உணவகச் செயலி எவ்வளவு துல்லியமோ, அவ்வளவுக்கு அது பணக்காரர்களையும் ஏழைகளையும் பிரிக்கிறது

வரைபடங்கள் அருகிலுள்ள உணவகங்களைத் தரவரிசைப்படுத்துகின்றன, உணவுச் செயலிகள் அடுத்து எங்கே சாப்பிடலாம் என்று பரிந்துரைக்கின்றன, மொழி மாதிரிகள் இப்போது எங்கே போகலாம் என்ற கேள்விகளுக்குப் பதிலளிக்கின்றன. அச்சிடப்பட்ட ஒரு வழிகாட்டியைப் போலன்றி, இந்தப் பரிந்துரைகளுக்குப் பின்னால் உள்ள அமைப்புகள் தாங்கள் வழிநடத்தும் வருகைகளிலிருந்தே கற்றுக்கொள்கின்றன. மக்கள் சென்ற இடங்களைக் கொண்டு அவை மீண்டும் பயிற்றுவிக்கப்படுகின்றன — அவை தாமே பரிந்துரைத்த இடங்கள் உட்பட. இதுவே மக்களுக்கும் வழிமுறைகளுக்கும் இடையிலான ஒரு பின்னூட்டச் சுழற்சி (feedback loop).

தளங்கள் (platforms) பொதுவாக இந்த அமைப்புகளை அவற்றின் ஆஃப்லைன் துல்லியத்தைக் (offline accuracy) கொண்டு மதிப்பிடுகின்றன: எந்தப் பரிந்துரைக்கும் முன்பு மக்கள் மேற்கொண்ட வருகைகளை அவை எவ்வளவு நன்றாக முன்கணிக்கின்றன என்பது. அந்தச் சோதனை, மக்கள் செல்லும் இடங்களைப் பரிந்துரைகள் மாற்ற ஒருபோதும் அனுமதிப்பதில்லை; எனவே காலப்போக்கில் சுழற்சி என்ன செய்கிறது என்பதை அதனால் பார்க்க முடியாது. Northeastern பல்கலைக்கழகம், Trento-வில் உள்ள Bruno Kessler அறக்கட்டளை, Pisa-வில் உள்ள ISTI-CNR, New York பல்கலைக்கழகம் ஆகியவற்றைச் சேர்ந்த ஒரு குழு அதை அளக்கத் தொடங்கியது.

ஒரு நகரம் ஏன் ஒரு பாடல் பட்டியல் அல்ல

பின்னூட்டச் சுழற்சிகள் பெரும்பாலும் பாடல்கள், திரைப்படங்கள், பொருள்கள் ஆகியவற்றுக்காகவே ஆய்வு செய்யப்பட்டுள்ளன; இவற்றை எத்தனை பேர் வேண்டுமானாலும், ஒருவரை ஒருவர் பாதிக்காமல் நுகரலாம். உணவகங்கள் மூன்று வகைகளில் வேறுபடுகின்றன. மக்கள் தாங்கள் இருக்கும் இடத்திலிருந்து எட்டும் தொலைவில் உள்ள இடங்களிலிருந்தே தேர்ந்தெடுக்கின்றனர். ஓர் உணவகத்தால் குறிப்பிட்ட எண்ணிக்கையிலான வாடிக்கையாளர்களுக்கு மட்டுமே சேவை செய்ய முடியும். மேலும், ஒருவருக்குச் செய்யப்படும் பரிந்துரை, மற்ற வாடிக்கையாளர்கள் யாரைச் சந்திக்கிறார்கள் என்பதையும் மாற்றுகிறது.

எனவே குழு, உண்மையான நடமாட்டங்களின் அடிப்படையில் ஓர் உருவகப்படுத்தலை உருவாக்கியது. 2016 அக்டோபர் முதல் 2017 மார்ச் வரை பதிவுசெய்யப்பட்ட, ஒப்புதல் அளித்த பயனர்களின் அடையாளம் நீக்கப்பட்ட GPS தரவு, Boston, San Francisco, Detroit ஆகியவற்றில் 4,000 குடியிருப்பாளர்களின், Chicago-வில் 8,000 பேரின் தினசரி அட்டவணைகளைத் தந்தது; அவர்கள் வசிக்கும் சுற்றுப்புறங்களின் நான்கு வருமானக் கால்மானங்களிலிருந்து (income quartiles: மிக ஏழ்மையானது முதல் மிகச் செல்வமிக்கது வரை, சம அளவிலான நான்கு பிரிவுகள்) சம எண்ணிக்கையில் அவர்கள் தேர்ந்தெடுக்கப்பட்டனர். சாப்பிடச் செல்லும் ஒவ்வொரு பயணத்திலும், ஒரு பரிந்துரை அமைப்பு, யதார்த்தமான தொலைவுக்குள் இருக்கும், இன்னும் இடம் உள்ள 20 இடங்களைப் பரிந்துரைத்தது; ஒவ்வோர் இடத்தின் வாராந்திரக் கொள்ளளவும் அதன் உண்மையான வருகைகளின் 1.5 மடங்காக அமைக்கப்பட்டது. அமைப்பு, முந்தைய நான்கு மாதங்களின் தரவைக் கொண்டு ஒவ்வொரு வாரமும் மீண்டும் பயிற்றுவிக்கப்பட்டது — சுமார் மூன்று ஆண்டுகளுக்கு. தரவில் உள்ள மற்ற அனைவரின் உண்மையான வருகைகளும் — ஒரு நகரத்துக்கு 290,977 பேர் வரை — தக்கவைக்கப்பட்டன; எனவே உருவகப்படுத்தப்பட்ட குடியிருப்பாளர்கள் அவர்களுடன் இடங்களைப் பகிர்ந்துகொண்டனர்.

