1. Булак изилдөө башынан аягына чейин каралдыбы? Ооба; 20 беттин баары, 1-таблица, 1-сүрөт, жыйынтыктар, авторлордун билдирүүлөрү жана адабияттар тизмеси каралды. 2. Булактын илимий түрү туура аныкталдыбы? Ооба; жаңы эксперимент же маалымат талдоосу эмес, адабиятка негизделген Perspective макаласы. 3. Библиографиялык идентификация текшерилдиби? Ооба; аталыш, авторлор, мекемелер, DOI, журнал, дата жана лицензия текшерилди. 4. Булакта жок эксперименттик же сандык жыйынтык кошулдубу? Жок. 5. Булакта формула бардай теңдеме чыгарылдыбы? Жок; изилдөө борбордук математикалык формула бербейт. 6. Адабияттан келтирилген мисалдар менен авторлордун өз табылгалары айырмаландыбы? Ооба. 7. Машиналык үйрөнүү бейтарап же автоматтык түрдө адилеттүү система катары көрсөтүлдүбү? Жок; булактагы социалдык-техникалык башкаруу мамилеси сакталды. 8. Алгоритмдик калыстыксыздык, бөлүштүрүү жылышы, прокси өзгөрмөлөр, калибрлөө жана кайтарым байланыш циклдери түшүндүрүлдүбү? Ооба. 9. Түпкүлүктүү жана жергиликтүү билимдин четтетилишинин ар бир мисалы жаңылыш MLден келип чыккандай көрсөтүлдүбү? Жок; булактагы себептик айырма сакталды. 10. 1-сүрөттүн критикалык илимий түзүмү көрүнүктүү HTML/SVG объекти катары кайра түзүлдүбү? Ооба; өз алдынча, масштабсыз жана семантикалык жактан эквиваленттүү Verianla схемасы колдонулду. 11. Изилдөө колдогон жана колдобогон жыйынтыктар так бөлүндүбү? Ооба. 12. HTML түзүмү CKEditor жана котормо коопсуздугу жагынан текшерилдиби? Ооба; script, iframe, тышкы сүрөт, аткарылуучу JavaScript же булактан тышкаркы маалымат жок.

Жашыл инфраструктура (Green Infrastructure, GI), табигый жана жарым табигый аймактар экологиялык, климаттык, социалдык жана ден соолукка байланыштуу пайдаларды бере тургандай стратегиялык пландалган шаардык инфраструктура мамилеси. Umberto Baresi жана Alessio Russoнун Perspective изилдөөсү машиналык үйрөнүүнүн (Machine Learning, ML) жашыл инфраструктураны пландоодо социалдык жана мейкиндиктик теңчиликти колдоо үчүн кантип колдонулушу мүмкүн экенин; ошол эле технология туура эмес маалымат, туура эмес оптималдаштыруу максаттары же жетишсиз башкаруу шартында учурдагы теңсиздиктерди кантип кайра өндүрүп калышы мүмкүн экенин карайт.

Изилдөө жаңы машиналык үйрөнүү моделин иштеп чыкпайт, жаңы маалымат топтобойт жана эксперименттик өндүрүмдүүлүк салыштыруусун жүргүзбөйт. Анын ордуна жашыл инфраструктураны пландоо, шаардык мейкиндиктик талдоо, жасалма интеллект этикасы, экологиялык адилеттүүлүк жана катышуучу башкаруу тармактарындагы адабияттарды пландоого багытталган алкакта бириктирет.

Авторлор машиналык үйрөнүү жашыл инфраструктураны пландоодо үч негизги функция аткара аларын белгилешет: сүрөттөөчү колдонуу учурдагы теңсиздиктерди жана мейкиндиктик үлгүлөрдү картага түшүрө алат; божомолдоочу колдонуу ысыкка дуушар болуу, суу ташкыны, өсүмдүк стресси же башка экологиялык аялуулуктарды болжолдой алат; көрсөтмө берүүчү/сунуштоочу колдонуу болсо жайгашкан жерди тандоо, инвестициялык артыкчылык жана ар кандай сценарийлердин ортосундагы тандоону колдой алат.

Машиналык үйрөнүүнүн күчтүү жагы — спутник сүрөттөрү, көчө сүрөттөрү, мобилдүүлүк маалыматтары, социалдык-экономикалык маалыматтар жана экологиялык көрсөткүчтөр сыяктуу чоң жана ар түрдүү маалымат булактарын бир талдоонун ичинде иштете алышы. Бул мүмкүнчүлүк көрүнгөн жашылдык, жашыл аймакка жеткиликтүүлүк, ысыкка дуушар болуу, экосистемалык кызматтар жана аялуу калк топторунун муктаждыктары сыяктуу көптөгөн факторлорду бирге баалоого шарт түзүшү мүмкүн.

Бирок изилдөө машиналык үйрөнүүнү колдонуу өзүнөн-өзү теңчилик жаратпасын өзгөчө баса белгилейт. Тарыхый инвестициялык теңсиздиктерди камтыган окутуу маалыматтары, социалдык-экономикалык абалды кыйыр түрдө коддогон прокси өзгөрмөлөр, толук эмес санариптик өкүлчүлүк, туура эмес калибрлөө, маалымат бөлүштүрүүсүндөгү өзгөрүүлөр жана кайтарым байланыш циклдери моделдин өткөн теңсиздиктерди жаңы пландоо чечимдерине алып келишине себеп болушу мүмкүн.

Авторлордун негизги сунушу — машиналык үйрөнүүнү өз алдынча чечим кабыл алуучу катары эмес, социалдык-техникалык башкаруу системасынын бир компоненти катары колдонуу. Акыркы максат функцияларын, “адилеттүү” деп эсептелген жыйынтыктарды жана кайсы топторго артыкчылык берилерин алгоритмдер гана аныктабашы керек; коом, мамлекеттик мекемелер, адистер жана таасирленген топтор буларды ачык талкуулашы зарыл.

Изилдөө теңчиликтин үч өлчөмүн бирге карайт: бөлүштүрүүчү теңчилик пайдалар менен зыяндар кимдерге жана кайсы мейкиндиктерге бөлүштүрүлөрүн; процедуралык теңчилик чечимдерди ким жана кандай процесстер менен кабыл аларын; өкүлчүлүк теңчилик болсо “пайда” жана “зыян” аныктамаларында кайсы билимдер, баалуулуктар жана дүйнө таанымдар өкүлдөнөрүн сурайт.

Жыйынтыгында изилдөө ML колдогон жашыл инфраструктураны пландоо төрт негизги принципке таянышы керек деп сунуштайт: сүрөттөөчү, божомолдоочу жана сунуштоочу ML колдонмолорун бири-биринен ажыратуу; маалымат булактарын, божомолдорду жана белгисиздиктерди ачык документтештирүү; теңчиликке байланышкан компромистерди таасирленген коомчулуктар менен бирге талкуулоо; ишке ашырылган жашыл инфраструктура убакыт өткөн сайын теңсиздиктерди чындап азайтып жатабы-жокпу көзөмөлдөө.

Жашыл инфраструктура деген эмне?

Жашыл инфраструктура түшүнүгү коргоо пландоосу жана ландшафт экологиясы менен байланышкан узак тарыхка ээ болгону менен, 2000-жылдардын башынан тартып пландоо адабиятында көбүрөөк көрүнүктүү боло баштаган.

Алгачкы мамилелерде жашыл инфраструктура көбүнчө жашоо чөйрөлөрүнүн байланыштуулугу, биологиялык ар түрдүүлүктү сактоо, экосистеманын функциялары жана кийинчерээк экосистемалык кызматтар алкагында каралган.

Жаңы мамиле болсо жашыл инфраструктураны жөн гана дарактардын, парктардын же жашыл коридорлордун жыйындысы катары көрбөйт. Жашыл инфраструктура адамдын жүрүм-туруму, башкаруу, социалдык теңчилик, инфраструктура системалары жана экологиялык процесстердин өз ара аракеттенүүсүндө бааланат.

