Wie weit sind Städte von der Einführung künstlicher Intelligenz entfernt?

Wie funktioniert künstliche Intelligenz und wie gelangen wir zu dem Punkt, an dem ihre Förderung in Städten und öffentlichen Räumen der nächste Schritt in der Entwicklung intelligenter Städte ist?

Der Einsatz von KI ist mehr als nur die Auswahl einer Lösung

Um zu verstehen, wie künstliche Intelligenz funktioniert, müssen zwei wichtige Aspekte berücksichtigt werden: Training und Inferenz. Ausbildung ist gleichbedeutend mit dem Unterrichten von Kindern. Wir trainieren KI-Systeme so, dass sie Dinge erkennen, wie es Menschen tun. Durch wiederholtes Zeigen von Bildern kann es verschiedene Konzepte lernen und verstehen. Wenn wir beispielsweise Verkehrsmuster analysieren oder den Raum durch Bewegung effizient nutzen wollen, müssen wir die KI wiederholt Bildern von Bussen, Taxis, Fahrrädern usw. aussetzen, und zwar unter verschiedenen Bedingungen wie Tag und Nacht, Regen und Nebel . Durch diesen iterativen Prozess erlangt die künstliche Intelligenz nach und nach die Fähigkeit, Objekte genau zu identifizieren und erreicht eine bestimmte Genauigkeit.

Sobald ein KI-Modell das Reifestadium erreicht, wird es verpackt und zur Inferenz bereitgestellt. Inferenz ist der zweite Teil der Arbeit der KI, nämlich die Anwendung erlernten Wissens, um fundierte Vermutungen anzustellen. Während Echtzeitdaten einfließen, wandelt die KI visuelle Informationen in Text oder andere Formen von Nicht-Bilddaten um. Diese Daten werden zusammen mit zusätzlichen Metadaten wie Zeitstempeln und Umgebungsfaktoren mithilfe von Logik und Geschäftsregeln verarbeitet.

Für eine effiziente Inferenz ist Hochleistungsrechnen erforderlich, insbesondere beim Umgang mit komplexen Modellen oder großen Datenmengen. Aufgrund der für die Verarbeitung der Daten erforderlichen Zeit reichen herkömmliche Berechnungsmethoden möglicherweise nicht aus. Hier kommen beschleunigtes Rechnen und Parallelverarbeitung ins Spiel. Diese fortschrittliche Rechenleistung ermöglicht die gleichzeitige Ausführung mehrerer KI-Modelle. Beispielsweise kann eine Kamera mit mehreren Modellen ausgestattet werden, um nicht nur Fahrzeuge, sondern auch Feuer, Rauch, Schlägereien, Unfälle usw. zu erkennen. Dieser multimodale Einsatz liefert mehrere Schlussfolgerungen aus einer einzigen Datenquelle und erfordert erhebliche Rechenleistung.

Zu den Einsatzmöglichkeiten gehören Edge, wo leistungsstarke KI-Systeme direkt innerhalb oder in der Nähe von Sensoren platziert werden, oder Rechenzentren, wo mehrere Kameras mit einem zentralen Punkt, beispielsweise einem Server, verbunden sind. Diese Einstellungen können an Orten wie Stadien oder Flughäfen gefunden werden. Alternativ kann die Cloud-Bereitstellung gewählt werden, wenn keine zeitkritische Verarbeitung erforderlich ist und Daten zur Analyse an einen Remote-Cloud-Server übertragen werden können.

Wenn es um die digitale Transformation von Städten geht, sehen wir eine Vielzahl von Begriffen, die diese Transformation beschreiben, darunter Smart Cities, Intelligent Cities, Cognitive Cities und Green Cities. Der Schwerpunkt liegt zunächst auf dem Einsatz von Informationstechnologie zur Verbesserung der Effizienz und zur Abfallreduzierung in städtischen Umgebungen, die aufgrund von Faktoren wie Urbanisierung und Migration vor infrastrukturellen Herausforderungen stehen. Herkömmliche Methoden zur Erweiterung der Infrastruktur erweisen sich als unzureichend. Daher sind intelligentere Lösungen erforderlich, um begrenzten Platz und Kapazität zu optimieren.

