रेस्तराँ ऐप जितना सटीक, अमीर और ग़रीब को उतना ही अलग करता है

नक़्शे आसपास के रेस्तराँ को क्रम देते हैं, खाने के ऐप सुझाते हैं कि अगली बार कहाँ खाएँ, और भाषा मॉडल अब इस सवाल का जवाब देते हैं कि कहाँ जाएँ। किसी छपी हुई गाइड के विपरीत, इन सुझावों के पीछे की प्रणालियाँ उन्हीं यात्राओं से सीखती हैं जिनकी दिशा वे स्वयं तय करती हैं। उन्हें इस आधार पर फिर से प्रशिक्षित किया जाता है कि लोग कहाँ गए — उन जगहों सहित जिनकी सिफ़ारिश उन्होंने ख़ुद की थी। यह लोगों और एल्गोरिद्मों के बीच एक प्रतिपुष्टि चक्र (feedback loop) है।

प्लेटफ़ॉर्म आमतौर पर इन प्रणालियों को उनकी ऑफ़लाइन सटीकता (offline accuracy) से आँकते हैं: वे किसी भी सिफ़ारिश से पहले लोगों द्वारा की गई यात्राओं का कितना अच्छा पूर्वानुमान लगाती हैं। यह परीक्षण सुझावों को कभी यह बदलने नहीं देता कि लोग कहाँ जाते हैं, इसलिए यह नहीं देख सकता कि समय के साथ यह चक्र क्या करता है। Northeastern University, ट्रेंटो के Bruno Kessler Foundation, पीसा के ISTI-CNR और New York University की एक टीम ने इसे मापने का बीड़ा उठाया।

शहर कोई प्लेलिस्ट क्यों नहीं है

प्रतिपुष्टि चक्रों का अध्ययन अधिकतर गानों, फ़िल्मों और उत्पादों के लिए हुआ है, जिनका उपभोग कितने भी लोग एक-दूसरे को प्रभावित किए बिना कर सकते हैं। रेस्तराँ तीन तरह से अलग हैं। लोग उन्हीं जगहों में से चुनते हैं जो वे जहाँ हैं वहाँ से पहुँच में हों। एक रेस्तराँ सीमित संख्या में ही ग्राहकों को सेवा दे सकता है। और किसी एक व्यक्ति को दी गई सिफ़ारिश यह भी बदल देती है कि बाकी ग्राहक किससे मिलते हैं।

इसलिए टीम ने वास्तविक आवाजाही पर आधारित एक सिमुलेशन बनाया। सहमति देने वाले उपयोगकर्ताओं के अनाम GPS आँकड़ों ने, जो अक्टूबर 2016 और मार्च 2017 के बीच दर्ज किए गए थे, बॉस्टन, सैन फ़्रांसिस्को और डेट्रॉइट में 4,000 निवासियों और शिकागो में 8,000 निवासियों की दैनिक दिनचर्या दी, जिन्हें उनके घर के मोहल्लों के चार आय-चतुर्थकों (income quartiles) से बराबर-बराबर लिया गया। खाने के लिए हर यात्रा पर, एक सिफ़ारिश प्रणाली (recommender) ने यथार्थवादी दूरी के भीतर ऐसे 20 स्थल सुझाए जिनमें अभी जगह थी; हर स्थल की साप्ताहिक क्षमता उसकी वास्तविक यात्राओं की 1.5 गुना रखी गई। प्रणाली को हर सप्ताह पिछले चार महीनों के आधार पर फिर से प्रशिक्षित किया गया, लगभग तीन वर्षों तक। आँकड़ों में शामिल बाकी सभी लोगों की वास्तविक यात्राएँ — प्रति शहर 290,977 लोगों तक — रखी गईं, ताकि सिम्युलेटेड निवासी उनके साथ स्थल साझा करें।

चार एल्गोरिद्मों की तुलना की गई: एक जो उन जगहों की सिफ़ारिश करता है जहाँ कोई व्यक्ति सबसे अधिक बार जाता है (UR-POI), दो जो मिलते-जुलते स्थलों या मिलते-जुलते लोगों से सीखते हैं, और एक जो पूरी आबादी की आवाजाही का अनुसरण करता है।

कौन किससे मिलता है, इसका माप

टीम ने अनुभूत आय-अलगाव (experienced income segregation) मापा: हर व्यक्ति के लिए, स्थलों में बिताया गया समय चार आय-समूहों के लोगों के बीच कितना असमान रूप से बँटा है। 0 अंक का अर्थ है एक समान मिश्रण; 1 अंक का अर्थ है केवल एक ही समूह से मिलना। मिश्रित जगहें मायने रखती हैं क्योंकि अलग-अलग आय वालों के बीच के संबंध ऊर्ध्वगामी सामाजिक गतिशीलता (upward mobility) का पूर्वानुमान देते हैं। रेस्तराँ एक अच्छा परीक्षण-स्थल हैं: वे उन मोहल्लों की तुलना में लगभग आधे ही अलगावग्रस्त हैं जहाँ लोग रहते हैं।

