Trí tuệ nhân tạo và học máy: Bộ não của một thành phố thông minh

Dữ liệu được thu thập bởi các cảm biến và thiết bị IoT trong thành phố thông minh, bằng cách nào đó, phải được sử dụng. Thông tin có thể cung cấp cái nhìn sâu sắc để phát hiện các mô hình và xu hướng. Nếu bạn có đủ dữ liệu, hay còn gọi là dữ liệu lớn (big data), bạn có thể có được một bức tranh khá chính xác về bất cứ thứ gì bạn đang khám phá. Ví dụ, lưới điện thông minh. Nếu có đủ thông tin trong tay, bạn có thể sử dụng dữ liệu để xác định các đỉnh và đáy trong nhu cầu điện và sau đó điều chỉnh đầu ra. Điều này tối ưu hóa việc sử dụng năng lượng, giúp thúc đẩy sự bền vững.

Ra quyết định với trí tuệ nhân tạo & học máy

Các quyết định tối ưu hóa có thể được tăng cường bằng cách sử dụng công nghệ như Machine Learning (Học máy), là một tập hợp con của Trí tuệ nhân tạo. Học máy lấy dữ liệu được tạo bởi các ứng dụng y tế, đồng hồ thông minh hoặc xe hơi có kết nối internet, v.v... và sử dụng những dữ liệu này để phát hiện các mẫu và tìm hiểu cách tối ưu hóa dịch vụ được cung cấp. Ví dụ, NVIDIA đã phát triển video thông minh xử lý các phân tích dữ liệu lớn và áp dụng học máy vào các luồng video. Họ đã hợp tác với 50 đối tác thành phố trí tuệ nhân tạo để sử dụng công nghệ, để cải thiện các lĩnh vực như giao thông thông minh. Dự kiến ​​sẽ có 1 tỷ máy ảnh thông minh như vậy vào năm 2020. Do đó, có rất nhiều dữ liệu được tạo ra, phân tích và xử lý. Hệ thống sẽ thay thế sự giải thích của con người, thay thế nó bằng các thuật toán học máy - với sự cải thiện đáng mong đợi về độ chính xác và tốc độ. Bộ não của thành phố này sẽ xử lý rất nhiều dữ liệu cá nhân của con người, bao gồm dữ liệu trực quan về các chuyển động của công dân.

Như đã đề cập ở trên, học máy yêu cầu dữ liệu để phát hiện các mô hình và xu hướng. Việc phân tích dữ liệu lớn cung cấp cho các dịch vụ của thành phố những thông tin cần thiết để đáp ứng nhu cầu ngày càng tăng của người dân. Nó cũng sử dụng những dữ liệu này trong các dịch vụ để xây dựng các phản ứng tối ưu hơn cho việc sử dụng dịch vụ, giúp nâng cao trải nghiệm và cải thiện tính bền vững. Một lĩnh vực được khám phá là phù hợp với trí tuệ nhân tạo và học máy là trong việc cá nhân hóa dịch vụ. Điều này đòi hỏi dữ liệu cá nhân được thu thập và tổng hợp trước khi được sử dụng như một công cụ định hình.

Cách trí tuệ nhân tạo và học máy có thể cá nhân hóa dịch vụ thành phố thông minh như thế nào?

Chẳng hạn, các công cụ học máy cá nhân hóa trải nghiệm đã được sử dụng trong tiếp thị. Tại đây, công nghệ này đã được sử dụng để điều chỉnh các trang web trực tuyến, hiển thị các sản phẩm mà người dùng dự kiến ​​sẽ ưa thích từ hồ sơ dự đoán của họ. Trong một thành phố thông minh, loại thuật toán tương tự có thể được sử dụng cho các mục đích khác. Ví dụ, một nghiên cứu của ba trường đại học tại Vương quốc Anh đã xem xét việc áp dụng các thuật toán học máy khác nhau trong việc đạp xe và dự đoán thời tiết như một phương tiện để tạo ra các dịch vụ được cá nhân hóa trong một thành phố thông minh. Điều này dựa trên việc thu thập, tổng hợp và phân tích dữ liệu lớn. Nghiên cứu kết luận:

“Sự kết hợp giữa học máy, IoT và Dữ liệu lớn, mang đến tiềm năng lớn cho các nhà phát triển công nghệ và dịch vụ của thành phố thông minh”.

Điều quan trọng, nghiên cứu này được thực hiện mà không cần dữ liệu có thể xác định trực tiếp một cá nhân. Điều đó không có nghĩa là với nỗ lực, dữ liệu tương quan, việc sử dụng GPS từ thiết bị di động có thể được sử dụng để xác định lại các cá nhân. Ngoài ra, cũng khó có thể tưởng tượng rằng nếu sử dụng thông tin nhận dạng trực tiếp có thể thu được kết quả mang tính cá nhân hóa phù hợp hơn, hoặc kết quả chính xác hơn.

Một trong những mối quan tâm khác về học máy và trí tuệ nhân tạo là khả năng sai lệch mặc định được tích hợp trong chính các thuật toán được cho là để cải thiện độ chính xác. Nếu bản thân việc đào tạo bị lệch về một kết quả mong đợi cụ thể, thì kết quả sẽ tự bị lệch - trên thực tế, kết quả sai lệch có thể được khuếch đại. Đã có một số nghiên cứu trong lĩnh vực này bao gồm: “Đàn ông cũng thích mua sắm: Giảm sự khuếch đại thiên vị giới tính bằng cách sử dụng các ràng buộc cấp độ Corpus”. Nghiên cứu này xem xét làm thế nào các bộ đào tạo lại ẩn chứa thiên vị giới tính; sự thiên vị này sau đó trở nên khuếch đại khi được sử dụng trong tình huống trí tuệ nhân tạo.

Xu hướng và quyền riêng tư xung quanh trí tuệ nhân tạo và học máy

Việc sử dụng sai lệch trong trí tuệ nhân tạo cũng có thể khuếch đại mối quan tâm về quyền riêng tư. Một ví dụ về kiểu thiên vị và kiểm soát này chính là việc sử dụng chatbot của Microsoft với tên gọi “Tay”, được đào tạo bằng cách sử dụng các tweet trong thế giới thực. Vấn đề nảy sinh khi mọi người bắt đầu tweet những bình luận phân biệt chủng tộc và phân biệt đối xử với “Tay”, và chatbot này sau đó đã phát lại những tình cảm đó. Tương tự, các vấn đề riêng tư có thể phát sinh từ các bộ đào tạo thiên vị. Quyền riêng tư không chỉ là việc tiếp xúc với dữ liệu cá nhân; sự riêng tư còn là về sự phơi bày, bộ lộ của chính con người - niềm tin của con người, quan điểm của con người, khuynh hướng chính trị của con người và vô vàn những điều khác nữa.