Изилдөө колдонгон социалдык-экологиялык-техникалык системалар (Socio-Ecological–Technical Systems, SETS) мамилеси да ушул кеңейүүнү билдирет. SETS түшүнүгүндө шаардагы табигый системалар, адамдар жана техникалык инфраструктура бири-биринен көз карандысыз эмес, өз ара таасир жаратуучу компоненттер.

Био-камтуучулук жана био-интеграция эмнени билдирет?

Изилдөө заманбап жашыл инфраструктура аныктамалары эки жалпы багыттын айланасында топтолоорун айтат.

• Био-камтуучулук (bio-inclusivity): Өз ара байланышкан табигый аймактарды, ачык мейкиндиктерди жана экологиялык байланыштарды алдыга чыгарган мамиле.
• Био-интеграция (bio-integration): Бир нече экосистемалык кызматты камсыз кылуу үчүн табигый жана жарым табигый системаларды стратегиялык пландоого аң-сезимдүү киргизүүнү баса белгилейт.

Бул эки мамиле сөзсүз бири-бирин толугу менен жокко чыгарууга тийиш эмес. Айырма жашыл инфраструктура кайсы пландоо логикасы менен аныкталарын түшүнүүгө жардам берет.

Жашыл инфраструктура бардык өлкөдө бир эле нерсени билдиреби?

Жок. Булак изилдөө жашыл инфраструктура түшүнүгү саясаттык контекстке жараша ар башкача колдонулушу мүмкүн экенин баса белгилейт.

Америка Кошмо Штаттарында түшүнүк көбүнчө жаан суусун башкаруу менен байланышат, Канадада климатты жумшартуу жана ыңгайлашуу, ошондой эле сууга байланышкан экологиялык сапат өлчөмдөрү көбүрөөк көрүнөт. Австралияда климатты жумшартуу, ыңгайлашуу жана экологиялык байланыштуулук менен байланышкан негизги шаардык инфраструктура катары каралышы мүмкүн. Европа Бирлигинин контекстинде болсо биологиялык ар түрдүүлүк жана шаардык экосистемаларды өнүктүрүү менен байланыштуу.

Бул айырма маанилүү, анткени машиналык үйрөнүү модели “жашыл инфраструктуранын ийгилиги” катары оптималдаштырган өзгөрмөлөр колдонулган саясаттык аныктамага жараша өзгөрүшү мүмкүн.

Жашыл Инфраструктурадагы Теңчилик Эмнени Билдирет?

Жашыл инфраструктурадагы теңчилик парктарды же дарактарды шаар мейкиндигине бирдей өлчөмдө бөлүштүрүү гана эмес; кайсы коомчулуктар экологиялык, климаттык жана ден соолук пайдаларына жетерин, чечим процесстерине кимдер катыша аларын жана пландоо чечимдеринде кайсы билимдер менен баалуулуктар өкүлдөнөрүн бирге баалоону талап кылат.

Жашыл аймактын болушу менен анын пайдасына жетүү бир нерсе эмес

Кварталда парк болушу ошол кварталда жашаган бардык адамдар парктын пайдаларын бирдей пайдалана алат дегенди билдирбейт.

Изилдөө жеткиликтүүлүктү физикалык аралык менен гана түшүндүрүүгө болбой турганын баса белгилейт. Институционалдык эрежелер, мобилдүүлүк мүмкүнчүлүктөрү, экономикалык шарттар, коопсуздук сезими, аймактын физикалык сапаты жана пайдалануу формалары реалдуу жеткиликтүүлүккө таасир эте алат.

Демек, картада “жашыл аймакка жакын” көрүнгөн калк күнүмдүк жашоодо ошол аймакты оңой, коопсуз жана маңыздуу пайдалана алат деп автоматтык түрдө кабыл алууга болбойт.

Бөлүштүрүүчү теңчилик

Бөлүштүрүүчү теңчилик, жашыл инфраструктуранын пайдаларын жана мүмкүн болгон зыяндарын ар башка кварталдар менен социалдык топтордун арасында кантип бөлүштүрүлгөнүн карайт.

Мисалы, шаарды жашылдандыруунун салкындатуучу пайдасы жогорку кирешелүү кварталдарда гана топтолсо, шаар боюнча жалпы дарак саны көбөйгөн күндө да бөлүштүрүү жагынан теңчилик маселеси уланат.

Процедуралык теңчилик

Процедуралык теңчилик, чечимдин жыйынтыгына гана эмес, чечим кандай түзүлгөнүнө да карайт.

Кайсы максаттар оптималдаштырылышын ким чечти? Кайсы коомчулуктар пикир айта алды? Модель кабыл алган тобокелдик деңгээлин ким аныктады? Пландоо процессиндеги адамдар модель божомолдоруна каршы чыга алабы?

Бул суроолор машинанын техникалык тактыгынан айырмаланат. Абдан так иштеген божомол модели чечим процесси демократиялык же камтуучу болбосо процедуралык теңчиликти камсыз кыла албайт.

Өкүлчүлүк теңчилик

Өкүлчүлүк теңчилик, кайсы адамдар, билим системалары, маданий баалуулуктар жана жашоо тажрыйбалары модель тарабынан көрүнүктүү деп эсептелерин сурайт.

Коомчулук үчүн маданий мааниси бар аймак моделдин стандарттык маалымат базаларында эч кандай сандык өзгөрмө менен көрсөтүлбөшү мүмкүн. Бул ошол баалуулук маанисиз дегенди эмес, колдонулган эсептөө категориясына оңой которулбай турганын көрсөтүшү мүмкүн.

Жашыл инфраструктуранын пайдалары кандай?

Булакта талкууланган адабиятка ылайык жашыл инфраструктура ар кандай контексттерде:

• шаардык температураны азайтууга,
• жаан суусун жөнгө салууга,
• биологиялык ар түрдүүлүктү колдоого,
• аба сапатына байланышкан пайдаларга,
• көлөкө жана жылуулук комфортуна,
• психикалык ден соолук жана жалпы бакубаттыкка,
• жашоо чөйрөсүн камсыз кылууга

салым кошо алат.

Бирок изилдөө жашыл инфраструктураны оң таасир гана жараткан кийлигишүү катары көрсөтпөйт. Контекстке жараша аллергендерге дуушар болуу, вектор аркылуу жугуучу оорулардын коркунучу же кааланбаган микроклиматтык таасирлер сыяктуу экосистемалык зыяндар же терс кошумча таасирлер да бааланышы керек.

“Көбүрөөк жашыл” ар дайым “көбүрөөк адилеттүү” дегенди билдиреби?

Жок. Шаарда жалпы жашыл аймактын көбөйүшү ошол аймактардын пайдаларын аялуу же тарыхый жактан артыкчылыгы аз топтор алып жатканын өзүнөн-өзү көрсөтпөйт.

Ошондуктан изилдөө пландоодо “канча жашыл инфраструктура түзүлдү?” деген суроо менен гана чектелбей, “ким пайда көрөт, ким жетет, кандай зыяндар пайда болот жана чечим процессине ким катышты?” деген суроолор да берилүүгө тийиш деп эсептейт.

Машиналык Үйрөнүү Жашыл Инфраструктураны Пландоодо Эмне Кыла Алат?

Машиналык үйрөнүү жашыл инфраструктураны пландоодо чоң жана ар түрдүү маалымат булактарын иштетип, учурдагы мейкиндиктик теңсиздиктерди картага түшүрө алат, экологиялык тобокелдиктер менен аялуулуктарды болжолдой алат, ар кандай пландоо сценарийлерин баалап, бир нече максаттын арасында артыкчылык берүүгө көмөктөшө алат; бирок кайсы максат оптималдаштырылышы керектигин өзү аныктай албайт.

Жасалма интеллект, машиналык үйрөнүү жана терең үйрөнүүнүн айырмасы

Булак изилдөө түшүнүктөрдү так бөлүп көрсөтөт.

