Verrückt nach ChatGPT? Einige Städte setzen darauf
Es ist schwer zu sagen, ob ChatGPT dem Hype gerecht werden wird. Die erste von Microsoft unterstützte Technologie ihrer Art wurde im November 2022 vorgestellt, einige Monate später folgte Googles Version namens Bard. Wie jede andere potenziell bahnbrechende Innovation wurde sie sowohl mit Enthusiasmus als auch mit Skepsis begrüßt, aber sie wurde schnell und unbestreitbar ein heißes Thema und löste Gespräche über Künstliche Intelligenz und wie sie sich auf Gesellschaft und Wirtschaft auswirkt.
Welche Vorteile kann ChatGPT den Städten und Gemeinden bringen? Verwaltung und Finanzen könnten die ersten Abteilungen sein, die davon profitieren. Unter Vietnam, Die Abteilung für Information und Kommunikation der HMC City ermutigt Forscher und Wissenschaftler , um ChatGPT auf das staatliche Verwaltungssystem anwenden um die Arbeitsabläufe zu straffen und die Verfahren effizienter zu gestalten, wobei auch anerkannt wird, dass sie zur Entwicklung neuer Dienste beitragen könnte, die den Menschen und Unternehmen besser dienen. Unter die USA, a neues ChatGPT-basiertes Tool für die kommunale Haushaltsplanung hat gerade aus dem Beta-Test hervorgegangenfür Städte, die Hilfe bei der Erstellung ihrer Haushaltsbücher mit Zahlen und Texten zu den Ausgaben suchen.
Aber einige Städte machen bereits erste Schritte bei der Erprobung von ChatGPT-Anwendungen. Wie berichtet von Cities Today, Singapur nutzt KI-Sprachmodelle, wie die, die ChatGPT zugrunde liegen, um Unterstützung der Beamten bei gewöhnlichen Aufgaben wie die Erstellung von Strategiepapieren, die Zusammenfassung von Nachrichten, die Beantwortung von Bürgeranfragen oder die Verwaltung langer Dokumente. Das Tool wurde von Open Government Products entwickelt, einem internen Team in Singapur, das Technologien zur Lösung von Problemen im öffentlichen Sektor entwickelt. Es hat sich als effektiv erwiesen, da es die Recherche- und Schreibprozesse beschleunigt und gleichzeitig die Konsistenz und Qualität der Ergebnisse gewährleistet.
Das erste Dienstprogramm, das ChatGPT global nutzt, ist das Dubai Elektrizitäts- und Wasserbehördedie eine neue Anwendung für die Verbesserung des Kundensupports. Es nutzt die Fähigkeit von ChatGPT, mit Nutzern durch natürliche Sprache zu interagieren, um den Dialog mit ihnen zu verbessern und schnelle und zuverlässige Antworten auf ihre Anfragen zu geben. Die Technologie wird auch für das Schreiben von Programmiercode und die Lösung von Programmierproblemen getestet.
Ja, natürlich, ChatGPT ist nicht ohne Kritik und ihre Nutzung durch öffentliche Einrichtungen hat die Aufmerksamkeit auf mögliche Risiken in Bezug auf den Schutz der Privatsphäre und den Datenschutz, die Cybersicherheit und andere potenzielle Missbräuche gelenkt. Die Chancen für Technologieunternehmen sind klar genug - und der BigTech-Ansturm könnte bald von Chinas Giganten aufgehalten werden: Peking unterstützt wichtige Unternehmen bei ihren Investitionen in einem Open-Source-Framework, um ChatGPT herauszufordern und eine konkurrierende Plattform zu entwickeln.
Einsatz von KI zur Bekämpfung der Luftverschmutzung in Indien
Künstliche Intelligenz (KI) hat in vielen Branchen und Lebensbereichen umwälzende Auswirkungen und wird in Smart Cities zunehmend genutzt, um dringende Probleme anzugehen, wie zum Beispiel Luftverschmutzung.
