1. Mənbə iş başdan sona nəzərdən keçirildimi? Bəli; bütün 20 səhifə, Cədvəl 1, Şəkil 1, nəticələr, müəllif bəyanatları və ədəbiyyat siyahısı nəzərdən keçirildi. 2. Mənbənin elmi növü düzgün müəyyən edildimi? Bəli; yeni təcrübə və ya məlumat təhlili deyil, ədəbiyyata əsaslanan Perspective məqaləsidir. 3. Biblioqrafik kimlik doğrulandımı? Bəli; başlıq, müəlliflər, qurumlar, DOI, jurnal, tarix və lisenziya yoxlanıldı. 4. Mənbədə olmayan eksperimental və ya kəmiyyət nəticəsi əlavə edildimi? Xeyr. 5. Mənbədə formul varmış kimi tənlik yaradıldımı? Xeyr; iş mərkəzi riyazi formul təqdim etmir. 6. Ədəbiyyatdan gətirilən nümunələrlə müəlliflərin öz tapıntıları bir-birindən ayrıldımı? Bəli. 7. Maşın öyrənməsi qərəzsiz və ya avtomatik olaraq ədalətli sistem kimi təqdim edildimi? Xeyr; mənbə işin sosial-texniki idarəetmə yanaşması qorundu. 8. Alqoritmik qərəz, paylanma sürüşməsi, proksi dəyişənlər, kalibrasiya və əks-əlaqə dövrləri izah edilirmi? Bəli. 9. Yerli və yerli icma biliklərinin kənarlaşdırılmasının hər nümunəsi səhvən ML mənbəli kimi göstərildimi? Xeyr; mənbə işin etdiyi səbəb-nəticə fərqi qorundu. 10. Şəkil 1-in kritik elmi quruluşu görünən HTML/SVG obyekti kimi yenidən quruldumu? Bəli; müstəqil, miqyassız və semantik baxımdan ekvivalent Verianla sxemindən istifadə edildi. 11. İşin dəstəklədiyi və dəstəkləmədiyi nəticələr aydın ayrıldımı? Bəli. 12. HTML quruluşu CKEditor və tərcümə təhlükəsizliyi baxımından yoxlanıldımı? Bəli; script, iframe, xarici şəkil, icra edilə bilən JavaScript və ya mənbədən kənar məlumat yoxdur.

Yaşıl infrastruktur (Green Infrastructure, GI), təbii və yarımtəbii sahələrin ekoloji, iqlim, sosial və sağlamlıqla əlaqəli faydalar təmin edəcək şəkildə strateji planlaşdırıldığı şəhər infrastrukturu yanaşmasıdır. Umberto Baresi və Alessio Russo-nun Perspective işi maşın öyrənməsinin (Machine Learning, ML) yaşıl infrastruktur planlaşdırılmasında sosial və məkan bərabərliyini dəstəkləmək üçün necə istifadə oluna biləcəyini; eyni texnologiyanın yanlış məlumat, yanlış optimallaşdırma məqsədləri və ya qeyri-kafi idarəetmə şəraitində mövcud bərabərsizlikləri necə yenidən istehsal edə biləcəyini araşdırır.

İş yeni maşın öyrənməsi modeli hazırlamır, yeni məlumat toplamır və eksperimental performans müqayisəsi aparmır. Bunun əvəzinə yaşıl infrastruktur planlaşdırılması, şəhər məkan təhlili, süni intellekt etikası, ekoloji ədalət və iştirakçı idarəetmə sahələrindəki ədəbiyyatı planlaşdırma yönümlü çərçivədə bir araya gətirir.

Müəlliflər maşın öyrənməsinin yaşıl infrastruktur planlaşdırılmasında üç əsas funksiyaya malik ola biləcəyini bildirirlər: təsviri istifadə mövcud bərabərsizlikləri və məkan nümunələrini xəritələyə bilər; proqnozlaşdırıcı istifadə istilik, daşqın, bitki stresi və ya digər ekoloji həssaslıqları proqnozlaşdıra bilər; göstərişverici/tövsiyəedici istifadə isə yer seçimi, investisiya prioriteti və müxtəlif ssenarilər arasında seçimləri dəstəkləyə bilər.

Maşın öyrənməsinin güclü tərəfi peyk görüntüləri, küçə görüntüləri, mobillik məlumatları, sosial-iqtisadi məlumatlar və ekoloji göstəricilər kimi böyük və müxtəlif məlumat mənbələrini eyni təhlildə emal edə bilməsidir. Bu imkan görünən yaşıllıq, yaşıl sahəyə çıxış, istiliyə məruz qalma, ekosistem xidmətləri və həssas əhali qruplarının ehtiyacları kimi çoxsaylı amillərin birlikdə qiymətləndirilməsini təmin edə bilər.

Lakin iş maşın öyrənməsinin istifadəsinin öz-özlüyündə bərabərlik yaratmadığını xüsusilə vurğulayır. Tarixi investisiya bərabərsizliklərini ehtiva edən təlim məlumatları, sosial-iqtisadi vəziyyəti dolayı şəkildə kodlayan proksi dəyişənlər, natamam rəqəmsal təmsil, yanlış kalibrasiya, məlumat paylanmasındakı dəyişikliklər və əks-əlaqə dövrləri modelin keçmiş bərabərsizlikləri yeni planlaşdırma qərarlarına daşımasına səbəb ola bilər.

Müəlliflərin əsas təklifi maşın öyrənməsinin müstəqil qərarverici kimi deyil, sosial-texniki idarəetmə sisteminin bir komponenti kimi istifadə edilməsidir. Son məqsəd funksiyalarının, “ədalətli” sayılan nəticələrin və hansı qruplara üstünlük veriləcəyinin yalnız alqoritmlər tərəfindən müəyyən edilməməsi; cəmiyyət, dövlət qurumları, ekspertlər və təsirlənən qruplar tərəfindən açıq şəkildə müzakirə edilməsi tələb olunur.

İş xüsusilə üç bərabərlik ölçüsünü birlikdə nəzərdən keçirir: bölüşdürücü bərabərlik fayda və zərərlərin kimlərə və hansı məkanlara paylandığını; prosedur bərabərliyi qərarların kim tərəfindən və hansı proseslərlə qəbul edildiyini; təmsilçilik bərabərliyi isə hansı bilik, dəyər və dünyagörüşlərinin “fayda” və “zərər” təriflərində təmsil olunduğunu sorğulayır.

Nəticə olaraq iş ML dəstəkli yaşıl infrastruktur planlaşdırılmasının dörd əsas prinsipə söykənməsini təklif edir: təsviri, proqnozlaşdırıcı və tövsiyəedici ML tətbiqlərinin bir-birindən ayrılması; məlumat mənbələrinin, fərziyyələrin və qeyri-müəyyənliklərin açıq sənədləşdirilməsi; bərabərliklə bağlı güzəştlərin təsirlənən icmalarla birlikdə müzakirə edilməsi; tətbiq olunan yaşıl infrastrukturun zamanla həqiqətən bərabərsizlikləri azaldıb-azaltmadığının izlənməsi.

Yaşıl infrastruktur nədir?

Yaşıl infrastruktur anlayışı mühafizə planlaşdırılması və landşaft ekologiyası ilə bağlı uzun tarixə malik olsa da, 2000-ci illərin əvvəllərindən planlaşdırma ədəbiyyatında daha görünən olmuşdur.

Erkən yanaşmalarda yaşıl infrastruktur əsasən yaşayış mühiti bağlantısı, bioloji müxtəlifliyin qorunması, ekosistem funksiyaları və daha sonra ekosistem xidmətləri çərçivəsində nəzərdən keçirilmişdir.

Daha yeni yanaşma isə yaşıl infrastrukturu yalnız ağacların, parkların və ya yaşıl dəhlizlərin cəmi kimi görmür. Yaşıl infrastruktur insan davranışları, idarəetmə, sosial bərabərlik, infrastruktur sistemləri və ekoloji proseslərin qarşılıqlı əlaqəsi daxilində qiymətləndirilir.

