必须以某种方式使用智能城市中的传感器和IoT设备收集的数据。信息可以提供洞察力以发现模式和趋势。如果您拥有足够的数据（又名大数据），则可以准确地了解正在探索的内容。例如，拥有足够信息的智能电网可以使用数据来确定用电高峰和低谷，然后调整输出。这优化了能源的使用，有助于实现可持续性。
使用AI和ML进行决策
可以使用机器学习（ML）等技术来增强优化决策，机器学习（ML）是人工智能（AI）的子集。ML获取由健康应用程序，智能电表或支持互联网的汽车等生成的数据，并使用这些数据发现模式并学习如何优化给定的服务。例如，NVIDIA开发了智能视频，该视频可处理大数据分析并将机器学习应用于视频流。他们与50个AI城市合作伙伴合作，利用该技术改善了智能交通等领域。到2020年，预计这些智能相机将达到10亿个。生成，分析和处理的数据很多。该系统将取代人工解释，而将其替换为机器学习算法，从而有望提高准确性和速度。这个城市的大脑将处理我们的许多个人数据，包括有关我们运动的视觉数据。
如上所述，机器学习需要数据来发现模式和趋势。对大数据的分析为城市服务提供了必要的信息，以高度响应其公民的需求。它还在服务中使用这些数据来构建对服务使用的更优化的响应，从而有助于增强体验并改善可持续性。服务的个性化是目前正在探索的适合人工智能和机器学习的领域之一。这就要求在将个人数据用作概要分析工具之前，必须对其进行收集和汇总。
AI和ML如何实现智能城市服务的个性化
例如，个性化体验的ML工具已经在市场营销中使用。在这里，它们被用来定制在线站点，显示用户期望从其预测的配置文件中喜欢的产品。在智能城市中，同样类型的算法可以用于其他目的。例如，英国三所大学的一项研究将自行车和天气的各种ML算法作为在智能城市中创建个性化服务的一种手段。这是基于大数据的收集、汇总和分析。
重要的是，这项研究是在不需要可以直接识别个人的数据的情况下完成的。 但这并不意味着可以通过关联的数据（可能使用移动设备中的GPS）来重新识别个人。 同样，想象通过使用直接可识别的信息可以获得更量身定制的个性化或更准确的结果，并不是一个很大的飞跃。
另一个关于机器学习和人工智能的问题是，在那些被认为可以提高精度的算法中，可能存在默认偏差。如果训练集本身偏向于一个特定的预期结果，那么结果本身就会偏向——事实上，由此产生的偏向可能会被放大。在这一领域有几项研究，包括“男性也喜欢购物：利用语料库水平的限制减少性别偏见的放大”。这项研究着眼于训练集如何包含性别偏见；当在人工智能环境中使用时，这种偏见会被放大。
关于AI和ML的偏见和隐私问题
在人工智能中使用偏见也可能扩大隐私问题。这种偏见和控制的一个例子就是使用微软的“Tay”聊天机器人，该机器人是用真实世界的推文训练的。当人们开始在推特上向泰伊发表种族主义和厌恶女性的言论时，问题就出现了，泰伊随后又回击了这些情绪。同样，隐私问题也可能是由有偏见的训练集引起的。隐私不仅仅是暴露个人数据；隐私是关于我们的存在–我们的信仰，我们的观点，我们的政治倾向等等。
智慧城市的隐私远不止透露您的名字……
