Anders Johansson, CTO und Mitbegründer von CrowdVision(von Skyfii übernommen), hielt auf dem Greater Bay Area Summit 2021 der britischen Handelskammer in Hongkong einen Vortrag über die Nutzung von Daten zum Aufbau einer intelligenten Stadt. Anders teilt seine Erkenntnisse aus dieser Präsentation.
Bei intelligenten Städten gibt es einige konkurrierende Perspektiven, wenn es darum geht, wie sie beginnen sollen. Ob es sich um einen Top-down- oder einen Bottom-up-Ansatz handelt, um einen technologie- oder gemeinschaftsbasierten Ansatz, um eine gezielte Planung oder eine natürliche Entwicklung usw.
Es ist wichtig, von allem ein bisschen zu haben.
Um Städte zu optimieren und Entscheidungen zu treffen, werden Daten benötigt. Um Daten zu sammeln, benötigen Sie ein geeignetes digitales Backbone mit Sensoren und Konnektivität mit hoher Bandbreite und niedriger Latenz.
Regierungen und Stadtverwaltungen sind in einer guten Position, um Infrastrukturprojekte zu planen und durchzuführen. Sie können nicht nur die physische Infrastruktur bereitstellen, sondern auch das digitale Grundgerüst, das benötigt wird, um eine Stadt intelligent zu machen (z. B. 5G-Konnektivität, verschiedene Arten von Sensortechnologien usw.).
Die Regierungen sind jedoch nicht unbedingt am besten geeignet, um mit Hilfe dieser digitalen Infrastruktur innovative Dienste anzubieten, die das Leben der Bürger verbessern.
Daher stellen viele Städte auf der ganzen Welt ihre Echtzeit- und historischen Datensätze der Öffentlichkeit über offene APIs zur Verfügung. Dies ermöglicht es einem Ökosystem aus Unternehmern, Wissenschaftlern, Start-ups und Technologieunternehmen, innovativ zu sein und neuartige Dienste anzubieten, die diese Datensätze nutzen.
Auf diese Weise kann ein Bürger ein Verbraucher von Dienstleistungen sein, aber auch ein Produzent neuer Dienstleistungen und ein Datenpunkt in einigen der Datensätze.
In Städten mit einem gesunden Ökosystem aus offen zugänglichen Daten und darauf aufbauenden Diensten verfügen die Bürger über Instrumente, die ihnen helfen, sich in der Stadt zurechtzufinden, nach Möglichkeiten zu suchen usw. Außerdem lernen die Bürgerinnen und Bürger allmählich aus ihren früheren Entscheidungen und verfeinern ihre Fähigkeiten, um durch den Einsatz einfacher Heuristiken (Faustregeln), die sie bei ihrer täglichen Entscheidungsfindung leiten, zu "Street Smart" zu werden.
Um die Zukunft zu planen und zu gestalten, verwenden die Regierungen viele der gleichen Datensätze, um ihre eigenen Entscheidungen und Maßnahmen zu treffen.
Es gibt jedoch ein Dilemma: Sollte eine Regierung die Nachfrage nach einer Dienstleistung oder einem Dienst bewerten und dann so planen, dass diese Nachfrage befriedigt wird (z. B. wenn die Straßen überlastet sind, sollte sie mehr Straßen bauen), oder sollte sie eine Vision davon haben, wie ihre Stadt in Zukunft aussehen soll (z. B. kohlenstoffneutral), und die Bürger durch politische Maßnahmen schrittweise an dieses Ziel heranführen (z. B. den Gebrauch von Benzinautos verhindern)?
Ein bisschen von beidem ist nötig, denn die Städte müssen in der Zwischenzeit gut funktionieren, bis eine Zukunftsvision der Stadt verwirklicht werden kann.
Anders als bei den Bürgern können die Kosten für eine falsche Entscheidung der Regierung jedoch hoch sein. Daher ist es sinnvoll, Zeit und Geld in die Erhebung der erforderlichen Daten und die Erstellung von Modellen zu investieren, um potenzielle Szenarien, hypothetische politische Maßnahmen, Infrastrukturinvestitionen usw. zu testen.
Eine gängige Methode zur Bewältigung dieser Herausforderungen ist der Aufbau eines digitalen Zwillings. Ein digitaler Zwilling ist eine digitale Nachbildung eines physischen Raums wie eines Flughafens oder sogar einer ganzen Stadt, in der man die Auswirkungen verschiedener Strategien oder anderer Entscheidungen testen kann, bevor sie in der realen Welt umgesetzt werden.
Die Modellierung des digitalen Zwillings erfordert nicht nur Daten, sondern auch ausgefeilte Modelle. Diese Modelle benötigen Theorien des menschlichen Verhaltens, um sie zu unterstützen.
Auch wenn es eine Fülle von Daten gibt, die analysiert und ausgewertet werden können, ist es dennoch wichtig, ein Modell zu erstellen. Wenn Entscheidungen nicht durch hochwertige Daten, fundierte Theorien und Modelle gestützt werden, besteht die Gefahr, dass gut gemeinte Infrastrukturprojekte und politische Maßnahmen die Situation noch schlimmer machen als sie ohnehin schon war.
Ein Beispiel dafür ist das Braess'sche Paradoxon, das zeigt, dass die Kapazität des Verkehrsnetzes oder des Stromnetzes manchmal durch den Bau einer neuen Straße oder einer neuen Verbindung verschlechtert werden kann. Dies mag kontraintuitiv erscheinen, aber es gibt viele Beispiele aus der Praxis, bei denen dieses Phänomen aufgetreten ist.
Welche Modelle helfen also, diese Art von Problemen zu vermeiden?
Die agentenbasierte Modellierung ist eine Option und umfasst eine Reihe interagierender virtueller Menschen (oder "Agenten"), die zu emergenten Ergebnissen auf der Makroebene führen.
Alternativ dazu kann Kausale KI helfen. Diese Modellierung unterscheidet sich vom traditionellen maschinellen Lernen in dem Sinne, dass die kausalen Beziehungen in den Daten ermittelt werden und nicht nur Korrelationen in den Daten. Dadurch wird das Risiko, dass Maßnahmen oder Entscheidungen falsch sind, erheblich verringert.
Alle derzeit vorhandenen Daten spiegeln das Verhalten unter bestimmten Bedingungen und Umständen wider. Deshalb ist es wichtig, Ursache und Wirkung in möglichen Smart-City-Szenarien zu ermitteln, um das Risiko der oben genannten unglücklichen Ergebnisse zu vermeiden.
In einer gut funktionierenden Stadt sollte die Technologie die Bürger auf subtile Weise unterstützen und leiten, ohne sich zu sehr in ihr Leben einzumischen.
Erfahren Sie mehr über die Vorteile von Smart Cities und wie wir Sie bei der Entwicklung einer Smart-City-Lösung für Ihre Stadt unterstützen können.