Hasta ahora, muchos intentos de medir los cambios en la comunidad han sido retrospectivos y basados en reglas, lo que puede hacer que los gobiernos y los grupos comunitarios tomen decisiones basadas en información inexacta y desactualizada. Es por eso que IBM se ha asociado con Urban Institute, una organización de investigación sin fines de lucro con sede en Washington, DC, que ha dirigido una impresionante serie de estudios que cubren temas sociales, económicos y climáticos a nivel federal, estatal y local para más de 50 años.
Medir el cambio en los vecindarios a medida que ocurren o antes de que sucedan es fundamental para permitir una acción oportuna para prevenir el desplazamiento de comunidades, mitigar la despoblación y el declive de la comunidad, y promover un crecimiento inclusivo. El equipo del Urban Institute reconoció que muchos de los esfuerzos anteriores para medir el cambio en vecindarios se basaron en conjuntos de datos administrativos a nivel nacional, como el Censo o la Encuesta de la Comunidad Estadounidense (ACS), que se publican con retrasos considerables. Por esa razón, el análisis solo se podía realizar después de que ocurría el cambio y el desplazamiento o deterioro ya había sucedido. El año pasado, el Urban Institute trabajó en un proyecto piloto con expertos de la Oficina de Investigación y Desarrollo de Políticas del Departamento de Vivienda y Desarrollo Urbano de los EE. UU. (HUD) para evaluar si podían utilizar en tiempo real la nueva dirección vacante del HUD USPS y los datos del Programa de Vales de Elección de Vivienda (HCV) con métodos de aprendizaje automático para proyectar con precisión cambios en los vecindarios.
Los equipos de IBM Data Science and AI Elite y del Urban Institute se basaron en ese piloto para desarrollar un nuevo método para predecir cambios en los vecindarios locales a partir de datos recientes de diversas fuentes, utilizando AI. Este nuevo enfoque comenzó definiendo cuatro tipos de cambios en los vecindarios: gentrificación[1], declive, crecimiento inclusivo e inmutabilidad. Luego aprovecharon los datos del Censo de EE. UU., Zillow, y el Programa de Vales de Elección de Vivienda para entrenar modelos individuales centrados en ocho áreas estadísticas metropolitanas diferentes, utilizando técnicas de explicabilidad para describir los factores que impulsan la transformación.
El equipo IBM Data Science and AI Elite está dedicado a empoderar a las organizaciones con las habilidades, métodos y herramientas necesarias para adoptar la IA. Su apoyo permitió a los equipos obtener nuevos conocimientos sobre cambios demográficos y en las viviendas a través de varias áreas metropolitanas en un entorno colaborativo, acelerando análisis futuros en diferentes geografías. El nuevo enfoque demostró una mejora notable con respecto a la precisión de las técnicas basadas en reglas tradicionales (del 61% al 74%), así como la precisión (del 71% al 74%). Los resultados sugieren un futuro sólido en la aplicación de datos para mejorar las estrategias de desarrollo urbano.
La asociación puso énfasis en el desarrollo de herramientas que permitieran el trabajo colaborativo y la producción de activos, de modo que los gobiernos y las organizaciones pudieran aprovechar los enfoques resultantes y adaptarlos a sus propias comunidades.Se utilizó IBM Cloud Pak® for Data como servicio para compartir fácilmente activos, como Jupyter Notebooks, entre los equipos de IBM y Urban Institute. Durante el trabajo con Urban Institute, los equipos aprovecharon las capacidades de AutoAI en Watson Studio para establecer rápidamente las referencias
[1] Gentrificación “alude al proceso mediante el cual la población original de un sector o barrio es progresivamente desplazada por otra de un nivel adquisitivo mayor”. Fundéu RAE.
Via: IBM Latam
