Nessun risultato. Prova con un altro termine.
Guide
Notizie
Software
Tutorial

Machine Learning e Smart City

Link copiato negli appunti

La definizione più appropriata per esprimere il concetto di Smart City legata al Machine Learning è, senza dubbio, quella data da Gartner, nel 2011, che la definisce così: “A smart City is based on intelligent exchanges of information that flow between its many different subsystems. This flow of information is analyzed and translated into citizen and commercial services. The city will act on this information flow to make its wider ecosystem more resource efficient and sustainable. The information exchange is based on a smart governance operating framework designed to make cities sustainable.”

Fra i cinque pilastri alla base di questo concetto c’è la Smart Mobility. In molti casi, infatti, uno dei prioritari obiettivi nella progettazione e realizzazione di una città intelligente è lo sviluppo e adozione di nuove soluzioni tecnologiche che permettano di rendere efficienti gli spostamenti di cose e persone all’interno dei contesti urbani.

Sarà un caso che nei testi di fisica, quando si parla di caos, si faccia sempre un parallelismo fra il traffico e il movimento di mezzi e persone in città? Ovviamente, no: il traffico e gli spostamenti hanno dinamiche spesso inspiegabili e non interpretabili basandosi solo sulla semplice osservazione.

Proprio perché, per risolvere questo problema, gli strumenti utilizzati fino agli anni ‘90 non sono stati sufficienti, cresce nel mondo il numero di città virtuose che stanno provando a migliorare le condizioni di viabilità e mobilità grazie all’ausilio della tecnologia e del Machine Learning, mettendo un freno al caos generato.

Le motivazioni alla base di una razionalizzazione della mobilità sono spesso duplici: da una parte, il miglioramento della qualità di vita delle persone; dall’altra, la diminuzione di emissioni di sostanze nocive e inquinanti.

Per perseguire questi obiettivi, in primis, possono essere messe in atto delle politiche per modificare le abitudini dei cittadini incentivandoli a utilizzare mezzi pubblici anziché privati.

Al contempo, però, si possono iniziare a utilizzare gli strumenti che le più recenti tecnologie mettono a disposizione laddove, per esempio, gli algoritmi di Machine Learning possono indubbiamente rappresentare una soluzione ottimale, se adeguatamente configurati.

Ovviamente, per far sì che il Machine Learning faccia il proprio dovere e che si riescano a sviluppare modelli di analisi predittiva propedeutici al miglioramento della gestione degli spostamenti, è necessario che questi abbiano a disposizione una mole di dati da poter analizzare.

Smart City

La Smart City è fatta di sensori e raccolta dati

Per questo, la prima fase che deve essere messa in atto quando si inizia un percorso di trasformazione di una città è quella degli strumenti che possano catturare dati e informazioni in tempo reale.

Gli strumenti atti a catturare i dati da dare in pasto agli algoritmi altro non sono che i sensori (per esempio, Placemeter, il sensore sviluppato da una startup americana recentemente acquistata dal colosso mondiale Netgear), le telecamere di sorveglianza, le app mobile con tracciamento GPS. Inoltre si può cercare di coinvolgere la comunità chiedendo ai privati di fornire informazioni in proprio possesso.

L’incredibile mole di informazioni così raccolte vanno poi salvate e organizzate in un unico data warehouse, possibilmente open e quindi accessibile a tutti, che fungerà da serbatoio per tutta la successiva costruzione di processi di efficientamento data-driven.

Uno degli esempi più virtuosi di Smart City che ha iniziato a utilizzare algoritmi di Machine Learning e tecnologie al fine di migliorare la mobilità è la citta di Barcellona, che recentemente è stata premiata come la città più smart al mondo, secondo una ricerca Jupiter. La riprogettazione totale delle oltre 28 linee di autobus che attraversano il capoluogo catalano è stato infatti possibile grazie all’impiego di processi data-driven basati sulle risultanti di algoritmi di Machine Learning applicati ai dati raccolti mediante l’impiego di sensori. Lo stesso processo ha poi portato all’adozione di sensori di parcheggio nell’asfalto e semafori intelligenti, al fine di meglio gestire e organizzare i flussi di traffico.

Come facilmente intuibile, il tempo in cui si parlava di Smart City come di una città futuristica è ormai passato. Le Smart City sono il presente, e il presente non aspetta.

Ti consigliamo anche