Жасалма интеллект (Artificial Intelligence, AI), кабылдоо, божомолдоо, ой жүгүртүү же чечимди колдоо сыяктуу функцияларды аткарган эсептөө системалары үчүн колдонулган кеңири түшүнүк.

Машиналык үйрөнүү (Machine Learning, ML), классификация, божомолдоо, кластерлөө жана оптималдаштыруу сыяктуу тапшырмалар үчүн маалыматтардан үлгүлөрдү үйрөнгөн ыкмаларды билдирет.

Терең үйрөнүү (Deep Learning, DL) болсо машиналык үйрөнүүнүн бир бөлүгү жана изилдөө талкуулаган контекстте өзгөчө алыстан зонддоо, көчө сүрөттөрүн талдоо жана өсүмдүк жамынтыгын классификациялоо сыяктуу сүрөткө негизделген тапшырмаларда колдонулушу мүмкүн.

Булак макаланын негизги фокусу ML. AI термини кеңири этикалык жана башкаруу талкууларында колдонулат.

Машиналык үйрөнүү менен GIS бирдейби?

Жок. Географиялык Маалымат Системалары (Geographic Information Systems, GIS), мейкиндиктик жана атрибуттук маалыматтарды сактоо, иштетүү, бириктирүү жана картага түшүрүү үчүн колдонулган куралдардын жыйындысы.

Машиналык үйрөнүү GIS процесстерине классификация, божомолдоо, жогорку өлчөмдүү маалыматтарды иштетүү жана оптималдаштыруу мүмкүнчүлүгүн кошо алат.

Булак изилдөө ML жана AI мейкиндиктик пландоодо GISтин аналитикалык мүмкүнчүлүктөрүн кеңейте аларын талкуулайт; бирок жөнөкөй GIS талдоосу жетиштүү болгон ар бир учурда ML колдонуу керек деп айтпайт.

ML кайсы учурда чындап пайдалуу болушу мүмкүн?

Булак изилдөөгө ылайык машиналык үйрөнүү төмөнкү муктаждыктар бар пландоо маселелеринде өзгөчө баалуу болушу мүмкүн:

• сүрөт классификациясы,
• жогорку өлчөмдүү маалыматтарды бирге иштетүү,
• сызыктуу эмес мамилелерди болжолдоо,
• үзгүлтүксүз же кайталанган мониторинг,
• көп максаттуу оптималдаштыруу.

Тескерисинче, статикалык, чакан масштабдуу же жөнөкөй маселелерде классикалык GIS катмарларын үстүнө коюу, жеткиликтүүлүк буферлери же аралык көрсөткүчтөрү жетиштүү болушу мүмкүн.

Сүрөттөөчү ML деген эмне?

Сүрөттөөчү колдонуу “азыр шаарда эмне болуп жатат?” деген суроого багытталган талдоо.

Мисалы ML:

• дарак жамынтыгы кайда тыгыз же жетишсиз экенин,
• көчө деңгээлинде адамдар канчалык жашылдык көрө аларын,
• кайсы кварталдардын жашыл аймактарга жеткиликтүүлүгү төмөн экенин,
• экосистемалык кызматтар кайсы калк топторуна жетерин

картага түшүрүүгө жардам бере алат.

Божомолдоочу ML деген эмне?

Божомолдоочу колдонуу келечекте же байкалбаган шарттарда пайда болушу мүмкүн болгон абалдарды болжолдоого багытталган.

Изилдөөдө талкууланган мисалдарга ысыкка дуушар болуу, суу ташкыны коркунучу, өсүмдүк стресси жана климатка байланышкан экологиялык таасирлерди болжолдоо кирет.

Сунуштоочу же көрсөтмө берүүчү ML деген эмне?

Сунуштоочу колдонуу учурдагы абалды сүрөттөп же келечекти болжоп гана койбойт; кайсы кийлигишүү кайсы жерде артыкчылыктуу болушу керектигине байланыштуу сценарийлерди салыштырат.

Мисалы дарак отургузуу программасынын:

• ысыкты азайтуу,
• жаан суусун башкаруу,
• чыгым,
• экологиялык пайда,
• социалдык теңчилик

сыяктуу бир нече максаттын арасында кантип бөлүштүрүлөрүн баалай алат.

Булак өзгөчө көңүл бурган нерсе ушул жерде көрүнөт: сунуштоочу модель эми маалымат гана чыгарбайт, инвестиция жана ресурс бөлүштүрүүгө таасир бере турган варианттарды чыгарат. Ошондуктан башкаруучулук көзөмөл күчтүүрөөк болушу керек.

Көчө сүрөттөрү жана алыстан зонддоо

Изилдөөдө каралган адабият көчө сүрөттөрүн спутник же аба сүрөттөрү менен бирге колдонуу шаар тургундары чындап көргөн жашылдыкты жогору жактан өлчөнгөн өсүмдүк жамынтыгынан айырмалоого жардам бере аларын көрсөтөт.

Los Angeles County мисалында көчө деңгээлиндеги жашыл аймак түрлөрү машиналык үйрөнүү менен бааланып, жыйынтыктар квартал деңгээлиндеги социалдык-экономикалык артыкчылыгы аз көрсөткүчтөр менен байланыштырылган.

Бул жыйынтыктар Baresi жана Russo жүргүзгөн жаңы эксперимент эмес; булак Perspective макаласы адабияттан келтирген колдонмо мисалы.

Green View Index эмнени өлчөөгө аракет кылат?

Green View Index мамилеси жашыл аймакты картадагы аянт көлөмү катары гана баалоонун ордуна, жөө адам деңгээлиндеги көрүнүктүүлүк жана тажрыйба көз карашына жакындаганга аракет кылат.

Бул мамиле жашылдык бар-жогунан тышкары, адамдар шаарда басып жүргөндө канчалык жашыл чөйрө көрөрүн изилдөөгө жардам бере алат.

10 метрлик чечилишиндеги жашыл аймак картасынын мисалы

Булак изилдөө Латын Америкасындагы ар кандай ири шаарлар үчүн Sentinel-2 алыстан зонддоо сүрөттөрү жана OpenStreetMap маалыматтары менен түзүлгөн 10 метрлик чечилишиндеги шаардык жашыл аймак картасын адабияттагы колдонмо мисалы катары берет.

Бул жердеги 10 метр мааниси Baresi жана Russo жаңы түзгөн маалымат чечилиши эмес; шилтеме берилген мурунку изилдөөгө таандык.

Социалдык-экономикалык жана экологиялык маалыматтар эмне үчүн бирге колдонулушу керек?

Аймакта жогорку экологиялык тобокелдик бар экенин билүү кайсы адамдар андан көбүрөөк таасирленерин өзүнөн-өзү түшүндүрбөйт.

Ошол сыяктуу эле киреше, калк же демографиялык маалымат гана экосистемалык кызматтар кайда жетишсиз экенин көрсөтпөйт.

Изилдөө ошондуктан социалдык-демографиялык жана экологиялык маалыматтарды бирге баалоону маанилүү деп эсептейт. Бул мамиле экологиялык жана социалдык аялуулук бир жерде жогору болгон аймактарды аныктоого жардам берет.

Бирдей аралык эмне үчүн ар дайым теңчилик эмес?

Булакта келтирилген изилдөөлөр баарын жашыл аймактан бирдей физикалык аралыкта кармоону гана максат кылуу туура эмес артыкчылыктарды жаратышы мүмкүн экенин көрсөтөт.

Мисалы эки квартал паркка бирдей аралыкта болушу мүмкүн; бирок бир кварталда күчтүү ысыкка дуушар болуу, дарак жамынтыгынын аздыгы, жетишсиз транспорт, ден соолук аялуулугу же экономикалык мүмкүнчүлүктөрдүн төмөн болушу мүмкүн.

Бул учурда жөн гана аралык теңдиги муктаждык теңдигин билдирбейт.

Иш жүзүндө жеткиликтүүлүк деген эмне?

