Искусственный интеллект в городе. Новая роль архитектора

City as a Service

Технологии искусственного интеллекта все больше соприкасаются с реальной жизнью человека и проникают в различные сферы деятельности. Машинное обучение делает расчеты точнее, исследования — быстрее, коммуникацию между людьми — доступнее. Для этого искусственному интеллекту нужно большое количество данных, которые генерируются преимущественно в городах. Городские данные сегодня используются при создании моделей ИИ для бизнеса, транспортных систем, логистики и во многих других сферах. Постепенно инструменты машинного обучения начинают проникать в архитектуру и урбанистику: искусственный интеллект уже умеет сравнивать благоустройство городов, моделировать планировки зданий и превращать спутниковые снимки в карты. Развитие навыка работы с городскими данными поможет архитекторам не только оптимизировать процесс проектирования, но и лучше понять, что в действительности нужно городам.

Современные города непрерывно производят данные. Во всем мире в городах живут более 4,3 миллиардов человек, из которых интернет-пользователей примерно 3,5 млрд. Глобальный рост урбанизации увеличивает мировой объем данных на 25 000 000 терабайт каждый день. Данные — это результат процессов, происходящих в городе. Понять правила, по которым эти данные устроены и прогнозировать изменения в их структуре физически невозможно. Точнее сказать, никто уже не понимает как функционирует город, и почему процессы в нем происходят так, а не иначе.

Города сегодня развивается согласно философии City as a service — модели, определяющей жизнь горожанина как процесс постоянного потребления или предоставления услуг другим горожанам. Именно эта модель характеризует те процессы, которые происходят в городе. Процесс производства и потребления оставляет за собой след в виде цифровых данных, которые собираются постоянно. Проезд в транспорте, лайк в соцсетях или отметка геолокации вместе 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 т. д. Эти data-driven процессы, как и большинство событий в жизни горожанина сегодня, зависят от скорости и точности обработки данных.

Что не меняется, так это физическое пространство в своих общих формах. Дома, построенные 30–40 лет назад еще будут стоять лет 50, а дорогами, построенными для целей индустриальной экономики, продолжают пользоваться горожане. Хотя иногда на них появляются беспилотники, электросамокаты и другие транспортные средства, служащие сервисной экономике. Люди не понимают, как работает такой город. Потому что пространство устаревает, а сценарии жизни в этом пространстве постоянно обновляются.

Идея городского пространства как производной от времени не нова. Город как структура, обладающая разной пространственно-временной устойчивостью архитектурных и градостроительных систем, была описана в работе Гутнова А. Э., Лежавы И. Г. «Будущее города» еще в 1977 году. Самым стабильным состоянием обладают система магистралей, исторически сложившихся улиц и площадей, инженерные сети и природные территории, — вместе они образуют «каркас» города. Здания менее устойчивы к временным изменениям и представляют собой «ткань», которая заполняет пространственно-планировочную структуру города. Быстрее всего обновляется третья составляющая пространства — «плазма» — это временные сооружения, благоустройство городских территорий, реклама и навигация. «Плазма» изменяется в зависимости от процессов, которые происходят в жизни горожан.

Рем Колхас описывает связь пространства и процессов, которые он называет сценариями в архитектуре: «В киносценарии ты должен связывать отдельные эпизоды, удерживать интерес зрителя и компоновать элементы — с помощью монтажа, например. В архитектуре — абсолютно то же самое. Архитекторы соединяют пространственные эпизоды, создавая из них сюжеты». Сценарный подход существовал в архитектурном проектировании и раньше, но сам сценарий формировался на основе окружающего контекста и видения архитектора, возможность опираться на точные данные и прогнозировать результат появилась сравнительно недавно. Сегодня архитектор из художника все больше трансформируется в исследователя, меняя таким образом культуру проектирования.

Система знаний о городе

Для архитектора-урбаниста навык обращения с городскими данными выходит на передний план. В нем кроется огромный потенциал для создания моделей искусственного интеллекта. Если про большие данные мы уже не раз слышали, то сами модели, работающие на основе этих данных, оставались в тени. Прогностические модели, машинное зрение и синтез образов — база для проектирования на новом уровне.

• 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.
• 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 700 планов этажей жилых домов. Подобные алгоритмы могут внедряться при проектировании типового жилья. Жилье, 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 останутся в границах, обозначенных заказчиком. Конечно расцвет «архитектуры без архитектора» стоит ждать после повсеместного внедрения роботизированного процесса строительства.
• Большим потенциалом обладают разработки в области искусственного интеллекта и гео-информационных (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, где лучше разместить промышленно-складские территории.
• Кроме оценки, искусственный интеллект показывает, как горожане пользуются городом, определяет, что они считают своим районом, а что — чужим. Все 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 демонстрирует, как горожане определяют границы своего района с учетом точек притяжения в пешеходной доступности. Границы некоторых легко объясняются — железнодорожные пути или река разрывают «ткань» города. Границы других объясняются планировкой города: где она ломается, например, квартальная меняется на микрорайонную, там и заканчивается район. Кластерный анализ, то есть разделение данных на группы по заранее неизвестным признакам, подходит для разных исследовательских задач, где необходимо найти закономерности в большом неструктурированном объеме данных.
• Каждый урбанистический 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 их услышали, к их мнению прислушались. Лучше всего для этого подходят инструменты краудсорсинга: исследования, посвященные сбору и обработке идей горожан. Сегодня не сложно организовать платформу для сбора мнений, идей и предложений жителей: чатботы 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, например, классифицировать мнения по ключевым словам или по позитивным и негативным эмоциям.
• В отличие от уже привычных инструментов взаимодействия с сообществами, платформ типа Активный гражданин, чатботы с элементами NLP — более гибкий инструмент с удобной механикой общения людей между собой. В условиях того, что 52% интернет трафика в России на 2019 приходится на мобильные устройства и а 71% пользователей телефонов пользуются мессенджерами, чатботы как краудсорсинговая платформа — интуитивно понятный инструмент для общения с городскими сообществами.
• Еще один полезный инструмент для исследователя городской среды — это поиски 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 достроить фасад здания, при заданных параметрах элементах 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.

В будущем технологии искусственного интеллекта помогут создать систему с единой базой данных о городе, которая будет постоянно пополняться. Машинное обучение сможет фиксировать изменения в городских процессах в режиме реального времени и автоматически перестраивать зависимости в системе. Таким образом возможно будет отследить изменения в городе на разных масштабах, а для архитектора станет доступна единая система знаний о городах.