Medir a mudança na vizinhança à medida que acontecem ou antes que ocorram é fundamental para permitir uma ação oportuna para prevenir o deslocamento em comunidades, mitigar o despovoamento e o declínio delas e encorajar o crescimento inclusivo. A equipe do Urban Institute reconheceu que muitos esforços anteriores para medir mudanças na vizinhança se baseavam em conjuntos de dados administrativos de âmbito nacional, como o Censo ou o American Community Survey (ACS), que são publicados em intervalos de tempo consideráveis. Por esse motivo, a análise só poderia ser realizada após a mudança ocorrer e o deslocamento ou deterioração já tiver ocorrido. No ano passado, o Urban Institute trabalhou com especialistas do Escritório de Desenvolvimento de Políticas e Pesquisa do Departamento de Habitação e Desenvolvimento Urbano (HUD) dos Estados Unidos em um projeto piloto para avaliar se eles poderiam usar a nova direção de vaga do HUD USPS em tempo real e o Voucher de Escolha de Habitação (HCV) com métodos de aprendizado de máquina para lançar com precisão as mudanças na vizinhança.

As equipes do IBM Data Science e AI Elite e do Urban Institute se basearam nesse piloto a fim de desenvolver um novo método para prever mudanças locais na vizinhança a partir dos dados mais recentes em várias fontes, usando IA. Essa nova abordagem começou definindo quatro tipos de mudança de bairro: gentrificação¹, declínio, crescimento inclusivo e imutabilidade. Em seguida, aproveitaram os dados do programa US Census, Zillow e Housing Choice Voucher para treinar modelos individuais centrados em oito áreas estatísticas metropolitanas diferentes, usando técnicas de explicabilidade para descrever os fatores que impulsionam a transformação.

A equipe IBM Data Science e AI Elite se dedica a capacitar as organizações com habilidades, métodos e ferramentas necessárias para abraçar a adoção de IA. Seu apoio permitiu que as equipes obtivessem novos conhecimentos de mudanças demográficas e habitacionais através de diversas áreas metropolitanas em um ambiente colaborativo, acelerando análises futuras em diferentes geografias. A nova abordagem demonstrou uma melhora acentuada em relação à precisão das técnicas baseadas em regras tradicionais (de 61% para 74%), bem como na exatidão (de 71% para 74%). Os resultados sugerem um futuro estável para a aplicação de dados que visam melhorar as estratégias de desenvolvimento urbano.

A parceria enfatizou o desenvolvimento de ferramentas que possibilitaram o trabalho colaborativo e a produção de ativos para que governos e organizações comunitárias pudessem alavancar as abordagens resultantes e adaptá-las às suas próprias comunidades.

O IBM Cloud Pak® for Data como serviço foi usado para compartilhar facilmente ativos, como Jupyter Notebooks, entre as equipes da IBM e do Urban Institute. Durante o envolvimento com o Urban Institute, as equipes aproveitaram os recursos do AutoAI no Watson Studio para estabelecer rapidamente as referências de desempenho do modelo antes de passar para abordagens mais sofisticadas. Essa capacidade é especialmente valiosa para equipes menores de ciência de dados que procuram construir modelos de forma automática e iterar rapidamente por meio de modelos viáveis ​​e a seleção de recursos, que são tarefas que consomem muito tempo em um ciclo de vida típico de aprendizado de máquina.

Esse compromisso e colaboração têm como objetivo capacitar o setor para usar dados disponíveis publicamente a fim de fornecer uma avaliação quase em tempo real das comunidades em todo o país. Além de prover informações sobre os dados existentes, o projeto pode ajudar a descobrir deficiências nos dados disponíveis, permitindo que futuros estudos de campo preencham as lacunas com mais eficiência.

A IBM está comprometida com o avanço dos esforços de tech-for-good, dedicando ferramentas e habilidades da IBM para trabalhar nos desafios sociais mais difíceis. A IBM tem o prazer de compartilhar um exemplo poderoso de como as organizações do setor social podem aproveitar o poder dos dados e da IA ​​para enfrentar os desafios mais críticos da sociedade e criar impacto às comunidades globais em escala. A equipe de dados e IA da IBM continuará ajudando organizações sem fins lucrativos a acelerar sua missão e impacto aplicando abordagens de ciência de dados e aprendizado de máquina a casos de uso de impacto social.

Para mais detalhes sobre os resultados, você pode consultar os ativos, que fornecem uma visão geral de como as diferentes peças se encaixam e como usá-las. Para se aprofundar nos métodos, pode ler o white paper.

¹A gentrificação é o "processo de revitalização econômica e transformação social, com investimento na infraestrutura de uma área urbana de habitação popular, o que ocasiona a valorização dos imóveis e aumento do custo de vida, afastando os antigos residentes e comerciantes e atraindo outros com maior poder aquisitivo". Academia Brasileira de Letras, 6.ª edição.