1. Je, utafiti chanzo ulipitiwa kutoka mwanzo hadi mwisho? Ndiyo; kurasa zote 20, Jedwali la 1, Kielelezo cha 1, hitimisho, taarifa za waandishi na marejeo vilipitiwa. 2. Je, aina ya kisayansi ya chanzo ilitambuliwa kwa usahihi? Ndiyo; si jaribio jipya wala uchanganuzi mpya wa data, bali ni makala ya Perspective inayotegemea fasihi. 3. Je, utambulisho wa kibibliografia ulithibitishwa? Ndiyo; kichwa, waandishi, taasisi, DOI, jarida, tarehe na leseni vilikaguliwa. 4. Je, matokeo ya majaribio au ya kiasi yasiyokuwapo kwenye chanzo yaliongezwa? Hapana. 5. Je, mlinganyo uliundwa kana kwamba chanzo kina fomula? Hapana; kazi haitoi fomula kuu ya kihisabati. 6. Je, mifano iliyonukuliwa kutoka fasihi ilitenganishwa na matokeo ya waandishi wenyewe? Ndiyo. 7. Je, ujifunzaji wa mashine uliwasilishwa kama mfumo usio na upendeleo au wenye haki kiotomatiki? Hapana; mkabala wa utawala wa kijamii-kiteknolojia wa chanzo umehifadhiwa. 8. Je, upendeleo wa algoriti, mabadiliko ya mgawanyo, vigezo wakilishi, urekebishaji wa kalibresheni na mizunguko ya mrejesho vinaelezwa? Ndiyo. 9. Je, kila mfano wa kutengwa kwa maarifa ya Wenyeji na ya mahali uliwasilishwa kimakosa kuwa umesababishwa na ML? Hapana; utofautishaji wa kisababishi wa chanzo umehifadhiwa. 10. Je, muundo muhimu wa kisayansi wa Kielelezo cha 1 umeundwa upya kama kipengele kinachoonekana cha HTML/SVG? Ndiyo; mchoro huru wa Verianla usio na kipimo na wenye ulinganifu wa kisemantiki umetumiwa. 11. Je, matokeo yanayoungwa mkono na yasiyoungwa mkono na kazi yametenganishwa wazi? Ndiyo. 12. Je, muundo wa HTML umekaguliwa kwa CKEditor na usalama wa tafsiri? Ndiyo; hakuna script, iframe, picha ya nje, JavaScript inayotekelezwa wala data nje ya chanzo.

Miundombinu ya kijani (Green Infrastructure, GI) ni mkabala wa miundombinu ya mijini ambapo maeneo ya asili na nusu-asili hupangwa kimkakati ili kutoa manufaa ya kiikolojia, hali ya hewa, kijamii na kiafya. Makala ya Perspective ya Umberto Baresi na Alessio Russo inachunguza jinsi ujifunzaji wa mashine (Machine Learning, ML) unavyoweza kutumiwa kusaidia usawa wa kijamii na anga katika upangaji wa miundombinu ya kijani; na jinsi teknolojia hiyo hiyo, chini ya data potofu, malengo potofu ya uboreshaji au utawala usiotosha, inaweza kuzalisha upya ukosefu wa usawa uliopo.

Kazi hii haitengenezi modeli mpya ya ujifunzaji wa mashine, haikusanyi data mpya wala kufanya ulinganisho wa majaribio wa utendaji. Badala yake, inaunganisha fasihi kuhusu upangaji wa miundombinu ya kijani, uchanganuzi wa anga wa mijini, maadili ya akili bandia, haki ya mazingira na utawala shirikishi katika mfumo unaolenga upangaji.

Waandishi wanaeleza kuwa ujifunzaji wa mashine unaweza kuwa na kazi tatu kuu katika upangaji wa miundombinu ya kijani: matumizi ya kimaelezo yanaweza kuchora ramani ya ukosefu wa usawa uliopo na mifumo ya anga; matumizi ya kitabiri yanaweza kutabiri joto, mafuriko, msongo wa mimea au udhaifu mwingine wa kimazingira; na matumizi ya kimaagizo/pendekezo yanaweza kusaidia uchaguzi wa eneo, vipaumbele vya uwekezaji na uchaguzi kati ya hali mbalimbali.

Nguvu ya ujifunzaji wa mashine ni uwezo wake wa kuchakata katika uchanganuzi mmoja vyanzo vikubwa na tofauti vya data kama picha za satelaiti, picha za mitaani, data za uhamaji, taarifa za kijamii na kiuchumi na viashiria vya mazingira. Uwezo huu unaweza kuruhusu tathmini ya pamoja ya mambo mengi kama kijani kinachoonekana, ufikivu wa maeneo ya kijani, kukabiliwa na joto, huduma za mfumo ikolojia na mahitaji ya makundi ya watu walio katika mazingira hatarishi.

Hata hivyo, kazi hii inasisitiza hasa kwamba matumizi ya ujifunzaji wa mashine hayazalishi usawa yenyewe. Data za mafunzo zinazobeba ukosefu wa usawa wa kihistoria wa uwekezaji, vigezo wakilishi vinavyosimba hali ya kijamii na kiuchumi kwa njia isiyo ya moja kwa moja, uwakilishi wa kidijitali usiokamilika, kalibresheni isiyo sahihi, mabadiliko katika mgawanyo wa data na mizunguko ya mrejesho vinaweza kusababisha modeli kubeba ukosefu wa usawa wa zamani kwenda kwenye maamuzi mapya ya upangaji.

Pendekezo kuu la waandishi ni kwamba ujifunzaji wa mashine usitumike kama mtoa uamuzi huru bali kama sehemu ya mfumo wa utawala wa kijamii-kiteknolojia. Kazi za mwisho za malengo, matokeo yanayochukuliwa kuwa “ya haki” na makundi yatakayopewa kipaumbele hayapaswi kuamuliwa na algoriti pekee; yanapaswa kujadiliwa wazi na jamii, taasisi za umma, wataalamu na makundi yaliyoathiriwa.

Kazi hii inazingatia kwa pamoja vipengele vitatu vya usawa: usawa wa mgawanyo unauliza manufaa na madhara yanasambazwa kwa nani na katika maeneo gani; usawa wa taratibu unauliza maamuzi yanafanywa na nani na kupitia michakato ipi; na usawa wa uwakilishi unauliza maarifa, maadili na mitazamo gani ya dunia inawakilishwa katika ufafanuzi wa “manufaa” na “madhara”.

Kwa hiyo, kazi inapendekeza kwamba upangaji wa miundombinu ya kijani unaosaidiwa na ML utegemee kanuni nne kuu: kutenganisha matumizi ya kimaelezo, kitabiri na kimaagizo ya ML; kuandika wazi vyanzo vya data, dhana na kutokuwa na uhakika; kujadili kwa pamoja na jamii zilizoathiriwa maafikiano yanayohusiana na usawa; na kufuatilia iwapo miundombinu ya kijani iliyotekelezwa inapunguza kweli ukosefu wa usawa baada ya muda.

Miundombinu ya kijani ni nini?

Dhana ya miundombinu ya kijani ina historia ndefu inayohusiana na upangaji wa uhifadhi na ikolojia ya mandhari, lakini imeonekana zaidi katika fasihi ya upangaji tangu mwanzoni mwa miaka ya 2000.

Katika mikabala ya awali, miundombinu ya kijani ilizingatiwa hasa katika muktadha wa muunganisho wa makazi, uhifadhi wa bioanuwai, kazi za mifumo ikolojia na baadaye huduma za mfumo ikolojia.

Mkabala mpya zaidi hauoni miundombinu ya kijani kama jumla tu ya miti, bustani au korido za kijani. Miundombinu ya kijani hutathminiwa ndani ya mwingiliano kati ya tabia za binadamu, utawala, usawa wa kijamii, mifumo ya miundombinu na michakato ya kiikolojia.