İşin istifadə etdiyi sosial-ekoloji-texniki sistemlər (Socio-Ecological–Technical Systems, SETS) yanaşması da bu genişlənməni təmsil edir. SETS düşüncəsində şəhərdəki təbii sistemlər, insanlar və texniki infrastruktur bir-birindən müstəqil deyil, qarşılıqlı təsir yaradan komponentlərdir.

Bio-inklüzivlik və bio-inteqrasiya nə deməkdir?

İş müasir yaşıl infrastruktur təriflərinin iki ümumi istiqamət ətrafında qruplaşdığını bildirir.

• Bio-inklüzivlik (bio-inclusivity): Bir-biri ilə əlaqəli təbii sahələri, açıq məkanları və ekoloji əlaqələri önə çıxaran yanaşmadır.
• Bio-inteqrasiya (bio-integration): Çoxsaylı ekosistem xidmətləri yaratmaq məqsədilə təbii və yarımtəbii sistemlərin strateji planlaşdırmaya şüurlu şəkildə daxil edilməsini önə çəkir.

Bu iki yanaşma bir-birini tamamilə istisna etmək məcburiyyətində deyil. Fərq yaşıl infrastrukturun hansı planlaşdırma məntiqi ilə müəyyənləşdirildiyini anlamağa kömək edir.

Yaşıl infrastruktur hər ölkədə eyni şeyi ifadə edirmi?

Xeyr. Mənbə iş yaşıl infrastruktur anlayışının siyasət kontekstinə görə fərqli şəkildə istifadə oluna biləcəyini vurğulayır.

Amerika Birləşmiş Ştatlarında anlayış tez-tez yağış sularının idarə olunması ilə əlaqələndirilir, Kanadada isə iqlimin yumşaldılması və uyğunlaşma ilə suya dair ekoloji keyfiyyət ölçüləri daha görünəndir. Avstraliyada iqlimin yumşaldılması, uyğunlaşma və ekoloji bağlantı ilə əlaqəli əsas şəhər infrastrukturu kimi nəzərdən keçirilə bilər. Avropa İttifaqı kontekstində isə bioloji müxtəliflik və şəhər ekosistemlərinin inkişafı ilə əlaqələndirilir.

Bu fərq vacibdir, çünki maşın öyrənməsi modelinin “yaşıl infrastruktur uğuru” kimi optimallaşdırdığı dəyişənlər istifadə olunan siyasət tərifinə görə dəyişə bilər.

Yaşıl İnfrastrukturda Bərabərlik Nə Deməkdir?

Yaşıl infrastrukturda bərabərlik yalnız park və ya ağacların şəhər səthində bərabər miqdarda paylanması deyil; hansı icmaların ekoloji, iqlim və sağlamlıq faydalarına çıxış əldə edə bildiyini, qərar prosesində kimlərin iştirak edə bildiyini və hansı bilik və dəyərlərin planlaşdırma qərarlarında təmsil olunduğunu birlikdə qiymətləndirməyi tələb edir.

Yaşıl sahənin mövcudluğu ilə onun faydasına çıxış eyni şey deyil

Bir məhəllədə parkın olması həmin məhəllədə yaşayan bütün insanların həmin parkın faydalarından bərabər şəkildə yararlandığını göstərmir.

İş çıxışın yalnız fiziki məsafə ilə izah edilə bilməyəcəyini vurğulayır. İnstitusional qaydalar, mobillik imkanları, iqtisadi şərait, təhlükəsizlik qavrayışı, sahənin fiziki keyfiyyəti və istifadə formaları real çıxışı təsirləndirə bilər.

Beləliklə, xəritədə “yaşıl sahəyə yaxın” görünən əhalinin gündəlik həyatında həmin sahədən asan, təhlükəsiz və mənalı şəkildə istifadə edə bildiyi avtomatik qəbul edilə bilməz.

Bölüşdürücü bərabərlik

Bölüşdürücü bərabərlik, yaşıl infrastrukturun faydalarının və mümkün zərərlərinin müxtəlif məhəllələr və sosial qruplar arasında necə paylandığını araşdırır.

Məsələn, şəhər ağaclandırmasının sərinləşdirici faydası yalnız yüksək gəlirli məhəllələrdə cəmlənirsə, şəhər üzrə ümumi ağac sayı artsa belə bölüşdürmə baxımından bərabərlik problemi davam edə bilər.

Prosedur bərabərliyi

Prosedur bərabərliyi, yalnız qərarın nəticəsinə deyil, qərarın necə formalaşdırıldığına baxır.

Hansı məqsədlərin optimallaşdırılacağına kim qərar verib? Hansı icmalar fikir bildirə bilib? Modelin qəbul etdiyi risk səviyyəsi kim tərəfindən müəyyən edilib? Planlaşdırma prosesindəki insanlar model fərziyyələrinə etiraz edə bilərmi?

Bu suallar maşının texniki dəqiqliyindən fərqlidir. Çox dəqiq işləyən proqnoz modeli qərar prosesi demokratik və ya inklüziv deyilsə prosedur bərabərliyini təmin etməyə bilər.

Təmsilçilik bərabərliyi

Təmsilçilik bərabərliyi, hansı insanların, bilik sistemlərinin, mədəni dəyərlərin və həyat təcrübələrinin model tərəfindən görünən hesab edildiyini sorğulayır.

Bir icma üçün mədəni əhəmiyyət daşıyan sahə modelin standart məlumat bazalarında heç bir rəqəmsal dəyişənlə təmsil olunmaya bilər. Bu, həmin dəyərin əhəmiyyətsiz olduğunu deyil, istifadə olunan hesablama kateqoriyasına asanlıqla çevrilə bilmədiyini göstərə bilər.

Yaşıl infrastrukturun faydaları hansılardır?

Mənbədə müzakirə edilən ədəbiyyata görə yaşıl infrastruktur müxtəlif kontekstlərdə:

• şəhər temperaturunun azaldılmasına,
• yağış sularının tənzimlənməsinə,
• bioloji müxtəlifliyin dəstəklənməsinə,
• hava keyfiyyəti ilə bağlı faydalara,
• kölgələmə və termal komforta,
• psixi sağlamlıq və ümumi rifaha,
• yaşayış mühitinin təmin edilməsinə

töhfə verə bilər.

Lakin iş yaşıl infrastrukturu yalnız müsbət təsirlər yaradan müdaxilə kimi təqdim etmir. Kontekstdən asılı olaraq allergenlərə məruz qalma, vektor mənşəli xəstəlik riski və ya arzuolunmaz mikroiqlim təsirləri kimi ekosistem zərərləri və ya mənfi yan təsirlər də qiymətləndirilməlidir.

“Daha çox yaşıl” həmişə “daha ədalətli” deməkdirmi?

Xeyr. Şəhərdə ümumi yaşıl sahə miqdarının artması həmin sahələrin faydalarının həssas və ya tarixən dezavantajlı qruplara çatdığını təkbaşına göstərmir.

Bu səbəbdən iş planlaşdırmada yalnız “nə qədər yaşıl infrastruktur yaradıldı?” sualının deyil, “kim faydalanır, kim çıxış əldə edir, hansı zərərlər yaranır və qərar prosesində kim iştirak edib?” suallarının da verilməsini müdafiə edir.

Maşın Öyrənməsi Yaşıl İnfrastruktur Planlaşdırılmasında Nə Edə Bilər?

Maşın öyrənməsi yaşıl infrastruktur planlaşdırılmasında böyük və müxtəlif məlumat mənbələrini emal edərək mövcud məkan bərabərsizliklərini xəritələyə, ekoloji riskləri və həssaslıqları proqnozlaşdıra, müxtəlif planlaşdırma ssenarilərini qiymətləndirə və çoxsaylı məqsədlər arasında prioritetləşdirməyə dəstək verə bilər; lakin hansı məqsədin optimallaşdırılmalı olduğunu özü müəyyən edə bilməz.

Süni intellekt, maşın öyrənməsi və dərin öyrənmə arasındakı fərq

Mənbə iş anlayışları aydın şəkildə bir-birindən ayırır.

