Social Impact Hackathon
A Starch csapat Symbio projektje
Szöveg: Diana Borisenko, Hieu Vo, Kiss Anna, Márton Márk, Móricz Áron
A bemutatott projekt célja egy olyan megoldás kidolgozása volt, amely a mesterséges intelligencia és a gépi tanulás eszközeit használja a fenntartható város kialakítására, különös tekintettel Budapest zöldebb és fenntarthatóbb jövőjének előmozdítására. Emellett a projekt építészeti vonatkozásait is figyelembe vettük.
Az esemény kulcsfogalmai a fenntartható zöld város koncepciója Budapest példáján keresztül, valamint a mesterséges intelligencia és a gépi tanulás alkalmazása.
Ötleteink a MOME által szervezett Social Impact Hackathon keretében születettek meg 2023 decemberében. Közgazdász, építész és informatikai háttérrel rendelkező tagokból álló csapatunk egy mentor segítségével dolgozott a koncepción. A résztvevők intenzív képzést kaptak a MOME AI Days során, majd egy 24 órás Hackathon keretében nyerte el végső formáját a projekt.
Koncepció/Terv
Az egy nap leforgása alatt létrehozott ’Symbio’ projekt az otthoni munkavégzés és a távmunka kihívásaira kínál megoldást, összekapcsolva a lakástulajdonosokat és a távmunkásokat. Figyelembe vettük a munkavégzés pszichológiai és környezeti hatásait, különös tekintettel az izoláció elkerülésére.
A nagyvárosokban az irodahelyiségek több mint 30%-a üresen marad a magas bérleti díjak miatt. Az elmúlt öt évben a co-working helyiségek is jelentősen drágultak, így sokak számára elérhetetlenné váltak. Eközben egyre több távmunkás kényszerül otthon dolgozni, ami gyakran a motiváció és a termelékenység csökkenéséhez vezet. Tanulmányok szerint a home office-ban dolgozók több mint 60%-a küzd azzal, hogy szétválassza a munkáját és a magánéletét, ami mind a hangulatukat, mind a hatékonyságukat negatívan befolyásolja. Felismertük, hogy szükség van egy olyan megoldásra, amely hozzáférhető munkaterületeket biztosít a távmunkások számára a helyi közösségeikben, kezelve a társadalmi elszigeteltség és a motivációhiány problémáit.
A tervezés lépései:
1. Problémafelvetés: a távmunkások új munkakörnyezetet keresnek, miközben szeretnék növelni a társas kapcsolataikat is. Ez azonban nem mindig megvalósítható egy kávézóban, mert soha nem lehet biztosra tudni, hogy a másik fél szeretné-e, ha megszólítanák, vagy van-e ideje beszélgetésre.
2. Célunk, hogy a munkásokat az ideális munkakörnyezetükkel párosítsuk, egy hasonló gondolkodású háztulajdonossal együtt. Ez segít javítani a hangulatot, és egyúttal „megteremteni” egy olyan környezetet, ahol a munkavállalónak (remélhetőleg) könnyebb lesz beszélgetést kezdeményeznie, mivel valószínűleg közös érdeklődési körük van a háztulajdonossal. A szolgáltatásunk felhasználói eleve készen állnak arra, hogy beszélgessenek vagy megszólítsák őket.
3. Megoldás: egy platform (elsősorban) háztulajdonosok számára, akiknek van szabad helyük, amelyet távmunkában dolgozók napi bérelve vagy hosszabb időre foglalhatnak. A platform begyűjti a felhasználók (háztulajdonosok és munkások) alapvető adatait, beleértve az érdeklődési köreiket, a létesítmény feltételeit/igényeit, valamint azt, hogy mennyire tolerálják a találatok közötti megfelelés pontosságát, az úgynevezett ’adventurous level’-t.
A megoldásunk egy olyan platform, amely összekapcsolja az embereket a munkaterületekkel, az egyéni preferenciáik és költségvetésük alapján. Miközben számos lakó- és kereskedelmi ingatlan kihasználatlanul áll, a tulajdonosok továbbra is viselik a közművek, az adók és a karbantartások miatt keletkező költségeket.