Mkabala wa mifumo ya kijamii-kiikolojia-kiteknolojia (Socio-Ecological–Technical Systems, SETS) unaotumiwa na kazi hii pia unawakilisha upanuzi huu. Katika fikra za SETS, mifumo ya asili ya mjini, watu na miundombinu ya kiteknolojia si vitu huru, bali ni vipengele vinavyoathiriana.

Ujumuishaji wa kibaiolojia na uunganishaji wa kibaiolojia ni nini?

Kazi inaeleza kuwa ufafanuzi wa kisasa wa miundombinu ya kijani hukusanyika karibu na mielekeo miwili ya jumla.

• Ujumuishaji wa kibaiolojia (bio-inclusivity): Mkabala unaosisitiza maeneo ya asili yaliyounganishwa, nafasi wazi na miunganisho ya kiikolojia.
• Uunganishaji wa kibaiolojia (bio-integration): Unasisitiza kuingiza kwa makusudi mifumo ya asili na nusu-asili katika upangaji wa kimkakati ili kutoa huduma nyingi za mfumo ikolojia.

Mikabala hii miwili si lazima itengane kabisa. Tofauti hiyo husaidia kuelewa mantiki ya upangaji inayotumiwa kufafanua miundombinu ya kijani.

Je, miundombinu ya kijani ina maana sawa katika kila nchi?

Hapana. Kazi chanzo inasisitiza kuwa dhana ya miundombinu ya kijani inaweza kutumiwa kwa namna tofauti kulingana na muktadha wa sera.

Nchini Marekani, dhana mara nyingi huhusishwa na usimamizi wa maji ya mvua; nchini Kanada, kupunguza athari za mabadiliko ya tabianchi, kukabiliana nazo na vipengele vya ubora wa mazingira vinavyohusiana na maji vinaonekana zaidi. Nchini Australia inaweza kuzingatiwa kama miundombinu muhimu ya mijini inayohusiana na kupunguza athari za tabianchi, kukabiliana nazo na muunganisho wa kiikolojia. Katika muktadha wa Umoja wa Ulaya, inahusishwa na bioanuwai na uboreshaji wa mifumo ikolojia ya mijini.

Tofauti hii ni muhimu kwa sababu vigezo ambavyo modeli ya ujifunzaji wa mashine huvitumia kuboresha “mafanikio ya miundombinu ya kijani” vinaweza kubadilika kulingana na ufafanuzi wa sera unaotumika.

Usawa katika Miundombinu ya Kijani Una Maana Gani?

Usawa katika miundombinu ya kijani si kusambaza bustani au miti kwa kiasi sawa tu katika uso wa jiji; unahitaji kutathmini kwa pamoja ni jamii zipi zinaweza kufikia manufaa ya kiikolojia, hali ya hewa na afya, ni nani anaweza kushiriki katika mchakato wa maamuzi, na ni maarifa na maadili gani yanawakilishwa katika maamuzi ya upangaji.

Kuwepo kwa eneo la kijani na kufikia manufaa yake si kitu kimoja

Kuwepo kwa bustani katika mtaa hakumaanishi kuwa watu wote wanaoishi katika mtaa huo wanafaidika kwa usawa na bustani hiyo.

Kazi inasisitiza kuwa ufikivu hauwezi kuelezwa kwa umbali wa kimwili pekee. Sheria za kitaasisi, uwezekano wa uhamaji, hali za kiuchumi, mtazamo wa usalama, ubora wa kimwili wa eneo na namna za matumizi zinaweza kuathiri ufikivu halisi.

Kwa hiyo, haiwezi kudhaniwa moja kwa moja kuwa watu wanaoonekana kwenye ramani kuwa “karibu na eneo la kijani” wanaweza kulitumia kwa urahisi, usalama na maana katika maisha ya kila siku.

Usawa wa mgawanyo

Usawa wa mgawanyo huchunguza jinsi manufaa na madhara yanayoweza kutokea ya miundombinu ya kijani yanavyosambazwa kati ya mitaa na makundi tofauti ya kijamii.

Kwa mfano, ikiwa faida ya kupunguza joto ya upandaji miti mijini imejikita katika mitaa yenye kipato cha juu pekee, tatizo la usawa wa mgawanyo linaweza kuendelea hata kama idadi ya jumla ya miti jijini imeongezeka.

Usawa wa taratibu

Usawa wa taratibu hauangalii matokeo ya uamuzi pekee, bali pia jinsi uamuzi ulivyoundwa.

Nani aliamua malengo gani yaboreshwe? Jamii zipi ziliweza kutoa maoni? Kiwango cha hatari kinachokubaliwa na modeli kiliamuliwa na nani? Je, watu katika mchakato wa upangaji wanaweza kupinga dhana za modeli?

Maswali haya ni tofauti na usahihi wa kiufundi wa mashine. Modeli ya utabiri inayofanya kazi kwa usahihi mkubwa haiwezi kuhakikisha usawa wa taratibu ikiwa mchakato wa maamuzi si wa kidemokrasia au jumuishi.

Usawa wa uwakilishi

Usawa wa uwakilishi huuliza ni watu gani, mifumo gani ya maarifa, maadili gani ya kitamaduni na uzoefu gani wa maisha unaotambuliwa na modeli kuwa unaonekana.

Eneo lenye umuhimu wa kitamaduni kwa jamii linaweza lisiiwakilishwe na kigezo chochote cha nambari katika hifadhidata za kawaida za modeli. Hili halimaanishi kuwa thamani hiyo si muhimu, bali linaweza kuonyesha kuwa haiwezi kutafsiriwa kwa urahisi katika kategoria ya kihesabu inayotumika.

Manufaa ya miundombinu ya kijani ni yapi?

Kulingana na fasihi inayojadiliwa katika chanzo, miundombinu ya kijani katika miktadha tofauti inaweza kuchangia:

• kupunguza joto la mijini,
• kudhibiti maji ya mvua,
• kusaidia bioanuwai,
• manufaa yanayohusiana na ubora wa hewa,
• kivuli na faraja ya joto,
• afya ya akili na ustawi kwa ujumla,
• kutoa makazi ya viumbe.

kuchangia.

Hata hivyo, kazi haiwasilishi miundombinu ya kijani kama hatua inayozalisha athari chanya pekee. Kulingana na muktadha, madhara ya mfumo ikolojia au athari hasi za pembeni kama kukabiliwa na vizio, hatari ya magonjwa yanayoenezwa na vekta au athari zisizohitajika za mikroklima zinapaswa pia kutathminiwa.

Je, “kijani zaidi” daima humaanisha “haki zaidi”?

Hapana. Kuongezeka kwa jumla ya maeneo ya kijani jijini hakuthibitishi peke yake kuwa manufaa ya maeneo hayo yanafikia makundi yaliyo hatarini au yaliyonyimwa kihistoria.

Kwa hiyo, kazi inatetea kwamba upangaji usiulize tu “ni miundombinu kiasi gani ya kijani imezalishwa?”, bali pia “nani anafaidika, nani anaweza kufikia, madhara gani yanatokea na nani alishiriki katika mchakato wa maamuzi?”

Ujifunzaji wa Mashine Unaweza Kufanya Nini katika Upangaji wa Miundombinu ya Kijani?

Ujifunzaji wa mashine unaweza kuchakata vyanzo vikubwa na tofauti vya data katika upangaji wa miundombinu ya kijani ili kuchora ramani ya ukosefu wa usawa wa anga uliopo, kutabiri hatari na udhaifu wa kimazingira, kutathmini hali tofauti za upangaji na kusaidia kupanga vipaumbele kati ya malengo mengi; lakini hauwezi kuamua wenyewe ni lengo gani linapaswa kuboreshwa.