நான்கு வழிமுறைகள் ஒப்பிடப்பட்டன: ஒருவர் மிக அடிக்கடி செல்லும் இடங்களைப் பரிந்துரைக்கும் ஒன்று (UR-POI), ஒத்த இடங்களிலிருந்தோ ஒத்த மனிதர்களிடமிருந்தோ கற்றுக்கொள்ளும் இரண்டு, முழு மக்கள்தொகையின் நடமாட்டங்களைப் பின்பற்றும் ஒன்று.

யார் யாரைச் சந்திக்கிறார்கள் என்பதை அளத்தல்

குழு அனுபவிக்கப்படும் வருமானப் பிரிவினையை (experienced income segregation) அளந்தது: ஒவ்வொருவருக்கும், இடங்களில் செலவிடும் நேரம் நான்கு வருமானக் குழுக்களைச் சேர்ந்த மக்களிடையே எவ்வளவு சமமின்றிப் பகிரப்படுகிறது என்பது. மதிப்பெண் 0 என்றால் சீரான கலவை; மதிப்பெண் 1 என்றால் ஒரே ஒரு குழுவை மட்டுமே சந்திப்பது. கலவையான இடங்கள் முக்கியமானவை, ஏனெனில் வருமான எல்லைகளைக் கடந்த உறவுகள் சமூகப் பொருளாதார ஏற்றத்தை (upward mobility) முன்னறிவிக்கின்றன. உணவகங்கள் ஒரு நல்ல சோதனைக் களம்: மக்கள் வசிக்கும் சுற்றுப்புறங்களை விட அவற்றில் பிரிவினை ஏறக்குறைய பாதி அளவே.

துல்லியம் எதிர் கலத்தல்

முடிவு ஒரு விட்டுக்கொடுப்பு (trade-off). ஆஃப்லைன் துல்லியத்தின்படி வரிசைப்படுத்தினாலும், அவை உருவாக்கும் பிரிவினையின்படி வரிசைப்படுத்தினாலும், நான்கு வழிமுறைகளும் ஒரே வரிசையில் வருகின்றன. துல்லியத்தின் அடிப்படையில் தேர்ந்தெடுத்தால், ஒவ்வொரு நகரத்திலும் மிக அதிகப் பிரிவினையை உருவாக்கும் வழிமுறையே தேர்வாகிறது. மிகத் துல்லியமான UR-POI, மக்களை அவர்களின் உண்மையான வருகைகளில் இருந்ததை விட 15–21% அதிகப் பிரிவினைக்கு உள்ளாக்கியது. மக்கள் பழக்கமான இடங்களுக்கே திரும்புவதால்தான் அது துல்லியத்தில் வெல்கிறது — அவர்களை அங்கேயே திரும்ப அனுப்புவதன் மூலம், அது அவர்களைத் தம்மவர்களிடையேயே வைத்திருக்கிறது.

குற்றம் வரைபடத்தினுடையது அல்ல, தரவரிசையினுடையது. எட்டக்கூடிய அதே இடங்களிலிருந்து தற்செயலாகத் தேர்ந்தெடுத்தபோது, Boston-இல் அனைத்திலும் மிகக் குறைந்த பிரிவினை கிடைத்தது. மேலும், ஏற்கெனவே மிகவும் தனிமைப்பட்டிருப்பவர்கள் மீதே சுமை மிகக் கடுமையாக விழுகிறது: எல்லா இடங்களிலும், மிகக் குறைந்த வருமானம் கொண்ட குடியிருப்பாளர்களே மிக அதிகப் பிரிவினைக்கு உள்ளான குழுவாக இருந்தனர்; Boston-இல் அவர்களின் மதிப்பெண், உண்மையில் இருந்த 0.360-இலிருந்து, UR-POI-இன் கீழ் 0.413-ஆக உயர்ந்தது.

