Введение

Будучи инженером-программистом с опытом работы в области политологии, я много лет работал на стыке технологий и государственной политики, уделяя особое внимание инновационным технологиям, таким как Web3 и машинное обучение. Инструменты машинного обучения (ML) становятся все более доступными, а такие библиотеки, как fastai, ускоряют процесс разработки и развертывания. Эта возросшая доступность расширила горизонт полезных применений современной технологии машинного обучения и вдохновила меня на изучение новых способов использования моделей с открытым исходным кодом для воздействия на государственную политику.

В этом проекте я использовал ResNet-18 через библиотеку Python от fastai для создания демонстрационного приложения, которое идентифицирует районы, в которых наблюдается плотность населения и рост городов.

Но зачем объединять машинное обучение с урбанистикой и политологией? По мере развития технологии искусственного интеллекта она дает возможность улучшить результаты политики — от решения проблемы неравенства доходов до изменения климата. Конечно, важно признать, что при использовании искусственного интеллекта и машинного обучения в государственной политике остается множество проблем, и усилия по пониманию и смягчению предвзятости в моделях будут иметь решающее значение для этой работы.

Важно понимать нюансы роста городов и плотности населения, а также то, как они могут повлиять на город. Это явление создает проблемы, такие как:

  • Жилищный кризис. Растущие города часто сталкиваются с ростом стоимости жилья, что усугубляет проблему бездомности и нехватки жилья.
  • Инфраструктура и финансирование. Растущее население требует улучшения государственных услуг и физической инфраструктуры.

Полагаясь при выработке политики исключительно на точные демографические данные, можно рискнуть сделать политику скорее реакционной, чем превентивной, что . Именно здесь может помочь машинное обучение, в частности компьютерное зрение.

Роль компьютерного зрения в определении роста населения

Компьютерное зрение предлагает решение для более быстрой оценки роста населения, чем ожидание официальных данных переписи населения. Используя модель ResNet-18, настроенную с помощью fastai, я разработал инструмент, который может идентифицировать города, в которых в настоящее время наблюдается плотность населения. Примеры включают Роли, Северная Каролина; Остин, Техас; и Финикс, Аризона. Самое интересное в этом эксперименте заключалось в том, что все это было достигнуто с минимальными тренировочными данными и вычислительными затратами!

Вы можете просмотреть демо-приложение с использованием ResNet-18 на моем сайте HuggingFace Spaces.

Методология

  • Определение «переходных» территорий. Чтобы настроить ResNet-18 на определение того, что представляет собой городская территория, переживающая уплотнение населения, были собраны слова и фразы из дисциплин политологии и социальных исследований, которые отражали бы суть городского перехода. . Для этого я собрал набор фраз, которые часто используются для описания территорий, подвергающихся росту городов, таких как: «разрастание городов с воздуха», «вид с воздуха на пригородные районы» и «интерфейс деревни и города».
  • Источник данных для обучения: изображения для обучения были получены из Bing Image Search и разделены на три набора данных, используемых для точной настройки модели: городская местность, сельская местность и переходная зона.
  • Обучение модели. Приложение обучало модель ResNet-18 в течение семи эпох, используя методы увеличения данных, такие как случайное изменение размера и повторная обрезка. Модель имеет точность примерно 90% для определения «переходных» областей на основе первоначальных испытаний.

Проблемы и ограничения

Хотя результаты этого демонстрационного приложения были интересными, важно отметить несколько ограничений такого подхода:

  1. Источник данных. Поскольку изображения извлекаются из Bing, существует риск встретить изображения с неточной маркировкой или устаревшие. Данные были собраны с помощью простого поиска изображений Bing, учитывая простоту использования их API.
  2. Субъективность в определениях. Моя интерпретация того, что считается «переходной» территорией, носит личный характер и может не соответствовать реальным демографическим данным. Хотя определения городских, сельских и переходных территорий были собраны из соответствующих источников, конечно, остается элемент субъективности и неточности.

Потенциальные улучшения

При наличии дополнительного времени и ресурсов в это приложение можно было бы внести несколько улучшений.

  • Точная настройка с использованием проверенных данных. Один из способов повышения точности – более тонкая настройка модели с использованием изображений городов в периоды подтвержденного роста населения.
  • Экспертная маркировка данных: проконсультируйтесь с градостроителями и экспертами для более точной маркировки переходных зон.

Заключение

Машинное обучение и, в частности, компьютерное зрение имеют большие перспективы в выявлении социальных сдвигов до того, как станут доступны точные данные. Это время может оказаться неоценимым для политиков, имеющих дело с последствиями быстрого роста населения. Благодаря постоянному развитию таких инструментов, как fastai и PyTorch, инженеры смогут создавать прототипы эффективных решений с минимальными затратами времени и ресурсов.

Итак, независимо от того, являетесь ли вы градостроителем или специалистом по обработке данных, последствия заслуживают вашего внимания. Лично мне не терпится увидеть, как достижения в этой технологии можно использовать в государственной политике для улучшения условий жизни людей.