.

El trabajo de Argonne en la intersección del aprendizaje automático y el entorno urbano aprovecha los amplios y profundos equipos multidisciplinarios del laboratorio y las poderosas herramientas científicas para resolver algunos de los problemas más complejos de la sociedad. Esto se puede ver más directamente en Array of Things (AoT) financiado por la National Science Foundation, una asociación entre Argonne, la Universidad de Chicago, y la ciudad de Chicago. AoT es una red de más de 100 programables, dispositivos multisensores (nodos) desplegados en todo Chicago, en camino de crecer a 200 a finales de 2019.

Cada nodo alberga dos cámaras (orientadas al cielo y al suelo), un micrófono y sensores para medir los factores que impactan el entorno urbano, como el clima, ruido y calidad del aire. El nodo también alberga una potente informática para procesar los datos de forma local y en tiempo real.

Los nodos de AoT se construyen utilizando el sistema modular de Argonne, plataforma de código abierto llamada Waggle.

"Una ventaja clave de usar Waggle para Array of Things es que los nodos pueden ejecutar localmente software de aprendizaje automático sin la necesidad de mantener contacto o enviar datos a un servidor central, "dijo Charlie Catlett, Investigador principal de AoT y científico informático en Argonne y la Universidad de Chicago.

Aunque cada generación de nodos (de aproximadamente 100 nodos implementados) está estandarizada y es consistente, Los científicos pueden programar de forma remota no solo los algoritmos de muestreo para sensores estándar, sino que también proporciona código de aprendizaje automático para analizar imágenes, sonido o combinaciones de valores de sensor.

"El aprendizaje automático dentro de los nodos significa que no solo hemos implementado una red de sensores tradicional, pero ahora también podemos diseñar sensores definidos por software, factores de medición que están fuera del alcance de los sensores electrónicos, como el flujo de vehículos a través de una intersección o el tamaño típico de grupo que usa un parque público, "Catlett dijo." Sin necesidad de cambiar el hardware instalado en el poste de la calle, podemos impulsar un nuevo software para agregar mediciones definidas por software, abordando una gama casi ilimitada de preguntas ".

Esto difiere de la mayoría de las redes de sensores, cuyos nodos consisten en un sensor que envía información a una base de datos central, pero que carecen de capacidad para modificar de forma remota la estrategia de detección, mucho menos añadir nuevas medidas. Las redes de sensores típicas están diseñadas para un conjunto específico de medidas, así que una vez que estén instalados, la única forma de mejorarlos es reemplazarlos con una nueva instalación.

Los dispositivos como los nodos AoT que son capaces de aprendizaje automático programable de forma remota "en el borde" también pueden proporcionar un nivel adicional de detalle y análisis en torno a diferentes aspectos del entorno urbano.

"Lo que encontramos es que la detección tradicional y los datos urbanos disponibles proporcionan solo una parte de la historia, ", Dijo Catlett." Para fenómenos urbanos más complejos, como tratar de averiguar los detalles finos de la seguridad de una intersección, teníamos que desarrollar un sistema que pudiera programarse de forma remota con código de aprendizaje automático para interpretar imágenes, sonido y otros datos ".

"Hacemos esto en la calle, en el borde de la red, en lugar de en la nube, "añadió.

Por último, Catlett dijo:AoT busca incorporar un grado de autonomía, donde un nodo podría cambiar sus parámetros operativos en función de algo que detecte en el entorno.

"Por ejemplo, dicen que querían tener una forma de ver las inundaciones superficiales en las calles de la ciudad, pero sabías que solo importaba cuando la humedad alcanzaba cierto nivel, "Queremos que nuestros nodos tomen una decisión sobre cómo operan en base a sus observaciones", dijo.

Una red de sensores multidimensionales que puede aprender y adaptarse, como el AoT, podría permitir a los investigadores gestionar las compensaciones e identificar posibles correlaciones entre diferentes fenómenos urbanos. La complejidad de una ciudad, en opinión de Beckman, hace que el aprendizaje automático sea la única forma "manejable" que tienen los científicos para manejar las grandes preguntas que enfrentan los planificadores urbanos y los residentes.

"No hay ninguna teoría que diga eso, por cada ocupante que agregue de la siguiente manera, la ciudad se comportará de una manera particular, " él dijo.

Tener una red mejorada con aprendizaje automático como AoT brinda a los científicos una plataforma para explorar algunas de las preguntas más complicadas que enfrentan las ciudades.

"Ahora tenemos un instrumento experimental para que la ciudad comience a plantear todo tipo de preguntas muy específicas, y el instrumento es programable, "Dijo Catlett.