Süni intellekt (Artificial Intelligence, AI), qavrama, proqnozlaşdırma, düşünmə və ya qərar dəstəyi kimi əməliyyatları həyata keçirən hesablama sistemləri üçün istifadə olunan daha geniş anlayışdır.

Maşın öyrənməsi (Machine Learning, ML), təsnifat, proqnozlaşdırma, klasterləşdirmə və optimallaşdırma kimi tapşırıqlar üçün məlumatlardan nümunələr öyrənən üsulları ifadə edir.

Dərin öyrənmə (Deep Learning, DL) isə maşın öyrənməsinin alt sahəsidir və işin müzakirə etdiyi kontekstdə xüsusilə uzaqdan zondlama, küçə görüntülərinin təhlili və bitki örtüyünün təsnifatı kimi görüntüyə əsaslanan tapşırıqlarda istifadə edilə bilər.

Mənbə məqalənin əsas diqqəti ML-dir. AI termini daha geniş etik və idarəetmə müzakirələri zamanı istifadə olunur.

Maşın öyrənməsi ilə GIS eyni şeydirmi?

Xeyr. Coğrafi İnformasiya Sistemləri (Geographic Information Systems, GIS), məkan və atribut məlumatlarının saxlanması, emalı, birləşdirilməsi və xəritələnməsi üçün alətlər toplusudur.

Maşın öyrənməsi GIS proseslərinə təsnifat, proqnozlaşdırma, yüksəkölçülü məlumat emalı və optimallaşdırma qabiliyyəti əlavə edə bilər.

Mənbə iş ML və AI-nin məkan planlaşdırılmasında GIS-in analitik imkanlarını genişləndirə bildiyini müzakirə edir; lakin sadə GIS təhlilinin kifayət etdiyi hər vəziyyətdə ML istifadəsinin zəruri olduğunu müdafiə etmir.

ML hansı hallarda həqiqətən faydalı ola bilər?

Mənbə işə görə maşın öyrənməsi xüsusilə aşağıdakı ehtiyacların mövcud olduğu planlaşdırma problemlərində dəyərli ola bilər:

• görüntü təsnifatı,
• yüksəkölçülü məlumatların birlikdə emalı,
• xətti olmayan əlaqələrin proqnozlaşdırılması,
• davamlı və ya təkrarlanan monitorinq,
• çoxməqsədli optimallaşdırma.

Əksinə, statik, kiçik miqyaslı və ya daha sadə problemlərdə klassik GIS lay üst-üstə qoyma əməliyyatları, çıxış buferləri və ya məsafə göstəriciləri kifayət edə bilər.

Təsviri ML nədir?

Təsviri istifadə “hazırda şəhərdə nə baş verir?” sualına yönəlik təhlildir.

Məsələn ML:

• ağac örtüyünün harada sıx və ya qeyri-kafi olduğunu,
• küçə səviyyəsində insanların nə qədər yaşıllıq görə bildiyini,
• hansı məhəllələrin yaşıl sahələrə daha aşağı çıxışa malik olduğunu,
• ekosistem xidmətlərinin hansı əhali qruplarına çatdığını

xəritələməyə kömək edə bilər.

Proqnozlaşdırıcı ML nədir?

Proqnozlaşdırıcı istifadə gələcəkdə və ya müşahidə olunmayan şəraitdə yarana biləcək vəziyyətləri proqnozlaşdırmağa yönəlib.

İşdə müzakirə olunan nümunələr arasında istiliyə məruz qalma, daşqın riski, bitki örtüyü stresi və iqlimlə bağlı ekoloji təsirlərin proqnozlaşdırılması var.

Tövsiyəedici və ya göstərişverici ML nədir?

Tövsiyəedici istifadə yalnız mövcud vəziyyəti təsvir etmir və ya gələcəyi proqnozlaşdırmır; hansı müdaxilənin harada prioritetləşdirilməli olduğuna dair ssenariləri müqayisə edir.

Məsələn ağaclandırma proqramının:

• istiliyin azaldılması,
• yağış sularının idarə olunması,
• xərc,
• ekoloji fayda,
• sosial bərabərlik

kimi çoxsaylı məqsədlər arasında necə bölüşdürüləcəyini qiymətləndirə bilər.

Mənbənin xüsusilə diqqət çəkdiyi məqam burada ortaya çıxır: tövsiyəedici model artıq yalnız məlumat yaratmır, investisiya və resurs bölgüsünə təsir edə biləcək variantlar yaradır. Buna görə idarəetmə nəzarəti daha güclü olmalıdır.

Küçə görüntüləri və uzaqdan zondlama

İşdə qiymətləndirilən ədəbiyyat küçə görüntüləri ilə peyk və ya hava görüntülərinin birlikdə istifadəsinin şəhər sakinlərinin həqiqətən gördüyü yaşıllığı yalnız yuxarıdan ölçülən bitki örtüyündən ayırmağa kömək edə biləcəyini göstərir.

Los Angeles County nümunəsində küçə səviyyəsində yaşıl sahə növləri maşın öyrənməsi ilə qiymətləndirilmiş və nəticələr məhəllə səviyyəsində sosial-iqtisadi dezavantaj göstəriciləri ilə əlaqələndirilmişdir.

Bu nəticələr Baresi və Russo-nun apardığı yeni təcrübə deyil; mənbə Perspective məqaləsinin ədəbiyyatdan gətirdiyi tətbiq nümunəsidir.

Green View Index nəyi ölçməyə çalışır?

Green View Index yanaşması yaşıl sahəni yalnız xəritədəki sahə miqdarı kimi qiymətləndirmək əvəzinə piyada səviyyəsində görünürlük və təcrübə perspektivinə yaxınlaşmağı hədəfləyir.

Bu yanaşma yaşıllığın mövcudluğu ilə yanaşı insanların şəhərdə yeriyərkən nə qədər yaşıl mühit gördüyü kimi ölçülərin araşdırılmasına kömək edə bilər.

10 metr həllolma qabiliyyətli yaşıl sahə xəritəsi nümunəsi

Mənbə iş Latın Amerikasındakı müxtəlif böyük şəhərlər üçün Sentinel-2 uzaqdan zondlama görüntüləri və OpenStreetMap məlumatlarından istifadə edilərək yaradılmış 10 metr həllolma qabiliyyətli şəhər yaşıl sahə xəritəsini ədəbiyyatdakı tətbiqlərə nümunə kimi göstərir.

Buradakı 10 metr dəyəri Baresi və Russo-nun yeni yaratdığı məlumat həllolması deyil; istinad edilən əvvəlki işə aiddir.

Sosial-iqtisadi və ekoloji məlumatlar niyə birlikdə istifadə olunmalıdır?

Bir bölgədə yüksək ekoloji risk olduğunu bilmək, hansı insanların bu riskdən daha çox təsirləndiyini təkbaşına izah etməyə bilər.

Eynilə yalnız gəlir, əhali və ya demoqrafik məlumatlar da ekoloji xidmətlərin harada çatışmadığını göstərmir.

İş buna görə sosial-demoqrafik və ekoloji məlumatların birlikdə qiymətləndirilməsini vacib hesab edir. Bu yanaşma yüksək ekoloji və sosial həssaslığın eyni yerdə olduğu ərazilərin müəyyən edilməsinə kömək edə bilər.

Bərabər məsafə niyə həmişə bərabərlik deyil?

Mənbədə gətirilən tədqiqatlar yalnız hamının yaşıl sahəyə eyni fiziki məsafədə olmasını hədəfləməyin yanlış prioritetlər yarada biləcəyini göstərir.

Məsələn iki məhəllə bir parka eyni uzaqlıqda ola bilər; lakin bir məhəllədə güclü istiliyə məruz qalma, aşağı ağac örtüyü, qeyri-kafi nəqliyyat, sağlamlıq həssaslığı və ya daha aşağı iqtisadi imkanlar ola bilər.

Bu halda sadəcə məsafə bərabərliyi ehtiyac bərabərliyi demək deyil.

Gerçəkləşmiş çıxış nədir?

Gerçəkləşmiş çıxış (realised access), insanların yaşıl sahəyə nəzəri olaraq çata bilməsindən çox həmin sahədən faktiki necə istifadə etdiyini anlamağa çalışır.

