كلما ازدادت دقة تطبيق المطاعم، ازداد فصله بين الأغنياء والفقراء

ترتّب الخرائط المطاعم القريبة، وتقترح تطبيقات الطعام أين نأكل في المرة المقبلة، وباتت النماذج اللغوية تجيب الآن عن أسئلة حول الأماكن التي نقصدها. وخلافًا للدليل المطبوع، تتعلّم الأنظمة التي تقف وراء هذه الاقتراحات من الزيارات التي توجّهها. فهي يُعاد تدريبها على الأماكن التي ذهب إليها الناس، بما فيها الأماكن التي أوصت بها هي نفسها. وتلك حلقة تغذية راجعة بين البشر والخوارزميات.

عادةً ما تحكم المنصّات على هذه الأنظمة بـدقتها خارج الخط (offline accuracy): أي مدى إتقانها التنبؤ بزيارات قام بها الناس قبل أي توصية. وهذا الاختبار لا يسمح للاقتراحات أبدًا بأن تغيّر وجهات الناس، فلا يمكنه أن يرى ما تفعله الحلقة بمرور الوقت. وقد سعى فريق من جامعة نورث إيسترن (Northeastern University)، ومؤسسة برونو كيسلر (Bruno Kessler) في ترينتو، ومعهد ISTI-CNR في بيزا، وجامعة نيويورك، إلى قياس ذلك.

لماذا لا تشبه المدينة قائمة تشغيل

دُرست حلقات التغذية الراجعة في الغالب في سياق الأغاني والأفلام والمنتجات، التي يمكن لأي عدد من الناس استهلاكها دون أن يؤثّر بعضهم في بعض. أما المطاعم فتختلف في ثلاثة أوجه. فالناس يختارون بين أماكن في متناولهم انطلاقًا من موضعهم. والمطعم لا يستطيع أن يخدم إلا عددًا محدودًا من الزبائن. والتوصية المقدَّمة لشخص واحد تغيّر أيضًا مَن يلتقي بهم الزبائن الآخرون.

لذلك بنى الفريق محاكاة قائمة على تنقّلات حقيقية. فقد وفّرت بيانات GPS مجهولة الهوية من مستخدمين وافقوا على المشاركة، سُجّلت بين أكتوبر 2016 ومارس 2017، الجداولَ اليومية لـ4,000 ساكن في كلٍّ من بوسطن وسان فرانسيسكو وديترويت و8,000 في شيكاغو، موزّعين بالتساوي على الأرباع الأربعة لدخل أحيائهم السكنية. وفي كل مشوار لتناول الطعام، اقترح نظام التوصية 20 مكانًا ضمن مسافة واقعية لا يزال فيها متّسع؛ وحُدّدت السعة الأسبوعية لكل مكان بـ1.5 ضعف زياراته الحقيقية. وأُعيد تدريب النظام كل أسبوع على الأشهر الأربعة السابقة، على مدى نحو ثلاث سنوات. واحتُفظ بالزيارات الحقيقية لكل الآخرين في البيانات، وعددهم يصل إلى 290,977 شخصًا في المدينة الواحدة، بحيث يتشارك السكان المحاكَون الأماكن معهم.

وقورنت أربع خوارزميات: واحدة توصي بالأماكن التي يزورها الشخص أكثر من غيرها (UR-POI)، واثنتان تتعلّمان من أماكن متشابهة أو من أشخاص متشابهين، وواحدة تتبع تنقّلات السكان بأكملهم.

قياس مَن يلتقي بمَن

قاس الفريق الفصل بحسب الدخل كما يُعاش (experienced income segregation): أي، لكل شخص، مدى تفاوت توزّع الوقت الذي يقضيه في الأماكن بين أشخاص من فئات الدخل الأربع. فالدرجة 0 تعني مزيجًا متوازنًا؛ والدرجة 1 تعني لقاء فئة واحدة فقط. وللأماكن المختلطة أهمية لأن الروابط العابرة لفئات الدخل تُنبئ بالحراك الاجتماعي الصاعد. والمطاعم ميدان اختبار جيد: فهي أقل فصلًا بنحو النصف من الأحياء التي يسكنها الناس.