Nach Greenpeace-Analysten, 22 der 30 am stärksten verschmutzten Städte der Welt liegen in Indien, wo jeden Winter mehr als 140 Millionen Menschen einer starken Luftverschmutzung ausgesetzt sind. In der nationalen Hauptstadt Delhi forderte die PM2,5-Luftverschmutzung im Jahr 2020 etwa 54.000 Menschenleben.
Unabhängige Untersuchungen haben ergeben Indien würde mindestens 4000 Kontrollstationen zur Überwachung der Luftqualität benötigen - Heute gibt es jedoch nur etwa 160 aktive Stationen im Land, ein völlig unzureichendes Netz, um zuverlässige und aussagekräftige Daten für eine Bewertung oder Entscheidungsfindung zu sammeln.
Hier ist es AI kommt ins Spiel. Ausführlich Die Überwachung der Luftqualität sollte verschiedene Informationsquellen kombinieren.Dazu gehören Daten von Luftkontrollstationen, Wetter- und Satellitendaten, aber auch vom Menschen verursachte Aktivitäten wie Mobilität und Verkehr, Industrieansiedlungen, Abfallwirtschaft und Müllverbrennung. KI kann genutzt werden, um all diese Faktoren zu korrelieren und eine bessere räumliche Interpolation der Luftverschmutzungsdaten zu ermöglichenund unterstützt so die Prognosen durch ein genaueres Verständnis der Verschmutzungsquellen und der Entwicklungstendenzen.
Auch die Bürger können einen wertvollen Beitrag leisten. In Indien ist die UNDP-Beschleunigerlabor eine digitale GeoAI-Plattform entwickelt in Zusammenarbeit mit der Universität Nottingham, um mit Hilfe von Satellitenbildern Hotspots der Luftverschmutzung zu ermitteln und AI-Algorithmen zur Objekterkennung. Diese Algorithmen wurden von einer großen Gruppe freiwilliger Bürgerwissenschaftler aus aller Welt trainiert. Ihr Ziel war es insbesondere, Ziegelöfen aufzuspüren, die Hotspots für gefährdete Arbeitskräfte und Luftverschmutzung sind. Anwendung von KI-Algorithmen auf die von Bürgerwissenschaftlern trainierten Daten, mehr als 47.000 Ziegelbrennöfen in den indischen Ganges-Ebenen wurden entdeckt und in die offene Datenplattform GeoAI integriert, die einen innovativen Ansatz und einen Mix aus Technologien verwendet, um die genauen Standorte von Ziegelbrennöfen anhand von Satellitenbildern zu bestimmen und deren Übereinstimmung mit bestehenden Umweltrichtlinien und -gesetzen zu ermitteln.
Mit aktiver Moderation und Schulung, Freiwillige, die innerhalb einer Woche mehr als 2.500 Öfen klassifizieren konntenEine solche von Bürgern und KI betriebene Intelligenz ist für die Umweltbehörden wertvoll, um Maßnahmen gegen nicht konforme Brennöfen einzuleiten, und erleichtert die gezielte Maßnahmen zur Bekämpfung der Luftverschmutzung an Brennpunkten.
Die Luftverschmutzung stellt in Indien wie auch in anderen Ländern der Welt ein ernstes Gesundheitsproblem dar und beeinträchtigt die Lebensqualität. KI kann dazu beitragen, Maßnahmen zur Eindämmung der Luftqualität zu ergreifen, indem sie ortsspezifische Luftqualitätsdaten und nützliche Erkenntnisse liefert für Behörden, Industrie, Unternehmen und Bürger.
Autor: Paolo Veronesisoftware engineer bei Paradox Engineering
In einer zunehmend komplexen und vernetzten Welt, Maschinelles Lernen erweist sich als äußerst nützlich für Smart Cities und jede IoT-Anwendung wo große und hochdimensionale Datenmengen verarbeitet, korreliert und bearbeitet werden müssen.
