도시 쇠퇴 징후 파악하기: 도시 계획에서 AI의 힘

도시 공간의 질을 정확하게 측정하는 것은 빈곤, 인프라, 교통, 보건, 안전 등 도시 거주자들이 직면한 다양한 문제를 해결하는 효과적인 정책을 수립하는 데 있어 중요한 요소입니다. 그러나 간헐적인 시민 설문조사를 통해 범죄율, 소득 수준, 주거 환경과 같은 사회경제적 데이터를 수집하는 전통적인 방법은 충분하지 않습니다. 이러한 방법은 조사 빈도가 낮고 비용이 많이 들며 인간의 인식에 의존하기 때문에 지역 단위의 상황을 시대에 뒤떨어진 모습으로 파악하게 합니다.

이 분야에서 AI의 활용은 빠르게 확산되고 있으며, 연구자들은 위성 이미지를 사용해 도시 확장을 정량화하고 개발도상국의 빈곤, 부, 소득을 대규모로 매핑하는 머신 러닝 프로젝트를 진행하고 있습니다. 이러한 발전에도 불구하고 도시 환경 내 물리적 경관과 시간이 지남에 따라 경관이 어떻게 변화하는지는 아직 충분히 연구되지 않았습니다.

Andrea Vallebueno에 따르면, "도시 공간의 질과 시간에 따른 변화, 그리고 도시 공간에 나타나는 공간적 불평등을 기록하는 적절한 측정 방법은 없습니다." Andrea는 공동 저자인 Yong Suk Lee와 함께 고빈도 Google Street View 이미지를 사용하고 도로 구간 수준의 패널 데이터를 구축하여 이 공백을 메웠으며, 이 분야의 선구자가 되었습니다.

Andrea Vallebueno는 Stanford University Regulation, Evaluation, and Governance Lab의 계산과학 연구원입니다.

AI로 사회에 기여하기#

사회적 가치 창출을 위한 데이터 과학 활용에 대한 Andrea의 열정은 머신 러닝과 비전 AI를 탐구하게 했습니다. 경제학을 전공하고 Stanford에서 데이터 과학 석사 학위를 취득한 Andrea는 약 1년 반 동안 Ultralytics YOLOv5를 사용해 왔습니다.

멕시코시티에서 어린 시절을 보낸 Andrea는 부유층과 빈곤층을 가르는 커다란 콘크리트 벽이 있던 Santa Fe와 같은 지역 간의 극심한 격차를 뚜렷하게 인식하고 있었습니다. 데이터 과학 연구자로서 Vallebueno는 전통적인 경제 데이터가 이러한 극심한 차이를 간과하여 불평등과 도시 쇠퇴를 나타내는 지표를 가리고 있다는 점을 우려하게 되었습니다. 전 세계적으로 도시로 이주하는 사람들이 늘어나는 상황에서 세부적인 데이터의 부족은 더욱 시급한 문제가 될 것이라고 깨달았습니다.

Ultralytics YOLOv5를 선택한 이유#

Andrea와 Yong은 도시 쇠퇴를 객관적으로 측정하는 방법을 만들고자 했습니다. 이들은 Google Street View 이미지에서 객체 탐지를 수행하여 도시 쇠퇴를 나타내는 8가지 도시 특성을 포착했습니다. 해당 사용 사례에서는 추론 속도와 컨텍스트 정보 활용이 중요했기 때문에 YOLOv5를 선택했습니다.

학습된 모델은 San Francisco, Mexico City, South Bend의 여러 지역에서 수집한 114,000개의 스트리트 뷰 이미지에 대해 추론을 수행하는 데 사용되었습니다. 8가지 특성에 대한 탐지 결과를 도로 구간 수준에서 집계하여 도시 쇠퇴 지수를 생성하고 시간에 따른 도시 쇠퇴 발생률의 변화를 측정했습니다.

멕시코시티, MX

San Francisco, CA

Andrea와 팀은 Ultralytics YOLOv5가 매우 쉽게 사용할 수 있는 도구라는 점을 확인했으며, 대부분의 시간은 데이터셋을 선별하고 모델을 학습하는 데 사용했습니다. 실험 추적 도구와의 통합 및 bounding box의 자동 학습 기능을 높이 평가했으며, 이러한 기능 덕분에 프로세스에 훨씬 쉽게 접근할 수 있었습니다.

Andrea와 팀은 물리적 도시 환경의 긍정적인 특성을 포함하도록 도시의 질 측정 범위를 확장하고, 다양한 도시 지역 집합에서 이러한 지수의 성능을 테스트하게 되어 기대하고 있습니다.

San Francisco Tenderloin 지역에서 시간에 따라 노숙인 거주지로 사용된 텐트와 방수포에 대한 모델 탐지 결과를 시각화한 것입니다.

AI를 시작하는 방법에 대한 조언#

AI를 처음 접하는 사람들에게 Andrea는 자신이 열정을 갖고 있는 문제나 연구 질문을 찾고 AI 수명 주기 전체를 경험해 보라고 권장합니다. 그녀는 이것이 직관을 기르고 모델의 한계를 이해하는 가장 좋은 방법 중 하나라고 생각합니다.

AI는 대학과 연구자들에게 점점 더 중요한 도구가 되고 있습니다. 복잡한 데이터 세트를 탐색하고 이해할 수 있도록 하여 연구 결과를 더욱 정확하고 신뢰할 수 있게 만들기 때문입니다. 연구자들은 AI를 활용하여 도시 공간과 도시 거주자들이 직면한 문제를 더욱 포괄적으로 이해할 수 있으며, 이를 통해 더 나은 정책과 해결책을 마련할 수 있습니다.

YOLOv5를 활용한 Andrea의 경험을 읽어 주셔서 감사합니다! 여러분의 경험도 공유하고 싶으신가요? 여러분만의 Ultralytics YOLO 사용 사례와 함께 어디서든 @Ultralytics를 태그해 주시면 ML 커뮤니티에 여러분의 작업을 소개하겠습니다.