Mobil telefon mobillik məlumatları və ya oxşar mənbələr sadə radius və ya yerimə məsafəsi modellərindən kənarda real hərəkət nümunələrini araşdırmaq üçün istifadə edilə bilər.

Lakin bu məlumat növləri yeni bərabərlik problemi yaradır: mobil telefon və ya rəqəmsal platforma məlumatlarında cəmiyyətin bütün qrupları bərabər təmsil olunmaya bilər.

Çoxməqsədli optimallaşdırma nəyi dəyişə bilər?

Yaşıl infrastruktur planlaşdırılması çox vaxt tək məqsəddən ibarət deyil. Eyni layihə:

• istiliyi azaltmağa,
• yağış sularını idarə etməyə,
• bioloji müxtəlifliyi qorumağa,
• hava keyfiyyətini yaxşılaşdırmağa,
• xərci məhdudlaşdırmağa,
• dezavantajlı icmalara fayda verməyə

çalışa bilər.

Çoxməqsədli optimallaşdırma bu məqsədlər arasındakı güzəştləri kəmiyyət baxımından müqayisə etməyə kömək edə bilər. Lakin hansı məqsədin daha vacib olduğuna verilən çəkilər texniki baxımdan neytral deyil. Bu çəkilər sosial və siyasi dəyər seçimlərini ehtiva edir.

Dünya Səhiyyə Təşkilatının təxminən 300 metr nümunəsi

Mənbə iş ssenari planlaşdırılmasını izah edərkən Dünya Səhiyyə Təşkilatının insanların yaşayış yerlərindən təxminən 300 metr məsafə daxilində ictimai yaşıl sahəyə çıxış əldə etməsinə dair rəhbərini nümunə kimi istifadə edir.

ML dəstəkli modellər belə hədlərdən istifadə edərək çıxış boşluqlarını xəritələyə və alternativ yerləşdirmə ssenarilərini sınaqdan keçirə bilər.

Lakin müəlliflər fiziki yaxınlığın təkbaşına bərabərliyi təmin etmədiyini vurğulayırlar. Sahənin keyfiyyəti, təhlükəsizliyi, istifadə edilə bilməsi, müxtəlif yaş qrupları və əlillik halları baxımından əlçatanlığı da qiymətləndirilməlidir.

Maşın Öyrənməsi Niyə Təkbaşına Ədalətli Planlaşdırma Aləti Deyil?

Maşın öyrənməsi məlumatlardakı mövcud nümunələri öyrənir və müəyyənləşdirilmiş məqsədləri optimallaşdırır; tarixi məlumatlar keçmiş investisiya bərabərsizliklərini daşıyırsa və ya optimallaşdırma məqsədləri müəyyən qrupların dəyərlərini kənarda qoyursa model bu bərabərsizlikləri yenidən istehsal edə, böyüdə və ya texniki nəticə görüntüsü altında görünməz edə bilər.

Alqoritmik qərəz nədir?

Alqoritmik qərəz, modelin müəyyən şəxslər və ya qruplar üçün sistematik şəkildə fərqli və ya ədalətsiz nəticələr yaratmasına səbəb ola bilən məlumat, dizayn və ya tətbiq mənşəli nümunələri ifadə edir.

Yaşıl infrastruktur kontekstində tarixi investisiyalar əsasən varlı məhəllələrdə həyata keçirilibsə, keçmiş məlumatlar bu məhəllələri “uğurlu investisiya bölgələri” kimi göstərə bilər.

ML sistemi yalnız bu keçmiş nümunələrdən öyrənərsə, gələcəkdə də oxşar məhəllələri yüksək prioritetli və ya “optimal” sahələr kimi seçə bilər.

Tarixi bərabərsizlik necə əks-əlaqə dövrünə çevrilə bilər?

Mənbə iş aşağıdakı riski təsvir edir:

1. Tarixi bərabərsizlik təlim və ya planlaşdırma məlumatına daxil olur.
2. Model bu məlumatlardan prioritet nümunələrini öyrənir.
3. Model müəyyən bölgələrə daha çox resurs yönəldilməsini dəstəkləyir.
4. Resurs bölgüsü mövcud məkan nümunəsini gücləndirir.
5. Gələcəkdə toplanan yeni məlumat güclənmiş nümunəni yenidən qeyd edir.
6. Bu yeni məlumat əvvəlki model qərarlarının doğru olduğu təəssüratını yarada bilər.

Bu vəziyyət əks-əlaqə dövrü (feedback loop) adlanır. Problem alqoritmin yalnız bir dəfə yanlış qərar verməsi deyil, qərarın gələcək məlumatı dəyişdirərək öz fərziyyəsini gücləndirməsidir.

Paylanma sürüşməsi nədir?

Paylanma sürüşməsi (distribution shift), modelin hazırlandığı məlumat şəraiti ilə daha sonra istifadə olunacağı şəraitin bir-birindən fərqlənməsi deməkdir.

Model müəyyən şəhərdə, mövsümdə, sensor növündə və ya siyasət mühitində uğurlu ola bilər. Eyni model başqa şəhərdə, mövsümdə və ya məlumat toplama sistemində eyni performansı göstərməyə bilər.

Buna görə müəyyən test mühitində əldə edilən yüksək dəqiqlik real planlaşdırma mühitində də eyni dəqiqliyin qorunacağı demək deyil.

Proksi dəyişən nədir?

Proksi dəyişən (proxy variable), birbaşa istifadə olunmayan xüsusiyyəti dolayı şəkildə təmsil edə bilən dəyişəndir.

Məsələn modeldə birbaşa gəlir və ya etnik mənsubiyyət istifadə olunmasa belə, mənzil dəyəri, məhəllə, kirayə forması, keçmiş investisiya səviyyəsi və ya digər məkan dəyişənləri bu xüsusiyyətlərlə güclü əlaqəli ola bilər.

Buna görə “həssas dəyişəni modeldən çıxarmaq” təkbaşına bərabərlik təmin etməyə bilər.

Etiket qərəzi nədir?

Etiket qərəzi (label bias), modelin doğru saydığı hədəf və ya qeydlərin sosial proseslərdə qeyri-bərabər yaradılmasından qaynaqlana bilər.

Məsələn şikayət qeydlərinin az olması bir məhəllədə problemin olmadığı demək deyil. Aşağı gəlirli və ya kənarlaşdırılmış icmaların bildiriş sistemlərinə çıxışı və ya etibarı daha aşağı ola bilər.

Belə məlumatlar kontekst nəzərə alınmadan istifadə edilərsə “daha az şikayət = daha az ehtiyac” kimi yanlış model məntiqi yarana bilər.

Kalibrasiya problemi nədir?

Kalibrasiya, modelin bildirdiyi inam səviyyəsinin real uğur ehtimalı ilə nə qədər uyğun olduğunu ifadə edir.

Model proqnoz üçün çox yüksək inam bildirir, lakin oxşar yüksək inamlı proqnozların əhəmiyyətli hissəsi yanlış çıxırsa model yanlış kalibrasiya olunmuş ola bilər.

Mənbə iş yüksək inamlı ML nəticələrinin hər zaman real planlaşdırma şəraitində eyni etibarlılığı daşımaya biləcəyinə diqqət çəkir.

Texniki həllər kifayətdirmi?

Qeyri-müəyyənliyin kəmiyyətləşdirilməsi, izah edilə bilən süni intellekt, həssaslıq təhlili və ədalət-fərqində model qurma kimi texniki üsullar riski azalda bilər.

Lakin mənbə işin kritik fərqi budur: bu alətlər bərabərliyin nə olmalı olduğuna özləri qərar verə bilməz.

Məsələn aşağıdakı məqsədlərin hər biri “ədalətli” kimi müdafiə edilə bilər:

• hamının yaşıl sahəyə məsafəsini bərabərləşdirmək,
• ən həssas qruplara prioritet vermək,
• ümumi ekosistem xidmətini maksimuma çatdırmaq,
• xərci minimumda saxlamaq,
• mədəni əhəmiyyətli sahələri qorumaq.

