Comprendere il funzionamento e i comportamenti di una città richiede la conoscenza dei diversi processi che consentono alle persone e ad altri organismi biologici di vivere e prosperare, così come la comprensione delle loro interrelazioni, molte delle quali sono complicate e devono ancora essere esplorate a fondo.

"Le città sono immensamente complesse, con molte sfaccettature e interazioni al loro interno, " ha detto Peter Beckman, un informatico presso l'Argonne National Laboratory del Dipartimento dell'Energia degli Stati Uniti (DOE). "Ad esempio, il tempo influenza il movimento umano; la qualità dell'aria influisce sulla salute a lungo termine; e la disponibilità al trasporto aiuta a determinare opportunità che vanno dall'occupazione all'interazione sociale. Ciò di cui abbiamo bisogno è una nuova generazione di metodi e strumenti che possano aiutarci a trovare relazioni nascoste all'interno del volume crescente e della diversità dei dati che vengono raccolti sulle città".

Al centro di questi metodi c'è l'apprendimento automatico, il processo sempre più potente mediante il quale i computer si addestrano a fare previsioni o determinazioni da grandi quantità di dati. L'apprendimento automatico ha rivoluzionato molte parti della nostra vita, dal gioco degli scacchi ai sistemi di riconoscimento facciale, e ora sta arrivando nelle nostre città.

"Con l'apprendimento automatico, possiamo prendere i dati che provengono da esperimenti o osservazioni e possiamo esplorare la validità di teorie esistenti o ipotizzarne di nuove sulle interrelazioni tra sistemi e processi urbani, "ha spiegato Beckman, che aiuta ad applicare la scienza dei dati alle sfide urbane.

Perché le città sono così complesse, i problemi a cui Beckman e i suoi colleghi di Argonne stanno applicando queste tecniche spaziano dalla lotta all'inquinamento al miglioramento della sicurezza dei pedoni, e dalla previsione della criminalità alla comprensione delle dinamiche di diffusione delle malattie trasmissibili. Massimizzando uno di questi parametri, Egli ha detto, può avere un impatto sugli altri, rendere l'apprendimento automatico una tecnica ottimale per trovare relazioni in un sistema troppo complicato da descrivere con una teoria.

Il lavoro di Argonne all'intersezione tra apprendimento automatico e ambiente urbano sfrutta i team multidisciplinari profondi e ampi del laboratorio e potenti strumenti scientifici per risolvere alcuni dei problemi più complessi della società. Questo può essere visto più direttamente nell'Array of Things (AoT) finanziato dalla National Science Foundation, una partnership tra Argonne, l'Università di Chicago, e la città di Chicago. AoT è una rete di oltre 100 programmabili, dispositivi multisensore (nodi) distribuiti in tutta Chicago, sulla buona strada per crescere fino a 200 entro la fine del 2019.

Ogni nodo ospita due telecamere (rivolta verso il cielo e verso terra), un microfono e sensori per misurare i fattori che hanno un impatto sull'ambiente urbano, come il clima, rumore e qualità dell'aria. Il nodo ospita anche potenti computer per elaborare i dati localmente e in tempo reale.

I nodi AoT sono costruiti utilizzando il sistema modulare di Argonne, piattaforma open source chiamata Waggle.

"Un vantaggio chiave dell'utilizzo di Waggle per l'array of Things è che i nodi possono eseguire localmente software di machine learning senza la necessità di mantenere il contatto o inviare i dati a un server centrale, " ha detto Charlie Catlett, Investigatore principale di AoT e scienziato informatico all'Argonne e all'Università di Chicago.

Sebbene ogni generazione di nodi (di circa 100 nodi distribuiti) sia standardizzata e coerente, gli scienziati possono programmare a distanza non solo gli algoritmi di campionamento per i sensori standard, ma fornisce anche codice di apprendimento automatico per analizzare le immagini, suono o combinazioni di valori del sensore.

"L'apprendimento automatico all'interno dei nodi significa che non abbiamo solo implementato una rete di sensori tradizionale, ma ora possiamo anche progettare sensori software-defined, fattori di misura che sono al di fuori della portata dei sensori elettronici, come il flusso di veicoli attraverso un incrocio o la dimensione tipica del gruppo che utilizza un parco pubblico, " ha detto Catlett. "Senza alcuna necessità di modificare l'hardware installato sul palo stradale, possiamo spingere un nuovo software per aggiungere misurazioni definite dal software, affrontare una gamma quasi illimitata di domande."

Questo differisce dalla maggior parte delle reti di sensori, i cui nodi sono costituiti da un sensore che restituisce le informazioni a un database centrale, ma che non hanno alcuna capacità di modificare a distanza la strategia di rilevamento, tanto meno aggiungere nuove misurazioni. Le tipiche reti di sensori sono progettate per un insieme specifico di misurazioni, quindi una volta installati, l'unico modo per migliorarli è sostituirli con una nuova installazione.

Dispositivi come i nodi AoT in grado di programmare in remoto l'apprendimento automatico "ai margini" possono anche fornire un ulteriore livello di dettaglio e analisi che circonda i diversi aspetti dell'ambiente urbano.

"Ciò che troviamo è che il rilevamento tradizionale e i dati urbani disponibili forniscono solo una parte della storia, " Ha detto Catlett. "Per fenomeni urbani più complessi, come cercare di capire i minimi dettagli della sicurezza di un incrocio, abbiamo dovuto sviluppare un sistema che potesse essere programmato a distanza con un codice di apprendimento automatico per interpretare le immagini, suono e altri dati."

"Lo facciamo per strada, ai margini della rete, piuttosto che nel cloud, " Ha aggiunto.

In definitiva, Catlett ha detto, AoT cerca di incorporare un grado di autonomia, dove un nodo potrebbe cambiare i suoi parametri operativi in ​​base a qualcosa che rileva nell'ambiente.

"Ad esempio, diciamo che volevi avere un modo per osservare le inondazioni superficiali nelle strade della città, ma sapevi che contava solo quando l'umidità raggiungeva un certo livello, " ha detto. "Vogliamo che i nostri nodi prendano una decisione su come operare in base alle loro osservazioni".

Una rete di sensori multidimensionali in grado di apprendere e adattarsi, come l'AoT, potrebbe consentire ai ricercatori di gestire i compromessi e identificare potenziali correlazioni tra i diversi fenomeni urbani. La complessità di una città, secondo Beckman, rende l'apprendimento automatico l'unico modo "trattabile" di cui dispongono gli scienziati per affrontare le grandi questioni che devono affrontare urbanisti e residenti.

"Non c'è nessuna teoria che lo dica, per ogni occupante che aggiungi nel modo seguente, la città si comporterà in un modo particolare, " Egli ha detto.

Avere una rete potenziata dall'apprendimento automatico come AoT offre agli scienziati una piattaforma per esplorare alcune delle domande più complicate che le città devono affrontare.

"Ora disponiamo di uno strumento sperimentale per consentire alla città di iniziare a porre tutti i tipi di domande molto specifiche, e lo strumento è programmabile, " ha detto Caletta.