Иш жүзүндө жеткиликтүүлүк (realised access), адамдар жашыл аймакка теориялык жактан жетиши мүмкүнбү дегенден көрө, алар аны чындап кантип колдонорун түшүнүүгө аракет кылат.

Мобилдик телефон кыймыл маалыматтары же окшош булактар жөнөкөй радиус же жөө аралык моделдеринен ары өтүп, реалдуу кыймыл үлгүлөрүн изилдөө үчүн колдонулушу мүмкүн.

Бирок мындай маалымат түрлөрү жаңы теңчилик маселесин жаратат: мобилдик телефон же санарип платформалардын маалыматтарында коомдун бардык топтору бирдей өкүлдөнбөшү мүмкүн.

Көп максаттуу оптималдаштыруу эмнени өзгөртө алат?

Жашыл инфраструктураны пландоо көбүнчө бир эле максатты камтыбайт. Ошол эле долбоор:

• ысыкты азайтууга,
• жаан суусун башкарууга,
• биологиялык ар түрдүүлүктү сактоого,
• аба сапатын жакшыртууга,
• чыгымды чектөөгө,
• артыкчылыгы аз коомчулуктарга пайда берүүгө

аракет кыла алат.

Көп максаттуу оптималдаштыруу бул максаттардын ортосундагы компромистерди сандык түрдө салыштырууга жардам берет. Бирок кайсы максат маанилүүрөөк экенин аныктаган салмактар техникалык жактан бейтарап эмес. Бул салмактар социалдык жана саясий баалуулук тандоолорун камтыйт.

Дүйнөлүк Саламаттык Сактоо Уюмунун болжол менен 300 метр мисалы

Булак изилдөө сценарийлик пландоону түшүндүргөндө Дүйнөлүк Саламаттык Сактоо Уюмунун адамдар жашаган жеринен болжол менен 300 метр аралыкта коомдук жашыл аймакка жетиши боюнча көрсөтмөсүн мисал кылат.

ML колдогон моделдер мындай босоголорду колдонуп жеткиликтүүлүк боштуктарын картага түшүрүп, альтернативдүү жайгаштыруу сценарийлерин текшере алат.

Бирок авторлор физикалык жакындык өзүнөн-өзү теңчиликти камсыз кылбасын баса белгилешет. Аймактын сапаты, коопсуздугу, колдонууга жарактуулугу, ар кандай курактагы адамдар жана майыптык жагынан жеткиликтүүлүгү да бааланышы керек.

Машиналык Үйрөнүү Эмне Үчүн Өзүнчө Адилеттүү Пландоо Куралы Эмес?

Машиналык үйрөнүү маалыматтагы учурдагы үлгүлөрдү үйрөнүп, аныкталган максаттарды оптималдаштырат; эгер тарыхый маалыматтар өткөн инвестициялык теңсиздиктерди алып жүрсө же оптималдаштыруу максаттары белгилүү топтордун баалуулуктарын четтетсе, модель бул теңсиздиктерди кайра өндүрүп, күчөтүп же техникалык жыйынтык түрүнүн астында көрүнбөс кылып коюшу мүмкүн.

Алгоритмдик калыстыксыздык деген эмне?

Алгоритмдик калыстыксыздык, модель белгилүү адамдар же топтор үчүн системалуу түрдө башкача же адилетсиз жыйынтыктарды жаратышына алып келиши мүмкүн болгон маалыматтык, дизайндык же колдонуудагы үлгүлөр.

Жашыл инфраструктура контекстинде тарыхый инвестициялар көбүнчө бай кварталдарда жасалган болсо, өткөн маалыматтар бул кварталдарды “ийгиликтүү инвестиция аймактары” катары көрсөтүшү мүмкүн.

ML системасы ушул өткөн үлгүлөрдөн гана үйрөнсө, келечекте да окшош кварталдарды жогорку артыкчылыктуу же “оптималдуу” аймак катары тандашы мүмкүн.

Тарыхый теңсиздик кантип кайтарым байланыш циклине айланышы мүмкүн?

Булак изилдөө төмөнкү тобокелдикти сүрөттөйт:

1. Тарыхый теңсиздик окутуу же пландоо маалыматына кирет.
2. Модель ушул маалыматтардан артыкчылык үлгүлөрүн үйрөнөт.
3. Модель белгилүү аймактарга көбүрөөк ресурстарды багыттоону колдойт.
4. Ресурстарды бөлүштүрүү учурдагы мейкиндиктик үлгүнү күчөтөт.
5. Кийин чогулган жаңы маалымат күчөгөн үлгүнү кайра каттайт.
6. Бул жаңы маалымат мурунку модель чечимдери туура болгон деген таасир жаратышы мүмкүн.

Бул кайтарым байланыш цикли (feedback loop) деп аталат. Маселе алгоритмдин бир жолу гана туура эмес чечим чыгарганында эмес, чечим келечектеги маалыматты өзгөртүп өзүнүн божомолун күчөтөрүндө.

Бөлүштүрүү жылышы деген эмне?

Бөлүштүрүү жылышы (distribution shift), модель иштелип чыккан маалымат шарттары менен кийин колдонулуучу шарттардын айырмаланып кетиши.

Модель белгилүү шаарда, мезгилде, сенсор түрүндө же саясаттык шартта ийгиликтүү болушу мүмкүн. Ошол эле модель башка шаарда, мезгилде же маалымат чогултуу системасында ошол эле өндүрүмдүүлүктү көрсөтпөшү мүмкүн.

Ошондуктан белгилүү тест чөйрөсүндө алынган жогорку тактык реалдуу пландоо чөйрөсүндө да ошондой сакталат дегенди билдирбейт.

Прокси өзгөрмө деген эмне?

Прокси өзгөрмө (proxy variable), түз колдонулбаган өзгөчөлүктү кыйыр түрдө өкүлдөй алган өзгөрмө.

Мисалы модель кирешени же этникалык тегин түз колдонбосо да, турак жай баасы, квартал, ижара түрү, мурунку инвестиция деңгээли же башка мейкиндиктик өзгөрмөлөр бул өзгөчөлүктөр менен күчтүү байланышта болушу мүмкүн.

Ошондуктан “сезимтал өзгөрмөнү моделден алып салуу” өзүнөн-өзү теңчилик бербейт.

Белги калыстыксыздыгы деген эмне?

Белги калыстыксыздыгы (label bias), модель туура деп кабыл алган максаттар же жазуулар социалдык процесстерде тең эмес өндүрүлүшүнөн келип чыгышы мүмкүн.

Мисалы арыздардын аз болушу кварталда көйгөй жок дегенди билдирбейт. Төмөн кирешелүү же четтетилген коомчулуктардын билдирүү системаларына жеткиликтүүлүгү же ишеними төмөн болушу мүмкүн.

Мындай маалыматтар контекстсиз колдонулса “азыраак арыз = азыраак муктаждык” деген туура эмес модель логикасы түзүлүшү мүмкүн.

Калибрлөө маселеси деген эмне?

Калибрлөө, модель билдирген ишеним деңгээли реалдуу ийгилик ыктымалдыгы менен канчалык шайкеш экенин билдирет.

Модель божомолго өтө жогорку ишеним берип, бирок ошондой жогорку ишенимдүү божомолдордун олуттуу бөлүгү туура эмес болуп чыкса, модель туура эмес калибрленген болушу мүмкүн.

Булак изилдөө жогорку ишенимдүү ML чыгыштары реалдуу пландоо шарттарында дайыма ошол эле ишенимдүүлүктү бербеши мүмкүн экенине көңүл бурат.

Техникалык чечимдер жетиштүүбү?

Белгисиздикти сандык аныктоо, түшүндүрмө жасалма интеллект, сезимталдык талдоосу жана адилеттүүлүккө көңүл бурган моделдөө сыяктуу техникалык ыкмалар тобокелдикти азайта алат.

Бирок булак изилдөөнүн маанилүү айырмасы: бул куралдар теңчилик кандай болушу керектигин өздөрү чече албайт.