Bu məqsədlər eyni məkan nəticəsi yaratmaq məcburiyyətində deyil. Buna görə bərabərlik meyarı sosial və institusional qərar tələb edir.

Rəqəmsal məlumatlar bütün cəmiyyəti təmsil edirmi?

Xeyr. Mənbə iş mobil telefon qeydləri, küçə görüntüləri, sosial media və platforma əsaslı mobillik məlumatlarının bütün şəhər əhalisinin tam təmsili kimi qəbul edilməməli olduğunu bildirir.

Yaşlılar, aşağı gəlirli qruplar, uşaqlar, sənədsiz miqrantlar və rəqəmsal çıxışı məhdud insanlar bu məlumat mənbələrində natamam və ya fərqli şəkildə təmsil oluna bilər.

Yüksək həllolmalı yer və mobillik məlumatları əlavə olaraq məxfilik, razılıq, məlumat sahibliyi və yer izlənməsi problemləri yarada bilər.

Mövsümi görüntü qərəzi necə yaranır?

Küçə görüntülərindən yaşıllıq ölçülərkən şəklin hansı mövsümdə çəkilməsi nəticəyə təsir edə bilər. Yarpaqların sıx olduğu dövrlə yarpaqsız dövr eyni fiziki sahə üçün fərqli yaşıllıq ölçüləri yarada bilər.

Buna görə modelin texniki uğuru yalnız alqoritmdən deyil, məlumat toplama vaxtından və əhatə xüsusiyyətlərindən də asılıdır.

Neo-colonial intelligence anlayışı

Mənbə iş “neo-colonial intelligence” anlayışından şəhər idarəetməsində süni intellekt və maşın öyrənməsinin bəzi uğursuzluqlarını yalnız texniki səhvlər kimi deyil, tarixi güc münasibətləri kontekstində qiymətləndirmək üçün istifadə edir.

Müəlliflərin müzakirəsinə görə məlumat infrastrukturlarını, platformaları və analitik imkanları idarə edən qurumların hansı biliklərin görünən olacağını müəyyən etməsi məlumat baxımından zəngin və məlumat baxımından kasıb bölgələr arasında mövcud güc bərabərsizliklərini gücləndirə bilər.

Bu anlayış hər ML tətbiqinin müstəmləkəçi olduğu anlamına gəlmir. İşin vurğuladığı risk məlumat toplama və qərarvermə quruluşlarındakı tarixi bərabərsizliklərin texnologiya vasitəsilə davam etdirilməsidir.

Məlumat müstəmləkəçiliyi müzakirəsi

İş həmçinin davranış və məkan məlumatlarının xarici aktorlar tərəfindən toplanması və idarə olunmasını data colonialism müzakirəsi ilə əlaqələndirir.

İcmaların yalnız məlumat yaradan obyektlərə çevrilməsi, lakin məlumat üzərində nəzarət və ya qərar gücünə sahib olmaması əsas problemdir.

Mənbə işin təklif etdiyi istiqamətlərdən biri icma tərəfindən yaradılan və yerli qurumlar tərəfindən idarə olunan məlumat sistemlərinin inkişafıdır.

Epistemik kənarlaşdırma nə deməkdir?

Epistemik kənarlaşdırma, müəyyən bilik formalarının qərar proseslərində kifayət qədər tanınmaması, təmsil edilməməsi və ya legitim bilik kimi qəbul edilməməsidir.

Yerli və yerli icmaların torpaqla münasibətləri, mədəni mənalar, ənənəvi qayğı məsuliyyətləri, mənəvi dəyərlər, təcrübəyə əsaslanan biliklər və yerə bağlı tarixlər həmişə standart cədvəl sütununa və ya model dəyişəninə çevrilə bilməz.

Bu biliklərin asan ölçülə bilməməsi onların elmi və ya planlaşdırma baxımından dəyərsiz olduğunu göstərmir.

Tumbes Hövzəsi nümunəsi niyə diqqətlə şərh edilməlidir?

Mənbə iş Perudakı Tumbes Hövzəsi nümunəsini yerli və yerli icma biliklərinin kifayət qədər tanınmadığı yaşıl infrastruktur idarəetməsi nümunəsi kimi müzakirə edir.

Lakin müəlliflər mühüm fərq qoyurlar: Tumbes nümunəsi birbaşa ML uğursuzluğu deyil. Daha geniş yaşıl infrastruktur idarəetmə probleminin nümunəsidir.

Bu fərq qorunmalıdır, çünki maşın öyrənməsinə aid olmayan planlaşdırma uğursuzluğunu “AI etdi” kimi təqdim etmək mənbə işi təhrif edər.

Sundarbans nümunəsi

Sundarban adaları ilə əlaqəli ML dəstəkli xəritələmə işlərində həssaslıq və müdaxilə prioritetlərinin müəyyən edilməsində icma əsaslı biliklərin kifayət qədər təmsil olunmaması mənbədə müzakirə olunan nümunələrdən biridir.

Buradakı əsas dərs yalnız biofiziki və sosial-iqtisadi dəyişənlərin hesablanmasının yerli bilik ehtiyacını aradan qaldırmamasıdır.

Mumbai mangrov bərpası nümunəsi

Mənbə məqalə Mumbaidə təxminən onillik mangrov bərpası qiymətləndirilməsini də müzakirə edir.

İstinad edilən işdə Google Earth məlumatları və Sentinel/Landsat görüntülərinə tətbiq olunan Random Forest təsnifatından istifadə edilmiş və qiymətləndirilən 25 bərpa sahəsindən 13-nün bərpa məqsədlərinə çatmadığı bildirilmişdir.

Mənbə Perspective, icma prioritetləşdirilməsinin qeyri-kafi olmasının və xüsusilə Koli icmasının biliklərinin kifayət qədər nəzərə alınmamasının bu uğursuzluqlarla əlaqəli amillərdən biri kimi qiymətləndirildiyini bildirir.

Bu 13/25 nəticəsi Baresi və Russo-nun yeni sahə tapıntısı deyil; müzakirə etdikləri əvvəlki tədqiqata aiddir.

Yerli biliyi yalnız “məlumata çevirmək” kifayətdirmi?

Xeyr. Mənbə işin vacib məqamlarından biri yerli və yerli icma biliklərinin yalnız yeni məlumat sütununa çevrilməsinin iştirakçı planlaşdırma demək olmamasıdır.

Mədəni məna, yerə bağlı münasibət və ya icma məsuliyyəti kimi anlayışlar standartlaşdırıldıqda mənalarının bir hissəsi itə bilər.

Buna görə müəlliflər biliklərin birgə istehsalını, icma əsaslı doğrulamanı və yerli məlumat idarəçiliyini zəruri hesab edirlər.

Şəffaflıq niyə yalnız model kodunu izah etmək deyil?

Texniki şəffaflıq modelin necə işlədiyini izah etmək baxımından dəyərlidir; lakin planlaşdırma qərarlarında təkbaşına kifayət deyil.

Aşağıdakı suallar da şəffaflığın bir hissəsidir:

• Məlumatlar haradan gəldi?
• Kimlər məlumatda natamam təmsil olunur?
• Hansı dəyişənlər seçildi?
• Modelin məqsədi kim tərəfindən müəyyən edildi?
• Hansı güzəştlər qəbul edildi?
• Qeyri-müəyyənlik necə bildirildi?
• İcma model nəticəsinə necə etiraz edə bilər?
• Son qərara kim cavabdehdir?

Praktik şəffaflıq mexanizmləri

Mənbə iş aşağıdakı tətbiqlərin əhəmiyyətini bildirir:

• məlumat dəsti sənədləşdirilməsi,
• model sənədləşdirilməsi,
• qərar qeydləri,
• qeyri-müəyyənlik hesabatı,
• təsirlənən icmaların model fərziyyələrini və nəticələrini sorğulaya bilməsi.

İşin Metodu və Tapıntıları

Bu iş eksperimental “metod və nəticə” məqaləsi olmadığı üçün bu bölmə klassik laboratoriya tədqiqatlarındakı nümunə, nəzarət qrupu, cihaz, hiperparametr və ya p dəyəri formatında oxunmamalıdır. Metod yaxın dövr yaşıl infrastruktur, ML, məkan planlaşdırılması, ekoloji ədalət və süni intellekt idarəetməsi ədəbiyyatının Perspective formatında konseptual sintezidir.

