Anders Johansson, director técnico y cofundador de CrowdVision(adquirida por Skyfii), presentó en la Cámara de Comercio Británica de Hong Kong Greater Bay Area Summit 2021 cómo aprovechar los datos para construir una ciudad inteligente. Anders comparte sus impresiones sobre esta presentación.
Las ciudades inteligentes tienen algunas perspectivas contrapuestas cuando se trata de cómo deben empezar. Ya se trate de un planteamiento descendente o ascendente, tecnológico o comunitario, de diseño deliberado o de evolución natural, etc.
Es importante incluir un poco de todo lo anterior.
Para optimizar las ciudades y fundamentar la toma de decisiones se necesitan datos. Para recopilar datos se necesita una red digital adecuada con sensores y conectividad de gran ancho de banda y baja latencia.
Los gobiernos y las autoridades municipales están en buena posición para planificar y ejecutar proyectos de infraestructuras. No solo pueden proporcionar infraestructuras físicas, sino también la red digital necesaria para que una ciudad sea inteligente (por ejemplo, conectividad 5G, diversos tipos de tecnologías de detección, etc.).
Sin embargo, los gobiernos no son necesariamente los más indicados para prestar servicios innovadores utilizando esta infraestructura digital para mejorar la vida de los ciudadanos.
Por ello, muchas ciudades de todo el mundo ponen a disposición del público sus conjuntos de datos históricos y en tiempo real a través de API abiertas. Esto permite que un ecosistema de emprendedores, académicos, start-ups y empresas tecnológicas innoven y ofrezcan servicios novedosos utilizando esos conjuntos de datos.
De este modo, un ciudadano puede ser consumidor de servicios, pero también productor de nuevos servicios, y un punto de datos en algunos de los conjuntos de datos.
En las ciudades con un ecosistema saludable de fuentes de datos de libre acceso y servicios creados a partir de ellas, los ciudadanos disponen de herramientas que les ayudan a navegar por las ciudades, buscar oportunidades, etc. Además, los ciudadanos aprenden gradualmente de sus decisiones anteriores y perfeccionan sus habilidades para convertirse en "inteligentes de la calle" mediante el uso de heurísticas simples (reglas empíricas) que les guían en su toma de decisiones diaria.
Con el fin de planificar y diseñar el futuro, los gobiernos utilizan gran parte de los mismos conjuntos de datos para fundamentar sus propias decisiones y políticas.
Sin embargo, se plantea un dilema: ¿debe un gobierno evaluar la demanda de un servicio o utilidad y luego diseñar para satisfacerla (por ejemplo, si las carreteras están congestionadas, debe construir más carreteras?), o debe tener una visión de lo que quiere que sea su futura ciudad (por ejemplo, neutra en carbono) y utilizar políticas que afecten a los ciudadanos para llevarlos gradualmente a ese resultado previsto (por ejemplo, desincentivar el uso de coches de gasolina)?
Se necesita un poco de ambas cosas, ya que las ciudades tienen que funcionar correctamente mientras tanto, hasta que pueda materializarse una visión futura de la ciudad.
Sin embargo, a diferencia de lo que ocurre con los ciudadanos, cuando el gobierno toma una decisión equivocada, los costes pueden ser elevados. Así que tiene sentido invertir tiempo y dinero en recopilar los datos necesarios y construir modelos para probar posibles escenarios, políticas hipotéticas, inversiones en infraestructuras, etc.
Una forma habitual de abordar estos retos es construir un gemelo digital. Un gemelo digital es una réplica digital de un espacio físico como un aeropuerto o incluso una ciudad entera, donde se puede probar el impacto de diferentes políticas u otras decisiones antes de aplicarlas en el mundo real.
La modelización de los gemelos digitales no sólo requiere datos, sino también modelos sofisticados. Estos modelos necesitan teorías del comportamiento humano que los sustenten.
Aunque haya abundancia de datos que analizar y extraer, sigue siendo importante construir un modelo. Si las decisiones no se apoyan en datos de calidad, una teoría sólida y modelos, se corre el riesgo de que los proyectos y políticas de infraestructuras bienintencionados empeoren aún más la situación.
Un ejemplo de ello es la paradoja de Braess, que demuestra que la capacidad de la red de transporte o de la red eléctrica a veces puede empeorar si se construye una nueva carretera o se añade un nuevo enlace. Puede parecer contradictorio, pero hay muchos ejemplos reales de este fenómeno.
Entonces, ¿qué tipo de modelos ayudan a evitar este tipo de problemas?
La modelización basada en agentes es una opción e incluye un conjunto de seres humanos virtuales (o "agentes") que interactúan y conducen a resultados emergentes a macroescala.
Otra alternativa es la IA causal. Esta modelización difiere del aprendizaje automático tradicional en el sentido de que se identifican las relaciones causales en los datos en lugar de sólo correlaciones en los datos. Esto reduce en gran medida el riesgo de que las políticas o las decisiones salgan mal.
Todos los datos que existen actualmente reflejan el comportamiento durante un conjunto específico de condiciones y circunstancias. Por eso es importante identificar la causa y el efecto en posibles escenarios de ciudades inteligentes para evitar el riesgo de los desafortunados resultados mencionados anteriormente.
En una ciudad que funcione bien, la tecnología debe aumentar y guiar a los ciudadanos de forma sutil, sin tener un impacto excesivamente intrusivo en sus vidas.
Obtenga más información sobre las ventajas de las ciudades inteligentes y cómo podemos ayudarle a crear una solución urbana inteligente para su ciudad.