Las ciudades son organismos vivientes que con la «explosión» de los datos y su algoritmia (Machine Learning) permiten realizar proyectos como el que ha presentado el MIT (Massachusetts Institute of Technology) este año. El proyecto se llama StreetSquare y fusiona conceptos de crowdsourcing y algoritmos de aprendizajes automáticos (Machine Learning).

En 2011, los investigadores del Laboratorio de Medios del MIT debutaron con Place Pulse, un sitio web que sirve como una especie de «zona caliente o no caliente» para las ciudades. A partir de imágenes de la ciudad tomadas por los propios usuarios se les califica cada imagen de un rango de 0 a 10. Debe tenerse en cuenta que muchas de estas imágenes están tomadas desde automóviles y como tal debe mejorarse la percepción del sitio donde se ha tomado la foto.

Los datos generados algorítmicamente podrían un día ser utilizadas para investigar la relación entre la percepción y la delincuencia urbana, así como informar las decisiones de diseño urbano y en ciudades como Bogotá establecer estrategias y acciones para la seguridad por barrios.
Por de pronto, sólo estñan implementado en Nueva York, Boston, Chicago y Detroit. En un futuro se expanderá a ciudades de todo el mundo.
Se trata de una colaboración entre Macro Connections y Camera Culture, ambos proyectos del MIT.

El algoritmo, creado por Nikhil Naik, Ph.D. estudiante en el laboratorio de Camera Culture, establece una manera retroalimentada de ciudad por medio de la colaboración ciudadana (crowdsourcing), lo describe con técnicas simples de visualización de datos como la construcción de textura, colores, y formas. De acuerdo a la aplicación Place Pulse se va alimentado la base de datos con todas las fotos tomadas y clasificadas de 0 a 10, luego se le aplica el algoritmo creado por Naik y da como resultado un mapa de la situación de la seguridad descrita por diferentes puntos de colores. Estos resultados se visualizan como puntos geográficos en el mapa, diseñado por Jade Philipoom. Cada imagen está disponible a partir de Google Maps en las cuatro ciudades nombradas y están representadas por un punto de color: rojo para los lugares que las etiquetas de algoritmo establecen como inseguros, y verde oscuro para los que aparecen más segura (el el medio se encuentran otros colores como el amarillo). El sitio, limitado por ahora a estas cuatro ciudades de EE.UU, contará con decenas de ciudades de todo el mundo. Al hacer click sobre un punto, sale la imagen y la puntuación:

Captura de imagen de StreetScore

Captura de imagen de StreetScore

Más información de este proyecto en
http://streetscore.media.mit.edu/
Spot-the-difference software maps city’s mean streets
How Crowdsourcing And Machine Learning Will Change The Way We Design Cities

About the author

Fernando Santamaría González Soy un investigador y formador en espacios online. Trabajando e investigando en temas de aprendizaje emergente.