İşin üç əsas məqsədi

Müəlliflər Perspective işinin üç əsas məqsədini müəyyən edirlər:

1. Maşın öyrənməsinin bərabərlik yönümlü yaşıl infrastruktur planlaşdırılmasını hansı yollarla dəstəkləyə biləcəyini izah etmək.
2. Texniki və sosial-iqtisadi riskləri müəyyən etmək.
3. Legitim, hesabatlı və bərabərlik yönümlü planlaşdırmanı dəstəkləyə biləcək etik və idarəetmə yollarını ortaya qoymaq.

Ədəbiyyatda müəyyən edilən əsas boşluq

Müəlliflərin müəyyən etdiyi əsas boşluq ML dəstəkli yaşıl infrastruktur həllərini real dünya tətbiqindəki texniki qeyri-müəyyənliklərlə və planlaşdırma qərarlarının legitimliyi, hesabatlılığı və ictimai etimadı üçün zəruri idarəetmə şərtləri ilə birlikdə nəzərdən keçirən inteqrə edilmiş yanaşmanın olmamasıdır.

Başqa sözlə problem yalnız “ML yaşıl sahəni harada tövsiyə edir?” deyil. Əsas məsələ modelin bunu hansı biliklə tövsiyə etdiyi, hansı qrupları təmsil etdiyi, hansı dəyərləri optimallaşdırdığı və qərarın kim tərəfindən yoxlanıla bildiyidir.

ML istifadəsinin üç planlaşdırma funksiyası

Mənbə Cədvəl 1: ML tətbiqləri, bərabərlik dəyəri, risk və idarəetmə qoruması

Ground-truthing nə deməkdir?

Ground-truthing, uzaqdan zondlama, görüntü təsnifatı və ya digər model nəticələrinin real sahədəki müşahidələr və ya etibarlı istinad məlumatları ilə müqayisəsidir.

Məsələn peyk görüntüsünün bir sahəni ağac örtüyü kimi təsnif etməsi lazım gəldikdə yerində müşahidə və ya daha etibarlı istinad məlumatı ilə yoxlanıla bilər.

Məlumat minimallaşdırılması nədir?

Məlumat minimallaşdırılması, təhlil və ya xidmət üçün həqiqətən lazım olmayan şəxsi və ya həssas məlumatların toplanmaması və istifadə edilməməsi prinsipidir.

Xüsusilə mobillik məlumatları kimi yüksək həllolmalı məkan məlumatlarının istifadə olunduğu planlaşdırmada məxfilik riskini azaltmaq üçün vacibdir.

Planlaşdırma ssenarilərində arzuolunmaz nəticələrin nəzərə alınması

Mənbə iş ML dəstəkli ssenarilərin yalnız gözlənilən müsbət nəticələri deyil, potensial mənfi təsirləri də qiymətləndirməsini təklif edir.

Yaşıl infrastrukturun mümkün faydaları ilə kontekstdən asılı yarana biləcək zərərlər eyni qərar quruluşunda nəzərdən keçirilə bilər.

Məsələn müəyyən ağac növləri kölgə və sərinləmə təmin edə bilər, lakin bəzi şəraitdə allergenlərə məruz qalma kimi arzuolunmaz nəticələr də yarada bilər.

Buna görə “ekosistem xidmətini maksimum et” şəklində tək məqsədli optimallaşdırmanın hər halda kifayət olduğu qəbul edilməməlidir.

Alqoritmik Təsir Qiymətləndirilməsi nədir?

Alqoritmik Təsir Qiymətləndirilməsi (Algorithmic Impact Assessment, AIA), alqoritmik sistem istifadə edilməzdən əvvəl və ya istifadə zamanı sistemin insanlar və icmalar üzərində potensial təsirlərini, məlumatlarını, qərar məntiqini, bərabərlik risklərini və hesabatlılıq mexanizmlərini sistematik qiymətləndirməyə yönəlik idarəetmə yanaşmasıdır.

Mənbə işə görə AIA prosesləri:

• ML istifadəsinin həqiqətən uyğun olub-olmadığını araşdıra bilər,
• bölüşdürücü və prosedur bərabərliyini qiymətləndirə bilər,
• model və təlim məlumatları haqqında açıqlama tələb edə bilər,
• ictimai geribildirim toplaya bilər,
• modelin daha sonra izlənməsi və yaxşılaşdırılması üçün proses yarada bilər.

NIST AI Risk Management Framework necə istifadə olunur?

Mənbə iş NIST AI Risk Management Framework-ü həyat dövrü boyunca sosial-texniki risklərin nəzərdən keçirilməsinə dair mövcud idarəetmə nümunəsi kimi istifadə edir.

Çərçivənin önə çıxan funksiyaları:

• Govern: idarəetmə quruluşunu yaratmaq,
• Map: konteksti və riskləri xəritələmək,
• Measure: riskləri qiymətləndirmək və ölçmək,
• Manage: müəyyən edilmiş riskləri idarə etmək.

Perspective məqaləsi NIST çərçivəsini özünün hazırladığı yeni üsul kimi təqdim etmir; bərabərlikçi GI planlaşdırılmasında istifadə oluna biləcək mövcud idarəetmə alətlərindən biri kimi müzakirə edir.

AIA və Strateji Ekoloji Qiymətləndirmə Birlikdə Necə İstifadə Oluna Bilər?

Mənbə işə görə Strateji Ekoloji Qiymətləndirmə (SEA), plan və proqram səviyyəsində alternativləri, ictimai iştirakı, kumulyativ təsirləri və uzunmüddətli monitorinqi təşkil edən geniş planlaşdırma çərçivəsini təmin edə bilər; AIA isə bu çərçivədə istifadə olunan maşın öyrənməsi və ya alqoritmik komponentin məlumat, bərabərlik, şəffaflıq və hesabatlılıq risklərinə daha detallı fokuslana bilər.

SEA nədir?

Strateji Ekoloji Qiymətləndirmə (Strategic Environmental Assessment, SEA), tək layihənin detallarından daha yuxarı səviyyədə siyasət, plan və proqramların ekoloji və sosial təsirlərini qiymətləndirmək üçün istifadə olunan strateji prosesdir.

SEA-nın vacib tərəflərindən biri alternativ ssenariləri, kumulyativ təsirləri, müxtəlif siyasət sektorlarını, uzunmüddətli nəticələri və ictimai iştirakı birlikdə nəzərdən keçirə bilməsidir.

SEA ilə EIA arasındakı fərq

Ətraf Mühitə Təsirin Qiymətləndirilməsi (Environmental Impact Assessment, EIA) əsasən müəyyən layihə miqyasında təsirlərin qiymətləndirilməsinə fokuslanır, SEA isə siyasət, plan və proqram səviyyəsində daha geniş strateji alternativləri araşdıra bilər.

Mənbə iş buna görə ML dəstəkli yaşıl infrastruktur planlaşdırılmasının yalnız bir layihə qiymətləndirilməsinə sıxışdırılmamasını müzakirə edir.

AIA niyə SEA-nın yerini tutmur?

AIA alqoritmin risklərini qiymətləndirə bilər; lakin torpaq mülkiyyəti, planlaşdırma qanunvericiliyi, qurumlararası səlahiyyət bölgüsü, satınalma qaydaları, büdcə və ya geniş ekoloji təsirlər kimi mövzular yalnız alqoritm səviyyəsində həll oluna bilməz.

Mənbə işin təklif etdiyi əlaqə tamamlayıcılıqdır: SEA geniş strateji planlaşdırma çərçivəsini yarada bilər, AIA isə həmin quruluş daxilində istifadə olunan alqoritmik qərar dəstəyinə fokuslana bilər.

İştirak və birgə dizayn

Mənbə işə görə cəmiyyət və maraqlı tərəflərin iştirakı layihənin sonunda yalnız hazır nəticənin ictimaiyyətə izah edilməsi formasında tətbiq edilməməlidir.

