도시 쇠퇴 징후 발견: 도시 계획에서 AI의 역할

도시 공간의 품질을 정확하게 측정하는 것은 빈곤, 인프라, 교통, 보건, 안전 등 도시 거주자가 직면한 다양한 문제를 해결하기 위한 효과적인 정책을 수립하는 데 매우 중요한 요소입니다. 그러나 범죄율, 소득 수준, 주거 환경과 같은 사회경제적 데이터를 가끔 시행하는 시민 설문조사를 통해 수집하는 전통적인 방식은 데이터 업데이트 주기가 길고 비용이 많이 들며 인간의 주관적 인식에 의존하기 때문에 근린 수준의 환경을 최신 상태로 파악하는 데 한계가 있습니다.

이 분야에서 AI의 활용은 빠르게 확산되고 있습니다. 연구자들은 위성 이미지를 사용하여 도시 확장을 정량화하거나 개발도상국의 빈곤, 부, 소득을 대규모로 매핑하는 머신러닝 프로젝트를 수행하고 있습니다. 이러한 발전에도 불구하고 도시 환경 내의 물리적 경관과 그것이 시간이 지남에 따라 어떻게 변화하는지에 대한 연구는 아직 완전히 이루어지지 않았습니다.

Andrea Vallebueno에 따르면, "도시 공간의 품질, 시간 경과에 따른 변화, 그리고 그로 인한 공간적 불평등을 기록할 수 있는 적절한 측정 지표가 없습니다." Andrea는 공동 저자인 Yong Suk Lee와 협력하여 고빈도 Google Street View 이미지를 활용하고 거리 단위의 패널 데이터를 구축함으로써 이 분야를 개척했습니다.

Andrea Vallebueno는 Stanford University’s Regulation, Evaluation, and Governance Lab의 계산 과학 연구원입니다.

Link to this sectionAI로 사회에 기여하기#

사회적 선을 위해 데이터 과학을 활용하고자 하는 Andrea의 열정은 머신러닝과 비전 AI의 탐구로 이어졌습니다. 경제학 배경을 가진 Andrea는 스탠퍼드 대학교에서 데이터 과학 석사 학위를 받았으며, 약 1년 반 동안 YOLOv5를 사용해 왔습니다.

멕시코 시티에서 어린 시절을 보낸 Andrea는 부유층과 빈곤층을 가르는 거대한 콘크리트 벽이 있던 Santa Fe와 같은 지역 간의 극심한 격차를 절실히 체감했습니다. 데이터 과학 연구원으로서 Vallebueno는 전통적인 경제 데이터가 이러한 극단적인 차이를 간과하여 불평등과 도시 쇠퇴의 지표를 가리고 있다는 점에 주목하게 되었습니다. 그녀는 전 세계적으로 도시로 이동하는 인구가 증가함에 따라 상세한 데이터의 부족이 더욱 시급한 문제로 대두될 것임을 깨달았습니다.

Link to this section왜 YOLOv5인가?#

Andrea와 Yong은 도시 쇠퇴에 대한 객관적인 측정 지표를 만드는 것을 목표로 했습니다. 그들은 Google Street View 이미지에 객체 탐지를 적용하여 도시 쇠퇴를 나타내는 8가지 도시 지표를 포착했습니다. 그들은 추론 속도가 빠르고 맥락 정보를 활용할 수 있다는 점에서 자신들의 사례에 가장 적합한 YOLOv5를 선택했습니다.

학습된 모델은 샌프란시스코, 멕시코 시티, 사우스 벤드의 여러 지역에서 수집된 114,000개의 거리 이미지에 대해 추론을 수행하는 데 사용되었습니다. 8가지 속성에 대한 탐지 결과는 거리 단위로 집계되어 도시 쇠퇴 지수를 생성하고 시간이 지남에 따른 도시 쇠퇴 발생 변화를 측정하는 데 활용되었습니다.

멕시코 시티, MX

샌프란시스코, CA

Andrea와 팀은 YOLOv5가 사용하기 매우 쉽다는 것을 발견했으며, 데이터셋 큐레이션과 모델 학습에 대부분의 시간을 할애했습니다. 그들은 실험 추적 도구와의 통합과 자동화된 bbox 학습 기능 덕분에 작업 과정이 훨씬 효율적이었다고 평가했습니다.

Andrea와 팀은 도시 품질 측정 범위를 확대하여 물리적 도시 환경의 긍정적인 속성까지 포함하고, 다양한 도시 지역에서 이러한 지표의 성능을 테스트할 계획입니다.

샌프란시스코 텐더로인 지역에서 시간이 지남에 따라 노숙자 거주지로 사용되는 텐트/타프에 대한 모델 탐지 결과 시각화.

Link to this sectionAI 분야에 입문하기 위한 조언#

AI를 처음 접하는 사람들에게 Andrea는 자신이 열정을 가진 문제나 연구 질문을 찾고 전체 AI 라이프사이클을 경험해 볼 것을 권장합니다. 그녀는 이것이 직관력을 기르고 모델의 한계를 이해하는 가장 좋은 방법 중 하나라고 믿습니다.

AI는 복잡한 데이터셋을 탐색하고 이해하여 연구 결과를 더욱 정확하고 신뢰할 수 있게 만들기 때문에 대학과 연구자들에게 점점 더 중요한 도구가 되고 있습니다. AI를 활용함으로써 연구자들은 도시 공간과 도시 거주자가 직면한 문제에 대해 보다 포괄적으로 이해할 수 있으며, 이는 더 나은 정책과 해결책으로 이어질 수 있습니다.

Andrea의 YOLOv5 경험을 읽어주셔서 감사합니다! 여러분의 경험도 공유하고 싶으신가요? 여러분만의 Ultralytics YOLO 사용 사례를 @Ultralytics와 함께 태그해주시면, 여러분의 작업을 ML 커뮤니티에 홍보해 드리겠습니다.