Tofauti kati ya akili bandia, ujifunzaji wa mashine na ujifunzaji wa kina

Kazi chanzo inatenganisha dhana hizi wazi.

Akili bandia (Artificial Intelligence, AI) ni dhana pana inayotumiwa kwa mifumo ya kompyuta inayotekeleza kazi kama utambuzi, utabiri, hoja au usaidizi wa maamuzi.

Ujifunzaji wa mashine (Machine Learning, ML) unamaanisha mbinu zinazojifunza mifumo kutoka kwa data kwa kazi kama uainishaji, utabiri, upangaji kwa makundi na uboreshaji.

Ujifunzaji wa kina (Deep Learning, DL) ni sehemu ya ujifunzaji wa mashine na, katika muktadha unaojadiliwa, unaweza kutumiwa hasa katika kazi za picha kama kutambua kwa mbali, kuchanganua picha za mitaani na kuainisha uoto.

Lengo kuu la makala chanzo ni ML. Neno AI linatumika katika mijadala mipana zaidi ya maadili na utawala.

Je, ujifunzaji wa mashine na GIS ni kitu kimoja?

Hapana. Mifumo ya Taarifa za Kijiografia (Geographic Information Systems, GIS) ni mkusanyiko wa zana za kuhifadhi, kuchakata, kuunganisha na kuchora ramani za data za anga na sifa.

Ujifunzaji wa mashine unaweza kuongeza uwezo wa uainishaji, utabiri, uchakataji wa data zenye vipimo vingi na uboreshaji katika michakato ya GIS.

Kazi chanzo inajadili kwamba ML na AI zinaweza kupanua uwezo wa uchanganuzi wa GIS katika upangaji wa anga; lakini haitetei kuwa ML lazima itumike katika kila hali ambapo uchanganuzi rahisi wa GIS unatosha.

ML inaweza kuwa muhimu kweli katika hali zipi?

Kulingana na chanzo, ujifunzaji wa mashine unaweza kuwa na thamani hasa katika matatizo ya upangaji yenye mahitaji yafuatayo:

• uainishaji wa picha,
• uchakataji wa pamoja wa data zenye vipimo vingi,
• utabiri wa mahusiano yasiyo ya mstari,
• ufuatiliaji endelevu au unaorudiwa,
• uboreshaji wa malengo mengi.

Kinyume chake, katika matatizo tuli, ya kiwango kidogo au rahisi zaidi, uwekaji wa tabaka za GIS, bafa za ufikivu au viashiria vya umbali vinaweza kutosha.

ML ya kimaelezo ni nini?

Matumizi ya kimaelezo ni uchanganuzi unaolenga swali “nini kinatokea jijini sasa?”

Kwa mfano ML inaweza kusaidia kuchora ramani ya:

• mahali ambapo kifuniko cha miti ni kingi au hakitoshi,
• kiasi cha kijani ambacho watu wanaweza kuona katika kiwango cha barabara,
• mitaa ambayo ina ufikivu mdogo wa maeneo ya kijani,
• makundi ya watu yanayofikiwa na huduma za mfumo ikolojia.

inaweza kusaidia kuchora ramani.

ML ya kitabiri ni nini?

Matumizi ya kitabiri yanalenga kukadiria hali zinazoweza kutokea baadaye au katika mazingira ambayo hayajazingatiwa.

Mifano inayojadiliwa ni pamoja na kukadiria kukabiliwa na joto, hatari ya mafuriko, msongo wa mimea na athari za kimazingira zinazohusiana na hali ya hewa.

ML ya kimaagizo au pendekezo ni nini?

Matumizi ya kimaagizo hayaelezi tu hali ya sasa wala kutabiri siku zijazo; yanalinganisha hali kuhusu hatua gani inapaswa kupewa kipaumbele na wapi.

Kwa mfano, mpango wa upandaji miti unaweza kutathmini jinsi ya kugawa juhudi kati ya:

• kupunguza joto,
• usimamizi wa maji ya mvua,
• gharama,
• manufaa ya kiikolojia,
• usawa wa kijamii.

kutathmini jinsi inavyoweza kugawanywa kati ya malengo mengi.

Hapa ndipo jambo linalosisitizwa na chanzo linapoonekana: modeli ya kimaagizo haitoi taarifa tu, bali huzalisha chaguo zinazoweza kuathiri uwekezaji na mgawanyo wa rasilimali. Kwa hiyo udhibiti wa kiutawala unapaswa kuwa na nguvu zaidi.

Picha za mitaani na utambuzi wa mbali

Fasihi inayojadiliwa inaonyesha kuwa kutumia pamoja picha za mitaani na picha za satelaiti au angani kunaweza kusaidia kutofautisha kijani ambacho wakazi wa miji huona kweli na uoto unaopimwa kutoka juu pekee.

Katika mfano wa Los Angeles County, aina za maeneo ya kijani katika kiwango cha barabara zilitathminiwa kwa ujifunzaji wa mashine na matokeo yalihusishwa na viashiria vya kutokuwa na faida za kijamii na kiuchumi katika kiwango cha mtaa.

Matokeo haya si jaribio jipya lililofanywa na Baresi na Russo; ni mfano wa matumizi kutoka fasihi uliowasilishwa katika makala ya Perspective.

Green View Index inajaribu kupima nini?

Mkabala wa Green View Index unalenga kuangalia eneo la kijani si tu kama kiasi cha eneo kwenye ramani, bali kutoka kwa mtazamo wa mwonekano na uzoefu katika kiwango cha mtembea kwa miguu.

Mkabala huu unaweza kusaidia kuchunguza si tu uwepo wa kijani, bali pia kiasi cha mazingira ya kijani ambacho watu huona wanapotembea mjini.

Mfano wa ramani ya maeneo ya kijani yenye azimio la mita 10

Kazi chanzo inatoa kama mfano wa matumizi katika fasihi ramani ya maeneo ya kijani ya mijini iliyoundwa kwa miji mikubwa mbalimbali ya Amerika ya Kusini kwa kutumia picha za Sentinel-2 na data za OpenStreetMap, yenye azimio la mita 10.

Thamani ya mita 10 hapa si azimio jipya la data lililozalishwa na Baresi na Russo; ni la utafiti wa awali ulionukuliwa.

Kwa nini data za kijamii na kiuchumi na data za mazingira zinapaswa kutumiwa pamoja?

Kujua kuwa eneo lina hatari kubwa ya kimazingira pekee hakuwezi kueleza ni watu gani wanaoathiriwa zaidi na hatari hiyo.

Vilevile, data za mapato, idadi ya watu au demografia pekee hazionyeshi huduma za mfumo ikolojia zinakosekana wapi.

Kwa hiyo, kazi inaona kuwa ni muhimu kutathmini pamoja data za kijamii-demografia na kimazingira. Mkabala huu unaweza kusaidia kutambua maeneo ambayo udhaifu wa kimazingira na kijamii uko juu kwa wakati mmoja.

Kwa nini umbali sawa si usawa daima?

Tafiti zilizorejelewa zinaonyesha kwamba kulenga tu kuhakikisha kila mtu yuko umbali sawa wa kimwili kutoka eneo la kijani kunaweza kuleta vipaumbele visivyo sahihi.

Kwa mfano, mitaa miwili inaweza kuwa umbali sawa kutoka bustani; lakini mtaa mmoja unaweza kuwa na kukabiliwa sana na joto, kifuniko kidogo cha miti, usafiri usiotosha, udhaifu wa kiafya au fursa chache za kiuchumi.

Katika hali hiyo, usawa wa umbali pekee haumaanishi usawa wa mahitaji.

Ufikivu uliotimizwa ni nini?

Ufikivu uliotimizwa (realised access) hujaribu kuelewa jinsi watu wanavyotumia eneo la kijani kwa vitendo badala ya kama wanaweza kulifikia kinadharia.

