KADIRI PROGRAMU YA MIGAHAWA INAVYOKUWA SAHIHI ZAIDI, NDIVYO INAVYOWATENGANISHA ZAIDI MATAJIRI NA MASKINI

Ramani hupanga migahawa iliyo karibu kwa mpangilio, programu za chakula hupendekeza mahali pa kula baadaye, na sasa modeli za lugha hujibu maswali kuhusu mahali pa kwenda. Tofauti na kitabu cha mwongozo kilichochapishwa, mifumo inayotoa mapendekezo haya hujifunza kutokana na ziara inazozielekeza. Hufunzwa upya kwa kutumia mahali watu walipokwenda — ikiwa ni pamoja na maeneo ambayo mifumo yenyewe iliyapendekeza. Huo ni mzunguko wa mrejesho (feedback loop) kati ya watu na algorithimu.

Kwa kawaida majukwaa huipima mifumo hii kwa usahihi wake nje ya mtandao (offline accuracy): jinsi inavyotabiri vizuri ziara ambazo watu walifanya kabla ya pendekezo lolote. Jaribio hilo haliruhusu kamwe mapendekezo kubadilisha mahali watu wanapokwenda, kwa hiyo haliwezi kuona mzunguko huo unafanya nini kadiri muda unavyopita. Timu kutoka Northeastern University, Bruno Kessler Foundation huko Trento, ISTI-CNR huko Pisa na New York University iliamua kuupima.

Kwa nini mji si orodha ya nyimbo

Mizunguko ya mrejesho imechunguzwa zaidi kwa nyimbo, filamu na bidhaa, ambazo idadi yoyote ya watu wanaweza kuzitumia bila kuathiriana. Migahawa ni tofauti kwa njia tatu. Watu huchagua kati ya maeneo yaliyo karibu na walipo. Mgahawa unaweza kuhudumia idadi fulani tu ya wateja. Na pendekezo kwa mtu mmoja pia hubadilisha wateja wengine wanakutana na nani.

Kwa hiyo timu ilijenga uigaji unaotegemea mienendo halisi. Data za GPS zisizo na utambulisho kutoka kwa watumiaji waliokubali kushiriki, zilizorekodiwa kati ya Oktoba 2016 na Machi 2017, zilitoa ratiba za kila siku za wakazi 4,000 huko Boston, San Francisco na Detroit na 8,000 huko Chicago, waliochaguliwa kwa idadi sawa kutoka robo nne za kipato (quartiles) za mitaa wanayoishi. Katika kila safari ya kwenda kula, mfumo wa mapendekezo ulipendekeza maeneo 20 yaliyo ndani ya umbali halisi ambayo bado yalikuwa na nafasi; uwezo wa kila wiki wa kila eneo uliwekwa kuwa mara 1.5 ya ziara zake halisi. Mfumo ulifunzwa upya kila wiki kwa data za miezi minne iliyotangulia, kwa takriban miaka mitatu. Ziara halisi za watu wengine wote katika data — hadi watu 290,977 kwa kila mji — zilibakizwa, kwa hiyo wakazi walioigwa walishiriki maeneo pamoja nao.

Algorithimu nne zililinganishwa: moja inayopendekeza maeneo ambayo mtu huyatembelea mara nyingi zaidi (UR-POI), mbili zinazojifunza kutokana na maeneo yanayofanana au watu wanaofanana, na moja inayofuata mienendo ya watu wote.

Kupima nani anakutana na nani

Timu ilipima utengano wa kipato unaopitiwa (experienced income segregation): kwa kila mtu, jinsi muda anaoutumia katika maeneo unavyogawanywa bila usawa kati ya watu wa makundi manne ya kipato. Alama 0 inamaanisha mchanganyiko sawa; alama 1 inamaanisha kukutana na kundi moja tu. Maeneo yenye mchanganyiko ni muhimu kwa sababu mahusiano yanayovuka viwango vya kipato hutabiri kupanda kwa hali ya kiuchumi (upward mobility). Migahawa ni uwanja mzuri wa majaribio: ina utengano wa takriban nusu ya ule wa mitaa ambamo watu wanaishi.

