必須以某種方式使用智能城市中的傳感器和IoT設備收集的數據。信息可以提供洞察力以發現模式和趨勢。如果您擁有足夠的數據（又名大數據），則可以準確地瞭解正在探索的內容。例如，擁有足夠信息的智能電網可以使用數據來確定用電高峰和低谷，然後調整輸出。這優化了能源的使用，有助於實現可持續性。
使用AI和ML進行決策
可以使用機器學習（ML）等技術來增強優化決策，機器學習（ML）是人工智能（AI）的子集。ML獲取由健康應用程序，智能電錶或支持互聯網的汽車等生成的數據，並使用這些數據發現模式並學習如何優化給定的服務。例如，NVIDIA開發了智能視頻，該視頻可處理大數據分析並將機器學習應用於視頻流。他們與50個AI城市合作伙伴合作，利用該技術改善了智能交通等領域。到2020年，預計這些智能相機將達到10億個。生成，分析和處理的數據很多。該系統將取代人工解釋，而將其替換為機器學習算法，從而有望提高準確性和速度。這個城市的大腦將處理我們的許多個人數據，包括有關我們運動的視覺數據。
如上所述，機器學習需要數據來發現模式和趨勢。對大數據的分析為城市服務提供了必要的信息，以高度響應其公民的需求。它還在服務中使用這些數據來構建對服務使用的更優化的響應，從而有助於增強體驗並改善可持續性。服務的個性化是目前正在探索的適合人工智能和機器學習的領域之一。這就要求在將個人數據用作概要分析工具之前，必須對其進行收集和彙總。
AI和ML如何實現智能城市服務的個性化
例如，個性化體驗的ML工具已經在市場營銷中使用。在這裡，它們被用來定製在線站點，顯示用戶期望從其預測的配置文件中喜歡的產品。在智能城市中，同樣類型的算法可以用於其他目的。例如，英國三所大學的一項研究將自行車和天氣的各種ML算法作為在智能城市中創建個性化服務的一種手段。這是基於大數據的收集、彙總和分析。
重要的是，這項研究是在不需要可以直接識別個人的數據的情況下完成的。 但這並不意味著可以通過關聯的數據（可能使用移動設備中的GPS）來重新識別個人。 同樣，想象通過使用直接可識別的信息可以獲得更量身定製的個性化或更準確的結果，並不是一個很大的飛躍。
另一個關於機器學習和人工智能的問題是，在那些被認為可以提高精度的算法中，可能存在默認偏差。如果訓練集本身偏向於一個特定的預期結果，那麼結果本身就會偏向——事實上，由此產生的偏向可能會被放大。在這一領域有幾項研究，包括“男性也喜歡購物：利用語料庫水平的限制減少性別偏見的放大”。這項研究著眼於訓練集如何包含性別偏見；當在人工智能環境中使用時，這種偏見會被放大。
關於AI和ML的偏見和隱私問題
在人工智能中使用偏見也可能擴大隱私問題。這種偏見和控制的一個例子就是使用微軟的“Tay”聊天機器人，該機器人是用真實世界的推文訓練的。當人們開始在推特上向泰伊發表種族主義和厭惡女性的言論時，問題就出現了，泰伊隨後又回擊了這些情緒。同樣，隱私問題也可能是由有偏見的訓練集引起的。隱私不僅僅是暴露個人數據；隱私是關於我們的存在–我們的信仰，我們的觀點，我們的政治傾向等等。
智慧城市的隱私遠不止透露您的名字……