Individuare i segnali del degrado urbano: la potenza dell'IA nella pianificazione urbana

Misurare con precisione la qualità degli spazi urbani è fondamentale per elaborare politiche efficaci che affrontino le diverse sfide degli abitanti delle città, come povertà, infrastrutture, trasporti, salute e sicurezza. Tuttavia, i metodi tradizionali di raccolta dei dati socioeconomici, come i tassi di criminalità, i livelli di reddito e le condizioni abitative, basati su sondaggi occasionali tra i cittadini, sono inadeguati: sono poco frequenti, costosi e dipendono dalla percezione umana, restituendo un quadro ormai superato delle condizioni a livello di quartiere.

L'uso dell'IA in questo ambito sta diventando rapidamente sempre più diffuso: i ricercatori sperimentano con immagini satellitari per quantificare l'espansione urbana e con progetti di apprendimento automatico per realizzare mappe su larga scala della povertà, della ricchezza e del reddito nei paesi in via di sviluppo. Nonostante questi progressi, il paesaggio fisico degli ambienti urbani e i suoi cambiamenti nel tempo non sono ancora stati esplorati a fondo.

Secondo Andrea Vallebueno, «non esiste una misura adeguata che documenti la qualità dello spazio urbano, i suoi cambiamenti nel tempo e le disuguaglianze spaziali che presenta». Andrea ha collaborato con il coautore Yong Suk Lee per colmare questa lacuna, utilizzando immagini di Google Street View raccolte ad alta frequenza e creando dati panel a livello di segmento stradale: un approccio pionieristico in questo campo.

Andrea Vallebueno è ricercatrice in scienze computazionali presso il Regulation, Evaluation, and Governance Lab della Stanford University.

Fare del bene con l'IA#

La passione di Andrea per l'utilizzo della scienza dei dati a fini sociali l'ha portata a esplorare l'apprendimento automatico e l'IA per la visione. Con un background in economia e un master in scienza dei dati conseguito a Stanford, Andrea utilizza Ultralytics YOLOv5 da circa un anno e mezzo.

Da bambina, a Città del Messico, Andrea era molto consapevole delle forti disparità tra quartieri come Santa Fe, dove un grande muro di cemento separava ricchi e poveri. In qualità di ricercatrice e data scientist, Vallebueno si è preoccupata del fatto che i dati economici tradizionali trascurassero queste forti differenze, nascondendo gli indicatori di disuguaglianza e degrado urbano. Si è resa conto che, con il crescente afflusso di persone nelle città di tutto il mondo, la mancanza di dati dettagliati sarebbe diventata un problema sempre più urgente.

Perché Ultralytics YOLOv5?#

Andrea e Yong volevano creare una misura oggettiva del degrado urbano. Hanno utilizzato il rilevamento degli oggetti nelle immagini di Google Street View per individuare otto caratteristiche urbane indicative del degrado. Hanno scelto YOLOv5 per la sua velocità di inferenza e perché sfrutta le informazioni contestuali, un aspetto fondamentale per il loro caso d'uso.

Il modello addestrato è stato utilizzato per eseguire l'inferenza su 114.000 immagini di Google Street View provenienti da diversi quartieri di San Francisco, Città del Messico e South Bend. I rilevamenti degli otto attributi sono stati aggregati a livello di segmento stradale per generare indici di degrado urbano e misurare nel tempo le variazioni della sua incidenza.

Città del Messico, MX

San Francisco, CA

Andrea e il suo team hanno trovato Ultralytics YOLOv5 estremamente facile da usare e hanno dedicato la maggior parte del tempo alla selezione del dataset e all'addestramento dei modelli. Hanno apprezzato l'integrazione con gli strumenti di tracciamento degli esperimenti e l'apprendimento automatico degli anchor box, che ha reso il processo molto più accessibile.

Andrea e il suo team sono entusiasti di ampliare la loro misura della qualità urbana includendo caratteristiche positive dell'ambiente urbano fisico e di testare le prestazioni di questi indici in un insieme eterogeneo di quartieri urbani.

Visualizzazione dell'insieme di rilevamenti del modello di tende e teloni utilizzati come ricoveri da persone senza dimora nel quartiere di Tenderloin, San Francisco, nel corso del tempo.

Consigli per iniziare nel campo dell'IA#

A chi si avvicina per la prima volta all'IA, Andrea consiglia di trovare un problema o una domanda di ricerca che appassioni e di seguire l'intero ciclo di vita dell'IA. Ritiene che sia uno dei modi migliori per sviluppare intuizione e comprendere i limiti del proprio modello.

L'IA sta diventando uno strumento sempre più essenziale per università e ricercatori, perché consente loro di esplorare e comprendere dataset complessi, rendendo i risultati più precisi e affidabili. Sfruttando l'IA, i ricercatori possono comprendere in modo più completo gli spazi urbani e le sfide che devono affrontare i loro abitanti, favorendo politiche e soluzioni migliori.

Grazie per aver letto l'esperienza di Andrea con YOLOv5! Vuoi condividere la tua? Taggaci ovunque su @Ultralytics con il tuo caso d'uso di Ultralytics YOLO e promuoveremo il tuo lavoro nella community ML.