Data za uhamaji wa simu za mkononi au vyanzo vinavyofanana vinaweza kutumika kuchunguza mifumo halisi ya harakati zaidi ya modeli rahisi za radius au umbali wa kutembea.

Hata hivyo, aina hizi za data huleta tatizo jipya la usawa: si makundi yote ya jamii yanawakilishwa kwa usawa katika data za simu za mkononi au majukwaa ya kidijitali.

Uboreshaji wa malengo mengi unaweza kubadilisha nini?

Upangaji wa miundombinu ya kijani mara nyingi hauna lengo moja tu. Mradi mmoja unaweza kulenga:

• kupunguza joto,
• kusimamia maji ya mvua,
• kulinda bioanuwai,
• kuboresha ubora wa hewa,
• kupunguza gharama,
• kuwanufaisha jamii zilizo katika hali duni.

kufanya hivyo.

Uboreshaji wa malengo mengi unaweza kusaidia kulinganisha kwa nambari maafikiano kati ya malengo haya. Hata hivyo, uzito unaopewa kila lengo si wa kiufundi na usioegemea upande wowote. Uzito huo una uchaguzi wa maadili ya kijamii na kisiasa.

Mfano wa takriban mita 300 wa Shirika la Afya Duniani

Kazi chanzo, inapofafanua upangaji wa hali, hutumia kama mfano mwongozo wa Shirika la Afya Duniani kuhusu watu kuweza kufikia eneo la kijani la umma ndani ya takriban mita 300 kutoka makazi yao.

Modeli zinazosaidiwa na ML zinaweza kutumia vizingiti kama hivi kuchora ramani ya mapengo ya ufikivu na kujaribu hali mbadala za uwekaji.

Hata hivyo, waandishi wanasisitiza kuwa ukaribu wa kimwili pekee hauhakikishi usawa. Ubora, usalama, utumiaji na ufikivu wa eneo kwa makundi tofauti ya umri na hali za ulemavu pia vinapaswa kutathminiwa.

Kwa Nini Ujifunzaji wa Mashine Si Zana ya Upangaji yenye Haki Pekee?

Ujifunzaji wa mashine hujifunza mifumo iliyopo katika data na kuboresha malengo yaliyofafanuliwa; ikiwa data za kihistoria zinabeba ukosefu wa usawa wa zamani wa uwekezaji au malengo ya uboreshaji yanaondoa maadili ya makundi fulani, modeli inaweza kuzalisha upya, kuongeza au kuficha ukosefu huo wa usawa chini ya mwonekano wa matokeo ya kiufundi.

Upendeleo wa algoriti ni nini?

Upendeleo wa algoriti unamaanisha mifumo inayotokana na data, muundo au matumizi ambayo inaweza kusababisha modeli kutoa matokeo tofauti au yasiyo ya haki kwa utaratibu kwa watu au makundi fulani.

Katika muktadha wa miundombinu ya kijani, ikiwa uwekezaji wa kihistoria umefanywa zaidi katika mitaa yenye utajiri, data za zamani zinaweza kuonyesha mitaa hiyo kama “maeneo ya uwekezaji yaliyofanikiwa”.

Ikiwa mfumo wa ML unajifunza tu kutoka kwa mifumo hiyo ya zamani, unaweza kuendelea kuchagua mitaa inayofanana kama maeneo yenye kipaumbele kikubwa au “bora”.

Ukosefu wa usawa wa kihistoria unawezaje kuwa mzunguko wa mrejesho?

Kazi chanzo inaeleza hatari ifuatayo:

1. Ukosefu wa usawa wa kihistoria huingia katika data za mafunzo au upangaji.
2. Modeli hujifunza mifumo ya vipaumbele kutoka data hizo.
3. Modeli huunga mkono kuelekeza rasilimali zaidi katika maeneo fulani.
4. Mgawanyo wa rasilimali huimarisha mfumo uliopo wa anga.
5. Data mpya zinazokusanywa baadaye hurekodi tena mfumo uliotiwa nguvu.
6. Data hizo mpya zinaweza kutoa hisia kuwa maamuzi ya awali ya modeli yalikuwa sahihi.

Hali hii huitwa mzunguko wa mrejesho (feedback loop). Tatizo si algoriti kufanya uamuzi mmoja mbaya, bali uamuzi kubadilisha data za baadaye na hivyo kuimarisha dhana yake yenyewe.

Mabadiliko ya mgawanyo ni nini?

Mabadiliko ya mgawanyo (distribution shift) ni pale hali za data ambamo modeli ilitengenezwa zinapokuwa tofauti na hali itakapotumika baadaye.

Modeli inaweza kufanya vizuri katika jiji, msimu, aina ya sensa au mazingira ya sera fulani. Modeli hiyo hiyo inaweza kutofanya kwa kiwango sawa katika jiji jingine, msimu mwingine au mfumo tofauti wa ukusanyaji data.

Kwa hiyo, usahihi mkubwa uliopatikana katika mazingira ya majaribio hauhakikishi kuwa usahihi huo utaendelea katika mazingira halisi ya upangaji.

Kigezo wakilishi ni nini?

Kigezo wakilishi (proxy variable) ni kigezo kinachoweza kuwakilisha kwa njia isiyo ya moja kwa moja sifa ambayo haitumiki moja kwa moja.

Kwa mfano, hata kama modeli haitumii moja kwa moja mapato au asili ya kikabila, thamani ya makazi, mtaa, aina ya upangishaji, kiwango cha uwekezaji wa zamani au vigezo vingine vya anga vinaweza kuwa na uhusiano mkubwa na sifa hizo.

Kwa hiyo, “kuondoa kigezo nyeti kutoka modeli” pekee hakutoshi kuhakikisha usawa.

Upendeleo wa lebo ni nini?

Upendeleo wa lebo (label bias) unaweza kutokana na malengo au rekodi ambazo modeli huziona kuwa “sahihi” kuzalishwa kwa namna isiyo sawa kupitia michakato ya kijamii.

Kwa mfano, idadi ndogo ya malalamiko haimaanishi kuwa mtaa hauna tatizo. Jamii zenye kipato cha chini au zilizotengwa zinaweza kuwa na ufikivu mdogo au imani ndogo katika mifumo ya kutoa taarifa.

Ikiwa data kama hizi zinatumika bila muktadha, mantiki potofu ya “malalamiko machache = mahitaji machache” inaweza kuingia katika modeli.

Tatizo la kalibresheni ni nini?

Kalibresheni inaeleza jinsi kiwango cha uhakika kinachotolewa na modeli kinavyolingana na uwezekano halisi wa mafanikio.

Ikiwa modeli inatoa uhakika mkubwa sana kwa utabiri lakini sehemu kubwa ya utabiri wenye uhakika mkubwa inakuwa si sahihi, modeli inaweza kuwa imekalibishwa vibaya.

Kazi chanzo inaonya kwamba matokeo ya ML yenye uhakika mkubwa si lazima yawe na uaminifu huo huo katika hali halisi za upangaji.

Je, suluhisho za kiufundi zinatosha?

Mbinu za kiufundi kama upimaji wa kutokuwa na uhakika, AI inayoelezeka, uchanganuzi wa unyeti na uundaji wa modeli unaozingatia haki zinaweza kupunguza hatari.

Hata hivyo, utofautishaji muhimu wa chanzo ni huu: zana hizi haziwezi kuamua zenyewe usawa unapaswa kuwa nini.

Kwa mfano, kila mojawapo ya malengo yafuatayo yanaweza kutetewa kuwa “ya haki”:

• kusawazisha umbali wa kila mtu hadi eneo la kijani,
• kuwapa kipaumbele makundi yaliyo hatarini zaidi,
• kuongeza huduma za mfumo ikolojia kwa kiwango cha juu,
• kupunguza gharama kwa kiwango cha chini,
• kulinda maeneo yenye umuhimu wa kitamaduni.

