O MAPA QUE ESTIMA A RENDA DE MORADORES DE UM BAIRRO COM IMAGENS DE SATÉLITE

LABISGIS  em 11 de set de 2017

apagar2

Ferramenta mostra como máquinas têm sido treinadas para ‘ler’ comportamento humano a partir dos mais variados dados.

O azul de piscinas, o verde de gramados, o cinza da fuligem acumulada sobre a tinta antiga ou o marrom do tijolo cru servem como marcadores sociais que ajudam a estimar se determinada vizinhança tende a ser mais rica ou mais pobre.

Partindo desse princípio, pesquisadores da universidade americana Carnegie Mellon, em parceria com o estúdio Stamen Design, especializado em visualização de dados, e com empresa DigitalGlobe, que disponibiliza imagens de satélite de alta resolução, criaram a plataforma on-line “Penny“.

Focada em duas cidades americanas, Nova York e Saint Louis, ela permite estimar o nível de renda de cada vizinhança a partir de imagens de satélite. E também serve para entender quais são os sinais da infraestrutura que funcionam como marcadores de renda.

A ferramenta se baseia em inteligência artificial. Por isso, seus desenvolvedores avaliam que ela pode trazer uma “discussão sobre como máquinas estão cada vez mais sendo utilizadas para entender o mundo, algumas vezes exatamente como nós o fazemos, e algumas vezes de forma bastante diferente”.

Usando robôs para entender as cidades

Para criar a “Penny”, desenvolvedores alimentaram um programa com as imagens de satélite da DigitalGlobe e informações de renda do censo americano. O próprio sistema passou então a cruzar esses dados e “aprender” quais imagens tendiam a indicar renda baixa média ou alta. Esse tipo de técnica é chamada em inglês de “machine learning”, e em português de “aprendizado de máquina”.

A partir desse “aprendizado”, o sistema se tornou capaz de dizer que uma foto de satélite com áreas verdes e quadras de tênis, por exemplo, indica riqueza. E imagens de estacionamentos e conjuntos habitacionais, pobreza.

A imagem abaixo mostra prédios altos próximos à extensa área verde do Central Park, em Nova York. Segundo a plataforma, o censo americano indica que a área delimitada pelo quadrado no centro é de renda média alta, e que a inteligência artificial da “Penny” concorda: ela tem 100% de certeza que se trata de uma área de renda média alta.

Aprendendo o que a máquina aprendeu

Os próprios criadores da ferramenta ressaltam que, como o programa “se treinou” independentemente para entender as imagens, nem eles mesmos sabem exatamente como as correlações da inteligência artificial funcionam.

O site permite, no entanto, que os usuários “enganem” a máquina, adicionando imagens de estruturas como helipontos, estacionamentos, quadras de tênis e árvores. Com isso é possível entender melhor como as correlações do algoritmo são feitas.

Veja o exemplo da imagem abaixo, alterada pelo Nexo, que cobriu o trecho verde com estacionamentos. Ao analisar a foto alterada, “Penny” mudou de ideia sobre a renda da área: passou a estimar que ela é baixa, e não alta. Nessas montagens, também é possível “gentrificar” áreas repletas de estacionamentos, sobrepondo plantas a elas.

apagar1

Realizar esse tipo de experimento permite aos humanos entender melhor “Penny” e deduzir o que a máquina aprendeu lendo os padrões das cidades que, por sua vez, os próprios humanos construíram.

“Diferentes tipos de objetos e formas parecem estar altamente correlacionados com diferentes níveis de renda. Por exemplo, áreas de renda baixa tendem a ter traçados de campos de beisebol, estacionamentos, e grandes prédios com formas similares (como projetos de habitação”, escrevem os criadores no site da plataforma. A imagem abaixo mostra exemplos de marcadores de renda baixo identificados pela inteligência artificial.

Tecnologias do tipo podem ser utilizadas para destacar desigualdades de infraestrutura e pensar em prioridades em planejamento urbano, por exemplo. Assim como identificar geograficamente diferentes tipos de mercados consumidores e ajudar empresas a vender mais.

“Penny” é mais um exemplo de como máquinas são utilizadas para ler o comportamento humano e agir sobre ele, algo cotidiano, do feed do Facebook, à hierarquização das buscas do Google.

Fonte: Nexo

COMPARTILHADO DE:  https://www.labgis.uerj.br/gestao-publica/noticias/o-mapa-que-estima-a-renda-de-moradores-de-um-bairro-com-fotos-de-satelite