Anders Johansson, CTO e cofundador da CrowdVision(adquirida pela Skyfii), fez uma apresentação na Câmara de Comércio Britânica em Hong Kong Greater Bay Area Summit 2021 sobre como aproveitar os dados para construir uma cidade inteligente. Anders compartilha suas percepções sobre essa apresentação.
As cidades inteligentes têm algumas perspectivas conflitantes quando se trata de como devem começar. Quer a decisão seja uma abordagem de cima para baixo ou de baixo para cima, liderada pela tecnologia ou pela comunidade, projetada propositadamente ou em evolução natural, etc.
É importante incluir um pouco de todos os itens acima.
Para otimizar as cidades e informar a tomada de decisões, são necessários dados. Para coletar dados, você precisa de um backbone digital adequado com sensores e conectividade de alta largura de banda e baixa latência.
Os governos e as autoridades municipais estão em uma boa posição para planejar e executar projetos de infraestrutura. Eles podem fornecer não apenas a infraestrutura física, mas também o backbone digital necessário para tornar uma cidade inteligente (por exemplo, conectividade 5G, vários tipos de tecnologias de detecção etc.).
No entanto, os governos não são necessariamente os mais adequados para fornecer serviços inovadores usando essa infraestrutura digital para melhorar a vida dos cidadãos.
Portanto, muitas cidades em todo o mundo disponibilizam seus conjuntos de dados históricos e em tempo real para o público por meio de APIs abertas. Isso permite que um ecossistema de empreendedores, acadêmicos, start-ups e empresas de tecnologia inove e forneça novos serviços utilizando esses conjuntos de dados.
Dessa forma, um cidadão pode ser um consumidor de serviços, mas também um produtor de novos serviços e um ponto de dados em alguns dos conjuntos de dados.
Tomada de decisões pelos cidadãos
Em cidades com um ecossistema saudável de feeds de dados disponíveis abertamente e serviços criados com base neles, os cidadãos têm as ferramentas para ajudá-los a navegar pelas cidades, buscar oportunidades etc. Além disso, os cidadãos aprendem gradualmente com suas decisões anteriores e aprimoram suas habilidades para se tornarem "inteligentes nas ruas" por meio do uso de heurísticas simples (regras de ouro) para orientá-los em suas tomadas de decisão diárias.
Tomada de decisões governamentais
Para planejar e projetar o futuro, os governos usam muitos dos mesmos conjuntos de dados para informar suas próprias decisões e políticas.
No entanto, há um enigma: um governo deve avaliar a demanda por um serviço ou utilidade e, em seguida, projetar para atender a essa demanda (por exemplo, se as estradas estão congestionadas, ele deve construir mais estradas?), ou deve ter uma visão do que deseja que sua futura cidade seja (por exemplo, neutra em carbono) e usar políticas para afetar os cidadãos e levá-los gradualmente a esse resultado pretendido (por exemplo, desencorajar o uso de carros a gasolina)?
É necessário um pouco de ambos, já que as cidades precisam funcionar adequadamente nesse ínterim até que uma visão futura da cidade possa ser concretizada.
No entanto, diferentemente do que acontece com os cidadãos, quando o governo toma uma decisão errada, os custos podem ser altos. Portanto, faz sentido investir tempo e dinheiro na coleta dos dados necessários e na criação de modelos para testar cenários potenciais, políticas hipotéticas, investimentos em infraestrutura etc.
Modelagem
Uma maneira comum de enfrentar esses desafios é criar um gêmeo digital. Um gêmeo digital é uma réplica digital de um espaço físico, como um aeroporto ou até mesmo uma cidade inteira, onde é possível testar o impacto de diferentes políticas ou outras decisões antes de serem implementadas no mundo real.
A modelagem de gêmeos digitais requer não apenas dados, mas também modelos sofisticados. Esses modelos precisam de teorias de comportamento humano para apoiá-los.
Embora haja uma abundância de dados para analisar e extrair, ainda é importante criar um modelo. Se as decisões não forem apoiadas por dados de qualidade, teoria sólida e modelos, há o risco de que projetos e políticas de infraestrutura bem-intencionados tornem a situação ainda pior do que era antes.
Um exemplo disso é o paradoxo de Braess, que mostra que a capacidade da rede de transporte ou da rede elétrica pode, às vezes, piorar com a construção de uma nova estrada ou com a adição de um novo link. Isso pode parecer contraintuitivo, mas há muitos exemplos do mundo real de quando esse fenômeno ocorreu.
Então, que tipo de modelos ajudam a evitar esses tipos de problemas?
A modelagem baseada em agentes é uma opção e inclui um conjunto de humanos virtuais (ou "agentes") que interagem e levam a resultados emergentes em escala macro.
Como alternativa, a IA causal pode ajudar. Essa modelagem difere do aprendizado de máquina tradicional no sentido de que as relações causais nos dados são identificadas em vez de apenas correlações nos dados. Isso reduz muito o risco de políticas ou decisões erradas.
Como isso se relaciona com as cidades inteligentes?
Todos os dados que existem atualmente refletem o comportamento durante um conjunto específico de condições e circunstâncias. Por isso, é importante identificar a causa e o efeito em possíveis cenários de cidades inteligentes para evitar o risco dos resultados infelizes mencionados acima.
Em uma cidade que funcione bem, a tecnologia deve aumentar e orientar os cidadãos de forma sutil, sem causar um impacto excessivamente intrusivo em suas vidas.
Saiba mais sobre os benefícios das cidades inteligentes e como podemos ajudar a criar uma solução de cidade inteligente para sua cidade.