Nhận diện dấu hiệu suy thoái đô thị: Sức mạnh của AI trong quy hoạch đô thị

Đo lường chính xác chất lượng của các không gian đô thị là một yếu tố quan trọng trong việc xây dựng các chính sách hiệu quả nhằm giải quyết những thách thức khác nhau mà cư dân đô thị phải đối mặt, như nghèo đói, cơ sở hạ tầng, giao thông, y tế và an toàn. Tuy nhiên, các phương pháp truyền thống để thu thập dữ liệu kinh tế - xã hội, chẳng hạn như tỷ lệ tội phạm, mức thu nhập và điều kiện nhà ở thông qua các cuộc khảo sát người dân không thường xuyên, là không đủ hiệu quả vì chúng diễn ra thưa thớt, tốn kém và phụ thuộc vào nhận thức của con người, dẫn đến một bức tranh lỗi thời về điều kiện ở cấp độ khu dân cư.

Việc sử dụng AI trong lĩnh vực này đang nhanh chóng trở nên phổ biến, khi các nhà nghiên cứu thử nghiệm hình ảnh vệ tinh để định lượng sự mở rộng đô thị và các dự án machine learning nhằm tạo ra bản đồ quy mô lớn về tình trạng nghèo đói, sự giàu có và thu nhập tại các quốc gia đang phát triển. Bất chấp những tiến bộ này, cảnh quan vật lý trong môi trường đô thị và cách nó thay đổi theo thời gian vẫn chưa được khám phá đầy đủ.

Theo Andrea Vallebueno, "chưa có một phép đo phù hợp nào ghi nhận chất lượng của không gian đô thị, sự thay đổi của không gian này theo thời gian và tình trạng bất bình đẳng không gian mà nó thể hiện." Andrea đã hợp tác với đồng tác giả Yong Suk Lee để lấp đầy khoảng trống này bằng cách sử dụng hình ảnh Google Street View với tần suất cao và xây dựng dữ liệu bảng ở cấp đoạn đường, đưa họ trở thành những người tiên phong trong lĩnh vực này.

Andrea Vallebueno là Nghiên cứu viên về Khoa học Tính toán tại Regulation, Evaluation, and Governance Lab của Stanford University.

Ứng dụng AI vì lợi ích cộng đồng#

Niềm đam mê ứng dụng data science vào các lĩnh vực vì lợi ích cộng đồng đã thôi thúc Andrea khám phá machine learning và AI thị giác. Với nền tảng kinh tế học và bằng Thạc sĩ Data Science từ Stanford, Andrea đã sử dụng Ultralytics YOLOv5 được khoảng một năm rưỡi.

Khi còn nhỏ ở Thành phố Mexico, Andrea nhận thức sâu sắc về sự chênh lệch lớn giữa các khu dân cư như Santa Fe, nơi một bức tường bê tông lớn ngăn cách người giàu với người nghèo. Với tư cách là một nhà nghiên cứu data science, Vallebueno bắt đầu lo ngại về việc dữ liệu kinh tế truyền thống bỏ qua những khác biệt cực đoan này, che khuất các chỉ dấu về bất bình đẳng và suy thoái đô thị. Cô nhận ra rằng với dòng người ngày càng tăng chuyển đến các thành phố trên toàn thế giới, việc thiếu dữ liệu chi tiết sẽ chỉ trở thành một vấn đề cấp bách hơn.

Tại sao chọn Ultralytics YOLOv5?#

Andrea và Yong đặt mục tiêu tạo ra một phép đo khách quan về tình trạng suy thoái đô thị. Họ sử dụng object detection trên hình ảnh Google Street View để ghi nhận tám đặc điểm đô thị là dấu hiệu của suy thoái đô thị. Họ chọn YOLOv5 nhờ tốc độ inference và khả năng sử dụng thông tin ngữ cảnh, yếu tố rất quan trọng đối với use case của họ.

Model đã được huấn luyện và sử dụng để chạy inference trên 114.000 hình ảnh street view từ các khu dân cư khác nhau ở San Francisco, Thành phố Mexico và South Bend. Các kết quả detection của tám thuộc tính được tổng hợp ở cấp đoạn đường để tạo ra các chỉ số về suy thoái đô thị và đo lường sự thay đổi theo thời gian về mức độ xuất hiện của tình trạng suy thoái đô thị.

Thành phố Mexico, MX

San Francisco, CA

Andrea và nhóm của cô nhận thấy Ultralytics YOLOv5 cực kỳ dễ sử dụng, trong đó phần lớn thời gian của họ được dành cho việc tuyển chọn dataset và training các model. Họ đánh giá cao khả năng tích hợp với các công cụ theo dõi experiment và tính năng tự động học các bounding box, giúp quy trình trở nên dễ tiếp cận hơn nhiều.

Andrea và nhóm của cô rất hào hứng mở rộng phép đo chất lượng đô thị để bao gồm các thuộc tính tích cực của môi trường đô thị vật lý, đồng thời kiểm thử hiệu suất của các chỉ số này trên nhiều khu dân cư đô thị đa dạng.

Hình ảnh trực quan hóa tập hợp các kết quả detection của model về lều/bạt được sử dụng làm nơi ở của người vô gia cư theo thời gian tại khu Tenderloin, San Francisco.

Lời khuyên cho người mới bắt đầu với AI#

Đối với những người mới làm quen với AI, Andrea khuyên nên tìm một vấn đề hoặc câu hỏi nghiên cứu mà mình đam mê và trải qua toàn bộ vòng đời AI. Cô tin rằng đây là một trong những cách tốt nhất để xây dựng trực giác và hiểu được những hạn chế của model.

AI ngày càng trở thành một công cụ thiết yếu đối với các trường đại học và nhà nghiên cứu, vì nó cho phép họ khám phá và hiểu các tập dữ liệu phức tạp, giúp những phát hiện của họ chính xác và đáng tin cậy hơn. Bằng cách tận dụng AI, các nhà nghiên cứu có thể hiểu toàn diện hơn về không gian đô thị và những thách thức mà cư dân đô thị phải đối mặt, từ đó đưa đến các chính sách và giải pháp tốt hơn.

Cảm ơn bạn đã đọc về trải nghiệm của Andrea với YOLOv5! Bạn có muốn chia sẻ trải nghiệm của mình không? Hãy gắn thẻ chúng tôi ở mọi nơi với @Ultralytics cùng use case Ultralytics YOLO của riêng bạn, và chúng tôi sẽ quảng bá công trình của bạn đến cộng đồng ML.