İcmalar mümkün qədər erkən mərhələdə:

• məqsədlərin,
• məhdudiyyətlərin,
• uğur meyarlarının,
• qəbul edilə bilən güzəştlərin,
• qəbul edilə bilməyən nəticələrin

müəyyən edilməsində iştirak etməlidirlər.

Məsələn köçürülmə təzyiqi və ya mədəni dəyər itkisi kimi nəticələr texniki optimallaşdırmadan kənarda qalan “sonradan düşünüləcək” mövzular olmamalıdır.

Vətəndaş panelləri və müzakirəçi proseslər

Müəlliflər vətəndaş panelləri və ya maraqlı tərəf məsləhət şuraları kimi müzakirəçi mexanizmlərin strateji planlaşdırma proseslərinə daxil edilə biləcəyini müzakirə edirlər.

Bu quruluşların məqsədi icmanın yalnız məlumat təqdim etməsi deyil, modelin fərziyyələrinə, yaratdığı nəticələrə və faydaların necə bölüşdürüləcəyinə təsir göstərə bilməsidir.

CARE prinsipləri nədir?

CARE Principles for Indigenous Data Governance, yerli məlumat idarəetməsini yalnız “məlumatın açıq olması” baxımından deyil, icma hüquqları və kollektiv fayda baxımından qiymətləndirməyi hədəfləyən prinsiplər toplusudur.

• C — Collective Benefit: Kollektiv fayda.
• A — Authority to Control: Nəzarət səlahiyyəti.
• R — Responsibility: Məsuliyyət.
• E — Ethics: Etika.

Mənbə iş CARE prinsiplərini yerli bilik və məlumatların ML dəstəkli planlaşdırmada idarə olunması üçün istifadə edilə biləcək mövcud çərçivələrdən biri kimi göstərir.

OCAP nədir?

OCAP, yerli məlumat idarəetməsində istifadə olunan dörd əsas prinsipin baş hərflərindən ibarətdir:

• Ownership: Sahiblik.
• Control: Nəzarət.
• Access: Çıxış.
• Possession: Sahiblikdə saxlama/faktiki nəzarət.

Bu prinsiplər məlumatı kimin toplaması qədər, məlumat üzərində kimin səlahiyyət və çıxış hüququna malik olması sualını da gündəmə gətirir.

FPIC nədir?

Free, Prior and Informed Consent (FPIC), Azərbaycan dilində ümumən Azad, Əvvəlcədən və Məlumatlandırılmış Razılıq kimi ifadə edilə bilər.

FPIC yerli xalqların hüquqlarına təsir edə biləcək tətbiqlərdə qərarın təzyiq olmadan, tətbiq başlamazdan əvvəl və kifayət qədər məlumat verilməklə alınmasına dair prinsipdir.

Mənbə iş FPIC-ni UNDRIP kimi beynəlxalq insan hüquqları çərçivələri ilə əlaqəli şəkildə nəzərdən keçirir.

UNDRIP nədir?

United Nations Declaration on the Rights of Indigenous Peoples (UNDRIP), Birləşmiş Millətlər Təşkilatının Yerli Xalqların Hüquqları haqqında Bəyannaməsidir.

Mənbə iş UNDRIP-i yerli icmalara təsir edən yaşıl infrastruktur və məlumat idarəetməsi qərarlarında hüquq əsaslı iştirakın əhəmiyyətini izah edən beynəlxalq çərçivələrdən biri kimi qeyd edir.

Mənbə Şəkil 1-in elmi quruluşu

Mənbə işin Şəkil 1-i bərabərlikçi yaşıl infrastruktur planlaşdırılmasında ML-in müstəqil qərarverici kimi deyil, sosial-texniki idarəetmə daxilində işləyən komponent kimi yerləşdirilməli olduğunu göstərir.

Şəkildəki əks-əlaqə dövrü nəyi izah edir?

Mənbə Şəkil 1-də tətbiq olunan yaşıl infrastrukturun nəticələrinin gələcək məlumatlara, model fərziyyələrinə və planlaşdırma prioritetlərinə geri qayıtmalı olduğu bildirilir.

Bu, planlaşdırmanın “model bir dəfə işlədi və qərar tamamlandı” yanaşması ilə bitməməli olduğu deməkdir.

Layihə tətbiq olunduqdan sonra həqiqətən:

• hansı icmaların faydalandığı,
• hansı qrupların kənarda qaldığı,
• gözlənilməz zərərlərin yaranıb-yaranmadığı,
• çıxış və istifadə nümunələrinin necə dəyişdiyi

izlənməli və növbəti modelləşdirmə dövrünə geri ötürülməlidir.

İşin təklif etdiyi dörd tətbiq prinsipi

İşin güclü tərəfi nədir?

İşin əsas güclü tərəfi maşın öyrənməsini yalnız texniki performans perspektivindən qiymətləndirməməsidir.

Məlumat keyfiyyəti, model dəqiqliyi və optimallaşdırma qabiliyyəti ilə yanaşı:

• planlaşdırma legitimliyi,
• ictimai iştirak,
• mədəni bilik,
• məxfilik,
• məlumat suverenliyi,
• hesabatlılıq,
• qərarlara etiraz edə bilmə

kimi idarəetmə elementlərini eyni çərçivədə nəzərdən keçirir.

İşin əsas məhdudiyyətləri

Perspective növünə görə iş yeni sahə müdaxiləsi, nəzarətli təcrübə, eksperimental nümunə və ya orijinal ML modeli təqdim etmir.

Buna görə mənbə:

• bir ML arxitekturasının digərindən daha yüksək dəqiqliyə malik olduğunu eksperimental şəkildə göstərmir,
• müəyyən alqoritm üçün yeni dəqiqlik, F1, AUC və ya səhv dəyəri bildirmir,
• yeni məlumat dəsti təhlil etmir,
• təklif olunan idarəetmə çərçivəsinin nəzarətli sahə tətbiqində bərabərsizliyi müəyyən faiz azaltdığını göstərmir,
• bütün şəhərlər üçün vahid universal bərabərlik metrikası müəyyən etmir.

İşin töhfəsi bunların əvəzinə mövcud texniki və idarəetmə ədəbiyyatını bir-biri ilə əlaqələndirən konseptual və planlaşdırma yönümlü sintez təqdim etməsidir.

İşin dəstəklədiyi nəticələr

• ML böyük və mürəkkəb şəhər məlumat dəstlərini emal etmək üçün faydalı qərar dəstəyi imkanı təmin edə bilər.
• ML mövcud yaşıl sahə və ekosistem xidməti bərabərsizliklərinin xəritələnməsinə kömək edə bilər.
• ML ekoloji həssaslıqların proqnozunda və planlaşdırma ssenarilərinin müqayisəsində istifadə edilə bilər.
• Çoxməqsədli optimallaşdırma bərabərlik, xərc və ekosistem xidmətləri arasındakı güzəştləri görünən edə bilər.
• Keçmiş bərabərsizlikləri daşıyan məlumat yeni ML dəstəkli planlaşdırma qərarlarında həmin bərabərsizliklərin yenidən istehsalına səbəb ola bilər.
• Rəqəmsal məlumat dəstləri şəhər əhalisinin hamısını bərabər şəkildə təmsil etməyə bilər.
• Texniki bərabərlik alətləri sosial bərabərlik məqsədlərini öz-özünə müəyyən edə bilməz.
• Yerli və yerli icma biliklərinin planlaşdırmaya daxil edilməsi yalnız məlumat çıxarışı kimi deyil, biliyin birgə istehsalı və məlumat idarəetməsi kimi nəzərdən keçirilməlidir.
• ML dəstəkli planlaşdırmada şəffaflıq, iştirak, monitorinq və hesabatlılıq mexanizmləri tələb olunur.
• Maşın öyrənməsinin yaşıl infrastruktur planlaşdırılmasındakı rolu qərar dəstəyi olaraq qalmalı; məsuliyyət planlaşdırma qurumlarında, cəmiyyətdə və idarəetmə proseslərində olmalıdır.

