ریستوران ایپ جتنی زیادہ درست، امیر اور غریب کو اتنا ہی زیادہ الگ کرتی ہے

نقشے قریبی ریستورانوں کی درجہ بندی کرتے ہیں، کھانے کی ایپس بتاتی ہیں کہ اگلی بار کہاں کھایا جائے، اور لسانی ماڈل اب اس بارے میں سوالوں کے جواب دیتے ہیں کہ کہاں جایا جائے۔ چھپی ہوئی رہنما کتاب کے برعکس، ان تجاویز کے پیچھے موجود نظام ان دوروں سے سیکھتے ہیں جن کی طرف وہ خود لوگوں کو لے جاتے ہیں۔ انہیں اس بنیاد پر دوبارہ تربیت دی جاتی ہے کہ لوگ کہاں گئے — بشمول ان جگہوں کے جن کی سفارش انہوں نے خود کی تھی۔ یہ لوگوں اور الگورتھمز کے درمیان ایک فیڈ بیک لوپ (feedback loop) ہے۔

پلیٹ فارم عموماً ان نظاموں کو ان کی آف لائن درستی (offline accuracy) سے پرکھتے ہیں: وہ کتنی اچھی طرح ان دوروں کی پیش گوئی کرتے ہیں جو لوگوں نے کسی بھی سفارش سے پہلے کیے تھے۔ یہ امتحان تجاویز کو کبھی یہ موقع نہیں دیتا کہ وہ لوگوں کے جانے کی جگہیں بدلیں، اس لیے یہ نہیں دیکھ سکتا کہ وقت کے ساتھ یہ چکر کیا کرتا ہے۔ Northeastern University، ترینتو کی Bruno Kessler Foundation، پیسا کے ISTI-CNR اور New York University کی ایک ٹیم نے اسے ناپنے کا بیڑا اٹھایا۔

شہر پلے لسٹ کیوں نہیں ہے

فیڈ بیک لوپس کا مطالعہ زیادہ تر گانوں، فلموں اور مصنوعات کے لیے کیا گیا ہے، جنہیں کتنے ہی لوگ ایک دوسرے کو متاثر کیے بغیر استعمال کر سکتے ہیں۔ ریستوران تین طرح سے مختلف ہیں۔ لوگ ان جگہوں میں سے انتخاب کرتے ہیں جو ان کی موجودہ جگہ سے پہنچ میں ہوں۔ ایک ریستوران صرف ایک خاص تعداد میں گاہکوں کو ہی کھانا دے سکتا ہے۔ اور ایک شخص کو دی گئی سفارش یہ بھی بدل دیتی ہے کہ دوسرے گاہک کن سے ملتے ہیں۔

چنانچہ ٹیم نے حقیقی نقل و حرکت پر ایک نقلی نظام (simulation) بنایا۔ رضامندی دینے والے صارفین کے گمنام GPS ڈیٹا نے، جو اکتوبر 2016 سے مارچ 2017 کے درمیان ریکارڈ کیا گیا تھا، بوسٹن، سان فرانسسکو اور ڈیٹرائٹ میں 4,000 باشندوں اور شکاگو میں 8,000 باشندوں کے روزانہ معمولات فراہم کیے، جنہیں ان کے رہائشی محلوں کے چار آمدنی چوتھائیوں (quartiles) سے برابر برابر لیا گیا۔ کھانے کے ہر سفر پر ایک سفارشی نظام (recommender) نے ایک حقیقت پسندانہ فاصلے کے اندر 20 ایسے مقامات تجویز کیے جن میں ابھی گنجائش تھی؛ ہر مقام کی ہفتہ وار گنجائش اس کے حقیقی دوروں کا 1.5 گنا مقرر کی گئی۔ نظام کو تقریباً تین سال تک ہر ہفتے پچھلے چار مہینوں کے ڈیٹا پر دوبارہ تربیت دی گئی۔ ڈیٹا میں موجود باقی سب لوگوں کے حقیقی دورے — فی شہر 290,977 افراد تک — برقرار رکھے گئے، تاکہ نقلی باشندے مقامات میں ان کے ساتھ شریک ہوں۔

چار الگورتھمز کا موازنہ کیا گیا: ایک جو وہ جگہیں تجویز کرتا ہے جہاں کوئی شخص سب سے زیادہ جاتا ہے (UR-POI)، دو جو ملتے جلتے مقامات یا ملتے جلتے لوگوں سے سیکھتے ہیں، اور ایک جو پوری آبادی کی نقل و حرکت کی پیروی کرتا ہے۔

کون کس سے ملتا ہے، اس کی پیمائش

ٹیم نے تجربے میں آنے والی آمدنی کی علیحدگی (experienced income segregation) ناپی: ہر شخص کے لیے، مقامات پر گزارا گیا وقت چاروں آمدنی گروہوں کے لوگوں کے درمیان کتنا غیر مساوی طور پر بٹا ہوا ہے۔ 0 کا اسکور یکساں آمیزش کو ظاہر کرتا ہے؛ 1 کا اسکور صرف ایک گروہ سے ملنے کو۔ ملی جلی جگہیں اہم ہیں کیونکہ مختلف آمدنیوں کے لوگوں کے درمیان تعلقات اوپر کی طرف سماجی نقل و حرکت کی پیش گوئی کرتے ہیں۔ ریستوران اس کی جانچ کے لیے اچھی جگہ ہیں: وہ ان محلوں کی نسبت تقریباً آدھے الگ تھلگ ہوتے ہیں جہاں لوگ رہتے ہیں۔

