- کلیولند با همکاری سیتی دیتکت، خودروی شهری مجهز به دوربین را برای بررسی سراسری املاک و شناسایی مشکلات شهری به کار گرفته است.
- دالاس دوربینهای خود را روی کامیونهای حمل زباله نصب کرده و تاکنون نزدیک به ۲۹ هزار نگرانی بالقوه نگهداری املاک را شناسایی کرده است.
- مدلهای زبانی تصویری به شهرها امکان میدهند بدون آموزش مدل اختصاصی، سؤالات تازهای از تصاویر جمعآوریشده بپرسند.
- هر دو شهر تأکید دارند که تمام شناساییهای هوش مصنوعی پیش از هر اقدام اجرایی توسط کارکنان انسانی بررسی و تأیید میشود.
**به گزارش صما**، مجموعه رو به رشدی از پژوهشها تأیید میکند که خیابانهای جذابتر با سلامت روانی و جسمی ساکنان مرتبط است. کیفیت بصری محیط ساختهشده، ایمنی، سرزندگی و زیرساخت اجتماعی آن تعیین میکند که مردم چه احساسی نسبت به یک مکان دارند و به معیاری برای موفقیت یک محله تبدیل میشود. اجرای قوانین محلی در مورد خودروهای رها شده، دیوارنویسی و کاربری زمین، از عوامل بنیادین زیستپذیری شهری است.
ویلسون و کلینگ نه فقط بر آسیب مزاحمتهای محلهای، بلکه بر سرعت رفع آنها تأکید داشتند. هوش مصنوعی بهطور کلی و مدلهای زبانی تصویری بهطور خاص، اکنون ابزارهای تازهای برای بهبود کیفیت فضاهای شهری در اختیار شهرها قرار دادهاند. استقرار آزمایشی چنین سیستمی در کلیولند با مشارکت شرکت «سیتی دیتکت» (City Detect) نشان میدهد که این کار در عمل چگونه است: یک «خودروی پشتیبانی شهری» مجهز به دوربین و با برند ۳۱۱ که برای انجام بررسی سراسری املاک شهر به کار میرود تا مشکلات نوظهور را شناسایی کند، امکان تأیید یادداشتهای بازرسان را فراهم سازد و در یک محله، بررسی تخلیه لاستیک را انجام دهد.
همسایهای که درباره ایوان در حال فروریختن، انبوه لاستیکهای رها شده یا چمنهایی که چهار فوت بلند شدهاند تماس میگیرد، به دنبال رعایت قانون است، نه جریمه. بدتر از آن، وقتی یک مشکل ادامه پیدا کند، ساکنان دیگر تماس نمیگیرند و شهر گزارشهایی را که برای یافتن شرایط به آنها وابسته است از دست میدهد. به ازای هر هفتهای که شهر برای یافتن و حل مشکل صرف میکند، شرایط بدتر میشود؛ لاستیکها لاستیکهای بیشتری جذب میکنند و زمین بایر به محل تخلیه زباله تبدیل میشود. پاسخهای کند، تخلف بعدی را دعوت میکنند.
شهرها نمیتوانند با افزایش نیروی انسانی، از پس بازرسی برآیند. کلیولند حدود ۱۸ هزار زمین بایر دارد. الیزابت کرو، مدیر ارشد نوآوری و فناوری کلیولند، لحظهای را توصیف میکند که محاسبات غیرقابل انکار شد. پس از یک جلسه ۹۰ دقیقهای با واحدهای فناوری اطلاعات، خدمات عمومی و ساختمان و مسکن برای ترسیم نحوه ردیابی چمنهای بلند، صدور اخطار، اعزام نیرو برای بریدن آن و صدور صورتحساب برای مالک، گروه به این نتیجه رسید که به گفته او «باید راه بهتری وجود داشته باشد».
دالاس که نزدیک به ۴۰۰ مایل مربع را پوشش میدهد، با همان محدودیت روبهرو بود. بریتا اندرچک، مدیر ارشد داده شهر، اعتراضی را که تیمش هنگام پیشنهاد اولیه شناسایی مبتنی بر دوربین توسط اداره کدها مطرح کرد، به یاد میآورد: «اگر از این فناوری استفاده کنیم و شناسایی تخلفات افزایش یابد، چگونه میتوانیم بازرسان کافی برای بررسی همه این اخطارهای تصویری داشته باشیم؟» شناسایی بیشتر بدون ظرفیت بیشتر، صف طولانیتری ایجاد میکند، نه راهحل.