A platform lehetővé teszi a tulajdonosok számára, hogy irodákat, lakásokat, vagy akár otthonaik egy részét, garázsokat vagy üzlethelyiségeket néhány órára vagy napra bérbe adjanak, anélkül, hogy hosszú távú elköteleződést kellene vállalniuk. A felhasználók könnyen kiválaszthatják az időpontot, és találhatnak egy munkaterületet a közelükben.
Az összekapcsolást egy OCEAN személyiségteszt segítségével végezzük, amely hasonló tulajdonságú személyeket párosít össze. Bár ez csupán egy eszköz a sok közül, projektünk bemutatja, hogyan használhatók a modern technológiák a fenntartható városfejlesztés érdekében.
A helytulajdonosok kiválaszthatják, mikor szeretnék bérbe adni a munkaterületüket, míg a felhasználók kereshetnek és lefoglalhatnak egy számukra megfelelő helyet, anélkül, hogy hosszú utazásra lenne szükség. Ez nemcsak a forgalom csökkentését szolgálja, hanem támogatja a helyi közösségeket is.
A rendszer lehetővé teszi a felhasználók számára, hogy gyorsan találjanak egy megfelelő munkaterületet a lakóhelyük közelében, a helytulajdonosok pedig passzív jövedelemre tehetnek szert az alulhasznált helyek bérbeadásával.
A piacképességet a kedvező árazás és a meglévő igény biztosítja. Becsléseink szerint Budapesten mintegy 102 000 potenciális felhasználó van, akik közül körülbelül 9% lehet készen a szolgáltatás használatára.
Technika/Háttér
Mit csinálnak a mesterséges intelligencia (MI) modellek? A legegyszerűbb válasz: előrejeleznek. Egy GPT-modell megjósolja a következő legvalószínűbb szót a szövegben a bevitt adatok alapján. Egy képgeneráló modell tiszta zajt vesz, és a prompt vagy a referenciakép alapján megjósolja, hogyan kell változtatni a pixeleken a kívánt eredmény eléréséhez. A mi esetünkben azt szeretnénk megjósolni, hogy az emberek jól kijönnek-e egymással.
A Random Forest algoritmust választjuk MI modellünknek. Az alapul szolgáló mechanizmusokat könnyű megérteni és meg is valósítani. A működési elve röviden elmagyarázva: a Decision Tree (döntési fa) egy fastruktúra, ahol minden ágcsomópont egy tesztet, kérdést vagy feltételt képvisel, az ágak pedig a lehetséges megoldások, válaszok vagy döntések, innen ered a név. A tanuló adathalmaz egy sor válaszból áll minden kérdésre. Egy példa lehet, amikor megkérdezzük az embereket, hogy szeretnek-e bizonyos ételeket.
Tegyük fel, hogy először megkérdezzük, szeretik-e a pizzát. Az ágak egyszerűen igen vagy nem válaszok. Ezután jön a második szint, ahol egy másik ételről kérdezünk. Ezt rétegezhetjük egyre tovább és tovább. Az az ág, amelyen a legtöbb ember van, jelzi a legvalószínűbb kimenetelt, így megtudhatjuk, hogy azok, akik szeretik a pizzát és a lasagnát, valószínűleg a tésztát is kedvelik.
Ez azonban önmagában nagyon hajlamos hibákra, mert minél több kérdést teszünk fel, annál specifikusabbá válnak az útvonalak, elvékonyodik a tanuló adathalmaz, és nehéz kapcsolatokat találni, mivel minden szint ugyanakkora súllyal bír. Ennek elkerülése érdekében több fát veszünk, ahol mindegyikből véletlenszerűen kizárunk bizonyos szinteket.
Ezután a leggyakoribb preferencia az lesz, amelyik a legtöbb fán „győz”. Egy ilyen modellt hívunk Random Forestnek. Az esetünkre lefordítva a felső szintek az emberek párosainak jellemzői lesznek, az utolsó szint pedig a kapcsolatuk.