Usahihi dhidi ya mchanganyiko

Matokeo ni mabadilishano (trade-off). Zikipangwa kwa usahihi nje ya mtandao na zikipangwa kwa utengano zinaouzalisha, algorithimu hizo nne hutoka kwa mpangilio uleule. Kuchagua kwa usahihi kunachagua algorithimu inayotenganisha zaidi katika kila mji. Iliyo sahihi zaidi, UR-POI, iliwaacha watu wakiwa wametengana kwa 15–21% zaidi kuliko katika ziara zao halisi. Inashinda kwa usahihi hasa kwa sababu watu hurudi kwenye maeneo wanayoyafahamu — na kwa kuwarudisha huko, inawaweka miongoni mwa watu wa kundi lao.

Lawama ni ya upangaji, si ya ramani. Kuchagua kwa bahati nasibu kati ya maeneo yaleyale yanayofikika kulitoa utengano wa chini kabisa kuliko yote huko Boston. Na mzigo unawaangukia zaidi wale ambao tayari wametengwa zaidi: wakazi wenye kipato cha chini kabisa walikuwa kundi lililotengana zaidi kila mahali, na huko Boston alama yao ilipanda kutoka 0.360 katika uhalisia hadi 0.413 chini ya UR-POI.

Migahawa inayotoweka

Mzunguko huo pia huyaacha maeneo matupu. Chini ya kila algorithimu na katika kila mji, angalau sehemu ya tano ya migahawa ilipoteza wageni wake wote walioigwa — kati ya 21% na 71% yake, ikilinganishwa na 5% hadi 30% bila kufunzwa upya kila wiki. Kufunzwa upya kwenyewe kulisababisha 55 hadi 75% ya upotevu huo: eneo lisilopata ziara huondoka kwenye data na halipendekezwi tena. Upotevu ulijikita katika mitaa isiyo na shughuli nyingi na yenye kipato cha chini.

Mchanganyiko na kuendelea kuwepo vinaweza kuvutana. Algorithimu mbili zinazotenganisha kidogo zaidi hujifunza zaidi kutokana na ziara za watu wengine, zikiwakusanya wote katika maeneo yaleyale — mwingiliano unaofikia mara 4.4 hadi 6.2 ya ule wa ziara halisi — na hivyo huacha maeneo mengi zaidi matupu, UserKNN kuliko zote, katika kila mji.

Msukumo mdogo katika upangaji

Timu ilijaribu suluhisho rahisi liitwalo tail-boost, linaloongezwa juu ya algorithimu yoyote: alama ya kila eneo huchanganywa na bonasi iliyo kubwa zaidi kwa maeneo yasiyotembelewa sana. Huko Boston, huku likipoteza si zaidi ya 15% ya usahihi nje ya mtandao, lilipunguza kutoweka kwa maeneo kwa 54 hadi 75% chini ya kila algorithimu na likashusha utengano chini ya tatu kati ya nne; chini ya UR-POI, utengano wa ziada ulishuka kutoka 21% hadi 13%. Lilifanya hivyo kwa kiasi kikubwa bila kuwapeleka watu mahali ambapo kundi lao la kipato ni wachache sana. Usahihi nje ya mtandao peke yake ungelikataa.

Uigaji unawaweka watu katika hali rahisi — katika majaribio makuu, kila mtu hufuata mapendekezo — na hupima kipato kwa mtaa, si kwa mtu. Waandishi wanatoa msimbo wao hadharani na wanasema kwamba majukwaa na wakaguzi wanapaswa kuiga mzunguko huo kabla ya kuanzisha algorithimu, kwa roho ya Sheria ya Huduma za Kidijitali ya Ulaya (Digital Services Act). Utafiti wa mapendekezo kwa muda mrefu umechukulia kila pendekezo kuwa jambo kati ya mtumiaji mmoja na kitu kimoja; katika mji, kama makala inavyosema, kila pendekezo linalofuatwa “pia hubadilisha watu wengine wanakutana na nani na ni maeneo gani yanaendelea kutembelewa.”