En masse mennesker på Jorden, der lider af problemer relateret til overvægt. Og forårsager forekomsten af de ekstra pounds, der er så mange. Men, kunstig intelligens er forbundet til løsning af dette problem, som den vigtigste faktor for vægtøgning kaldes ikke overspisning eller metaboliske sygdomme, og fejl i udviklingen af by-kvarterer.
Ifølge redaktørerne af tidsskriftet Science, et team af amerikanske forskere har lært AI til at identificere de områder, der er mest modtagelige for ansættelse af ekstra pounds. Og, baseret på data fra mere end 150.000 billeder fra Google Maps, skal du AI bundet, den procentdel, der lider af overvægt med distriktet planlægning og fejl i byplanlægning (videnskaben om udvikling af by-systemer).
Over den opgave, arbejdede 2 af de neurale netværk. Den første identificerede de vigtigste funktioner af de områder, gør det muligt at identificere de karakteristiske træk af distrikter, “farve” dem: grøn var udpeget træer, grå veje og rød — huse og andre bygninger. Den anden neurale netværk registreres, at forbindelsen mellem konfiguration af “malet” områder og indikatorer af fedme blandt mennesker, der bor i området. Blev analyseret OS til byer som Los Angeles, Memphis, San Antonio i texas og washington i Seattle.
For eksempel, Memphis AI var i stand til at identificere, at områder med en høj grad af landbrugs arbejde (øverste billede), der er forbundet med en lav forekomst af fedme blandt beboerne. Omvendt, hvor mængden af grønne områder er mindre end (foto nedenfor)- den procentdel af fedme højere.
Således, ifølge forfatterne, de opnåede data vil gøre det muligt ikke kun at tage bedre vare på folks sundhed, men også tillade, at repræsentanter for erhvervslivet til at planlægge infrastrukturen i deres netværk, markedsføring af sunde fødevarer butikker, hvor det er påkrævet, og designere af blokke på forhånd at tænke på plantning.
Hvordan føler du om sådanne undersøgelser? Fortæl os om det i vores telegram chat.
AI besluttet, at fedme er forbundet med… en forkert byudvikling
Vladimir Kuznetsov