Metodele tradiționale de planificare a orașului necesită expertiză tehnică semnificativă și lucru manual. Un cercetător de la Virginia Tech lucrează pentru a schimba asta.

Noile cercetări arată potențialul LLM (tip de model de învățare automată/învățare profundă care poate efectua o varietate de procesare a limbajului natural și sarcini de analiză, inclusiv traducerea, clasificarea și generarea de text și să răspundă la întrebări într-o manieră conversațională; și identificarea tiparelor de date) cum ar fi ChatGPT și Google Gemini, pentru evaluarea mediului creat de om folosind imagini street-view.

Comparând performanța LLM cu metodele tradiționale de învățare profundă de planificare urbană, studiul de la Colegiul de Resurse Naturale și Mediu a constatat că performanța bazată pe LLM este similară cu abordările stabilite. Spre deosebire de metodele tradiționale care necesită expertiză tehnică sau muncă manuală, cercetătorii au descoperit că LLM-urile oferă un instrument mai accesibil pentru utilizatori, ceea ce facilitează utilizarea acestor modele în orașele mici și mijlocii pentru gestionarea infrastructurii urbane inteligente.

Studiul este publicat în revista The Professional Geographer și a fost realizat în colaborare cu Kee Moon Jang cu Massachusetts Institute of Technology.

„Scopul meu este să reduc tehnologiile, făcându-le mai accesibile și mai eficiente pentru orașele mai mici”, a spus Junghwan Kim, profesor asistent la Departamentul de Geografie și directorul Smart Cities for Good. „Tehnologiile orașelor inteligente implică utilizarea analizelor urbane avansate, cum ar fi AI și știința datelor, pentru a procesa date de înaltă calitate care surprind mediile urbane și modul în care oamenii le percep. Aceste tehnologii ne ajută să înțelegem mai bine problemele urbane, cum ar fi transportul și sănătatea”.

Cu această nouă cercetare, s-a demonstrat că instrumentele AI generative pot analiza imagini și detecta automat caracteristici precum bănci, trotuare sau lumini stradale.

Anterior, cercetătorii trebuiau să analizeze manual imaginile, ceea ce presupunea o muncă intensivă. Un exemplu specific este evaluarea mediului construit, pentru a observa cât de accesibilă este o anumită zonă, fie cu bicicleta sau pe jos.

„Acest lucru democratizează accesul la instrumente avansate care au fost odată utilizabile doar de experți cu abilități de codare și resurse de calcul de înaltă performanță”, a spus profesorul Kim. „Cu toate acestea, există și limitări, cum ar fi părtiniri în datele de antrenament ale AI, care pot cauza disparități geografice. De exemplu, aceste instrumente tind să aibă performanțe mai bune în orașele mari decât în ​​cele mici, din cauza disponibilității inegale a datelor pentru antrenarea modelelor AI.”

Deși instrumentul este foarte puternic, poate genera halucinații și poate face presupuneri bazate pe lacune în datele sale de antrenament.

„De aceea este important să folosim aceste instrumente cu atenție, mai ales în mediile profesionale unde precizia este esențială”, a spus Kim. „Sunt încă încântat de potențialul acestor instrumente, nu numai pentru cercetarea mea, ci și pentru studenții și profesioniștii care acum pot accesa cu ușurință analize avansate. Cu toate acestea, trebuie să rămânem conștienți de limitările și părtinirile care vin odată cu utilizarea AI în planificarea mediul urban.”