Compreender o funcionamento e os comportamentos de uma cidade requer o conhecimento dos diferentes processos que permitem que as pessoas e outros organismos biológicos vivam e prosperem, bem como a compreensão de seus inter-relacionamentos - muitos dos quais são complicados e ainda precisam ser profundamente explorados.

"As cidades são imensamente complexas, com muitas facetas e interações dentro deles, "disse Pete Beckman, um cientista da computação no Laboratório Nacional de Argonne do Departamento de Energia dos EUA (DOE). "Por exemplo, o clima influencia o movimento humano; a qualidade do ar afeta a saúde a longo prazo; e a disponibilidade de transporte ajuda a determinar oportunidades que variam de emprego a interação social. O que precisamos é de uma nova geração de métodos e ferramentas que podem nos ajudar a encontrar relacionamentos ocultos dentro do crescente volume e diversidade de dados que estão sendo coletados sobre as cidades. "

Central para esses métodos é o aprendizado de máquina - o processo cada vez mais potente pelo qual os computadores são treinados para fazer previsões ou determinações a partir de grandes quantidades de dados. O aprendizado de máquina revolucionou muitas partes de nossas vidas, do jogo de xadrez aos sistemas de reconhecimento facial, e agora está chegando às nossas cidades.

"Com o aprendizado de máquina, podemos pegar os dados que vêm de experimentos ou observações e podemos explorar a validade das teorias existentes ou formular novas hipóteses sobre as inter-relações entre sistemas e processos urbanos, "explicou Beckman, que ajuda a aplicar ciência de dados aos desafios urbanos.

Porque as cidades são tão complexas, as questões às quais Beckman e seus colegas de Argonne estão aplicando essas técnicas abrangem desde o combate à poluição até a melhoria da segurança de pedestres, e desde a previsão do crime até a compreensão da dinâmica da propagação de doenças transmissíveis. Maximizando um desses parâmetros, ele disse, pode impactar outros, tornando o aprendizado de máquina uma técnica ideal para encontrar relacionamentos em um sistema muito complicado para descrever com uma teoria.

O trabalho de Argonne na interseção do aprendizado de máquina e o ambiente urbano alavanca as equipes multidisciplinares amplas e profundas do laboratório e as poderosas ferramentas científicas para resolver alguns dos problemas mais complexos da sociedade. Isso pode ser visto mais diretamente no Array of Things (AoT) financiado pela National Science Foundation, uma parceria entre a Argonne, a Universidade de Chicago, e a cidade de Chicago. AoT é uma rede de mais de 100 programáveis, dispositivos multisensores (nós) implantados em Chicago, a caminho de crescer para 200 até o final de 2019.

Cada nó hospeda duas câmeras (voltadas para o céu e para o solo), um microfone e sensores para medir os fatores que impactam o ambiente urbano, como o clima, ruído e qualidade do ar. O nó também hospeda computação poderosa para processar os dados localmente e em tempo real.

Os nós AoT são construídos usando o módulo modular de Argonne, plataforma de código aberto chamada Waggle.

"A principal vantagem de usar o Waggle for the Array of Things é que os nós podem executar software de aprendizado de máquina localmente, sem a necessidade de manter contato ou enviar dados para um servidor central, "disse Charlie Catlett, Investigador principal da AoT e cientista da computação na Argonne e na Universidade de Chicago.

Embora cada geração de nós (de cerca de 100 nós implantados) seja padronizada e consistente, os cientistas podem programar remotamente não apenas os algoritmos de amostragem para sensores padrão, mas também fornece código de aprendizado de máquina para analisar imagens, som ou combinações de valores do sensor.

"O aprendizado de máquina dentro dos nós significa que não implantamos apenas uma rede de sensores tradicional, mas agora também podemos projetar sensores definidos por software, fatores de medição que estão além do alcance de sensores eletrônicos, como o fluxo de veículos em um cruzamento ou o tamanho típico de um grupo que usa um parque público, "Catlett disse." Sem qualquer necessidade de trocar o hardware instalado no poste, podemos lançar um novo software para adicionar medições definidas por software, abordando uma gama quase ilimitada de perguntas. "

Isso difere da maioria das redes de sensores, cujos nós consistem em um sensor que fornece informações de volta para um banco de dados central, mas que carece de qualquer capacidade de modificar remotamente a estratégia de detecção, muito menos adicionar novas medidas. Redes de sensores típicas são projetadas para um conjunto específico de medições, então, uma vez que eles estão instalados, a única maneira de melhorá-los é substituí-los por uma nova instalação.

Dispositivos como nós AoT que são capazes de aprendizado de máquina programável remotamente "na borda" também podem fornecer um nível adicional de detalhe e análise em torno de diferentes aspectos do ambiente urbano.

"O que descobrimos é que o sensoriamento tradicional e os dados urbanos disponíveis fornecem apenas parte da história, "Catlett disse." Para fenômenos urbanos mais complexos - como tentar descobrir os detalhes da segurança de um cruzamento - tivemos que desenvolver um sistema que pudesse ser programado remotamente com código de aprendizado de máquina para interpretar imagens, som e outros dados. "

"Fazemos isso na rua - no limite da rede - em vez de na nuvem, " ele adicionou.

Em última análise, Catlett disse, AoT busca incorporar um certo grau de autonomia, onde um nó pode alterar seus parâmetros operacionais com base em algo que detecta no ambiente.

"Por exemplo, digamos que você queira ter uma maneira de ver as inundações nas ruas da cidade, mas você sabia que só importava quando a umidade atingia um certo nível, "ele disse." Queremos que nossos nós tomem uma decisão sobre como eles operam com base em suas observações. "

Uma rede de sensores multidimensionais que pode aprender e se adaptar, como o AoT, poderia permitir que os pesquisadores gerenciem as compensações e identifiquem possíveis correlações entre os diferentes fenômenos urbanos. A complexidade de uma cidade, na visão de Beckman, torna o aprendizado de máquina a única maneira "tratável" que os cientistas têm de lidar com as grandes questões que os planejadores urbanos e residentes enfrentam.

"Não há teoria que diga que, para cada ocupante que você adicionar da seguinte maneira, a cidade vai se comportar de uma maneira particular, " ele disse.

Ter uma rede aprimorada de aprendizado de máquina como o AoT oferece aos cientistas uma plataforma para explorar algumas das questões mais complicadas que as cidades enfrentam.

“Agora temos um instrumento experimental para que a cidade comece a fazer todo o tipo de perguntas muito específicas, e o instrumento é programável, "Catlett disse.