Клаудио Сильва: «Предугадывать ситуации — одна из наших основных задач»

Мы поговорили с американским математиком и исследователем города Клаудио Сильва (Claudio T. Silva), который летом посетил Москву и Екатеринбург с лекциями об использовании больших данных (big data) в урбанистике. Клаудио Сильва является профессором Политехнического института Нью-Йоркского университета и руководителем Центра городских исследований и прогресса (Center for Urban Science and Progress — CUSP), основанного в 2012 году тогдашним мэром Нью-Йорка Майклом Блумбергом. Не специалисту не так просто понять, чем же занимается CUSP, но мы приложили все усилия, чтобы разобраться в методологии и результатах исследований этого уникального центра. Так как речь идет о строгой науке, наиболее важные термины мы приводим в скобках на английском языке.

Клаудио Сильва: «Предугадывать ситуации — одна из наших основных задач»

Расскажите о предпосылках появления вашей области науки. В какой момент цифровые исследования начали применяться в урбанистике?

То направление урбанистических вычислений, которыми занимается наша группа, только зарождается. Долгое время подобные методы применялись в географических информационных системах, система GRS всегда использовалась для сохранения данных, иногда урбанистических данных. Есть направления под названием «урбанистическая реконструкция» (urban reconstruction) или «урбанистическое моделирование» (urban modeling). Существуют исследователи городского планирования, которые начали объединяться со специалистами по информатике при работе над городскими симуляциями (urban simulations). Есть архитекторы, которые используют вычислительные методы. Но это все довольно сильно отличается от того, чем занимаемся мы. Наша работа направлена на применение вычислительных технологий к большим объемам данных. И вот это только зарождается. Обычно компьютерную графику используют, чтобы увидеть, как архитектурные блоки соотносятся друг с другом, как организован город, но мало кто задумывается, сколько людей живет в этих блоках, насколько шумный район, сколько жалоб поступает от жителей, насколько много преступлений здесь происходит, сколько ресторанов в этой части города.

Vector Field k-Means: Clustering Trajectories by Fitting Multiple Vector Fields.  Nivan Ferreira, James T. Klosowski, Carlos Scheidegger, Claudio Silva

Какие специалисты вам нужны для исследований такого рода?

В нашей команде работают люди из самых разных областей. Это компьютерные науки, цифровые науки, статистика, технологии, инженерия окружающей среды, экономика, архитектура, городское планирование, социология и психология. Первые две области тесно связаны друг с другом, но все-таки это разные вещи. Компьютерные науки (computer science) направлены на развитие самих вычислительных машин, а цифровые науки (data science) на понимание и анализ данных. Наша область городских цифровых наук (urban data science) чрезвычайно прикладная, поэтому очень важно, чтобы здесь работали люди с разными бэкгаундами. Один человек просто не сможет сделать что-то в том направлении, где методология и инструментарий еще только разрабатываются и нам самим пока не вполне ясны. В CUSP есть программа, которая готовит специалистов, имеющих базовые знания во всех нужных нам областях. Но они пока только учатся, а сложность заключается в том, для хорошей исследовательской работы тебе нужна команда, в которой много PhD. И эти люди приходят к нам из самых разных мест.

Есть ли какие-то общие вещи, с которыми сталкиваются все приходящие к вам исследователи, из какой бы области они ни были?

Город — это очень сложная модель. Например, если вы начинаете делать что-то для города при помощи географических информационных систем (geographical information systems), то оказывается, что они должны быть куда более замысловатые, потому что в городах нам приходится говорить о существенных геометрических ограничениях. Вы ищите место для здания, а сталкиваетесь с целым рядом сложностей: и чисто пространственных, и законодательных. К примеру, в некоторых городах не разрешается строить здания, перекрывающие определенные виды. Такие ограничения есть в Лондоне, где у вас всегда должна быть возможность увидеть несколько памятников с некоторых точек. И увидеть их издалека. Правила достаточно сложные, и вы должны подстраивать свои идеи под эти геометрические ограничения.

Using Topological Analysis to Support Event-Guided Exploration in Urban Data.  Harish Doraiswamy, Nivan Ferreira, Theo Damoulas,Juliana Freire, Claudio Silva

Могут ли ваши методы применяться в сельской местности?

Думаю, да. Я не вижу ограничений для использования big data при прокладывании сельских дорог, работе с животными или сельскохозяйственными культурами. Но мне кажется, что здесь они не столь важны, потому что все проще. Город — это действительно очень сложная структура.

Видны ли результаты ваших исследований самим жителям города?

Я хотел бы думать, что это так (смеется). Но, на самом деле, вряд ли наша деятельность видна невооруженным глазом. Приведу один пример. Лет пять назад я провел месяц в Цюрихе, где городской транспорт ходит точно по расписанию — секунда в секунду. В Нью-Йорке это не так. Как рядовой пользователь метро я вижу, что поезда опаздывают, но не знаю причину. Как исследователь я могу ее определить. У нас был проект по изучению этого феномена. Оказалось, что он состоит из целого ряда мелких моментов: поезда скапливаются в тоннелях, поэтому не могут ехать быстро, в свою очередь, люди толпятся на платформе, и посадка занимает больше времени, и так далее. Это череда взаимосвязанных причин, и теперь мы их знаем во всех подробностях. Дальше мы передадим наши результаты работникам метрополитена, и они будут думать, как решить проблему.