درستی بمقابلہ آمیزش

نتیجہ ایک سودے بازی (trade-off) ہے۔ آف لائن درستی کے لحاظ سے درجہ بندی کی جائے یا ان کی پیدا کردہ علیحدگی کے لحاظ سے، چاروں الگورتھمز ایک ہی ترتیب میں آتے ہیں۔ درستی کی بنیاد پر انتخاب ہر شہر میں سب سے زیادہ الگ کرنے والے الگورتھم کو چنتا ہے۔ سب سے درست الگورتھم، UR-POI، نے لوگوں کو ان کے حقیقی دوروں کی نسبت 15–21% زیادہ الگ تھلگ کر دیا۔ یہ درستی میں ٹھیک اسی لیے جیتتا ہے کہ لوگ جانی پہچانی جگہوں پر لوٹتے ہیں — اور انہیں وہیں واپس بھیج کر، یہ انہیں اپنوں کے درمیان ہی رکھتا ہے۔

قصور درجہ بندی کا ہے، نقشے کا نہیں۔ انہی قابلِ رسائی مقامات میں سے بے ترتیب انتخاب نے بوسٹن میں سب سے کم علیحدگی دی۔ اور سب سے زیادہ بوجھ انہی پر پڑتا ہے جو پہلے ہی سب سے زیادہ الگ تھلگ ہیں: سب سے کم آمدنی والے باشندے ہر جگہ سب سے زیادہ الگ تھلگ گروہ تھے، اور بوسٹن میں ان کا اسکور حقیقت کے 0.360 سے بڑھ کر UR-POI کے تحت 0.413 ہو گیا۔

غائب ہوتے ریستوران

یہ چکر مقامات کو خالی بھی کر دیتا ہے۔ ہر الگورتھم کے تحت اور ہر شہر میں، کم از کم پانچواں حصہ ریستوران اپنے تمام نقلی گاہک کھو بیٹھے — ان میں سے 21% سے 71% تک، جبکہ ہفتہ وار دوبارہ تربیت کے بغیر یہ تعداد 5% سے 30% تھی۔ خود دوبارہ تربیت اس نقصان کے 55 سے 75% کی ذمہ دار تھی: جس مقام پر کوئی نہیں آتا وہ ڈیٹا سے نکل جاتا ہے اور اس کی سفارش ہونا بند ہو جاتی ہے۔ یہ نقصانات کم سرگرم، کم آمدنی والے محلوں میں مرکوز تھے۔

آمیزش اور بقا الگ الگ سمتوں میں جا سکتی ہیں۔ جو دو الگورتھمز سب سے کم علیحدگی پیدا کرتے ہیں وہ سب سے زیادہ دوسرے لوگوں کے دوروں سے سیکھتے ہیں، اور سب کو انہی مقامات پر اکٹھا کر دیتے ہیں — حقیقی دوروں کے اشتراک کا 4.4 سے 6.2 گنا — اور یوں زیادہ مقامات خالی چھوڑ دیتے ہیں، ہر شہر میں سب سے زیادہ UserKNN۔

درجہ بندی میں ایک ہلکا سا دھکا

ٹیم نے tail-boost نامی ایک سادہ حل آزمایا، جسے کسی بھی الگورتھم کے اوپر لگایا جا سکتا ہے: ہر مقام کے اسکور میں ایک انعامی اضافہ ملایا جاتا ہے جو کم دیکھی جانے والی جگہوں کے لیے بڑا ہوتا ہے۔ بوسٹن میں، آف لائن درستی کا زیادہ سے زیادہ 15% قربان کرتے ہوئے، اس نے ہر الگورتھم کے تحت مقامات کے غائب ہونے کو 54 سے 75% تک کم کر دیا اور چار میں سے تین کے تحت علیحدگی گھٹا دی؛ UR-POI کے تحت اضافی علیحدگی 21% سے گر کر 13% رہ گئی۔ اس نے یہ کام زیادہ تر لوگوں کو ایسی جگہوں پر بھیجے بغیر کیا جہاں ان کا اپنا آمدنی گروہ ایک چھوٹی سی اقلیت ہو۔ صرف آف لائن درستی کی بنیاد پر اسے رد کر دیا جاتا۔

یہ نقلی نظام لوگوں کو سادہ رکھتا ہے — مرکزی تجربات میں ہر شخص سفارشات پر عمل کرتا ہے — اور آمدنی کو فرد کے بجائے محلے کے لحاظ سے ناپتا ہے۔ مصنفین نے اپنا کوڈ جاری کیا ہے اور ان کا استدلال ہے کہ پلیٹ فارمز اور آڈیٹرز کو کسی الگورتھم کو نافذ کرنے سے پہلے اس چکر کی نقل تیار کرنی چاہیے، یورپی Digital Services Act کی روح کے مطابق۔ سفارشات پر تحقیق نے طویل عرصے تک ہر تجویز کو ایک صارف اور ایک شے کے درمیان کا معاملہ سمجھا ہے؛ ایک شہر میں، جیسا کہ مقالہ کہتا ہے، ہر وہ سفارش جس پر عمل کیا جائے “یہ بھی بدل دیتی ہے کہ دوسرے لوگ کن سے ملتے ہیں اور کن مقامات پر لوگ آتے رہتے ہیں۔”