Comprendre le fonctionnement et les comportements d'une ville nécessite une connaissance des différents processus qui permettent aux personnes et autres organismes biologiques de vivre et de prospérer, ainsi que la compréhension de leurs interrelations, dont beaucoup sont compliquées et doivent encore être explorées en profondeur.

« Les villes sont immensément complexes, avec de nombreuses facettes et interactions en leur sein, " a déclaré Pete Beckman, informaticien au Laboratoire national d'Argonne du Département de l'énergie des États-Unis (DOE). "Par exemple, le temps influence les mouvements humains; la qualité de l'air affecte la santé à long terme; et la disponibilité des transports aide à déterminer les opportunités allant de l'emploi à l'interaction sociale. Ce dont nous avons besoin, c'est d'une nouvelle génération de méthodes et d'outils qui peuvent nous aider à trouver des relations cachées dans le volume et la diversité croissants des données collectées sur les villes."

L'apprentissage automatique est au cœur de ces méthodes, le processus de plus en plus puissant par lequel les ordinateurs s'entraînent à faire des prédictions ou des déterminations à partir de grandes quantités de données. L'apprentissage automatique a révolutionné de nombreux aspects de notre vie, du jeu d'échecs aux systèmes de reconnaissance faciale, et il arrive maintenant dans nos villes.

"Avec l'apprentissage automatique, nous pouvons prendre les données provenant d'expériences ou d'observations et nous pouvons explorer la validité des théories existantes ou en émettre de nouvelles concernant les interrelations entre les systèmes et processus urbains, " a expliqué Beckman, qui aide à appliquer la science des données aux défis urbains.

Parce que les villes sont si complexes, les problématiques auxquelles Beckman et ses collègues d'Argonne appliquent ces techniques vont de la lutte contre la pollution à l'amélioration de la sécurité des piétons, et de la prévision de la criminalité à la compréhension de la dynamique de la propagation des maladies transmissibles. Maximiser un de ces paramètres, il a dit, peut avoir un impact sur les autres, faire de l'apprentissage automatique une technique optimale pour trouver des relations dans un système trop compliqué à décrire avec une théorie.

Le travail d'Argonne à l'intersection de l'apprentissage automatique et de l'environnement urbain s'appuie sur les équipes multidisciplinaires profondes et larges du laboratoire et sur de puissants outils scientifiques pour résoudre certains des problèmes les plus complexes de la société. Cela peut être vu plus directement dans l'Array of Things (AoT) financé par la National Science Foundation, un partenariat entre Argonne, l'Université de Chicago, et la ville de Chicago. AoT est un réseau de plus de 100 programmables, dispositifs multicapteurs (nœuds) déployés dans tout Chicago, en bonne voie pour atteindre 200 d'ici la fin de 2019.

Chaque nœud héberge deux caméras (face au ciel et au sol), un microphone et des capteurs pour mesurer les facteurs qui impactent l'environnement urbain, comme le climat, le bruit et la qualité de l'air. Le nœud héberge également des calculs puissants pour traiter les données localement et en temps réel.

Les nœuds AoT sont construits à l'aide des modules d'Argonne, plate-forme open source appelée Waggle.

« Un avantage clé de l'utilisation de Waggle pour le tableau des objets est que les nœuds peuvent exécuter localement un logiciel d'apprentissage automatique sans avoir besoin de rester en contact ou de renvoyer des données à un serveur central, " dit Charlie Catlett, chercheur principal de l'AoT et informaticien à Argonne et à l'Université de Chicago.

Bien que chaque génération de nœuds (d'environ 100 nœuds déployés) soit standardisée et cohérente, les scientifiques peuvent programmer à distance non seulement les algorithmes d'échantillonnage pour les capteurs standard, mais aussi fournir du code de machine learning pour analyser les images, son ou des combinaisons de valeurs de capteur.

« L'apprentissage automatique au sein des nœuds signifie que nous avons non seulement déployé un réseau de capteurs traditionnel, mais nous pouvons aussi maintenant concevoir des capteurs définis par logiciel, mesurer des facteurs hors de portée des capteurs électroniques, comme le flux de véhicules à une intersection ou la taille typique d'un groupe qui utilise un parc public, " Catlett a dit. " Sans aucun besoin de changer le matériel installé sur le poteau de rue, nous pouvons pousser un nouveau logiciel pour ajouter des mesures définies par logiciel, répondre à un éventail presque illimité de questions.

Cela diffère de la plupart des réseaux de capteurs, dont les nœuds sont constitués d'un capteur qui renvoie des informations à une base de données centrale, mais qui n'ont aucune capacité de modifier à distance la stratégie de détection, encore moins ajouter de nouvelles mesures. Les réseaux de capteurs typiques sont conçus pour un ensemble spécifique de mesures, donc une fois installés, le seul moyen de les améliorer est de les remplacer par une nouvelle installation.

Des dispositifs tels que les nœuds AoT capables d'apprentissage automatique programmable à distance "à la périphérie" peuvent également fournir un niveau supplémentaire de détail et d'analyse concernant différents aspects de l'environnement urbain.

"Ce que nous trouvons, c'est que la détection traditionnelle et les données urbaines disponibles ne fournissent qu'une partie de l'histoire, " Catlett a déclaré. "Pour des phénomènes urbains plus complexes, comme essayer de comprendre les moindres détails de la sécurité d'une intersection, nous avons dû développer un système qui pourrait être programmé à distance avec un code d'apprentissage automatique pour interpréter les images, le son et d'autres données."

« Nous le faisons dans la rue, à la périphérie du réseau, plutôt que dans le cloud, " il ajouta.

Finalement, Catlett a dit, AoT cherche à intégrer un degré d'autonomie, où un nœud pourrait modifier ses paramètres de fonctionnement en fonction de quelque chose qu'il détecte dans l'environnement.

"Par exemple, dire que vous vouliez avoir un moyen de regarder les inondations de surface dans les rues de la ville, mais vous saviez que cela n'avait d'importance que lorsque l'humidité atteignait un certain niveau, ", a-t-il déclaré. "Nous voulons que nos nœuds prennent une décision sur leur fonctionnement en fonction de leurs observations."

Un réseau de capteurs multidimensionnels capable d'apprendre et de s'adapter, comme l'AOT, pourrait permettre aux chercheurs de gérer les arbitrages et d'identifier les corrélations potentielles entre différents phénomènes urbains. La complexité d'une ville, du point de vue de Beckman, fait de l'apprentissage automatique le seul moyen « maniable » dont disposent les scientifiques pour résoudre les grandes questions auxquelles sont confrontés les urbanistes et les résidents.

"Il n'y a aucune théorie qui dit ça, pour chaque occupant que vous ajoutez de la manière suivante, la ville se comportera d'une manière particulière, " il a dit.

Disposer d'un réseau amélioré par l'apprentissage automatique comme AoT donne aux scientifiques une plate-forme pour explorer certaines des questions les plus complexes auxquelles les villes sont confrontées.

« Nous avons maintenant un instrument expérimental pour que la ville commence à poser toutes sortes de questions très précises, et l'instrument est programmable, " dit Catlett.