மறைந்துபோகும் உணவகங்கள்

இந்தச் சுழற்சி இடங்களைக் காலியாக்கவும் செய்கிறது. ஒவ்வொரு வழிமுறையின் கீழும், ஒவ்வொரு நகரத்திலும், குறைந்தது ஐந்தில் ஒரு பங்கு உணவகங்கள் தங்கள் உருவகப்படுத்தப்பட்ட வருகையாளர்கள் அனைவரையும் இழந்தன — அவற்றில் 21% முதல் 71% வரை; வாராந்திர மறுபயிற்சி இல்லாதபோது இது 5% முதல் 30% வரை. இந்த இழப்பில் 55 முதல் 75% வரை மறுபயிற்சியாலேயே ஏற்பட்டது: வருகைகள் எதையும் பெறாத ஓர் இடம் தரவிலிருந்து விலகிவிடுகிறது; அதன் பிறகு அது பரிந்துரைக்கப்படுவதில்லை. இழப்புகள், குறைவான செயல்பாடு கொண்ட, குறைந்த வருமானச் சுற்றுப்புறங்களில் குவிந்தன.

கலத்தலும் நிலைத்திருத்தலும் எதிரெதிர்த் திசைகளில் இழுக்கக்கூடும். மிகக் குறைவாகப் பிரிவினை செய்யும் இரண்டு வழிமுறைகள், பிறரின் வருகைகளிலிருந்தே அதிகம் கற்றுக்கொள்கின்றன; அவை அனைவரையும் ஒரே இடங்களில் கூட்டுகின்றன — உண்மையான வருகைகளை விட 4.4 முதல் 6.2 மடங்கு மேற்படிவு (overlap) — எனவே அதிக இடங்களைக் காலியாக விடுகின்றன; ஒவ்வொரு நகரத்திலும், அனைத்திலும் அதிகமாக UserKNN.

தரவரிசையில் ஒரு சிறு உந்துதல்

எந்த வழிமுறையின் மேலும் சேர்க்கக்கூடிய, tail-boost (வால் உந்துதல்) எனப்படும் ஓர் எளிய தீர்வைக் குழு சோதித்தது: ஒவ்வோர் இடத்தின் மதிப்பெண்ணுடனும் ஒரு கூடுதல் மதிப்பு கலக்கப்படுகிறது; குறைவாக வருகை தரப்படும் இடங்களுக்கு அது பெரியதாக இருக்கும். Boston-இல், ஆஃப்லைன் துல்லியத்தில் அதிகபட்சம் 15% மட்டுமே விட்டுக்கொடுத்து, அது ஒவ்வொரு வழிமுறையின் கீழும் இடங்கள் மறைவதை 54 முதல் 75% வரை குறைத்தது; நான்கில் மூன்றின் கீழ் பிரிவினையையும் குறைத்தது; UR-POI-இன் கீழ், கூடுதல் பிரிவினை 21%-இலிருந்து 13%-ஆகக் குறைந்தது. சொந்த வருமானக் குழு ஒரு சிறு சிறுபான்மையாக இருக்கும் இடங்களுக்கு மக்களை அனுப்பாமலேயே, பெரும்பாலும் அது இதைச் சாதித்தது. ஆஃப்லைன் துல்லியம் மட்டுமே அளவுகோலாக இருந்திருந்தால், இது நிராகரிக்கப்பட்டிருக்கும்.

உருவகப்படுத்தல் மனிதர்களை எளிமையாகவே மாதிரியாக்குகிறது — முதன்மை ஓட்டங்களில், அனைவரும் பரிந்துரைகளைப் பின்பற்றுகின்றனர் — மேலும் அது வருமானத்தைத் தனிநபர் அடிப்படையில் அல்ல, சுற்றுப்புற அடிப்படையில் அளக்கிறது. ஆய்வாளர்கள் தங்கள் நிரலை (code) வெளியிடுகின்றனர்; ஐரோப்பிய டிஜிட்டல் சேவைகள் சட்டத்தின் (Digital Services Act) உணர்வுக்கு ஏற்ப, ஒரு வழிமுறையைப் பயன்பாட்டுக்குக் கொண்டுவருவதற்கு முன்பு, தளங்களும் தணிக்கையாளர்களும் இந்தச் சுழற்சியை உருவகப்படுத்திப் பார்க்க வேண்டும் என்று வாதிடுகின்றனர். பரிந்துரை ஆய்வுகள் நீண்ட காலமாக ஒவ்வொரு பரிந்துரையையும் ஒரு பயனருக்கும் ஒரு பொருளுக்கும் இடையிலான விவகாரமாகவே கருதி வந்துள்ளன; ஒரு நகரத்திலோ, ஆய்வுக்கட்டுரை குறிப்பிடுவது போல, பின்பற்றப்படும் ஒவ்வொரு பரிந்துரையும் “மற்றவர்கள் யாரைச் சந்திக்கிறார்கள், எந்த இடங்களுக்குத் தொடர்ந்து வருகை இருக்கிறது என்பதையும் மாற்றுகிறது.”