Using Topological Analysis to Support Event-Guided Exploration in Urban Data.  Harish Doraiswamy, Nivan Ferreira, Theo Damoulas,Juliana Freire, Claudio Silva

Могут ли ваши исследования помочь в прогнозировании ситуаций?

Да, конечно. Продолжу разговор о транспортной системе. Вот мы изучили метро, но люди перемещаются не только на нем. Транспортная сеть — это сложная структура, которая состоит из метро, автобусов, такси, велопроката и пешеходов. Мы получаем сигналы от каждого из этих направлений и пытаемся замкнуть круг. На следующем этапе мы можем моделировать ситуацию. Например, что будет, если закрыть движение на одной из линий метрополитена. Предугадывать ситуации — одна из наших основных задач.

А можно ли пойти дальше и смоделировать город будущего?

Я бы говорил о двух областях. Первая — это работа с настоящим. Например, вы понимаете, какие участки в городе доступны, что лучше подходит для девелопера, какой формы должно быть здание, чтобы оно соответствовало всем условиям. Вторая — основная для нас — это смотреть на город как работающую модель, имеющую свое развитие. Вот, например, есть проблема трафика. Она есть во всех крупных городах, никого не миновала. Мы понимаем, что постройка здания в каком-то месте ухудшит ситуацию на дорогах. Но с помощью big data мы можем пойти дальше и просчитать, какую деятельность нужно развивать в этом новом здании, чтобы снизить транспортную нагрузку. И в итоге вполне может оказаться, что, если здесь появится и жилье, и какие-то магазины, и что-то еще — то транспортная ситуация как раз станет лучше. В результате мы понимаем, какую деятельность здесь нужно поощрять. Это не изменение города силой или какими-то властными решениями, а просчет разных возможностей, приводящих к определенным результатам.

Visual exploration of big spatio-temporal urban data: a study of New York City taxi trips. Nivan Ferreira, Jorge Poco, Huy T. Vo, Juliana Freire, Claudio Silva

Ваша работа больше связана с наукой или прикладными городскими исследованиями?

Это смешанный подход. Наша цель — продуцировать новую науку и ее инструментарий. Но, с другой стороны, мы понимаем (и наши исследования это подтверждают), что она релевантна действительности и утилитарна. Прикладными исследованиями как таковыми мы не занимаемся, это дело департаментов. То ест мы не будем решать, как сделать так, чтобы на конкретном перекресте стало меньше аварий. Мы смотрим на город как систему, а не работаем с каждой из городских проблем.

Но департаменты пользуются вашими результатами?

Да, конечно, я уже приводил метро как пример. Но и мы пользуемся их данными, ведь именно они их нам предоставляют.

Что занимает у вас больше всего времени?

На самом деле, больше всего времени — иногда до 80% исследования — занимает сбор информации.

Ваши модели применимы только для Нью-Йорка, или они могут быть универсальны?

Лично я работаю только в Нью-Йорке. Но в моей группе есть люди из других точек земного шара. У нас два профессора из Рио-де-Жанейро, в коллаборацию с нами вступают архитекторы из Лондона, Шанхая, Гонконга, Сан-Пауло. И, конечно, мы бы очень хотели, поняв общие процессы, однажды применить наши знания в других городах. В Москве я говорил с Департаментом информационных технологий. У них прекрасная база данных, и нам было бы очень интересно поработать с ней.

Visual exploration of big spatio-temporal urban data: a study of New York City taxi trips. Nivan Ferreira, Jorge Poco, Huy T. Vo, Juliana Freire, Claudio Silva

С какой самой острой проблемой вы сталкивались в ходе вашего исследования?

Самая острая проблема, о которой мы как раз недавно написали статью, связана с защитой личной информации. Основной вопрос звучит так: можем ли мы через big data идентифицировать конкретного человека? К сожалению, да: наши исследования показывают, что большой массив данных проламывает технологии анонимизации. Это очень грустно, и мы были бы рады другому результату. Если бы было иначе, нам бы намного легче предоставляли информацию, а мы бы чувствовали себя свободнее в работе с ней.

Как вы решаете эту проблему?

Способ решения здесь только один: установить жесткие правила, что можно, а что нельзя делать с этой информацией. Но это решение не технологическое, а политическое. Когда наш центр только начинался, у нас было несколько воркшопов по вопросам этики. Мы приглашали юристов и политологов, была выпущена книга. Мы продолжаем работать в этом направлении.

Ихображения © Ivan Gushchin / Strelka Institute, Nivan Ferreira / University of Arizona

РАССЫЛКА arch:speech
 
Свежие материалы на arch:speech


Загрузить еще