كشف مؤشرات التدهور الحضري: قوة الذكاء الاصطناعي في التخطيط الحضري

يُعد القياس الدقيق لجودة المساحات الحضرية جانبًا بالغ الأهمية لوضع سياسات فعالة تعالج التحديات المتنوعة التي يواجهها سكان المدن، مثل الفقر والبنية التحتية والنقل والصحة والسلامة. غير أن الأساليب التقليدية لجمع البيانات الاجتماعية والاقتصادية، مثل معدلات الجريمة ومستويات الدخل وظروف السكن، عبر استطلاعات المواطنين المتقطعة، غير كافية؛ فهي قليلة التكرار ومكلفة وتعتمد على الإدراك البشري، مما يؤدي إلى صورة قديمة للظروف على مستوى الأحياء.

يتزايد انتشار استخدام الذكاء الاصطناعي في هذا المجال بسرعة، إذ يجري الباحثون تجارب على صور الأقمار الصناعية لقياس التمدد الحضري، وعلى مشاريع التعلم الآلي لإنشاء خرائط واسعة النطاق للفقر والثروة والدخل في البلدان النامية. وعلى الرغم من هذه التطورات، لم يُستكشف بعد بالكامل المشهد المادي داخل البيئات الحضرية وكيفية تغيره بمرور الوقت.

بحسب أندريا فاليبوينو، "لا يوجد مقياس ملائم يوثق جودة المساحة الحضرية وتغيرها بمرور الوقت وأوجه التفاوت المكاني فيها." عملت أندريا مع شريكها في التأليف، يونغ سوك لي، لسد هذه الفجوة باستخدام صور Google Street View عالية التواتر وإنشاء بيانات لوحية على مستوى مقاطع الشوارع، ليكونا رائدين في هذا المجال.

أندريا فاليبوينو باحثة زميلة في علوم الحوسبة في مختبر التنظيم والتقييم والحوكمة بجامعة ستانفورد.

تسخير الذكاء الاصطناعي لفعل الخير#

قاد شغف أندريا بتوظيف علم البيانات في تطبيقات تخدم الصالح الاجتماعي إلى استكشاف استخدام التعلم الآلي والذكاء الاصطناعي للرؤية. وبفضل خلفيتها في الاقتصاد وحصولها على درجة الماجستير في علم البيانات من جامعة ستانفورد، تستخدم أندريا Ultralytics YOLOv5 منذ نحو عام ونصف.

عندما كانت أندريا طفلة في مكسيكو سيتي، كانت تدرك بوضوح الفوارق الكبيرة بين أحياء مثل سانتا في، حيث يفصل جدار خرساني ضخم بين الأغنياء والفقراء. وبصفتها باحثة في علم البيانات، انشغلت فاليبوينو بكيفية إغفال البيانات الاقتصادية التقليدية لهذه الفوارق الحادة، مما يحجب مؤشرات عدم المساواة والتدهور الحضري. وأدركت أن تزايد تدفق الناس إلى المدن حول العالم سيجعل نقص البيانات التفصيلية مشكلة أكثر إلحاحًا.

لماذا Ultralytics YOLOv5؟#

سعت أندريا ويونغ إلى وضع مقياس موضوعي للتدهور الحضري. واستخدما اكتشاف الأجسام في صور Google Street View لرصد ثماني سمات حضرية تدل على التدهور الحضري. واختارا YOLOv5 لسرعة الاستدلال فيه واستخدامه المعلومات السياقية، وهو أمر بالغ الأهمية لحالة الاستخدام الخاصة بهما.

استُخدم النموذج المدرّب لإجراء الاستدلال على 114,000 صورة من مشاهد الشوارع في أحياء مختلفة من سان فرانسيسكو ومكسيكو سيتي وساوث بند. وجُمعت عمليات الكشف عن السمات الثماني على مستوى مقاطع الشوارع لإنشاء مؤشرات للتدهور الحضري وقياس التغير في معدل حدوثه بمرور الوقت.

مكسيكو سيتي، المكسيك

سان فرانسيسكو، كاليفورنيا

وجدت Andrea وفريقها أن Ultralytics YOLOv5 سهل الاستخدام للغاية، إذ أمضوا معظم وقتهم في تنسيق مجموعة البيانات وتدريب نماذجهم. وقدّروا تكامله مع أدوات تتبع التجارب، والتعلم التلقائي لمربعات الارتكاز، ما جعل العملية أيسر بكثير.

تتطلع أندريا وفريقها إلى توسيع مقياس جودة البيئة الحضرية ليشمل السمات الإيجابية للبيئة الحضرية المادية، واختبار أداء هذه المؤشرات في مجموعة متنوعة من الأحياء الحضرية.

تصور لمجموعة عمليات الكشف التي أجراها النموذج عن الخيام والأغطية المشمعة المستخدمة مساكن للمشردين بمرور الوقت في حي تندرلوين بسان فرانسيسكو.

نصائح للانطلاق في مجال الذكاء الاصطناعي#

تنصح أندريا المبتدئين في الذكاء الاصطناعي بالعثور على مشكلة أو سؤال بحثي يثير شغفهم، ثم خوض دورة حياة الذكاء الاصطناعي كاملة. وترى أن هذه إحدى أفضل الطرق لبناء الحدس وفهم قيود النموذج.

أصبح الذكاء الاصطناعي أداة أساسية على نحو متزايد للجامعات والباحثين، إذ يتيح لهم استكشاف مجموعات البيانات المعقدة وفهمها، ما يجعل نتائجهم أدق وأكثر موثوقية. وبالاستفادة من الذكاء الاصطناعي، يستطيع الباحثون تكوين فهم أشمل للمناطق الحضرية والتحديات التي يواجهها سكان المدن، الأمر الذي يؤدي إلى سياسات وحلول أفضل.

شكرًا لقراءة تجربة أندريا مع YOLOv5! هل تود مشاركة تجربتك؟ أشِر إلينا في كل مكان باستخدام @Ultralytics مع حالة الاستخدام الخاصة بك لـUltralytics YOLO، وسنروّج لعملك لدى مجتمع التعلم الآلي.