فرار از این دام مستلزم تغییر هدف از صدور برگه جریمه به بهبود شرایط محله است. به گفته اندرچک، یک نامه از سوی شهر تقریباً ۸۰ درصد نرخ رعایت داوطلبانه ایجاد میکند. اگر از هر ۵ مالک، ۴ نفر مشکل را پس از اخطار حل کنند، منبع کمیاب برگه جریمه نیست؛ بلکه دانستن وجود یک شرایط و سرعت اطلاعرسانی مقام مسئول به مالک است. سیستمی که مشکلات را زودتر پیدا کند و سریعتر اطلاع دهد، شرایط بهتری برای املاک با هزینه اجرایی کمتر نسبت به سیستمی که شرایط کمتری را شناسایی و آنها را سختتر پیگیری میکند، فراهم میآورد. معیار موفقیت، تعمیر ایوان میشود، نه صدور برگه جریمه.
ماشینها واقعاً چه میکنند
وقتی منبع کمیاب دانستن وجود یک شرایط است، ارزانترین مکان برای تولید آن، خودروی شهری است که از کنار آن عبور میکند. دالاس دوربینهای خود را روی کامیونهای حمل زباله نصب کرد. اندرچک میگوید: «ما این کامیونها را انتخاب کردیم چون دید خوبی به شهر داشتند» و از فناوری زبانی تصویری سیتی دیتکت «برای شناسایی علفهای هرز بلند، تخلفات کد، املاک فرسوده، دیوارنویسی و غیره» استفاده میشود.
کلیولند مشارکت خود با سیتی دیتکت را در اوت ۲۰۲۵ آغاز کرد و تا دسامبر دو دوربین جانبی روی یک خودروی شهری نصب کرد. کرو میگوید که تا ماه مه امسال، بررسی خودرو حدود ۱۵۸ هزار قطعه ملکی را پوشش داده است؛ کاری که در گذشته به ۴۰ بازرس در طول شش ماه نیاز داشت.
ماشین برگه جریمه نمینویسد. این سیستم شرایط را برای اصلاح معرفی میکند. مقامات کلیولند پیش از آنکه کسی برای بازرسی تخلفات ساختمانی یا تخلیه غیرقانونی زباله اعزام شود، تصاویر را بررسی میکنند. کلیولند همچنین از این فناوری برای بستن شکایتها استفاده میکند: هفتهها پس از ارسال نامه، کارکنان میتوانند تصویر بعدی سیتی دیتکت را بررسی کنند تا ببینند آیا شرایط برطرف شده است یا نه، که نیاز به اعزام بازرس برای بار دوم را به حداقل میرساند.
در دالاس، استقرار اولیه نزدیک به ۲۹ هزار نگرانی بالقوه نگهداری املاک در ۴۹ نوع مشکل و حدود ۱۲ هزار و ۹۰۰ مورد تجاوز به حریم عمومی را شناسایی کرد. کریس کریستین، مدیر اداره رعایت کدها، میگوید: «همه شناساییهای تولیدشده توسط هوش مصنوعی پیش از هر اقدام اجرایی توسط کارکنان شهر بررسی و تأیید میشوند.»
اندرچک توصیف میکند که چگونه تصاویر دوربین، فرایند قدیمی دالاس را معکوس کرد؛ فرایندی که در آن بازرسان کدها فقط پس از گزارش همسایه از یک مکان بازدید میکردند. شهر دیگر مجبور نیست کشف را به تعداد بازرسانی که میتواند در خودروها بگذارد محدود کند. دوربینها نحوه صرف ساعتهای کاری بازرسان را تغییر میدهند: به جای رانندگی در مسیرها برای یافتن شرایط، بازرسان روی صف اولویتبندیشده شرایطی که از قبل پیدا شدهاند کار میکنند.
