Un chercheur découvre que l’IA pourrait aider à améliorer la planification urbaine
Les méthodes traditionnelles de planification urbaine nécessitent une expertise technique importante et un travail manuel. Un chercheur de Virginia Tech s’efforce de changer cela.
De nouvelles recherches montrent le potentiel des grands modèles de langage (LLM), tels que ChatGPT et Gemini de Google, pour évaluer l'environnement créé par l'homme à l'aide d'images de rue.
En comparant les performances du LLM avec les méthodes traditionnelles d'apprentissage en profondeur de la planification urbaine, l'étude du Collège des ressources naturelles et de l'environnement a révélé que les performances basées sur le LLM sont similaires aux approches établies. Contrairement aux méthodes traditionnelles qui nécessitent une expertise technique ou un travail manuel, les chercheurs ont découvert que les LLM offrent un outil plus accessible aux utilisateurs, permettant aux acteurs politiques et à la planification d'utiliser plus facilement ces modèles dans les villes petites et moyennes pour gérer les infrastructures urbaines intelligentes.
L'étude est publiée dans Le géographe professionnel journal et a été réalisé en collaboration avec Kee Moon Jang du Massachusetts Institute of Technology.
« Mon objectif est de réduire les technologies, les rendant plus abordables et plus efficaces pour les petites villes », a déclaré Junghwan Kim, professeur adjoint au Département de géographie et directeur de Smart Cities for Good. « Les technologies des villes intelligentes impliquent l'utilisation d'analyses urbaines avancées, comme l'IA et la science des données, pour traiter des données de haute qualité qui capturent les environnements urbains et la façon dont les gens les perçoivent. Ces technologies nous aident à mieux comprendre les problèmes urbains, tels que les transports et la santé.
Grâce à cette nouvelle recherche, il a été démontré que les outils d’IA générative peuvent analyser des images et détecter automatiquement des éléments tels que des bancs, des trottoirs ou des lampadaires.
Auparavant, les chercheurs devaient analyser manuellement les images, ce qui demandait beaucoup de travail.
Un exemple spécifique consiste à évaluer l’environnement bâti, comme le degré de praticabilité à pied ou à vélo d’une zone particulière. Kim disposait d'une IA pour détecter les caractéristiques de l'environnement bâti (bancs, trottoirs, arbres et lampadaires), autant d'éléments qui influencent la façon dont les gens perçoivent le potentiel piétonnier et la sécurité.
« Cela démocratise l'accès à des outils avancés qui n'étaient autrefois utilisables que par des experts possédant des compétences en codage et des ressources informatiques hautes performances », a déclaré Kim. « Cependant, il existe également des limites, telles que des biais dans les données d'entraînement de l'IA, qui peuvent entraîner des disparités géographiques. Par exemple, ces outils ont tendance à mieux fonctionner dans les grandes villes que dans les petites villes en raison de la disponibilité inégale des données pour l'entraînement de l'IA. modèles. »
Bien que l'outil soit très puissant, il peut générer des hallucinations et formuler des hypothèses basées sur des lacunes dans ses données d'entraînement.
« C'est pourquoi il est important d'utiliser ces outils avec précaution, en particulier dans un contexte professionnel où la précision est essentielle », a déclaré Kim. « Je suis toujours enthousiasmé par le potentiel de ces outils, non seulement pour mes recherches, mais aussi pour les étudiants et les professionnels qui peuvent désormais accéder facilement à des analyses avancées. Cependant, nous devons rester conscients des limites et des préjugés qui accompagnent l'utilisation de l'IA en milieu urbain. planification. »
