I en värld där mängden information bara ser ut att öka, och värdet på den här informationen ökar ännu mer känns det viktigt att fundera över inte bara vem som äger all data, utan också hur vi kan nyttja den på bästa sätt. Att använda den här informationen för att skapa mer hållbara städer och samhällen känns för mig självklart, och ett steg i den här riktningen tog vi under förra veckan när vi tillsammans under ett par dagar grävde ner oss i machine learning under ett hackathon i Malmö, något som det bloggats flitigt om på Swecos nya Digitaliseringsblogg.
Maskininlärning är en av alla de tekniker som är ett sätt för oss att hantera de stora datamängderna som vi nu kommer ha tillgång till. Kort sagt handlar tekniken om att lära datorn att känna igen en datamängd och tolka den, eller identifiera mönster och annat som vi vill plocka ut ur den aldrig sinande mängden information som omger oss. På hackathonet konkretiserade vi detta ner till vardagliga användningsområden i vår bransch – tex testade vi att mängda objekt från 2D-ritningar och att leta efter sprickor i betong från fotografier, med tanken att kunna använda detta för att läsa av ex drönarbilder som kan tas på platser där det finns risker att själv besiktiga, t ex höga fasader och broar.
Men machine learning är inte en ny teknik och för att koppla tillbaka till rubriken, så är det är inte heller en ny företeelse i de lösningar som vi tittar på i den smarta staden. Det är en förutsättning för flera av lösningarna. Till exempel används maskininlärning vid framtagandet av självkörande bilar, och tekniken användas också för att förutsäga trafikstockningar och köer. På samma vis kan tekniken användas för att underlätta för turister och medborgare i staden, genom att skicka ut information och rekommendationer om vilka vägar som är lämpliga att ta en viss tid på dygnet, vilka museum som är lämpliga att besöka vid det aktuella klockslaget. Tekniken kan med andra ord användas för att hitta mönster i hur vi använder staden och effektivisera resursanvändningen i den. I mindre skala kan vi exempelvis styra energianvändning av en fastighet baserat på hur vi använder lokalerna. Ett exempel på detta är Google som använt machine learning för att förutsäga energianvändning i deras datacenter och därmed lyckats sänka kostnader för detta.
Machine learning används också för att skapa en tryggare vardag för medborgare, exempelvis för att tidigt upptäcka översvämningsrisker och ge stormvarningar, men också inom sjukvård och forskning inom hälsa. IBM genomför dessutom forskningsprojekt tillsammans med UNICEF för att öka medborgardialogen mellan medborgarna i Uganda och myndigheterna i landet med hjälp av just maskininlärning, en utmaning i ett land som saknar den tekniska infrastrukturen som vi ofta ser i exempelvis europeiska länder.
Sist men inte minst så är machine learning så klart en del av den självlärande och självläkande staden. En stad som lär sig hur den används och styr om flöden och resurser för att skapa bästa nytta för dess medborgare. En stad som identifierar när något inte fungerar och i förlängningen kan åtgärda det själv. Så som ni förstår är machine learning något som redan finns i våra städer och som vi kommer se alltmer av i framtiden.
Vill du veta mer om Machine Learning?
Royal Society’s Rapport om Machine Learning och dess möjligheter:
Vill du lära dig mer om ML och självkörande bilar? Kanske den här länken är något för dig:
http://selfdrivingcars.mit.edu/