Die Entwicklung der Technologie hat bei diesem Wandel eine entscheidende Rolle gespielt. Da Konnektivität immer allgegenwärtiger wurde, lag der Schwerpunkt zunächst auf der Verbindung von Geräten, was zu IP-fähigen Lösungen führte. Dies ebnete den Weg für die bidirektionale Abfrage von Geräten und führte zum Internet der Dinge, zu intelligenten Geräten und zur Verbreitung von Daten, die als „Datafizierung“ bekannt ist. Mit der enormen Zunahme vernetzter IoT-Geräte sowie Fortschritten im Bereich Mobile Computing, Cloud-Technologie und schnelleren Verbindungen wie 4G und 5G werden riesige Datenmengen verfügbar, was neue Herausforderungen bei der effektiven Datennutzung mit sich bringt.

Kontroversen sind um die Konzepte Big Data, Nutzdaten und Abfalldaten entstanden. Im Streben nach digitaler Transformation ist die Suche nach Möglichkeiten zur Wertschöpfung aus riesigen Datenmengen zu einem dringenden Problem geworden. Die Schlussfolgerung lautet, dass es nicht skalierbar ist, sich ausschließlich auf Datenwissenschaftler zu verlassen, um Daten mithilfe traditioneller Methoden wie Business-Intelligence-Plattformen und Abfragesprachen wie SQL zu verarbeiten und zu analysieren. Das Aufkommen des Edge Computing hat diese Situation jedoch geändert, indem die Rechenkosten erheblich gesenkt wurden. Technologien wie GPU führen paralleles Rechnen und beschleunigtes Rechnen ein und verbessern die Leistung um das 100- bis 1.000-fache.

Reduzierte Kosten und steigende Rechenleistung haben zu Deep Learning geführt, das Maschinen beibringen kann, Daten unabhängig von ihrer Größe zu verarbeiten. Maschinen lernen, Daten zu verarbeiten und zu analysieren, wodurch aufwendiger Arbeitsaufwand entfällt und stattdessen ausreichend Rechenleistung erforderlich ist. Je größer der Datensatz, desto schneller erfolgt die Verarbeitung und desto aussagekräftiger sind die Ergebnisse. Wir sind in eine Ära eingetreten, in der das scheinbar Unmögliche wirklich erreicht werden kann.

Die Konvergenz von Technologien wie 5G, Deep Learning und GPT AI hat eine Revolution herbeigeführt, und es wird erwartet, dass künstliche Intelligenz in den nächsten 30, 40, 50 oder sogar 60 Jahren Innovationen vorantreiben wird, genau wie das Internet zuvor der Motor war 30 Jahre. Künstliche Intelligenz kann mittlerweile in eine Vielzahl von Anwendungen integriert werden, darunter autonome Fahrzeuge und Sensoren. Diese Integration erfordert die Zusammenarbeit verschiedener Komponenten und Interessengruppen, um ein nahtloses und reibungsloses Erlebnis zu schaffen.

Städte haben begonnen, diesen technologischen Wandel anzunehmen und das Potenzial der KI zur Lösung von Problemen und zur Schaffung von Mehrwert für die Bürger zu erkennen. Der Schwerpunkt hat sich vom Verständnis der KI als Konzept hin zur Erforschung ihrer praktischen Anwendungen und Auswirkungen verlagert. Der Einsatz von KI in Bereichen wie dem Verkehrsmanagement kann Unfälle erheblich reduzieren, manchmal um bis zu 70 %, je nach Verkehrsfluss und Standort, während Fabriken KI nutzen können, um die Maschinenleistung zu optimieren, die Sicherheit zu erhöhen und Wartungsbedarf vorherzusagen. Darüber hinaus können KI-gestützte selbstfahrende Autos die Sicherheit erhöhen, indem sie proaktiv auf potenzielle Risiken reagieren.

Mögliche Anwendungen reichen von der Analyse, wie Menschen Straßen und Räume nutzen, über die Kombination visueller Sensoren mit der Überwachung der Luftqualität bis hin zur Integration von Daten in Gesundheits- und Notfallsysteme. Dadurch können fundierte Entscheidungen getroffen werden, beispielsweise die dynamische Änderung von Ampelmustern basierend auf Luftqualität und Verkehrsbedingungen. Die Integration in den tatsächlichen städtischen Betrieb erfordert jedoch mehr als nur technische Möglichkeiten. Es erfordert die Entwicklung von Prozessen und die Bewältigung von Veränderungen, um Komfort und Akzeptanz bei Stadtbetreibern und Entscheidungsträgern sicherzustellen.

Städte befinden sich in unterschiedlichen Stadien der Einführung, wobei Transport, Verkehr, Flughäfen, Bahnhöfe und Autobahnen wichtige Bereiche sind, die es zu beachten gilt. Flughäfen können den Betrieb optimieren, Gesundheits- und Sicherheitsmaßnahmen verbessern und Risiken bewältigen, indem sie das Verhalten der Menschen verstehen. Bahnhöfe können Menschenmengen überwachen, die Nutzung von Barrieren analysieren, Gleise inspizieren und durch anonyme Analysen Gesundheit und Sicherheit gewährleisten. Die Liste potenzieller Anwendungen und Anwendungsfälle ist umfangreich und wächst.