Malengo haya si lazima yazalishe matokeo sawa ya anga. Kwa hiyo, kigezo cha usawa kinahitaji uamuzi wa kijamii na kitaasisi.

Je, data za kidijitali zinawakilisha jamii nzima?

Hapana. Kazi chanzo inaeleza kuwa rekodi za simu za mkononi, picha za mitaani, mitandao ya kijamii na data za uhamaji zinazotokana na majukwaa hazipaswi kuchukuliwa kama uwakilishi kamili wa wakazi wa mijini.

Wazee, makundi ya kipato cha chini, watoto, wahamiaji wasio na nyaraka na watu wenye ufikivu mdogo wa kidijitali wanaweza kuwakilishwa kidogo au kwa namna isiyo sawa katika vyanzo hivi vya data.

Data zenye azimio kubwa za mahali na uhamaji pia huibua masuala ya faragha, ridhaa, umiliki wa data na ufuatiliaji wa mahali.

Upendeleo wa msimu katika picha hutokeaje?

Wakati wa kupima kijani kutoka picha za mitaani, msimu ambao picha ilipigwa unaweza kuathiri matokeo. Kipindi chenye majani mengi na kipindi kisicho na majani kinaweza kutoa vipimo tofauti vya kijani kwa eneo lilelile la kimwili.

Kwa hiyo, mafanikio ya kiufundi ya modeli hayategemei algoriti pekee bali pia muda wa ukusanyaji data na sifa za ufunikaji.

Dhana ya neo-colonial intelligence

Kazi chanzo inatumia dhana ya “neo-colonial intelligence” kutathmini baadhi ya kushindwa kwa AI na ML katika utawala wa mijini si kama makosa ya kiufundi pekee, bali katika muktadha wa mahusiano ya kihistoria ya nguvu.

Kulingana na mjadala wa waandishi, taasisi zinazodhibiti miundombinu ya data, majukwaa na uwezo wa uchanganuzi zinaweza kuamua ni maarifa gani yanaonekana, jambo linaloweza kuimarisha tofauti za nguvu kati ya maeneo yenye data nyingi na yale yenye data chache.

Dhana hii haimaanishi kuwa kila matumizi ya ML ni ya kikoloni. Hatari inayosisitizwa ni kuendelezwa kwa ukosefu wa usawa wa kihistoria katika ukusanyaji data na miundo ya maamuzi kupitia teknolojia.

Mjadala wa ukoloni wa data

Kazi pia inaunganisha ukusanyaji na udhibiti wa data za tabia na anga na wahusika wa nje na mjadala wa data colonialism.

Tatizo kuu ni jamii kugeuzwa kuwa vyanzo tu vya data bila kuwa na udhibiti wa data au nguvu ya kufanya maamuzi.

Moja ya njia zinazopendekezwa na chanzo ni kuendeleza mifumo ya data inayoundwa na jamii na kusimamiwa na taasisi za mahali.

Kutengwa kiepistemiki kunamaanisha nini?

Kutengwa kiepistemiki ni hali ambapo aina fulani za maarifa hazitambuliwi, haziwakilishwi au hazionekani kama maarifa halali vya kutosha katika michakato ya maamuzi.

Mahusiano ya jamii za mahali na Wenyeji na ardhi, maana za kitamaduni, wajibu wa jadi wa utunzaji, maadili ya kiroho, maarifa ya uzoefu na historia zinazohusiana na mahali si kila wakati zinaweza kubadilishwa kuwa safu ya kawaida ya jedwali au kigezo cha modeli.

Kwamba maarifa haya si rahisi kupimwa hakumaanishi kuwa hayana thamani ya kisayansi au ya upangaji.

Kwa nini mfano wa Bonde la Tumbes unapaswa kufasiriwa kwa uangalifu?

Kazi chanzo inajadili mfano wa Bonde la Tumbes nchini Peru kama hali ya utawala wa miundombinu ya kijani ambapo maarifa ya Wenyeji na ya mahali hayakutambuliwa vya kutosha.

Hata hivyo, waandishi wanaweka utofautishaji muhimu: mfano wa Tumbes si kushindwa kwa moja kwa moja kwa ML. Ni mfano wa tatizo pana la utawala wa miundombinu ya kijani.

Utofautishaji huu lazima uhifadhiwe, kwa sababu kuwasilisha kushindwa kwa upangaji ambako hakukusababishwa na ML kama “AI ilifanya hivyo” kungepotosha chanzo.

Mfano wa Sundarbans

Katika tafiti za kuchora ramani zinazosaidiwa na ML katika Visiwa vya Sundarban, kutowakilishwa vya kutosha kwa maarifa ya jamii wakati wa kubainisha udhaifu na vipaumbele vya hatua ni mojawapo ya mifano inayojadiliwa.

Somo kuu hapa ni kwamba kukokotoa tu vigezo vya kibiofizikia na kijamii-kiuchumi hakufuti hitaji la maarifa ya mahali.

Mfano wa urejeshaji wa mikoko Mumbai

Makala chanzo pia inajadili tathmini ya takriban muongo mmoja ya urejeshaji wa mikoko Mumbai.

Katika utafiti ulionukuliwa, uainishaji wa Random Forest ulitumika kwa data za Google Earth na picha za Sentinel/Landsat, na iliripotiwa kuwa maeneo 25 ya urejeshaji, 13 kati yake hayakufikia malengo ya urejeshaji.

Perspective chanzo inaeleza kuwa kutoweka vya kutosha vipaumbele vya jamii na hasa kutozingatiwa vya kutosha kwa maarifa ya jamii ya Koli kulichukuliwa kuwa mojawapo ya mambo yanayohusishwa na kushindwa huku.

Matokeo haya ya 13/25 si matokeo mapya ya uwanjani ya Baresi na Russo; yanatokana na utafiti wa awali wanaoujadili.

Je, “kubadilisha maarifa ya mahali kuwa data” pekee kunatosha?

Hapana. Mojawapo ya hoja muhimu za chanzo ni kwamba kubadilisha maarifa ya mahali na ya Wenyeji kuwa safu mpya ya data pekee si sawa na upangaji shirikishi.

Maana ya kitamaduni, mahusiano na mahali au wajibu wa jamii vinaweza kupoteza sehemu ya maana yake vinapowekwa katika viwango vya kawaida.

Kwa hiyo, waandishi wanaona uzalishaji wa pamoja wa maarifa, uthibitishaji wa jamii na utawala wa data za Wenyeji kuwa muhimu.

Kwa nini uwazi si kueleza tu msimbo wa modeli?

Uwazi wa kiufundi ni wa thamani kwa kueleza jinsi modeli inavyofanya kazi; lakini hautoshi peke yake katika maamuzi ya upangaji.

Maswali yafuatayo pia ni sehemu ya uwazi:

• Data zilitoka wapi?
• Nani amewakilishwa kidogo katika data?
• Ni vigezo gani vilichaguliwa?
• Lengo la modeli liliamuliwa na nani?
• Ni maafikiano gani yalikubaliwa?
• Kutokuwa na uhakika kuliripotiwaje?
• Jamii inaweza kupingaje matokeo ya modeli?
• Nani anawajibika kwa uamuzi wa mwisho?

Mbinu za vitendo za uwazi

Kazi chanzo inaeleza umuhimu wa:

• nyaraka za seti ya data,
• nyaraka za modeli,
• kumbukumbu za maamuzi,
• kuripoti kutokuwa na uhakika,
• fursa kwa jamii zilizoathiriwa kuhoji dhana na matokeo ya modeli.