Мисалы төмөнкү максаттардын ар бири “адилеттүү” деп корголушу мүмкүн:

• баарынын жашыл аймакка чейинки аралыкты теңдөө,
• эң аялуу топторго артыкчылык берүү,
• жалпы экосистемалык кызматты максималдаштыруу,
• чыгымды минималдаштыруу,
• маданий маанилүү аймактарды сактоо.

Бул максаттар бирдей мейкиндиктик жыйынтык бериши шарт эмес. Демек теңчилик критерийи коомдук жана институционалдык чечимди талап кылат.

Санарип маалыматтар бүт коомду өкүлдөйбү?

Жок. Булак изилдөө мобилдик телефон жазуулары, көчө сүрөттөрү, социалдык медиа жана платформага негизделген мобилдүүлүк маалыматтары бүт шаар калкынын толук өкүлчүлүгү деп кабыл алынбашы керектигин айтат.

Улгайган адамдар, төмөн кирешелүү топтор, балдар, документсиз мигранттар жана санарип жеткиликтүүлүгү чектелген адамдар бул маалымат булактарында жетишсиз же башкача өкүлдөнүшү мүмкүн.

Жогорку чечилиштеги жайгашуу жана мобилдүүлүк маалыматтары купуялык, макулдук, маалыматка ээлик кылуу жана жайгашууну көзөмөлдөө маселелерин да жаратат.

Мезгилдик сүрөт калыстыксыздыгы кантип пайда болот?

Көчө сүрөттөрүнөн жашылдык өлчөнгөндө сүрөт кайсы мезгилде тартылганы жыйынтыкка таасир этет. Жалбырак көп мезгил менен жалбыраксыз мезгил бир эле физикалык аймак үчүн ар башка жашылдык өлчөмүн бере алат.

Ошондуктан моделдин техникалык ийгилиги алгоритмге гана эмес, маалымат чогултуу убактысына жана камтуу өзгөчөлүктөрүнө да көз каранды.

Neo-colonial intelligence түшүнүгү

Булак изилдөө “neo-colonial intelligence” түшүнүгүн шаардык башкарууда жасалма интеллект жана машиналык үйрөнүүнүн айрым ийгиликсиздиктерин техникалык ката катары гана эмес, тарыхый бийлик мамилелеринин контекстинде баалоо үчүн колдонөт.

Авторлордун талкуусуна ылайык маалымат инфраструктураларын, платформаларды жана аналитикалык мүмкүнчүлүктөрдү көзөмөлдөгөн мекемелер кайсы билим көрүнүктүү болорун аныкташы маалыматка бай жана маалыматка жакыр аймактардын ортосундагы бийлик теңсиздигин күчөтүшү мүмкүн.

Бул түшүнүк ар бир ML колдонмосу колониалдык дегенди билдирбейт. Изилдөө баса белгилеген тобокелдик — маалымат чогултуу жана чечим кабыл алуу түзүмдөрүндөгү тарыхый теңсиздиктер технология аркылуу улантылышы.

Маалымат колониализми боюнча талкуу

Изилдөө ошондой эле жүрүм-турум жана мейкиндиктик маалыматтардын тышкы акторлор тарабынан чогултулушу жана көзөмөлдөнүшүн data colonialism талкуусу менен байланыштырат.

Коомчулуктар маалымат гана өндүргөн объекттерге айланып, бирок маалыматтын үстүнөн көзөмөл же чечим бийлигине ээ болбой калышы негизги көйгөй.

Булак изилдөө сунуштаган багыттардын бири — коомчулук түзгөн жана жергиликтүү мекемелер башкарган маалымат системаларын өнүктүрүү.

Эпистемикалык четтетүү эмнени билдирет?

Эпистемикалык четтетүү, белгилүү билим формалары чечим процесстеринде жетиштүү таанылбай, өкүлдөнбөй же мыйзамдуу билим катары кабыл алынбай калышы.

Жергиликтүү жана түпкүлүктүү коомчулуктардын жер менен мамилеси, маданий маанилер, салттуу кам көрүү жоопкерчиликтери, руханий баалуулуктар, тажрыйбалык билимдер жана жерге байланышкан тарыхтар дайыма стандарттуу таблица тилкесине же модель өзгөрмөсүнө айлантылбайт.

Мындай билимди оңой өлчөөгө болбой турганы анын илимий же пландоо жагынан баасыз экенин билдирбейт.

Tumbes бассейнинин мисалы эмне үчүн этият чечмелениши керек?

Булак изилдөө Перудагы Tumbes бассейнинин мисалын түпкүлүктүү жана жергиликтүү билим жетиштүү таанылбаган жашыл инфраструктура башкаруусунун мисалы катары талкуулайт.

Бирок авторлор маанилүү айырма жасашат: Tumbes мисалы түздөн-түз ML ийгиликсиздиги эмес. Ал кеңири жашыл инфраструктура башкаруу көйгөйүнүн мисалы.

Бул айырма сакталууга тийиш, анткени машиналык үйрөнүүгө тиешеси жок пландоо ийгиликсиздигин “AI кылды” деп көрсөтүү булакты бурмалоо болот.

Sundarbans мисалы

Sundarban аралдарына байланышкан ML колдогон картага түшүрүү иштеринде аялуулук жана кийлигишүү артыкчылыктарын аныктоодо коомчулукка негизделген билим жетиштүү өкүлдөнбөй калганы булакта талкууланган мисалдардын бири.

Бул жердеги негизги сабак — биофизикалык жана социалдык-экономикалык өзгөрмөлөрдү эсептөө жергиликтүү билимдин керектүүлүгүн жокко чыгарбайт.

Mumbai мангрларын калыбына келтирүү мисалы

Булак макала Mumbaiдеги болжол менен он жылдык мангр калыбына келтирүү баалоосун да талкуулайт.

Шилтеме берилген изилдөөдө Google Earth маалыматтары жана Sentinel/Landsat сүрөттөрүнө колдонулган Random Forest классификациясы пайдаланылып, бааланган 25 калыбына келтирүү аймагынын 13ү калыбына келтирүү максаттарына жетпегени билдирилген.

Булак Perspective коомчулуктун артыкчылыктары жетиштүү эске алынбаганы жана өзгөчө Koli коомчулугунун билими жетиштүү каралбаганы бул ийгиликсиздиктерге байланышкан факторлордун бири катары бааланганын айтат.

Бул 13/25 жыйынтыгы Baresi жана Russoнун жаңы талаа табылгасы эмес; алар талкуулаган мурунку изилдөөгө таандык.

Жергиликтүү билимди жөн гана “маалыматка айлантуу” жетиштүүбү?

Жок. Булак изилдөөнүн маанилүү ойлорунун бири — жергиликтүү жана түпкүлүктүү билимди жаңы маалымат тилкесине гана айлантуу катышуучу пландоо дегенди билдирбейт.

Маданий маани, жер менен байланыш же коомчулук жоопкерчилиги сыяктуу түшүнүктөр стандартташтырылганда маанисинин бир бөлүгү жоголушу мүмкүн.

Ошондуктан авторлор билимди бирге өндүрүүнү, коомчулукка негизделген текшерүүнү жана түпкүлүктүү маалымат башкаруусун зарыл деп эсептешет.

Ачыктык эмне үчүн моделдин кодун гана түшүндүрүү эмес?

Техникалык ачыктык моделдин кантип иштегенин түшүндүрүү үчүн баалуу; бирок пландоо чечимдеринде өзүнчө жетишсиз.

Төмөнкү суроолор да ачыктыктын бир бөлүгү:

• Маалыматтар кайдан келди?
• Маалыматта кимдер жетишсиз өкүлдөнгөн?
• Кайсы өзгөрмөлөр тандалды?
• Моделдин максатын ким аныктады?
• Кайсы компромистер кабыл алынды?
• Белгисиздик кантип билдирилди?
• Коомчулук модель жыйынтыгына кантип каршы чыга алат?
• Акыркы чечим үчүн ким жооптуу?