KI hat das Potenzial, Innovationen für das nächste halbe Jahrhundert zu prägen.

Werden Anwendungsfälle für KI im Privatsektor in privaten Infrastrukturen, wie Flughäfen, vor Anwendungsfällen im öffentlichen Sektor ausgereift sein?

Künstliche Intelligenz für private Infrastruktur im Vergleich zur Nutzung im öffentlichen Sektor Fälle Der Reifegrad intelligenter Anwendungsfälle hängt von der spezifischen Anwendung ab. Ein Beispiel im öffentlichen Sektor ist das Straßenmanagement, wo Überwachung und Nachhaltigkeitsinitiativen eine wichtige Rolle spielen. Durch die Installation von Sensoren in der gesamten Stadt kann ein umfassender Überblick über den städtischen Betrieb und die Bedingungen, einschließlich Abfall, Kriminalität und Verkehr, erhalten werden. Es besteht eine wachsende Nachfrage nach KI-Lösungen im Verkehrsmanagement, einschließlich der Überwachung von Fahrzeugen oder Fußgängern, der Erkennung illegaler Parkplätze und der Parkplatzverwaltung.

Initiativen des öffentlichen Sektors zielen auch darauf ab, Bürgern und Entscheidungsträgern Echtzeitinformationen bereitzustellen. Beispielsweise können durch den Einsatz von Kameras verfügbare Parkplätze identifiziert und den Bürgern über Apps oder andere Plattformen mitgeteilt werden. Ein weiterer Anwendungsfall ist die Abfallwirtschaft, bei der KI überfüllte Behälter erkennen und Alarme an das entsprechende Personal auslösen kann. Insgesamt liegt der Schwerpunkt zunehmend auf Verkehr, Mobilität, Nachhaltigkeit und Sichtprüfungen im Zusammenhang mit Stadtmanagement und Dienstleistungen.

Im Gegensatz dazu fällt es dem privaten Sektor aufgrund ihres ROI-orientierten Charakters tendenziell leichter, KI-Anwendungsfälle einzuführen. Private Unternehmen sind eher geneigt, schnell in ihre KI-Lösungen zu investieren und diese zu skalieren, wenn der Wert und die Vorteile nachgewiesen werden können. Der öffentliche Sektor strebt jedoch häufig nach Werten, die über die finanzielle Rendite hinausgehen. Dabei wird untersucht, wie KI Dienstleistungen verbessern, das Wohlbefinden der Bürger steigern und die Sicherheit fördern kann. Infolgedessen dürften die Beschaffungs- und Budgetierungsprozesse im öffentlichen Sektor länger dauern.

In diesem Bereich gibt es über 150 Startups, die KI-Lösungen für diese Art von Anwendungsfällen anbieten. Einige Start-ups haben innovative Geschäftsmodelle eingeführt, die es Städten ermöglichen, in Projekte in Form von Kapitalausgaben (CapEx) zu investieren oder sich für ein Betriebsausgabenmodell (OpEx) zu entscheiden. Das OpEx-Modell umfasst Startups, die Infrastruktur bereitstellen und warten und gleichzeitig Dienste über Software as a Service (SaaS)- oder Data as a Service (DaaS)-Modelle bereitstellen. Diese Startups konzentrieren sich auf den Verkauf des Mehrwerts, den sie bieten, und nicht auf das Gerät selbst.

Wird es in Bezug auf künstliche Intelligenz einfacher sein, mit einer Branche zu interagieren als mit einer anderen?

In Bezug auf die Zusammenarbeit mit künstlicher Intelligenz mit verschiedenen Branchen variiert der Schwierigkeitsgrad nach Region. Insbesondere bestimmte Länder in Europa, dem Nahen Osten und Afrika, wie das Vereinigte Königreich, Deutschland, Frankreich, Italien und Spanien, verfolgen aktiv KI-gestützte Lösungen. Vor allem Städte im Nahen Osten wenden sich an NVIDIA, wenn es um konkrete Ziele geht und um deren Erreichung zu unterstützen. Dieses Maß an Engagement ist jedoch auf einen kleineren Prozentsatz der Städte beschränkt.