Mbinu na Matokeo ya Kazi

Kwa kuwa kazi hii si makala ya majaribio ya “mbinu na matokeo”, sehemu hii haipaswi kusomwa katika muundo wa sampuli, kundi dhibiti, kifaa, hyperparameter au thamani ya p kama katika tafiti za kawaida za maabara. Mbinu ni usanisi wa dhana katika muundo wa Perspective wa fasihi ya hivi karibuni kuhusu miundombinu ya kijani, ML, upangaji wa anga, haki ya mazingira na utawala wa AI.

Malengo matatu makuu ya kazi

Waandishi wanafafanua malengo matatu makuu ya Perspective:

1. Kueleza njia ambazo ujifunzaji wa mashine unaweza kusaidia upangaji wa miundombinu ya kijani unaolenga usawa.
2. Kubainisha hatari za kiufundi na kijamii-kiuchumi.
3. Kuweka wazi njia za kimaadili na kiutawala zinazoweza kusaidia upangaji halali, unaowajibika na unaolenga usawa.

Pengo kuu lililotambuliwa katika fasihi

Pengo kuu lililotambuliwa na waandishi ni ukosefu wa mkabala jumuishi unaounganisha suluhisho za miundombinu ya kijani zinazosaidiwa na ML na kutokuwa na uhakika wa kiufundi katika matumizi halisi pamoja na masharti ya utawala yanayohitajika kwa uhalali, uwajibikaji na imani ya umma katika maamuzi ya upangaji.

Kwa maneno mengine, tatizo si tu “ML inapendekeza eneo la kijani wapi?” Hoja kuu ni modeli inapendekeza kwa kutumia maarifa gani, inawakilisha makundi gani, inaboresha maadili gani na nani anaweza kusimamia uamuzi huo.

Kazi tatu za upangaji za matumizi ya ML

Jedwali la 1 la chanzo: matumizi ya ML, thamani ya usawa, hatari na kinga ya utawala

Ground-truthing inamaanisha nini?

Ground-truthing ni kulinganisha matokeo ya utambuzi wa mbali, uainishaji wa picha au modeli nyingine na uchunguzi halisi wa uwanjani au data za rejea zinazoaminika.

Kwa mfano, ikiwa picha ya satelaiti inaainisha eneo kama kifuniko cha miti, inaweza kukaguliwa inapohitajika kwa uchunguzi wa eneo au data ya rejea yenye kuaminika zaidi.

Upunguzaji wa data ni nini?

Upunguzaji wa data ni kanuni ya kutokusanya wala kutumia data binafsi au nyeti ambazo si muhimu kweli kwa uchanganuzi au huduma.

Ni muhimu hasa katika upangaji unaotumia data za anga zenye azimio kubwa kama data za uhamaji, kwa sababu husaidia kupunguza hatari za faragha.

Kuzingatia matokeo yasiyotarajiwa katika hali za upangaji

Kazi chanzo inapendekeza kuwa hali zinazosaidiwa na ML zitathmini si tu matokeo chanya yanayotarajiwa bali pia athari hasi zinazowezekana.

Manufaa yanayowezekana ya miundombinu ya kijani na madhara yanayoweza kujitokeza kulingana na muktadha yanaweza kuzingatiwa katika muundo mmoja wa maamuzi.

Kwa mfano, aina fulani za miti zinaweza kutoa kivuli na kupunguza joto huku katika mazingira fulani zikisababisha athari zisizohitajika kama kukabiliwa na vizio.

Kwa hiyo, uboreshaji wa lengo moja wa “ongeza huduma za mfumo ikolojia hadi kiwango cha juu” haupaswi kuchukuliwa kuwa unatosha kila wakati.

Tathmini ya Athari za Algoriti ni nini?

Tathmini ya Athari za Algoriti (Algorithmic Impact Assessment, AIA) ni mkabala wa utawala unaolenga kutathmini kwa mfumo athari zinazowezekana za mfumo wa algoriti kwa watu na jamii, data zake, mantiki ya maamuzi, hatari za usawa na mifumo ya uwajibikaji kabla au wakati wa matumizi ya mfumo huo.

Kulingana na chanzo, michakato ya AIA inaweza:

• kuchunguza kama matumizi ya ML yanafaa kweli,
• kutathmini usawa wa mgawanyo na wa taratibu,
• kuhitaji maelezo kuhusu modeli na data za mafunzo,
• kukusanya maoni ya umma,
• kuunda mchakato wa kufuatilia na kuboresha modeli baadaye.

NIST AI Risk Management Framework inatumikaje?

Kazi chanzo hutumia NIST AI Risk Management Framework kama mfano uliopo wa utawala wa kushughulikia hatari za kijamii-kiteknolojia katika mzunguko mzima wa maisha.

Kazi kuu za mfumo ni:

• Govern: kuanzisha muundo wa utawala,
• Map: kuchora muktadha na hatari,
• Measure: kutathmini na kupima hatari,
• Manage: kusimamia hatari zilizotambuliwa.

Makala ya Perspective haiwasilishi mfumo wa NIST kama mbinu mpya iliyotengenezwa na waandishi; unajadiliwa kama mojawapo ya zana zilizopo za utawala zinazoweza kutumiwa katika upangaji wa GI unaolenga usawa.

AIA na Tathmini ya Kimkakati ya Mazingira Zinawezaje Kutumiwa Pamoja?

Kulingana na chanzo, Tathmini ya Kimkakati ya Mazingira (SEA) inaweza kutoa mfumo mpana wa upangaji unaopanga njia mbadala, ushiriki wa umma, athari limbikizi na ufuatiliaji wa muda mrefu katika kiwango cha mipango na programu; AIA inaweza kulenga kwa undani zaidi hatari za data, usawa, uwazi na uwajibikaji za kipengele cha ujifunzaji wa mashine au algoriti kinachotumiwa ndani ya mfumo huo.

SEA ni nini?

Tathmini ya Kimkakati ya Mazingira (Strategic Environmental Assessment, SEA) ni mchakato wa kimkakati unaotumiwa kutathmini athari za kimazingira na kijamii za sera, mipango na programu katika kiwango cha juu kuliko maelezo ya mradi mmoja.

Mojawapo ya vipengele muhimu vya SEA ni uwezo wake wa kuzingatia kwa pamoja hali mbadala, athari limbikizi, sekta tofauti za sera, matokeo ya muda mrefu na ushiriki wa umma.

Tofauti kati ya SEA na EIA

Tathmini ya Athari za Mazingira (Environmental Impact Assessment, EIA) mara nyingi hulenga tathmini ya athari katika kiwango cha mradi maalum, wakati SEA inaweza kuchunguza njia mbadala pana za kimkakati katika kiwango cha sera, mpango na programu.

Kwa hiyo, chanzo kinajadili kuwa upangaji wa miundombinu ya kijani unaosaidiwa na ML haupaswi kubanwa katika tathmini ya mradi mmoja pekee.

Kwa nini AIA haichukui nafasi ya SEA?

AIA inaweza kutathmini hatari za algoriti; lakini masuala kama umiliki wa ardhi, sheria za upangaji, mgawanyo wa mamlaka kati ya taasisi, sheria za manunuzi, bajeti au athari pana za mazingira hayawezi kutatuliwa katika kiwango cha algoriti pekee.

Uhusiano unaopendekezwa na chanzo ni wa kukamilishana: SEA inaweza kuunda chombo pana cha upangaji wa kimkakati, huku AIA ikilenga usaidizi wa maamuzi ya algoriti ndani ya muundo huo.

Ushiriki na ubunifu wa pamoja

Kulingana na chanzo, ushiriki wa jamii na wadau haupaswi kutekelezwa mwisho wa mradi kwa kueleza tu matokeo yaliyokamilika kwa umma.

