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 partilha as suas ideias sobre esta apresentação.
As cidades inteligentes têm algumas perspectivas concorrentes quando se trata de saber como devem começar. Quer se trate de uma abordagem de cima para baixo ou de baixo para cima, de tecnologia ou liderada pela comunidade, ou de uma conceção intencional ou de uma evolução natural, etc.
É importante incluir um pouco de tudo o que foi dito acima.
Para otimizar as cidades e informar a tomada de decisões, são necessários dados. Para recolher dados, é necessária uma espinha dorsal digital adequada com sensores e conetividade de alta largura de banda e baixa latência.
Os governos e as autoridades municipais estão em boa posição para planear e executar projectos de infra-estruturas. Podem fornecer não só infra-estruturas físicas, mas também a espinha dorsal digital necessária para tornar uma cidade inteligente (por exemplo, conetividade 5G, vários tipos de tecnologias de deteção, etc.).
No entanto, os governos não são necessariamente os mais adequados para fornecer serviços inovadores utilizando esta infraestrutura digital para melhorar a vida dos cidadãos.
Por conseguinte, muitas cidades em todo o mundo disponibilizam ao público os seus conjuntos de dados históricos e em tempo real através de API abertas. Isto permite a um ecossistema de empresários, académicos, empresas em fase de arranque e empresas tecnológicas inovar e fornecer novos serviços utilizando esses conjuntos de dados.
Deste modo, um cidadão pode ser um consumidor de serviços, mas também um produtor de novos serviços e um ponto de dados em alguns conjuntos de dados.
Nas cidades com um ecossistema saudável de feeds de dados abertamente disponíveis e serviços construídos com base neles, os cidadãos dispõem de ferramentas que os ajudam a navegar nas cidades, a procurar oportunidades, etc. Além disso, os cidadãos aprendem gradualmente com as suas decisões anteriores e aperfeiçoam as suas competências para se tornarem "inteligentes na rua" através da utilização de heurísticas simples (regras de ouro) para os orientar na sua tomada de decisões quotidiana.
A fim de planear e projetar o futuro, os governos utilizam muitos dos mesmos conjuntos de dados para informar as suas próprias decisões e políticas.
No entanto, há um enigma: um governo deve avaliar a procura de um serviço ou utilidade e, em seguida, projetar para satisfazer essa procura (por exemplo, se as estradas estão congestionadas, deve construir mais estradas?), ou deve ter uma visão do que quer que a sua futura cidade seja (por exemplo, neutra em termos de carbono) e utilizar políticas que afectem os cidadãos para os levar gradualmente a esse resultado pretendido (por exemplo, desencorajar a utilização de carros a gasolina)?
É necessário um pouco de ambos, uma vez que as cidades precisam de funcionar corretamente até que uma visão futura da cidade possa ser concretizada.
No entanto, ao contrário do que acontece com os cidadãos, quando o governo toma uma decisão errada, os custos podem ser elevados. Por isso, faz sentido investir tempo e dinheiro na recolha dos dados necessários e na construção de modelos para testar cenários potenciais, políticas hipotéticas, investimentos em infra-estruturas, etc.
Uma forma comum de enfrentar estes desafios é construir um gémeo digital. Um gémeo digital é uma réplica digital de um espaço físico, como um aeroporto ou mesmo uma cidade inteira, onde se pode testar o impacto de diferentes políticas ou outras decisões antes de serem implementadas no mundo real.
A modelação dos gémeos digitais exige não só dados mas também modelos sofisticados. Estes modelos necessitam de teorias do comportamento humano para os apoiar.
Embora haja uma abundância de dados para analisar e explorar, continua a ser importante construir um modelo. Se as decisões não forem apoiadas por dados de qualidade, teorias sólidas e modelos, corre-se o risco de projectos e políticas de infra-estruturas bem intencionados tornarem a situação ainda pior do que era antes.
Um exemplo disto é o paradoxo de Braess, que mostra que a capacidade da rede de transportes ou da rede eléctrica pode, por vezes, piorar com a construção de uma nova estrada ou com a adição de uma nova ligação. Isto pode parecer contra-intuitivo, mas há muitos exemplos reais de casos em que este fenómeno se verificou.
Então, que tipo de modelos ajudam a evitar este tipo de problemas?
A modelação baseada em agentes é uma opção e inclui um conjunto de seres humanos virtuais em interação (ou "agentes") que conduzem a resultados emergentes à escala macro.
Em alternativa, a IA causal pode ajudar. Esta modelação difere da aprendizagem automática tradicional no sentido em que as relações causais nos dados são identificadas e não apenas as correlações nos dados. Este facto reduz consideravelmente o risco de políticas ou decisões erradas.
Todos os dados que existem atualmente reflectem o comportamento durante um conjunto específico de condições e circunstâncias. É por isso que é importante identificar a causa e o efeito em possíveis cenários de cidades inteligentes para evitar o risco dos resultados infelizes acima mencionados.
Numa cidade que funcione bem, a tecnologia deve aumentar e orientar os cidadãos de forma subtil, sem ter um impacto demasiado intrusivo nas suas vidas.
Saiba mais sobre os benefícios das cidades inteligentes e como podemos ajudar a criar uma solução de cidade inteligente para a sua cidade.