Urban Institute e IBM ajudam cidades a medir transformação do espaço urbano
Até agora, muitas tentativas
de medir a mudança na vizinhança foram retrospectivas e baseadas em regras, o
que pode levar governos e grupos comunitários a tomar decisões com base em
informações imprecisas e desatualizadas. É por isso que a IBM fez parceria com
a organização de pesquisa sem fins lucrativos, com sede em Washington D.C., Urban Institute, que por mais de 50 anos
liderou uma gama impressionante de esforços de estudos abrangendo questões
sociais, econômicas e climáticas em níveis federal, estadual e local.
Medir a mudança na vizinhança
à medida que acontecem ou antes que ocorram é fundamental para permitir uma
ação oportuna para prevenir o deslocamento em comunidades, mitigar o
despovoamento e o declínio delas e encorajar o crescimento inclusivo. A equipe
do Urban Institute reconheceu que muitos esforços anteriores para medir mudanças na
vizinhança se baseavam em conjuntos de dados administrativos de âmbito
nacional, como o Censo ou o American Community Survey (ACS), que são publicados
em intervalos de tempo consideráveis. Por esse motivo, a análise só poderia ser
realizada após a mudança ocorrer e o deslocamento ou deterioração já tiver
ocorrido. No ano passado, o Urban Institute trabalhou com especialistas do
Escritório de Desenvolvimento de Políticas e Pesquisa do Departamento de
Habitação e Desenvolvimento Urbano (HUD) dos Estados Unidos em um projeto
piloto para avaliar se eles poderiam usar a nova direção de vaga do HUD USPS em
tempo real e o Voucher de Escolha de Habitação (HCV) com métodos de aprendizado
de máquina para lançar com precisão as mudanças na vizinhança.
As equipes do IBM Data Science e AI Elite e do Urban
Institute se basearam nesse piloto a fim de desenvolver um novo método para
prever mudanças locais na vizinhança a partir dos dados mais recentes em várias
fontes, usando IA. Essa nova abordagem começou definindo quatro tipos de
mudança de bairro: gentrificação¹, declínio, crescimento inclusivo e
imutabilidade. Em seguida, aproveitaram os dados do programa US Census, Zillow
e Housing Choice Voucher para treinar modelos individuais centrados em oito
áreas estatísticas metropolitanas diferentes, usando técnicas de
explicabilidade para descrever os fatores que impulsionam a transformação.
A equipe IBM Data Science e AI
Elite se dedica a capacitar as organizações com habilidades, métodos e
ferramentas necessárias para abraçar a adoção de IA. Seu apoio permitiu que as
equipes obtivessem novos conhecimentos de mudanças demográficas e habitacionais
através de diversas áreas metropolitanas em um ambiente colaborativo,
acelerando análises futuras em diferentes geografias. A nova abordagem
demonstrou uma melhora acentuada em relação à precisão das técnicas baseadas em
regras tradicionais (de 61% para 74%), bem como na exatidão (de 71% para 74%). Os
resultados sugerem um futuro estável para a aplicação de dados que visam
melhorar as estratégias de desenvolvimento urbano.
A parceria enfatizou o
desenvolvimento de ferramentas que possibilitaram o trabalho colaborativo e a
produção de ativos para que governos e organizações comunitárias pudessem
alavancar as abordagens resultantes e adaptá-las às suas próprias comunidades.
O IBM Cloud Pak® for Data como serviço foi
usado para compartilhar facilmente ativos, como Jupyter Notebooks, entre as
equipes da IBM e do Urban Institute. Durante o envolvimento com o Urban
Institute, as equipes aproveitaram os recursos do AutoAI no Watson Studio para
estabelecer rapidamente as referências de desempenho do modelo antes de passar
para abordagens mais sofisticadas. Essa capacidade é especialmente valiosa para
equipes menores de ciência de dados que procuram construir modelos de forma
automática e iterar rapidamente por meio de modelos viáveis e a seleção de
recursos, que são tarefas que consomem muito tempo em um ciclo de vida típico
de aprendizado de máquina.
Esse compromisso e colaboração
têm como objetivo capacitar o setor para usar dados disponíveis publicamente a
fim de fornecer uma avaliação quase em tempo real das comunidades em todo o
país. Além de prover informações sobre os dados existentes, o projeto pode
ajudar a descobrir deficiências nos dados disponíveis, permitindo que futuros
estudos de campo preencham as lacunas com mais eficiência.
A IBM está
comprometida com o avanço dos esforços de tech-for-good, dedicando
ferramentas e habilidades da IBM para trabalhar nos desafios sociais mais
difíceis. A IBM tem o prazer de compartilhar um exemplo poderoso de como as
organizações do setor social podem aproveitar o poder dos dados e da IA para
enfrentar os desafios mais críticos da sociedade e criar impacto às comunidades
globais em escala. A equipe de dados e IA da IBM continuará ajudando
organizações sem fins lucrativos a acelerar sua missão e impacto aplicando
abordagens de ciência de dados e aprendizado de máquina a casos de uso de
impacto social.
Para mais detalhes sobre os resultados, você
pode consultar os ativos, que fornecem uma visão geral de como as
diferentes peças se encaixam e como usá-las. Para se aprofundar nos métodos,
pode ler o white paper.
¹A gentrificação é o "processo de revitalização econômica e transformação social, com investimento na infraestrutura de uma área urbana de habitação popular, o que ocasiona a valorização dos imóveis e aumento do custo de vida, afastando os antigos residentes e comerciantes e atraindo outros com maior poder aquisitivo". Academia Brasileira de Letras, 6.ª edição.
Nenhum comentário