Jamii zinapaswa kushiriki mapema iwezekanavyo katika kubainisha:

• malengo,
• vikwazo,
• vigezo vya mafanikio,
• maafikiano yanayokubalika,
• matokeo yasiyokubalika.

zinapaswa kushiriki katika kuyabainisha.

Kwa mfano, shinikizo la kuhama au kupoteza thamani ya kitamaduni hakupaswi kuwa masuala ya “kufikiriwa baadaye” nje ya uboreshaji wa kiufundi.

Paneli za raia na michakato ya mashauriano

Waandishi wanajadili kuwa mifumo ya mashauriano kama paneli za raia au bodi za ushauri za wadau inaweza kuingizwa katika michakato ya upangaji wa kimkakati.

Lengo la miundo hii si jamii kutoa data pekee, bali iweze kuathiri dhana za modeli, matokeo yanayotolewa na jinsi manufaa yanavyosambazwa.

Kanuni za CARE ni nini?

CARE Principles for Indigenous Data Governance ni seti ya kanuni inayolenga kutathmini utawala wa data za Wenyeji si kwa kuangalia tu kama “data ziko wazi”, bali kwa kuzingatia haki za jamii na manufaa ya pamoja.

• C — Collective Benefit: Manufaa ya pamoja.
• A — Authority to Control: Mamlaka ya kudhibiti.
• R — Responsibility: Uwajibikaji.
• E — Ethics: Maadili.

Kazi chanzo inaonyesha kanuni za CARE kama mojawapo ya mifumo iliyopo inayoweza kutumiwa kusimamia maarifa na data za Wenyeji katika upangaji unaosaidiwa na ML.

OCAP ni nini?

OCAP ni herufi za kwanza za kanuni nne kuu zinazotumiwa katika utawala wa data za Wenyeji:

• Ownership: Umiliki.
• Control: Udhibiti.
• Access: Ufikivu.
• Possession: Kumiliki/kushikilia kimatendo.

Kanuni hizi huibua swali si tu la nani anayekusanya data, bali pia nani ana mamlaka na haki ya kufikia data hiyo.

FPIC ni nini?

Free, Prior and Informed Consent (FPIC) inaweza kuelezwa kwa Kiswahili kwa ujumla kama Ridhaa Huru, ya Awali na yenye Taarifa.

FPIC ni kanuni inayohusu maamuzi katika matumizi yanayoweza kuathiri haki za Wenyeji kufanywa bila shinikizo, kabla ya utekelezaji kuanza na baada ya taarifa za kutosha kutolewa.

Kazi chanzo inajadili FPIC kwa kuhusisha mifumo ya kimataifa ya haki za binadamu kama UNDRIP.

UNDRIP ni nini?

United Nations Declaration on the Rights of Indigenous Peoples (UNDRIP) ni Azimio la Umoja wa Mataifa kuhusu Haki za Watu wa Asili.

Kazi chanzo inataja UNDRIP kama mojawapo ya mifumo ya kimataifa inayoeleza umuhimu wa ushiriki unaotegemea haki katika maamuzi ya miundombinu ya kijani na utawala wa data yanayoathiri jamii za Wenyeji.

Muundo wa kisayansi wa Kielelezo cha 1 cha chanzo

Kielelezo cha 1 cha chanzo kinaonyesha kuwa ML katika upangaji wa miundombinu ya kijani unaolenga usawa haipaswi kuwekwa kama mtoa uamuzi huru, bali kama sehemu inayofanya kazi ndani ya utawala wa kijamii-kiteknolojia.

Mzunguko wa mrejesho katika kielelezo unaeleza nini?

Kielelezo cha 1 cha chanzo kinaonyesha kuwa matokeo ya miundombinu ya kijani iliyotekelezwa yanapaswa kurudi katika data za baadaye, dhana za modeli na vipaumbele vya upangaji.

Hii inamaanisha kuwa upangaji haupaswi kuishia kwa mtazamo wa “modeli ilifanya kazi mara moja na uamuzi umekamilika”.

Baada ya mradi kutekelezwa, inapaswa kufuatiliwa kweli:

• jamii zipi zilinufaika,
• makundi gani yalibaki nje,
• kama madhara yasiyotarajiwa yalitokea,
• jinsi mifumo ya ufikivu na matumizi ilivyobadilika.

Matokeo hayo yanapaswa kurudishwa katika mzunguko unaofuata wa uundaji modeli.

Kanuni nne za matumizi zinazopendekezwa

Nguvu kuu ya kazi ni nini?

Nguvu kuu ya kazi ni kwamba haitathmini ujifunzaji wa mashine kwa mtazamo wa utendaji wa kiufundi pekee.

Pamoja na ubora wa data, usahihi wa modeli na uwezo wa uboreshaji, inazingatia katika mfumo mmoja:

• uhalali wa upangaji,
• ushiriki wa umma,
• maarifa ya kitamaduni,
• faragha,
• uhuru wa data,
• uwajibikaji,
• uwezo wa kupinga maamuzi.

vipengele hivyo vya utawala ndani ya mfumo mmoja.

Vikwazo vikuu vya kazi

Kwa sababu ya aina yake ya Perspective, kazi haitoi hatua mpya ya uwanjani, jaribio linalodhibitiwa, sampuli ya majaribio wala modeli asili ya ML.

Kwa hiyo chanzo:

• hakionyeshi kwa majaribio kuwa usanifu mmoja wa ML una usahihi wa juu kuliko mwingine,
• hakiripoti thamani mpya ya accuracy, F1, AUC au kosa kwa algoriti maalum,
• hakichanganui seti mpya ya data,
• hakionyeshi kuwa mfumo unaopendekezwa wa utawala umepunguza ukosefu wa usawa kwa asilimia fulani katika matumizi ya uwanjani yanayodhibitiwa,
• hakifafanui kipimo kimoja cha usawa kwa miji yote.

Mchango wa kazi badala yake ni usanisi wa dhana unaolenga upangaji unaounganisha fasihi iliyopo ya kiufundi na utawala.

Matokeo yanayoungwa mkono na kazi

• ML inaweza kutoa uwezo muhimu wa usaidizi wa maamuzi kwa kuchakata seti kubwa na changamano za data za mijini.
• ML inaweza kusaidia kuchora ramani ya ukosefu wa usawa uliopo wa maeneo ya kijani na huduma za mfumo ikolojia.
• ML inaweza kutumika kutabiri udhaifu wa kimazingira na kulinganisha hali za upangaji.
• Uboreshaji wa malengo mengi unaweza kufanya maafikiano kati ya usawa, gharama na huduma za mfumo ikolojia yaonekane.
• Data zinazobeba ukosefu wa usawa wa zamani zinaweza kusababisha ukosefu huo kuzalishwa upya katika maamuzi mapya ya upangaji yanayosaidiwa na ML.
• Seti za data za kidijitali huenda zisiwakilishe kwa usawa wakazi wote wa mijini.
• Zana za kiufundi za usawa haziwezi kujitengenezea zenyewe malengo ya usawa wa kijamii.
• Kuingiza maarifa ya Wenyeji na ya mahali katika upangaji kunapaswa kuzingatiwa si kama uchimbaji wa data pekee, bali kama uzalishaji wa pamoja wa maarifa na utawala wa data.
• Upangaji unaosaidiwa na ML unahitaji mifumo ya uwazi, ushiriki, ufuatiliaji na uwajibikaji.
• Jukumu la ujifunzaji wa mashine katika upangaji wa miundombinu ya kijani linapaswa kubaki usaidizi wa maamuzi; uwajibikaji ubaki kwa taasisi za upangaji, jamii na michakato ya utawala.

Matokeo yasiyoungwa mkono na kazi

Kazi chanzo haisemi kuwa ujifunzaji wa mashine hufanya upangaji wa miundombinu ya kijani kuwa wa haki kiotomatiki.

