amerikali
Yeni Üye
Uzmanlar yapay zekanın kentsel planlamayı temelden değiştireceğine inanıyor. Gelecekte yazılım, yalnızca çeşitli hedeflere göre optimize edilmiş imar ve yol planları önerileri sunmakla kalmayacak, aynı zamanda bu planların etkilerini (örneğin iklimle ilgili) açısından da inceleyebilecek. Ancak bu tür çözümler henüz mevcut değil. Her ne kadar Google, örneğin veri analiz aracı “Environmental Insights Explorer” (EIE) ile şehirlere mevcut planları belirli kriterler (örn. emisyonlar veya ağaç nüfusu) açısından kontrol etme fırsatı sunsa da ve böylece şehir planlamacılarını tam otomatik kentsel gelişime destekleyebiliyor – Eğer Hatta bu arzu edilir bir durum olsa da hâlâ aşılması gereken çok sayıda teknik engel var.
Reklamcılık
Ancak bazı kısmi sorunlar artık çözüldü: Yakın zamanda “Nature Computational Science” dergisinde yayınlanan bir çalışmada Çinli araştırmacılar, şehir bölgeleri için bağımsız olarak arazi kullanımı ve sokak planları oluşturabilen ve bunu yaparken insan uzmanlarından daha iyi performans gösterebilen bir makine öğrenimi modeli sunuyor.
Pekin’deki Tsinghua Üniversitesi’nden Yong Li ve meslektaşları takviyeli öğrenme yaklaşımını kullandılar: Takviyeli öğrenmeyle, eğitilecek model başlangıçta tamamen rastgele ilerliyor ve deneme yanılma yoluyla en uygun stratejiyi öğreniyor.
Parklar ve kamu altyapısı ne kadar erişilebilir?
Spesifik olarak, modelin, alan tamamen dolana kadar sanal bir şehrin belirli bir alanındaki alanları sırayla tahsis etmesi ve sokakları planlaması gerekiyordu. Daha sonra tamamlanan plan, 15 dakikalık şehir konseptini temel alan kriterlere göre değerlendirildi. Bu, parklara ve kamu altyapısının bir kısmına sakinlerin yürüyerek veya bisikletle 15 dakika içinde erişebilmesi ve ulaşım yollarının verimli bir şekilde çalışması durumunda planın yüksek puan aldığı anlamına geliyor.
Yazılımın başarısı için iki fikir çok önemliydi: Bir yandan yazarlar planlanacak bölgeyi soyut, matematiksel bir grafik olarak temsil ediyordu. Binalar veya mülkler bunun düğüm noktalarıdır. Birbirine yakın iki kentsel nesne birbirine bir kenar aracılığıyla bağlanıyor. “Kentsel Yakınlık Grafiği”, şehrin muhtemelen karmaşık geometrisini tipolojik referanslara indirgediği için hesaplamaları önemli ölçüde basitleştiriyor.
Öte yandan yazarlar sadece bir modeli eğitmekle kalmamış, aynı zamanda görevleri de paylaştırmışlardır. Yazılımlarında binaların dağıtımına ilişkin politikayı öğrenmiş bir sinir ağı, sokak planlama eğitimi almış bir saniye ve planlamayı 15 dakikalık şehir kriterlerine göre değerlendiren bir “değer ağı” bulunuyor.
Daha küçük şehir bölgeleri için şu ana kadar planlama
Eğitilen modelin becerilerini sanal bir şehir ve Pekin’in iki bölgesini kullanarak göstermesi gerekiyordu. Makalede yazarlar, yazılımın mekansal alanı ve yol düzenlerinin, diğer algoritmalar ve profesyonel insan tasarımcılar tarafından oluşturulan düzenlerden, dikkate alınan tüm ölçümlerde yaklaşık yüzde 50 oranında daha iyi performans gösterdiğini ve 3.000 kata kadar daha hızlı olduğunu yazıyor. Ancak model şu anda yalnızca maksimum dört kilometrekarelik daha küçük kentsel bölgeler için çalışıyor. Bununla komple şehirler planlanamaz. Araştırmacılar, bu sorunun çok daha karmaşık olduğunu, çünkü şehirdeki birçok farklı alt sistemin etkileşiminin dikkate alınması gerektiğini yazıyor.
