5 инструментов на основе искусственного интеллекта для архитекторов и урбанистов, которые помогут понять город лучше

Для архитектора-урбаниста навык обращения с городскими данными давно стал основным. Прогностические модели, машинное зрение и синтез образов — мы это не раз слышали, но какие именно городские сервисы они позволяют создать и какие привычки горожан просчитать? Архитектор КБ Стрелка Александр Каменев составил список того, как искусственный интеллект может помогать анализировать город. Города сегодня развиваются согласно философии City as a Service — модели, определяющей жизнь горожанина как процесс постоянного потребления или предоставления услуг другим горожанам. Он оставляет за собой след в виде цифровых данных, которые постоянно собираются. Проезд в транспорте, лайк в соцсетях или отметка геолокации пополняют разрастающуюся базу данных о городе. Данные влияют на то, сколько будет стоить однушка в центре города, по каким маршрутам поедет общественный транспорт, определяют, где нужны пункты велопроката, центры выдачи для интернет-магазинов, супермаркеты и так далее. Эти процессы, как и большинство событий в жизни горожанина сегодня, зависят от скорости и точности обработки данных. План города, сгенерированный генеративно-состязательной нейронной сетью | Источник: Author Составить индекс успеха района Модели искусственного интеллекта анализируют и прогнозируют поведение горожан, сравнивают города по уровню благоустройства, показателям экологичности, безопасности и экономического потенциала. Сегодня возможно сравнить качество благоустройства улиц Лондона и Санкт-Петербурга при помощи спутниковых снимков и панорам улиц. Аналог подобного исследования — индекс успеха района, посчитанный в UCL. Индекс учитывает качество уличного фронта и изменение стоимости квадратного метра недвижимости. Преимущество таких исследований заключается в способности прогнозировать стоимость недвижимости и для других районов города. Проектировать неоднотипно Искусственный интеллект умеет моделировать планировки многоквартирных зданий. Большое количество зданий такого типа позволяет использовать их для создания алгоритмов. Пример такой разработки — модель, построенная на анализе семисот планов этажей жилых домов. Подобные алгоритмы могут внедряться при проектировании типового жилья. Жильё, спроектированное на основе машинного обучения, не будет однообразным, будет учитывать контекст участка, функциональную программу и связанность пространства. Таким образом, получится индустриализация наоборот: все планировочные элементы разные, но затраты на строительство остаются в границах, обозначенных заказчиком. Конечно расцвет «архитектуры без архитектора» стоит ждать после повсеместного внедрения роботизированного процесса строительства. Вычислить небезопасный район Большим потенциалом обладают разработки в области искусственного интеллекта и геоинформационных (ГИС) систем. В Англии правительство готово финансировать развитие подобных технологий для системного выявления небезопасных районов в городах, поиска наиболее быстрых маршрутов для экстренных служб или принятия решения об оптимальном городском зонировании, например о том, где лучше разместить промышленно-складские территории. Кроме оценки, искусственный интеллект показывает, как горожане пользуются городом, определяет, что они считают своим районом, а что — чужим. Всё это возможно узнать по цифровым следам — данным из социальных сетей, которые горожане сами и оставили. Как пример — анализ Москвы на основе алгоритмов кластеризации и глубинного обучения. Он демонстрирует, как горожане определяют границы своего района, с учётом точек притяжения в пешеходной доступности. Границы некоторых легко объясняются: железнодорожные пути или река разрывают ткань города. Границы других объясняются планировкой: где она ломается, например, кварталы сменяют микрорайоны, там и заканчивается район. Получить обратную связь от жителей Любой урбан-проект начинается с исследований, в основе которых лежит анализ потребностей будущих пользователей. В случае с городом важность такого анализа обретает не только проектный, но и политический аспект. Люди хотят, чтобы к их мнению прислушались. Сегодня не сложно организовать платформу для сбора мнений, идей и предложений жителей: чат-боты с моделями по расшифровке и лингвистическому анализу аудио- и текстовых сообщений. Ценность такой работы заключается не в механике сбора данных, а в возможности по-разному работать с этими данными: классифицировать мнения по ключевым словам или по позитивным и негативным эмоциям, например. В отличие от уже привычных инструментов наподобие «Активного гражданина», чат-боты с элементами NLP — более гибкий инструмент с удобной механикой общения людей между собой. Протестировать проект Ещё один полезный инструмент для исследователя городской среды — это поиск идентичных городских сред на основе заданного изображения. Такой запрос сложно сформулировать в поисковых машинах, но просто организовать с помощью алгоритмов компьютерного зрения. Искусственный интеллект умеет не только распознавать образы городов на фотографиях, панорамы улиц или спутниковые снимки, но и синтезировать новые. Модели нейронных сетей GAN (генеративно-состязательная сеть) на основе предварительно изученных изображений способны воспроизвести иллюстрированный план города из простого наброска или чертежа. Модели таких сетей умеют совмещать образы разных городов, создавая новый, или достраивать фасад здания при заданных параметрах элементов или пропорциях. С помощью моделей искусственного интеллекта можно учиться у одних городов и применять эти знания для других, тестировать гипотезы, проверять проектные предложения, анализировать эффекты и прогнозировать качественные городские изменения.