Hasta ahora, muchos de los intentos para medir los cambios en vecindarios han sido retrospectivos y basados en reglas, lo que puede llevar a los gobiernos y grupos comunitarios a tomar decisiones con información imprecisa y desactualizada. Por eso, IBM se asoció con la organización de investigación sin fines de lucro, Urban Institute, con sede en Washington D.C., quienes durante más de 50 años han liderado una impresionante gama de estudios que abarcan temas sociales, económicos y climáticos a nivel federal, estatal y local.
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, 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 de desempeño del modelo antes de pasar a enfoques más sofisticados. Esta capacidad es especialmente valiosa para los equipos pequeños de ciencia de datos que buscan construir modelos de manera automática e iterar rápidamente a través de modelos factibles y la selección de características, que son tareas que consumen mucho tiempo en un ciclo de vida típico de aprendizaje automático.
Este compromiso y colaboración tienen como objetivo empoderar al sector para usar datos disponibles públicamente para proporcionar una evaluación casi en tiempo real de las comunidades de todo Estados Unidos. Además de ofrecer información sobre los datos existentes, el proyecto puede ayudar a descubrir las deficiencias en los datos disponibles, lo que permite que los estudios de campo futuros llenen los vacíos de manera más eficiente.
IBM está comprometida con los esfuerzos para el avance de la tecnología para el bien, dedicando las herramientas y habilidades para trabajar en los desafíos sociales más difíciles. IBM se complace en compartir un poderoso ejemplo de cómo las organizaciones del sector social pueden aprovechar el poder de los datos y la inteligencia artificial para abordar los desafíos más críticos de la sociedad y crear un impacto para las comunidades globales a escala. El equipo de datos e inteligencia artificial de IBM continuará ayudando a las organizaciones sin fines de lucro a acelerar su misión e impacto mediante la aplicación de enfoques de ciencia de datos y aprendizaje automático a los casos de uso de impacto social.