الدقة في مواجهة الاختلاط

النتيجة مقايضة. فعند ترتيب الخوارزميات الأربع بحسب دقتها خارج الخط، وترتيبها بحسب الفصل الذي تُحدثه، تأتي بالترتيب نفسه. واختيارها بحسب الدقة ينتقي الخوارزمية الأكثر تكريسًا للفصل في كل مدينة. فالخوارزمية الأدق، UR-POI، تركت الناس أكثر انفصالًا بنسبة 15–21% مما في زياراتهم الحقيقية. وهي تتفوّق في الدقة تحديدًا لأن الناس يعودون إلى أماكن مألوفة، وبإعادتها إياهم إليها، تُبقيهم بين أمثالهم.

واللوم يقع على الترتيب لا على الخريطة. فالاختيار العشوائي بين الأماكن نفسها التي يمكن بلوغها أعطى أدنى مستوى من الفصل على الإطلاق في بوسطن. والعبء يقع على أشدّ الناس عزلة أصلًا: فقد كان السكان الأدنى دخلًا الفئة الأكثر انفصالًا في كل مكان، وفي بوسطن ارتفعت درجتهم من 0.360 في الواقع إلى 0.413 في ظل UR-POI.

مطاعم تختفي

والحلقة تُفرغ الأماكن أيضًا. ففي ظل كل خوارزمية وفي كل مدينة، فقد خُمس المطاعم على الأقل جميع زوّاره المحاكَين، أي ما بين 21% و71% منها، مقابل 5% إلى 30% دون إعادة التدريب الأسبوعية. وكانت إعادة التدريب نفسها مسؤولة عن 55 إلى 75% من هذه الخسارة: فالمكان الذي لا يتلقى زيارات يسقط من البيانات ولا يعود يُوصى به. وتركّزت الخسائر في الأحياء الأقل نشاطًا والأدنى دخلًا.

وقد يتعارض الاختلاط مع البقاء. فالخوارزميتان الأقل تكريسًا للفصل تتعلّمان أكثر من غيرهما من زيارات الآخرين، فتجمعان الجميع في الأماكن نفسها، بتداخل يعادل 4.4 إلى 6.2 ضعف تداخل الزيارات الحقيقية، وبذلك تتركان أماكن أكثر خاوية، وأكثرها في ذلك UserKNN، في كل مدينة.

دفعة صغيرة في الترتيب

اختبر الفريق حلًا بسيطًا يُسمّى tail-boost (تعزيز الذيل)، يُضاف فوق أي خوارزمية: تُمزج درجة كل مكان بعلاوة تكبر كلما قلّت زيارات المكان. وفي بوسطن، ومع التنازل عن 15% على الأكثر من الدقة خارج الخط، خفّض اختفاء الأماكن بنسبة 54 إلى 75% في ظل كل خوارزمية، وخفّض الفصل في ثلاث من الأربع؛ وفي ظل UR-POI، انخفض الفصل الزائد من 21% إلى 13%. وقد فعل ذلك في الغالب دون إرسال الناس إلى أماكن تكون فيها فئة دخلهم أقلية صغيرة. ولو اعتُمد على الدقة خارج الخط وحدها لرُفض هذا الحل.

تُبقي المحاكاة سلوك الناس بسيطًا، ففي عمليات المحاكاة الرئيسية يتبع الجميع التوصيات، وهي تقيس الدخل بحسب الحي لا بحسب الفرد. وينشر المؤلفون شيفرتهم، ويرون أن على المنصّات والمدقّقين محاكاة الحلقة قبل نشر أي خوارزمية، بروح قانون الخدمات الرقمية الأوروبي. فلطالما تعاملت أبحاث التوصية مع كل اقتراح بوصفه شأنًا بين مستخدم واحد وعنصر واحد؛ أما في المدينة، كما يقول البحث، فإن كل توصية متَّبعة «تغيّر أيضًا مَن يلتقي بهم الآخرون، وأيّ الأماكن تظل مقصودة».