İşin dəstəkləmədiyi nəticələr

Mənbə iş maşın öyrənməsinin yaşıl infrastruktur planlaşdırılmasını avtomatik olaraq ədalətli etdiyini demir.

Maşın öyrənməsinin insan iştirakını əvəz etməli olduğunu müdafiə etmir.

ML istifadə olunduqda yaşıl infrastruktur investisiyalarının mütləq daha uğurlu olacağını sübut etmir.

Hər planlaşdırma problemində ML istifadəsinin klassik GIS və ya daha sadə üsullardan üstün olduğunu göstərmir.

Yerli və ya yerli icma biliklərinin həmişə rəqəmsal modelə tam şəkildə çevrilə biləcəyini irəli sürmür.

AIA, SEA, CARE, OCAP və ya FPIC kimi çərçivələrin təkbaşına bütün bərabərlik problemlərini həll edəcəyini iddia etmir.

Maşın öyrənməsi nəticəsinin son planlaşdırma qərarı kimi qəbul edilməli olduğunu müdafiə etmir.

Ümumi nəticə

İşin əsas mesajı texnologiya əleyhdarlığı deyil. Maşın öyrənməsinin geniş məlumat emalı, xəritələmə, proqnozlaşdırma, ssenari təhlili və çoxməqsədli optimallaşdırma kimi güclü imkanlarının yaşıl infrastruktur planlaşdırılmasına mühüm töhfələr verə biləcəyi qəbul edilir.

Lakin alqoritmin hesablama gücü ilə planlaşdırma qərarının sosial legitimliyi eyni şey deyil.

Model texniki baxımdan mükəmməl işləsə belə yanlış məqsədi optimallaşdıra bilər. Məlumat elmi baxımdan təmiz görünsə belə cəmiyyətin bəzi hissələrini təmsil etməyə bilər. Xəritə məkan baxımından doğru olsa belə mədəni dəyəri görünməz qoya bilər. Optimallaşdırma ən yüksək ümumi faydanı təmin etsə də ən həssas icmanın ehtiyacını geri plana keçirə bilər.

Buna görə bərabərlikçi yaşıl infrastruktur planlaşdırılmasında əsas sual yalnız “Maşın öyrənməsi nə qədər yaxşı proqnoz verir?” deyil. Eyni zamanda “Nəyi optimallaşdırır, hansı məlumata güvənir, kim təmsil olunur, kim qərar verir, kim hesabat tələb edə bilir və tətbiqin real nəticələri sonradan necə izlənir?” suallarına da cavab verilməlidir.

Müəlliflərin yanaşmasında maşın öyrənməsi son qərarverici deyil, şəffaf, iştirakçı, sorğulana bilən və dövri olaraq yenidən qiymətləndirilən sosial-texniki planlaşdırma sisteminin komponentidir.

Mənbə və Metod Qeydi

Orijinal başlıq: Can Machine Learning Support Planning for Equitable Green Infrastructure? A Perspective on Opportunities, Risks, and Ethical Pathways

Müəlliflər: Umberto Baresi; Alessio Russo.

Müəllif sırası: Mənbədə verildiyi kimi Umberto Baresi birinci, Alessio Russo ikinci müəllifdir.

Birinci qurum: School of Architecture and Built Environment, Faculty of Engineering, Queensland University of Technology, Brisbane 4000, Australia.

İkinci qurum: Centre for Environment and Society, Queensland University of Technology, Brisbane 4000, Australia.

Üçüncü qurum: IUCN Commission on Environmental, Economic and Social Policy, 1196 Gland, Switzerland. Bu əlaqə Umberto Baresi-yə aiddir.

Məsul müəllif: Umberto Baresi.

Bərabər töhfə / bərabər birinci müəlliflik: Mənbədə belə bəyanat yoxdur.

Nəşr növü: Perspective.

Jurnal: Urban Science.

Nəşriyyat: MDPI.

Cild / say / məqalə nömrəsi: 10 / 7 / 377.

DOI: 10.3390/urbansci10070377.

Göndərilmə tarixi: 15 aprel 2026.

Reviziya tarixi: 19 iyun 2026.

Qəbul tarixi: 26 iyun 2026.

Nəşr tarixi: 2 iyul 2026.

Akademik redaktor: Jianming Cai.

Lisenziya: Creative Commons Attribution (CC BY).

Rəsmi nəşr bağlantısı: https://www.mdpi.com/2413-8851/10/7/377

DOI bağlantısı: https://doi.org/10.3390/urbansci10070377

Maliyyələşdirmə: Müəlliflər tədqiqatın xarici maliyyə almadığını bildiriblər.

İnstitusional etika komitəsi: Tətbiq edilmir kimi bildirilib.

Məlumatlandırılmış razılıq: Tətbiq edilmir kimi bildirilib.

Məlumat əlçatanlığı: Mənbə məqalədə yeni məlumat yaradılmadığı və təhlil edilmədiyi aydın göstərilib. Buna görə iş orijinal məlumat dəsti və ya eksperimental məlumat deposu təqdim etmir.

Maraqların toqquşması: Müəlliflər maraqların toqquşmasının olmadığını bəyan ediblər.

Müəllif töhfələri: Konseptuallaşdırma Umberto Baresi və Alessio Russo tərəfindən; ilkin layihənin hazırlanması və nəzərdən keçirmə/redaktə iki müəllif tərəfindən həyata keçirilib. Vizuallaşdırma Umberto Baresi tərəfindən edilib. Hər iki müəllif dərc olunmuş versiyanı oxuyub təsdiqləyib.

Süni intellekt istifadəsi bəyanatı: Müəlliflər məqalə hazırlanarkən Microsoft Copilot (GPT-5 chat model) və ChatGPT-dən (OpenAI, GPT-5 chat model) yalnız korrektor oxusu və qrammatikanın yaxşılaşdırılması məqsədilə istifadə etdiklərini bildiriblər. Nəticələrin müəlliflər tərəfindən nəzərdən keçirilib redaktə edildiyi və nəşr məzmununa görə məsuliyyətin müəlliflərdə olduğu qeyd edilib.

Elmi metodun xarakteri: İş yeni eksperimental məlumat toplama, sahə təcrübəsi və ya orijinal ML modeli hazırlama tədqiqatı deyil. Yaxın dövr ədəbiyyatından istifadə edən, planlaşdırma yönümlü Perspective sintezidir.

Mərkəzi konseptual çərçivə: ML-in yaşıl infrastruktur planlaşdırılmasında təsviri, proqnozlaşdırıcı və tövsiyəedici funksiyaları; bunların bərabərlik dəyəri və texniki/sosial riskləri; alqoritmik qərəz və məkan ədalətsizliyi; yerli və yerli icma biliyi; şəffaflıq və hesabatlılıq; AIA, SEA, CARE, OCAP, FPIC və iştirakçı birgə dizayn prosesləri.

Formul və statistika qeydi: Mənbə məqalə öz tədqiqatı üçün mərkəzi riyazi tənlik, statistik hipotez testi, p dəyəri, etibar intervalı, eksperimental performans metrikası və ya model dəqiqliyi dəyəri təqdim etmir. Buna görə Verianla mətninə mənbədən kənar formul və ya statistika əlavə edilməyib.

Cədvəl ötürülməsi: Mənbə Cədvəl 1-dəki beş ML tətbiq kateqoriyası planlaşdırma funksiyası, bərabərlik dəyəri, əsas risk və idarəetmə qoruması ilə birlikdə Azərbaycan dilinə çevrilib.

Şəkil ötürülməsi: Mənbə Şəkil 1, orijinal vizualın nüsxəsi edilmədən elmi əlaqələri qoruyan müstəqil inline SVG kimi yenidən yaradılıb. Sxem kəmiyyət məlumatı və ya təcrübə nəticəsi deyil.

Əsas şərh sərhədi: Məqalədə verilən Los Angeles, Barcelona, Bronx, Latın Amerikası şəhərləri, Çin, Tumbes, Sundarbans, Mumbai və digər nümunələr Baresi və Russo-nun həyata keçirdiyi yeni təcrübələr deyil. Bunlar Perspective işinin müzakirə etdiyi əvvəlki ədəbiyyat nümunələridir.