Wenn man die technologische Reife einer Stadt oder die Reifekurve der digitalen Transformation berücksichtigt, werden fortgeschrittenere Städte proaktiv nach Lösungen für künstliche Intelligenz streben. Sie haben recherchiert, Erfolgsgeschichten gelesen und sind begierig darauf, weiter zu forschen. Allerdings befinden sich die meisten Städte (etwa 70 %) immer noch im Lernprozess der KI und verfügen möglicherweise nicht über die notwendige Infrastruktur und das Verständnis dafür, wie sie ihre KI-Reise beginnen sollen.

Der Beginn Ihrer KI-Reise ist mehr als nur der Kauf einer Box oder einer Lösung. Viele Städte haben den Wunsch geäußert, eigene Daten zu nutzen und eigene Modelle zu entwickeln. In einigen Städten gibt es eigene Einheiten, etwa IT- oder KI-gesteuerte Teams, deren Verständnis und Umsetzung von KI ausgereift sind.

Im Gegensatz dazu gibt es zwei andere Arten von Städten. Die erste Gruppe versteht KI, verfügt jedoch nicht über die Ressourcen und das Fachwissen, um sie umzusetzen. Sie suchen nach Standardlösungen von der Stange. Der zweite Stadttyp erfordert sowohl ein besseres Verständnis der KI als auch die notwendigen Ressourcen, um sie umzusetzen. Diese Städte verfolgen einen gemäßigteren und vorsichtigeren Ansatz und erforschen KI-Lösungen langsamer. Insgesamt fällt ein großer Teil der Städte in die Kategorie, in der sie Weiterbildung benötigen und nicht über die Ressourcen verfügen, um KI vollständig zu nutzen.

Städte befinden sich in unterschiedlichen Stadien ihrer KI-Reise, und bis zu 70 % sind sich ihrer Möglichkeiten noch bewusst.

In der Vergangenheit galten erstklassige Städte oft als über mehr Ressourcen verfügend, da Stadtverwaltungen und lokale Behörden sich mit KI wohler fühlten Lösungen Der Haupttreiber des Interesses. Allerdings haben sich die Dinge geändert, und nun geht die treibende Kraft hinter der Einführung von KI über die Größe oder Ressourcen einer Stadt hinaus. Das Problem ist jetzt Talent und Führung.

In Deutschland gibt es eine kleine Stadt mit etwa 9.000 Einwohnern. In dieser Stadt gibt es Menschen mit außergewöhnlicher Intelligenz und visionärer Führung, die den Wert künstlicher Intelligenz verstehen und daher Computer-Vision-Technologie nutzen, um die gesamte Stadt zu scannen und einen digitalen Zwilling zu erstellen. Manchmal sind kleinere Städte möglicherweise flexibler und überschaubarer, was die Implementierung von KI-Lösungen einfacher macht als größere, komplexere Städte.

Der Einsatz künstlicher Intelligenz in Städten hängt tatsächlich von verschiedenen Faktoren ab. Talent und Führung, die das Potenzial der Technologie erkennen, spielen eine wichtige Rolle. Wenn wir jedoch über „Talent“ sprechen, ist es wichtig zu bedenken, dass es nicht nur um Einzelpersonen geht. Wir erleben jetzt, dass Städte zu Vorreitern werden, indem sie in KI-Plattformen investieren und Möglichkeiten für Innovation und Zusammenarbeit mit Universitäten und Forschungseinrichtungen eröffnen. Die Haupthindernisse für Start-ups und die Schaffung von Arbeitsplätzen im Bereich KI sind Infrastruktur und Datenzugang. Zukunftsorientierte Städte lösen dieses Problem, indem sie über öffentlich-private Partnerschaften oder andere Modelle in die Computerinfrastruktur investieren. Es geht nicht darum, wem die Plattform gehört, sondern um die Existenz der Plattform selbst. Durch die Bereitstellung von Rechenressourcen, die Bereitstellung relevanter Daten und die Förderung von Verbindungen zu Universitäten und lokalen Gemeinden entwickeln diese Städte viele lokale Initiativen und qualifizieren ihre Arbeitskräfte weiter, um sie mit den Fähigkeiten der Zukunft auszustatten. Dies wiederum schafft Arbeitsplätze, da aus diesen Bemühungen Start-ups entstehen.

Es ist nicht mehr nur ein Problem in Großstädten, das Interesse an KI-Lösungen weckt. Große und kleine Städte erforschen aktiv das Potenzial künstlicher Intelligenz, angetrieben durch Talent, visionäre Führung und Initiativen, die Innovation und Zusammenarbeit fördern.

Das obige ist der detaillierte Inhalt vonWie weit sind Städte von der Einführung künstlicher Intelligenz entfernt?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!