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.