Практикалык ачыктык механизмдери

Булак изилдөө төмөнкү практикалардын маанилүүлүгүн белгилейт:

• маалымат топтомун документтештирүү,
• моделди документтештирүү,
• чечим журналдары,
• белгисиздик тууралуу отчет берүү,
• таасирленген коомчулуктардын модель божомолдору менен жыйынтыктарын суракка ала алышы.

Изилдөөнүн Методу жана Табылгалары

Бул изилдөө эксперименттик “метод жана жыйынтык” макаласы болбогондуктан, бул бөлүм классикалык лабораториялык изилдөөлөрдөгү үлгү, көзөмөл тобу, жабдуу, гиперпараметр же p мааниси форматында окулбашы керек. Метод — акыркы мезгилдеги жашыл инфраструктура, ML, мейкиндиктик пландоо, экологиялык адилеттүүлүк жана жасалма интеллект башкаруу адабиятынын Perspective форматындагы концептуалдык синтези.

Изилдөөнүн үч негизги максаты

Авторлор Perspective изилдөөсүнүн үч негизги максатын аныкташат:

1. Машиналык үйрөнүү теңчиликке багытталган жашыл инфраструктураны пландоону кайсы жолдор менен колдой аларын түшүндүрүү.
2. Техникалык жана социалдык-экономикалык тобокелдиктерди аныктоо.
3. Мыйзамдуу, жоопкерчиликтүү жана теңчиликке багытталган пландоону колдой турган этикалык жана башкаруу жолдорун көрсөтүү.

Адабиятта аныкталган негизги боштук

Авторлор аныктаган негизги боштук — ML колдогон жашыл инфраструктура чечимдерин реалдуу дүйнөдөгү техникалык белгисиздиктер жана пландоо чечимдеринин мыйзамдуулугу, жоопкерчилиги жана коомдук ишеними үчүн зарыл башкаруу шарттары менен бирге караган интеграцияланган мамиленин жоктугу.

Башкача айтканда, көйгөй “ML жашыл аймакты кайда сунуштайт?” деген суроо менен чектелбейт. Негизги маселе модель муну кайсы билимге таянып сунуштайт, кайсы топторду өкүлдөйт, кайсы баалуулуктарды оптималдаштырат жана чечимди ким көзөмөлдөй алат деген суроолор.

ML колдонуунун үч пландоо функциясы

Булак 1-таблица: ML колдонмолору, теңчилик баалуулугу, тобокелдик жана башкаруу коргоосу

Ground-truthing эмнени билдирет?

Ground-truthing, алыстан зонддоо, сүрөт классификациясы же башка модель чыгыштарын реалдуу талаадагы байкоолор же ишенимдүү эталондук маалыматтар менен салыштыруу.

Мисалы спутник сүрөтү аймакты дарак жамынтыгы деп классификацияласа, керек болсо жеринде байкоо же ишенимдүүрөөк эталондук маалымат менен текшерүүгө болот.

Маалыматты минималдаштыруу деген эмне?

Маалыматты минималдаштыруу, талдоо же кызмат үчүн чындап керек болбогон жеке же сезимтал маалыматтарды чогултпоо жана колдонбоо принциби.

Өзгөчө мобилдүүлүк маалыматтары сыяктуу жогорку чечилиштеги мейкиндиктик маалымат колдонулган пландоодо купуялык тобокелдигин азайтуу үчүн маанилүү.

Пландоо сценарийлеринде кааланбаган жыйынтыктарды эсепке алуу

Булак изилдөө ML колдогон сценарийлер күтүлгөн оң жыйынтыктарды гана эмес, потенциалдуу терс таасирлерди да баалашы керек деп сунуштайт.

Жашыл инфраструктуранын мүмкүн болгон пайдалары менен контекстке жараша пайда боло турган зыяндар бир чечим түзүмүндө каралышы мүмкүн.

Мисалы белгилүү дарак түрлөрү көлөкө жана салкындатуу берсе да, айрым шарттарда аллергендерге дуушар болуу сыяктуу кааланбаган жыйынтыктарды жаратышы мүмкүн.

Ошондуктан “экосистемалык кызматты максималдаштыр” деген бир максаттуу оптималдаштыруу бардык учурда жетиштүү деп кабыл алынбашы керек.

Алгоритмдик Таасирди Баалоо деген эмне?

Алгоритмдик Таасирди Баалоо (Algorithmic Impact Assessment, AIA), алгоритмдик система колдонулганга чейин же колдонуу учурунда анын адамдар жана коомчулуктар үчүн мүмкүн болгон таасирлерин, маалыматтарын, чечим логикасын, теңчилик тобокелдиктерин жана жоопкерчилик механизмдерин системалуу баалоого багытталган башкаруу мамилеси.

Булак изилдөөгө ылайык AIA процесстери:

• ML колдонуу чындап ылайыктуубу-жокпу карай алат,
• бөлүштүрүүчү жана процедуралык теңчиликти баалай алат,
• модель жана окутуу маалыматы жөнүндө түшүндүрмө талап кыла алат,
• коомдук пикир чогулта алат,
• моделди кийин көзөмөлдөө жана жакшыртуу үчүн процесс түзө алат.

NIST AI Risk Management Framework кантип колдонулат?

Булак изилдөө NIST AI Risk Management Frameworkти өмүр цикли бою социалдык-техникалык тобокелдиктерди кароого арналган учурдагы башкаруу мисалы катары колдонот.

Алкактын негизги функциялары:

• Govern: башкаруу түзүмүн түзүү,
• Map: контекстти жана тобокелдиктерди картага түшүрүү,
• Measure: тобокелдиктерди баалоо жана өлчөө,
• Manage: аныкталган тобокелдиктерди башкаруу.

Perspective макаласы NIST алкагын өзү иштеп чыккан жаңы ыкма катары көрсөтпөйт; аны теңчиликке багытталган GI пландоосунда колдонууга боло турган учурдагы башкаруу куралдарынын бири катары талкуулайт.

AIA жана Стратегиялык Экологиялык Баалоо Бирге Кантип Колдонулушу Мүмкүн?

Булак изилдөөгө ылайык Стратегиялык Экологиялык Баалоо (SEA) план жана программа деңгээлинде альтернативаларды, коомдук катышууну, кумулятивдүү таасирлерди жана узак мөөнөттүү мониторингди уюштурган кеңири пландоо алкагын бере алат; AIA болсо ошол алкакта колдонулган машиналык үйрөнүү же алгоритмдик компоненттин маалымат, теңчилик, ачыктык жана жоопкерчилик тобокелдиктерине кеңири көңүл бура алат.

SEA деген эмне?

Стратегиялык Экологиялык Баалоо (Strategic Environmental Assessment, SEA), жеке долбоордун деталдарынан жогорку деңгээлде саясаттардын, пландардын жана программалардын экологиялык жана социалдык таасирлерин баалоо үчүн колдонулган стратегиялык процесс.

SEAнын маанилүү жактарынын бири альтернативдүү сценарийлерди, кумулятивдүү таасирлерди, ар башка саясат секторлорун, узак мөөнөттүү жыйынтыктарды жана коомдук катышууну бирге карай алышы.

SEA менен EIAнын айырмасы

Айлана-чөйрөгө Таасирди Баалоо (Environmental Impact Assessment, EIA) көбүнчө белгилүү долбоор масштабындагы таасирлерди баалоого багытталса, SEA саясат, план жана программа деңгээлиндеги кенен стратегиялык альтернативаларды карай алат.

Булак изилдөө ошондуктан ML колдогон жашыл инфраструктураны пландоону бир эле долбоор баалоосуна кысуу туура эмес деп талкуулайт.

AIA эмне үчүн SEAнын ордун баспайт?

AIA алгоритмдин тобокелдиктерин баалай алат; бирок жерге ээлик кылуу, пландоо мыйзамдары, мекемелер аралык ыйгарым укуктарды бөлүштүрүү, сатып алуу эрежелери, бюджет же кеңири экологиялык таасирлер сыяктуу маселелер алгоритм деңгээлинде эле чечилбейт.