सटीकता बनाम मेलजोल

परिणाम एक समझौता है। ऑफ़लाइन सटीकता के आधार पर क्रम दिया जाए या उनके द्वारा पैदा किए गए अलगाव के आधार पर, चारों एल्गोरिद्म एक ही क्रम में आते हैं। सटीकता के आधार पर चुनने से हर शहर में सबसे अधिक अलगाव पैदा करने वाला एल्गोरिद्म चुना जाता है। सबसे सटीक, UR-POI, ने लोगों को उनकी वास्तविक यात्राओं की तुलना में 15–21% अधिक अलगाव में छोड़ दिया। वह सटीकता में ठीक इसीलिए जीतता है क्योंकि लोग परिचित जगहों पर लौटते हैं — और उन्हें वहीं वापस भेजकर, वह उन्हें अपने ही लोगों के बीच रखता है।

दोष क्रम-निर्धारण का है, नक़्शे का नहीं। उन्हीं पहुँच-योग्य स्थलों में से यादृच्छिक रूप से चुनने पर बॉस्टन में सबसे कम अलगाव मिला। और बोझ सबसे भारी उन्हीं पर पड़ता है जो पहले से सबसे अधिक अलग-थलग हैं: सबसे कम आय वाले निवासी हर जगह सबसे अधिक अलगावग्रस्त समूह थे, और बॉस्टन में उनका अंक वास्तविकता के 0.360 से बढ़कर UR-POI के तहत 0.413 हो गया।

ग़ायब होते रेस्तराँ

यह चक्र स्थलों को ख़ाली भी कर देता है। हर एल्गोरिद्म के तहत और हर शहर में, कम से कम पाँचवें हिस्से के रेस्तराँ अपने सभी सिम्युलेटेड आगंतुक खो बैठे — उनमें से 21% से 71% के बीच, जबकि साप्ताहिक पुनःप्रशिक्षण के बिना यह 5% से 30% था। स्वयं पुनःप्रशिक्षण ही इस हानि के 55 से 75% का कारण बना: जिस स्थल पर कोई नहीं जाता, वह आँकड़ों से बाहर हो जाता है और उसकी सिफ़ारिश फिर नहीं होती। हानियाँ कम सक्रिय, कम आय वाले मोहल्लों में केंद्रित रहीं।

मेलजोल और अस्तित्व अलग-अलग दिशाओं में खिंच सकते हैं। सबसे कम अलगाव पैदा करने वाले दो एल्गोरिद्म दूसरे लोगों की यात्राओं से सबसे अधिक सीखते हैं, और सबको एक ही स्थलों पर इकट्ठा कर देते हैं — वास्तविक यात्राओं के अतिव्यापन (overlap) का 4.4 से 6.2 गुना — और इसलिए अधिक स्थलों को ख़ाली छोड़ देते हैं, हर शहर में UserKNN सबसे ज़्यादा।

क्रम में एक हल्का धक्का

टीम ने tail-boost नामक एक सरल उपाय का परीक्षण किया, जिसे किसी भी एल्गोरिद्म के ऊपर जोड़ा जा सकता है: हर स्थल के अंक में एक बोनस मिलाया जाता है जो कम देखी जाने वाली जगहों के लिए बड़ा होता है। बॉस्टन में, ऑफ़लाइन सटीकता का अधिकतम 15% छोड़ते हुए, इसने हर एल्गोरिद्म के तहत स्थलों के ग़ायब होने को 54 से 75% तक घटा दिया और चार में से तीन के तहत अलगाव कम किया; UR-POI के तहत, अतिरिक्त अलगाव 21% से घटकर 13% हो गया। इसने यह काफ़ी हद तक लोगों को ऐसी जगहों पर भेजे बिना किया जहाँ उनका अपना आय-समूह एक छोटा अल्पसंख्यक हो। अकेली ऑफ़लाइन सटीकता इसे नकार देती।

सिमुलेशन लोगों को सरल रखता है — मुख्य रनों में, हर कोई सिफ़ारिशों का पालन करता है — और यह आय को व्यक्ति के बजाय मोहल्ले के आधार पर मापता है। लेखक अपना कोड जारी करते हैं और तर्क देते हैं कि प्लेटफ़ॉर्मों और लेखा-परीक्षकों को, यूरोपीय डिजिटल सेवा अधिनियम (Digital Services Act) की भावना के अनुरूप, कोई एल्गोरिद्म लागू करने से पहले इस चक्र का सिमुलेशन करना चाहिए। सिफ़ारिश-संबंधी शोध ने लंबे समय तक हर सुझाव को एक उपयोगकर्ता और एक वस्तु के बीच का मामला माना है; किसी शहर में, जैसा कि शोधपत्र कहता है, हर मानी गई सिफ़ारिश “यह भी बदल देती है कि दूसरे लोग किससे मिलते हैं और कौन-से स्थलों पर लोग आते रहते हैं।”