Li ve meslektaşlarına göre sonuçlar, şehir planlamasının bundan sonra tamamen otomatikleştirilmesi gerektiği anlamına gelmiyor; bu, insan planlamacıların değiştirilmesiyle ilgili değil. Bunun yerine, insan uzmanları destekleyen yazılımın verimlilikte yüzde 15’e kadar bir artışa yol açmasını öngörüyorlar.
(batı)
Haberin Sonu
Reklamcılık
Ancak bazı kısmi sorunlar artık çözüldü: Yakın zamanda “Nature Computational Science” dergisinde yayınlanan bir çalışmada Çinli araştırmacılar, şehir bölgeleri için bağımsız olarak arazi kullanımı ve sokak planları oluşturabilen ve bunu yaparken insan uzmanlarından daha iyi performans gösterebilen bir makine öğrenimi modeli sunuyor.
Pekin’deki Tsinghua Üniversitesi’nden Yong Li ve meslektaşları takviyeli öğrenme yaklaşımını kullandılar: Takviyeli öğrenmeyle, eğitilecek model başlangıçta tamamen rastgele ilerliyor ve deneme yanılma yoluyla en uygun stratejiyi öğreniyor.
Parklar ve kamu altyapısı ne kadar erişilebilir?
Spesifik olarak, modelin, alan tamamen dolana kadar sanal bir şehrin belirli bir alanındaki alanları sırayla tahsis etmesi ve sokakları planlaması gerekiyordu. Daha sonra tamamlanan plan, 15 dakikalık şehir konseptini temel alan kriterlere göre değerlendirildi. Bu, parklara ve kamu altyapısının bir kısmına sakinlerin yürüyerek veya bisikletle 15 dakika içinde erişebilmesi ve ulaşım yollarının verimli bir şekilde çalışması durumunda planın yüksek puan aldığı anlamına geliyor.
Yazılımın başarısı için iki fikir çok önemliydi: Bir yandan yazarlar planlanacak bölgeyi soyut, matematiksel bir grafik olarak temsil ediyordu. Binalar veya mülkler bunun düğüm noktalarıdır. Birbirine yakın iki kentsel nesne birbirine bir kenar aracılığıyla bağlanıyor. “Kentsel Yakınlık Grafiği”, şehrin muhtemelen karmaşık geometrisini tipolojik referanslara indirgediği için hesaplamaları önemli ölçüde basitleştiriyor.
Öte yandan yazarlar sadece bir modeli eğitmekle kalmamış, aynı zamanda görevleri de paylaştırmışlardır. Yazılımlarında binaların dağıtımına ilişkin politikayı öğrenmiş bir sinir ağı, sokak planlama eğitimi almış bir saniye ve planlamayı 15 dakikalık şehir kriterlerine göre değerlendiren bir “değer ağı” bulunuyor.
Daha küçük şehir bölgeleri için şu ana kadar planlama
Eğitilen modelin becerilerini sanal bir şehir ve Pekin’in iki bölgesini kullanarak göstermesi gerekiyordu. Makalede yazarlar, yazılımın mekansal alanı ve yol düzenlerinin, diğer algoritmalar ve profesyonel insan tasarımcılar tarafından oluşturulan düzenlerden, dikkate alınan tüm ölçümlerde yaklaşık yüzde 50 oranında daha iyi performans gösterdiğini ve 3.000 kata kadar daha hızlı olduğunu yazıyor. Ancak model şu anda yalnızca maksimum dört kilometrekarelik daha küçük kentsel bölgeler için çalışıyor. Bununla komple şehirler planlanamaz. Araştırmacılar, bu sorunun çok daha karmaşık olduğunu, çünkü şehirdeki birçok farklı alt sistemin etkileşiminin dikkate alınması gerektiğini yazıyor.
Li ve meslektaşlarına göre sonuçlar, şehir planlamasının bundan sonra tamamen otomatikleştirilmesi gerektiği anlamına gelmiyor; bu, insan planlamacıların değiştirilmesiyle ilgili değil. Bunun yerine, insan uzmanları destekleyen yazılımın verimlilikte yüzde 15’e kadar bir artışa yol açmasını öngörüyorlar.
(batı)
Haberin Sonu