Булак изилдөө сунуштаган байланыш толуктоочулук: SEA кең стратегиялык пландоо чөйрөсүн түзө алат, AIA болсо ошол түзүмдө колдонулган алгоритмдик чечим колдоого көңүл бурат.

Катышуу жана биргелешкен дизайн

Булак изилдөөгө ылайык коом жана кызыкдар тараптардын катышуусу долбоордун аягында даяр жыйынтыкты элге түшүндүрүү түрүндө гана болбошу керек.

Коомчулуктар мүмкүн болушунча эрте этапта:

• максаттарды,
• чектөөлөрдү,
• ийгилик критерийлерин,
• кабыл алынуучу компромистерди,
• кабыл алынгыс жыйынтыктарды

аныктоого катышышы керек.

Мисалы көчүрүү басымы же маданий баалуулуктун жоголушу сыяктуу натыйжалар техникалык оптималдаштыруудан тышкары “кийин ойлонулуучу” маселе болбошу керек.

Жарандык панелдер жана кеңешүүчү процесстер

Авторлор жарандык панелдер же кызыкдар тараптардын кеңеш берүүчү кеңештери сыяктуу талкуулоочу механизмдерди стратегиялык пландоо процесстерине кошууга болорун талкуулашат.

Бул түзүмдөрдүн максаты коомчулук маалымат гана бербестен, модель божомолдоруна, анын чыгарган жыйынтыктарына жана пайдалардын кантип бөлүштүрүлөрүнө таасир эте алышы.

CARE принциптери деген эмне?

CARE Principles for Indigenous Data Governance, түпкүлүктүү маалымат башкаруусун “маалымат ачыкпы?” деген суроо менен гана эмес, коомчулук укуктары жана жамааттык пайда жагынан баалоого багытталган принциптер жыйындысы.

• C — Collective Benefit: Жамааттык пайда.
• A — Authority to Control: Көзөмөл ыйгарым укугу.
• R — Responsibility: Жоопкерчилик.
• E — Ethics: Этика.

Булак изилдөө CARE принциптерин түпкүлүктүү билим жана маалыматтарды ML колдогон пландоодо башкаруу үчүн пайдаланууга боло турган учурдагы алкактардын бири катары көрсөтөт.

OCAP деген эмне?

OCAP, түпкүлүктүү маалымат башкаруусунда колдонулган төрт негизги принциптин баш тамгаларынан турат:

• Ownership: Ээлик.
• Control: Көзөмөл.
• Access: Жеткиликтүүлүк.
• Possession: Карамагында кармоо/ээлик кылуу.

Бул принциптер маалыматты ким чогултары менен катар, маалыматка ким ыйгарым укук жана жетүү укугуна ээ деген суроону да коёт.

FPIC деген эмне?

Free, Prior and Informed Consent (FPIC), кыргызча жалпысынан Эркин, Алдын ала жана Маалымдалган Макулдук деп айтылышы мүмкүн.

FPIC түпкүлүктүү элдердин укуктарына таасир эте турган колдонмолордо чечим кысымсыз, иш башталганга чейин жана жетиштүү маалымат берилгенден кийин кабыл алынышы керек деген принцип.

Булак изилдөө FPICти UNDRIP сыяктуу эл аралык адам укуктары алкактары менен байланышта карайт.

UNDRIP деген эмне?

United Nations Declaration on the Rights of Indigenous Peoples (UNDRIP), Бириккен Улуттар Уюмунун Түпкүлүктүү Элдердин Укуктары жөнүндө Декларациясы.

Булак изилдөө UNDRIPти түпкүлүктүү коомчулуктарга таасир эткен жашыл инфраструктура жана маалымат башкаруу чечимдеринде укукка негизделген катышуунун маанисин түшүндүргөн эл аралык алкактардын бири катары эскерет.

Булак 1-сүрөттүн илимий түзүмү

Булак изилдөөнүн 1-сүрөтү теңчиликке багытталган жашыл инфраструктураны пландоодо ML өз алдынча чечим кабыл алуучу эмес, социалдык-техникалык башкаруунун ичинде иштеген компонент болушу керектигин көрсөтөт.

Сүрөттөгү кайтарым байланыш цикли эмнени түшүндүрөт?

Булак 1-сүрөттө ишке ашырылган жашыл инфраструктуранын жыйынтыктары келечектеги маалыматка, модель божомолдоруна жана пландоо артыкчылыктарына кайтып турушу керектиги айтылат.

Бул пландоо “модель бир жолу иштеди, чечим бүттү” деген мамиле менен аяктабашы керек дегенди билдирет.

Долбоор ишке ашырылгандан кийин чындап:

• кайсы коомчулуктар пайда көргөнү,
• кайсы топтор четте калганы,
• күтүлбөгөн зыяндар пайда болду беле,
• жеткиликтүүлүк жана колдонуу үлгүлөрү кантип өзгөргөнү

көзөмөлдөнүп, кийинки моделдөө циклине кайтарылышы керек.

Изилдөө сунуштаган төрт колдонуу принциби

Изилдөөнүн күчтүү жагы эмнеде?

Изилдөөнүн негизги күчтүү жагы — машиналык үйрөнүүнү техникалык өндүрүмдүүлүк көз карашы менен гана баалабаганы.

Маалымат сапаты, модель тактыгы жана оптималдаштыруу мүмкүнчүлүгү менен бирге:

• пландоонун легитимдүүлүгү,
• коомдук катышуу,
• маданий билим,
• купуялык,
• маалымат суверенитети,
• жоопкерчилик,
• чечимдерге каршы чыга алуу

сыяктуу башкаруу элементтерин бир алкакта карайт.

Изилдөөнүн негизги чектөөлөрү

Perspective түрүнө байланыштуу изилдөө жаңы талаа кийлигишүүсүн, көзөмөлдөнгөн экспериментти, эксперименттик үлгүнү же оригиналдуу ML моделин сунуштабайт.

Ошондуктан булак:

• бир ML архитектурасы башкасынан жогорку тактыкка ээ экенин эксперимент аркылуу көрсөтпөйт,
• белгилүү алгоритм үчүн жаңы accuracy, F1, AUC же ката маанисин билдирбейт,
• жаңы маалымат топтомун талдабайт,
• сунушталган башкаруу алкагы көзөмөлдөнгөн талаа колдонмосунда теңсиздикти белгилүү пайызга азайтканын көрсөтпөйт,
• бардык шаарлар үчүн бир универсалдуу теңчилик метрикасын аныктабайт.

Изилдөөнүн салымы анын ордуна учурдагы техникалык жана башкаруу адабиятын байланыштырган концептуалдык жана пландоого багытталган синтезди сунуштоо.

Изилдөө колдогон жыйынтыктар

• ML чоң жана татаал шаардык маалымат топтомдорун иштетүү үчүн пайдалуу чечим колдоо мүмкүнчүлүгүн бере алат.
• ML учурдагы жашыл аймак жана экосистемалык кызмат теңсиздиктерин картага түшүрүүгө жардам бере алат.
• ML экологиялык аялуулуктарды болжолдоодо жана пландоо сценарийлерин салыштырууда колдонулушу мүмкүн.
• Көп максаттуу оптималдаштыруу теңчилик, чыгым жана экосистемалык кызматтардын ортосундагы компромистерди көрүнүктүү кыла алат.
• Өткөн теңсиздиктерди алып жүргөн маалымат жаңы ML колдогон пландоо чечимдеринде ошол теңсиздиктердин кайра өндүрүлүшүнө себеп болушу мүмкүн.
• Санарип маалымат топтомдору шаар калкынын баарын бирдей деңгээлде өкүлдөбөшү мүмкүн.
• Техникалык теңчилик куралдары социалдык теңчилик максаттарын өз алдынча аныктай албайт.
• Түпкүлүктүү жана жергиликтүү билимди пландоого кошуу маалымат алуу катары гана эмес, билимди бирге өндүрүү жана маалымат башкаруу катары каралышы керек.
• ML колдогон пландоодо ачыктык, катышуу, мониторинг жана жоопкерчилик механизмдери керек.
• Машиналык үйрөнүүнүн жашыл инфраструктураны пландоодогу ролу чечим колдоо бойдон калышы; жоопкерчилик пландоо мекемелеринде, коомдо жана башкаруу процесстеринде болушу керек.