Bei Paradox Engineering wir sind in der Pilotphase Neuronale Netzwerke in spezifischen Anwendungsfällen wie zum Beispiel kommunale Feststoffabfallsammlung oder bei Patientenüberwachung im Krankenhaus und in Kliniken, die beide mittlere bis hohe Rechenleistungen erfordern. Neuronale Netze werden in der Regel dann eingesetzt, wenn es möglich ist, große Rechenressourcen (wie Workstations oder Server) zu nutzen, aber wir erforschen nun, wie man diese Technologien in einem diametral entgegengesetzten Fall einsetzen kann - also mit extrem begrenzten Ressourcen (wie ein paar hundert KB Ram und Standard-32-Bit-Prozessoren mit weniger als hundert MHz).
Die Nutzung von neuronalen Netzwerken auf eingebetteten IoT-Geräten ist eine neue, aufkommende Anwendung. Unser Ziel ist es, Daten lokal, auf dem eingebetteten Gerät, zu verarbeiten, ohne Informationen über das Netzwerk zu senden: Dies ermöglicht den Geräten, auch bei Netzwerkausfällen ordnungsgemäß zu arbeiten, verbessert die Skalierbarkeit des Systems und seine allgemeine Sicherheit, da sensible Daten auf lokaler Ebene verarbeitet werden.
Der Anwendungsfall, auf den wir uns konzentrieren, ist Smart Lighting. In einer typischen städtischen Außeninstallation sind die Straßenlaternen mit einem Mesh-Netzwerk verbunden und werden von Gateways verwaltet, die als Grenzrouter, Netzwerkkoordinatoren und Datenkonzentratoren fungieren. A zentrale Verwaltungssoftware ermöglicht die Fernverwaltung und -steuerung des Netzwerks sowie von einzelnen oder gruppierten Geräten.
Es wird erwartet, dass die Straßenbeleuchtung auch dann reibungslos funktioniert, wenn die Verbindung zum nächsten Gateway oder dem CMS nicht verfügbar ist. Um dies zu ermöglichen, Geräte sind so konfiguriert, dass sie ihre Routinen basierend auf dem aktuellen Datum und der Uhrzeit ausführenvorausgesetzt, das Gateway stellt diese Information zur Verfügung. Dies ist für Straßenlaternen unerlässlich, um die Ephemeriden abzuleiten und den täglichen Sonnenaufgang und -untergang zu berechnen - entsprechend dieser Daten, Lampen können nach programmierten Zeitplänen ein-/ausgeschaltet und gedimmt werden.
Was passiert, wenn ein Knoten isoliert ist und sich nicht mit einem Gateway verbinden kann, z. B. wegen ungünstiger Umgebungsbedingungen oder der Netzwerktopologie? Oder wenn das Gateway gar nicht installiert ist? In solchen Fällen, das Gerät sollte einen neuen Weg finden, die aktuelle Zeit zu berechnen. Wir entschieden uns für Datenanalyse und maschinelles Lernen nutzen, um Straßenlaternen exakte Tageszeiten ableiten zu lassen aus Daten, die von integrierten Umweltsensoren gesammelt wurden.
Die Zeit aus Parametern wie Helligkeit, Temperatur oder Druck abzuschätzen, ist keine einfache Aufgabe. Die Umgebungsbedingungen variieren stark von Tag zu Tag, von Jahreszeit zu Jahreszeit, mit einem Grad an Komplexität, der mit einem traditionellen Programmieransatz nicht zu lösen wäre.
Neuronale Netze können Zeitreihen effizient verwalten und können, wenn sie mit einer ausreichenden Menge und Vielfalt von Daten trainiert werden, eine genaue Antwort auf unsere Frage geben. In unserem Experiment haben wir das System mit Daten trainiert die von einer Reihe von Umweltsensoren im Laufe eines Jahres erzeugt werden.
Die Ergebnisse waren wirklich vielversprechend: isolierte Straßenlaternen waren in der Lage, Daten lokal zu verarbeiten und die richtige Tageszeit mit eine durchschnittliche Genauigkeit von etwa 16 Minuten - und ihre Zeitpläne perfekt ausführen. Ohne Machine Learning wäre diese betriebliche Kontinuität nicht möglich gewesen.
Erfahren Sie mehr über unser Smart Lighting Anwendung: Download unser aktuelles Whitepaper (kostenlose Registrierung erforderlich), und Kontaktieren Sie unsere Machine Learning Experten!