دو معیار ارزش پیگیری دارند. اولی نرخ تأیید است: چه سهمی از معرفیهای تصویری توسط بازرسان به عنوان تخلف واقعی تأیید میشود و این سهم با تنظیم مدلها توسط شهرها چگونه تغییر کرده است؟ تأیید کلیولند در برابر یادداشتهای بازرسان باید آن را نشان دهد. دومی زمان حل مشکل است: اکنون چند روز بین ظاهر شدن یک شرایط و دریافت اخطار توسط مالک میگذرد، این مدت در مقایسه با وضعیت پیش از دوربین چگونه است و آیا موارد بیشتری اکنون از طریق رعایت داوطلبانه به جای اجرای قانون بسته میشوند؟ حجم شناسایی ثابت میکند که دوربین کار میکند. نرخ تأیید ثابت میکند که مدل قابل اعتماد است.
چگونه مدلهای زبانی تصویری اقتصاد را تغییر میدهند
آنچه این حجم را ارزان میکند، کمتر به دوربینها مربوط است تا به آنچه اکنون میتوان از مدلها خواست. در نسلهای قبلی بینایی ماشین شهری، سیستمهای درجهبندی روسازی جادهها را رتبهبندی میکردند و دوربینهای خواندن پلاک، پلاکها را تطبیق میدادند. هر کدام به یک سؤال پاسخ میدادند و سؤال دوم به معنای خرید سیستم دوم بود.
مدلهای زبانی تصویری، در مقابل، تصویر را با واژگان باز توصیف و استدلال میکنند، به این معنی که یک شهر میتواند سؤالات تازهای از تصاویری که قبلاً جمعآوری کرده است بپرسد بدون آنکه نیاز به آموزش یک مدل اختصاصی باشد. همان عبور از یک خیابان میتواند از اجرای کدها، سامانه ۳۱۱، خدمات عمومی و ارزیابی خسارت طوفان پشتیبانی کند. این امر دوربین ضد فرسودگی را به زیرساخت عمومی شهری تبدیل میکند.
برای کرو، گام صفر شفافشدن درباره مشکل و ایجاد بسترهایی برای گردهمآمدن افراد و ترسیم یک فرایند بود. فقط پس از آنکه کلیولند فرایند بریدن چمن را از ابتدا تا انتها ترسیم کرد، به دنبال فناوری برای حل آن گشت: «ما اول سراغ فناوری نرفتیم. اول سراغ مشکل رفتیم. و فکر میکنم این به هدایت اولویتبندی کار ما کمک کرده است.»
محافظت در برابر سوءاستفادهها
ساکنان نیز شایسته محافظت و حریم خصوصی هستند: هر ابزار قدرتمندی خطراتی به همراه دارد، که از تعیین خط قرمز شروع میشود. خط دفاعی قابل قبول، تصویربرداری معطوف به املاک را از تصویربرداری معطوف به افراد جدا میکند: چهرهها و رفتار فردی.
دالاس برنامه خود را اینگونه قاببندی میکند: دوربینها فقط در طول عملیات معمول شهری و از حریم عمومی شرایط را ثبت میکنند. به همین ترتیب، کلیولند به قانون آفتاب و اجرای کد اوهایو احترام میگذارد: شهر فقط میتواند از حریم عمومی عکس بگیرد.
محدودیتهای دیگر نیز کمک میکنند، مانند نگهداری دادهها. به عنوان مثال، دالاس از فروشنده میخواهد تصاویری را که تخلفی را نشان نمیدهند حذف کند، نه اینکه آنها را ذخیره کند.
نگهداشتن یک انسان بین شناسایی و پیامد، لایه دیگری از محافظت را فراهم میکند. هر دو شهر این را ساختاری کردهاند، نه اختیاری: کلیولند هیچ برگه جریمهای را صرفاً بر اساس تصویر دوربین صادر نمیکند و دالاس هر شناسایی هوش مصنوعی را پیش از اجرا با کارکنان تأیید میکند.
سنسورهای با هدف ثابت به شهرها پاسخ یک سؤال را میدادند. مدلهای زبانی تصویری همراه با خودروهایی که از قبل در حال گشتزنی هستند، به شهرها یک رکورد تصویری عملی از حوزه عمومی میدهند. لایه شناسایی تا حد زیادی کار میکند؛ مشکلات باقیمانده نهادی هستند: تأیید یافتههای ماشینی در برابر بازرسان انسانی، هدایت معرفیها به کارهایی که انجام میشوند، و تعیین قوانین بادوام درباره اینکه یک شهر چه سؤالاتی میتواند از تصاویر بپرسد. دالاس و کلیولند هر سه را بهطور علنی پاسخ میدهند، که لایه اطمینانبخش و حیاتی اعتماد را فراهم میکند.