Изилдөө колдобогон жыйынтыктар

Булак изилдөө машиналык үйрөнүү жашыл инфраструктураны пландоону автоматтык түрдө адилеттүү кылат деп айтпайт.

Машиналык үйрөнүү адамдын катышуусун алмаштырышы керек деп жактабайт.

ML колдонулганда жашыл инфраструктура инвестициялары сөзсүз ийгиликтүүрөөк болот деп далилдебейт.

Ар бир пландоо маселесинде ML колдонуу классикалык GIS же жөнөкөй ыкмалардан жогору экенин көрсөтпөйт.

Түпкүлүктүү же жергиликтүү билим ар дайым сандык модельге толук айлантылышы мүмкүн деп айтпайт.

AIA, SEA, CARE, OCAP же FPIC сыяктуу алкактар өзүнчө бардык теңчилик көйгөйлөрүн чечет деп ырастабайт.

Машиналык үйрөнүүнүн чыгышы акыркы пландоо чечими катары кабыл алынышы керек деп жактабайт.

Жалпы жыйынтык

Изилдөөнүн негизги билдирүүсү технологияга каршы болуу эмес. Машиналык үйрөнүүнүн чоң маалымат иштетүү, картага түшүрүү, божомолдоо, сценарий талдоо жана көп максаттуу оптималдаштыруу сыяктуу күчтүү мүмкүнчүлүктөрү жашыл инфраструктураны пландоого олуттуу салым кошо алары кабыл алынат.

Бирок алгоритмдин эсептөө күчү менен пландоо чечиминин социалдык легитимдүүлүгү бир нерсе эмес.

Модель техникалык жактан мыкты иштесе да туура эмес максатты оптималдаштырышы мүмкүн. Маалымат илимий жактан таза көрүнсө да коомдун айрым бөлүктөрүн өкүлдөбөшү мүмкүн. Карта мейкиндиктик жактан туура болсо да маданий баалуулукту көрүнбөс калтырышы мүмкүн. Оптималдаштыруу жалпы пайданы максималдаштырып, эң аялуу коомчулуктун муктаждыгын артка жылдырышы мүмкүн.

Ошондуктан теңчиликке багытталган жашыл инфраструктураны пландоодо негизги суроо “Машиналык үйрөнүү канчалык жакшы божомолдойт?” гана эмес. Ошондой эле “Эмнени оптималдаштырат, кайсы маалыматка ишенет, ким өкүлдөнөт, ким чечим чыгарат, ким жооп сурай алат жана колдонмонун реалдуу жыйынтыктары кийин кантип көзөмөлдөнөт?” деген суроолорго да жооп берүү керек.

Авторлордун мамилесинде машиналык үйрөнүү акыркы чечим кабыл алуучу эмес, ачык, катышуучу, суракка алына турган жана мезгил-мезгили менен кайра бааланган социалдык-техникалык пландоо системасынын бир компоненти.

Булак жана Метод Эскертүүсү

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

Авторлор: Umberto Baresi; Alessio Russo.

Авторлордун тартиби: Булакта берилгендей, Umberto Baresi биринчи, Alessio Russo экинчи автор.

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

Экинчи мекеме: Centre for Environment and Society, Queensland University of Technology, Brisbane 4000, Australia.

Үчүнчү мекеме: IUCN Commission on Environmental, Economic and Social Policy, 1196 Gland, Switzerland. Бул байланыш Umberto Baresiге тиешелүү.

Жооптуу автор: Umberto Baresi.

Тең салым / тең биринчи авторлук: Булакта мындай билдирүү жок.

Жарыя түрү: Perspective.

Журнал: Urban Science.

Басмакана: MDPI.

Том / сан / макала номери: 10 / 7 / 377.

DOI: 10.3390/urbansci10070377.

Жөнөтүлгөн дата: 15-апрель 2026.

Кайра кароо датасы: 19-июнь 2026.

Кабыл алынган дата: 26-июнь 2026.

Жарыяланган дата: 2-июль 2026.

Академиялык редактор: Jianming Cai.

Лицензия: Creative Commons Attribution (CC BY).

Расмий жарыя шилтемеси: https://www.mdpi.com/2413-8851/10/7/377

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

Каржылоо: Авторлор изилдөө тышкы каржылоо албаганын билдиришкен.

Институционалдык этика комитети: Колдонулбайт деп билдирилген.

Маалымдалган макулдук: Колдонулбайт деп билдирилген.

Маалымат жеткиликтүүлүгү: Булак макалада жаңы маалымат түзүлбөгөнү же талданбаганы ачык айтылган. Ошондуктан изилдөө оригиналдуу маалымат топтомун же эксперименттик маалымат кампасын сунуштабайт.

Кызыкчылыктардын кагылышы: Авторлор кызыкчылыктардын кагылышы жок экенин билдиришкен.

Авторлордун салымдары: Концептуалдаштыруу Umberto Baresi жана Alessio Russo тарабынан; алгачкы долбоорду даярдоо жана карап чыгуу/редакциялоо эки автор тарабынан жүргүзүлгөн. Визуалдаштыруу Umberto Baresi тарабынан жасалган. Эки автор тең жарыяланган версияны окуп, жактырган.

Жасалма интеллект колдонуу билдирүүсү: Авторлор макала даярдалганда Microsoft Copilot (GPT-5 chat model) жана ChatGPT (OpenAI, GPT-5 chat model) текшерип окуу жана грамматиканы жакшыртуу үчүн гана колдонулганын билдиришкен. Чыгыштар авторлор тарабынан каралып, редакцияланган жана жарыянын мазмуну үчүн жоопкерчилик авторлордо экени белгиленген.

Илимий методдун мүнөзү: Изилдөө жаңы эксперименттик маалымат чогултуу, талаа эксперименти же оригиналдуу ML модели иштеп чыгуу эмес. Жакынкы мезгилдеги адабиятты пайдаланган, пландоого багытталган Perspective синтези.

Борбордук концептуалдык алкак: MLдин жашыл инфраструктураны пландоодогу сүрөттөөчү, божомолдоочу жана сунуштоочу функциялары; алардын теңчилик мааниси жана техникалык/социалдык тобокелдиктери; алгоритмдик калыстыксыздык жана мейкиндиктик адилетсиздик; түпкүлүктүү жана жергиликтүү билим; ачыктык жана жоопкерчилик; AIA, SEA, CARE, OCAP, FPIC жана катышуучу биргелешкен дизайн процесстери.

Формула жана статистика эскертүүсү: Булак макала өз изилдөөсү үчүн борбордук математикалык теңдеме, статистикалык гипотеза тести, p мааниси, ишеним аралыгы, эксперименттик өндүрүмдүүлүк метрикасы же модель тактыгынын маанисин бербейт. Ошондуктан Verianla текстине булактан тышкаркы формула же статистика кошулган жок.

Таблицаны өткөрүү: Булак 1-таблицадагы беш ML колдонмо категориясы пландоо функциясы, теңчилик баалуулугу, негизги тобокелдик жана башкаруу коргоосу менен бирге кыргызча которулду.

Сүрөттү өткөрүү: Булак 1-сүрөт оригинал визуалдын көчүрмөсү кылынбастан, илимий байланыштарды сактаган өз алдынча inline SVG катары кайра түзүлдү. Схема сандык маалымат же эксперименттик жыйынтык эмес.

Негизги чечмелөө чеги: Макалада берилген Los Angeles, Barcelona, Bronx, Латын Америка шаарлары, Кытай, Tumbes, Sundarbans, Mumbai жана башка мисалдар Baresi жана Russo жүргүзгөн жаңы эксперименттер эмес. Бул Perspective изилдөөсү талкуулаган мурунку адабият мисалдары.