Haitetei kwamba ujifunzaji wa mashine unapaswa kuchukua nafasi ya ushiriki wa binadamu.

Haithibitishi kwamba uwekezaji katika miundombinu ya kijani utakuwa na mafanikio zaidi kwa hakika pale ML inapotumiwa.

Haionyeshi kuwa ML ni bora kuliko GIS ya kawaida au mbinu rahisi katika kila tatizo la upangaji.

Haidai kuwa maarifa ya Wenyeji au ya mahali yanaweza kutafsiriwa kikamilifu kila wakati kuwa modeli ya nambari.

Haidai kuwa mifumo kama AIA, SEA, CARE, OCAP au FPIC inaweza kutatua yenyewe matatizo yote ya usawa.

Haitetei kwamba matokeo ya ujifunzaji wa mashine yanapaswa kukubaliwa kama uamuzi wa mwisho wa upangaji.

Hitimisho la jumla

Ujumbe mkuu wa kazi si kupinga teknolojia. Inakubali kwamba uwezo mkubwa wa ujifunzaji wa mashine katika uchakataji wa data nyingi, uchoraji ramani, utabiri, uchanganuzi wa hali na uboreshaji wa malengo mengi unaweza kutoa mchango muhimu katika upangaji wa miundombinu ya kijani.

Hata hivyo, nguvu ya hesabu ya algoriti na uhalali wa kijamii wa uamuzi wa upangaji si kitu kimoja.

Modeli inaweza kufanya kazi kikamilifu kiufundi lakini ikaboresha lengo lisilo sahihi. Data inaweza kuonekana safi kisayansi lakini isiwasilishe baadhi ya sehemu za jamii. Ramani inaweza kuwa sahihi kijiografia lakini ikaficha thamani ya kitamaduni. Uboreshaji unaweza kuongeza manufaa ya jumla hadi kiwango cha juu huku ukisukuma nyuma mahitaji ya jamii iliyo hatarini zaidi.

Kwa hiyo, katika upangaji wa miundombinu ya kijani unaolenga usawa, swali kuu si tu “Ujifunzaji wa mashine unatabiri vizuri kiasi gani?” Pia ni lazima kujibiwe maswali “Unaboresha nini, unaamini data gani, nani anawakilishwa, nani anaamua, nani anaweza kudai uwajibikaji na matokeo halisi ya utekelezaji yanafuatiliwaje baadaye?”

Katika mkabala wa waandishi, ujifunzaji wa mashine si mtoa uamuzi wa mwisho, bali sehemu ya mfumo wa upangaji wa kijamii-kiteknolojia ulio wazi, shirikishi, unaoweza kuhojiwa na kutathminiwa upya mara kwa mara.

Chanzo na Dokezo la Mbinu

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

Waandishi: Umberto Baresi; Alessio Russo.

Mpangilio wa waandishi: Kama ilivyo katika chanzo, Umberto Baresi ni mwandishi wa kwanza na Alessio Russo wa pili.

Taasisi ya kwanza: School of Architecture and Built Environment, Faculty of Engineering, Queensland University of Technology, Brisbane 4000, Australia.

Taasisi ya pili: Centre for Environment and Society, Queensland University of Technology, Brisbane 4000, Australia.

Taasisi ya tatu: IUCN Commission on Environmental, Economic and Social Policy, 1196 Gland, Switzerland. Uhusiano huu ni wa Umberto Baresi.

Mwandishi wa mawasiliano: Umberto Baresi.

Mchango sawa / uandishi wa kwanza wa pamoja: Hakuna taarifa kama hiyo katika chanzo.

Aina ya chapisho: Perspective.

Jarida: Urban Science.

Mchapishaji: MDPI.

Juzuu / toleo / nambari ya makala: 10 / 7 / 377.

DOI: 10.3390/urbansci10070377.

Tarehe ya kuwasilisha: 15 Aprili 2026.

Tarehe ya marekebisho: 19 Juni 2026.

Tarehe ya kukubaliwa: 26 Juni 2026.

Tarehe ya kuchapishwa: 2 Julai 2026.

Mhariri wa kitaaluma: Jianming Cai.

Leseni: Creative Commons Attribution (CC BY).

Kiungo rasmi cha chapisho: https://www.mdpi.com/2413-8851/10/7/377

Kiungo cha DOI: https://doi.org/10.3390/urbansci10070377

Ufadhili: Waandishi waliripoti kuwa utafiti haukupokea ufadhili wa nje.

Bodi ya maadili ya taasisi: Iliripotiwa kuwa haitumiki.

Ridhaa yenye taarifa: Iliripotiwa kuwa haitumiki.

Upatikanaji wa data: Makala chanzo inasema wazi kuwa hakuna data mpya iliyoundwa au kuchanganuliwa. Kwa hiyo kazi haitoi seti asili ya data wala hifadhi ya data ya majaribio.

Mgongano wa maslahi: Waandishi walitangaza kuwa hakuna mgongano wa maslahi.

Michango ya waandishi: Uundaji wa dhana ulifanywa na Umberto Baresi na Alessio Russo; rasimu ya awali na mapitio/uhariri vilifanywa na waandishi wote wawili. Uoneshaji ulifanywa na Umberto Baresi. Waandishi wote wawili walisoma na kuidhinisha toleo lililochapishwa.

Taarifa ya matumizi ya akili bandia: Waandishi waliripoti kuwa Microsoft Copilot (GPT-5 chat model) na ChatGPT (OpenAI, GPT-5 chat model) zilitumiwa wakati wa kuandaa makala kwa madhumuni ya kusahihisha maandishi na kuboresha sarufi pekee. Matokeo yalipitiwa na kuhaririwa na waandishi na wajibu wa maudhui ya chapisho uliendelea kuwa wa waandishi.

Asili ya mbinu ya kisayansi: Kazi si utafiti wa kukusanya data mpya za majaribio, jaribio la uwanjani wala uundaji wa modeli asili ya ML. Ni usanisi wa Perspective unaolenga upangaji na kutumia fasihi ya hivi karibuni.

Mfumo mkuu wa dhana: Kazi za kimaelezo, kitabiri na kimaagizo za ML katika upangaji wa miundombinu ya kijani; thamani zake za usawa na hatari za kiufundi/kijamii; upendeleo wa algoriti na ukosefu wa haki wa anga; maarifa ya Wenyeji na ya mahali; uwazi na uwajibikaji; AIA, SEA, CARE, OCAP, FPIC na michakato shirikishi ya ubunifu wa pamoja.

Dokezo la fomula na takwimu: Makala chanzo haitoi kwa utafiti wake mlinganyo mkuu wa kihisabati, jaribio la dhana ya takwimu, thamani ya p, muda wa kujiamini, kipimo cha utendaji wa majaribio wala thamani ya usahihi wa modeli. Kwa hiyo hakuna fomula au takwimu nje ya chanzo iliyoongezwa kwenye maandishi ya Verianla.

Uhamishaji wa jedwali: Kategoria tano za matumizi ya ML katika Jedwali la 1 la chanzo zimetafsiriwa kwa Kiswahili pamoja na kazi ya upangaji, thamani ya usawa, hatari kuu na kinga ya utawala.

Uhamishaji wa kielelezo: Kielelezo cha 1 cha chanzo kimeundwa upya kama inline SVG huru inayohifadhi mahusiano ya kisayansi bila kunakili picha asili. Mchoro si data ya kiasi wala matokeo ya majaribio.

Kikomo kikuu cha tafsiri: Mifano ya Los Angeles, Barcelona, Bronx, miji ya Amerika ya Kusini, China, Tumbes, Sundarbans, Mumbai na mingine iliyotolewa katika makala si majaribio mapya yaliyofanywa na Baresi na Russo. Ni mifano kutoka fasihi ya awali inayojadiliwa na kazi ya Perspective.