A tanuló adatokhoz nagyszámú olyan emberre lesz szükség, akik már együtt dolgoznak, és fel kell tennünk nekik azokat a kérdéseket, amelyeket az alkalmazásban is használni akarunk, majd feljegyezzük a munkakapcsolatukat. Ez lehet a legnehezebb rész, mivel nagy adathalmazra van szükség, és a munkakapcsolat értékelése érzékeny téma, ami torzítást okozhat az adathalmazban.
A program felépítésének lépései:
-
a felhasználó személyiségét értékeljük; az OCEAN személyiségteszt modell alapján adott válaszok alapján;
-
felhasználói információk és igények gyűjtése, ez a felhasználók biztosítják;
-
távmunkás és ingatlantulajdonos összepárosítása; ez „rejtett” a felhasználók számára, csak azokkal a felhasználókkal találkoznak, akikkel kedvező kompatibilitásuk van;
-
ajánlórendszer (egy AI modell betanításával); javaslatot tesz a távmunkásnak a lehetséges munkahely/környezet találatok listájára;
-
a „swiper” (távmunkát végző) kiválasztja a számára megfelelő munkahelyeket, majd kapcsolatba léphet az adott ingatlantulajdonossal.
A Hackathonon ezt a mechanizmust Pythonnal implementáltuk, és a tesztelése végett először egy véletlenszerűen generált adathalmazon tanítottuk, amely a várakozásnak megfelelően minden kimenetelt egyformán valószínűnek tartott, majd manuálisan módosítottuk, hogy lássuk hogyan teljesít, ha az adathalmaz nem egyenletes. A teszteken minden alkalommal tökéletesen működött, így a megvalósításhoz már csak a tanuló adatbázis kiépítésére van szükség.
Jövő/Kép
A Carlos Moreno által megalapozott „15 perces város” fogalma olyan városfejlesztési modellt foglal magába, amely arra törekszik, hogy önellátó városrészeket hozzon létre, ahol minden alapvető szolgáltatás – a munkától a szabadidős tevékenységekig – 15 percen belül gyalogosan vagy kerékpárral elérhető legyen. Moreno jelentős problémákat azonosít a modern városokban: zsúfolt utak, környezetszennyezés, valamint az életminőség romlása az otthon, illetve városok bizonyos körzeteiben koncentrálódó központok között való ingázás miatt. A „15 perces város” koncepciója a városok átalakítását javasolja úgy, hogy minden kerület hozzáférést biztosítson a munkahelyekhez, iskolákhoz, üzletekhez és kulturális tevékenységekhez. Ez nemcsak a közlekedési infrastruktúra terhelését csökkenti, hanem elősegíti a helyi közösség fejlődését is.
A városok a legnagyobb CO2-kibocsátók világszerte, ezáltal fokozottan szükségessé válik az infrastruktúrák áttervezése, valamint újra kell gondolnunk a fogyasztási mintáinkat és a város körforgását, ennek fényében a versenyt szorosan összefogó központi téma a „15 perces város” ötlete volt. Ez a jelenben még fokozatosan alakuló városi környezetben zajló fejlesztéseknél működik a leghatékonyabban, azaz rendkívül nehéz a már kiépített rendszereket optimalizáltabb, folyamatosan fejlődő régiókká alakítani. Azonban gépi tanulási rendszerek és algoritmusok felhasználásával lehetőségünk nyílik az emberi befogadóképességet sokszorosan meghaladó adatmennyiségek elemzésére és rendszerbe sorolására, majd ezek alapján ideális kapcsolatok teremtésére, s mindezt megapolisz léptékben alkalmazni.
Elképzeléseinket elméleti szinten tovább fejlesztve, nagy a lehetőség látunk arra, hogy a merev, már megtelepedett városi struktúrát gyakorlatilag újratervezzük és egy folyamatosan változó, folyékony városképpé alakítsuk át, amely 15 perces, saját ökoszisztémával rendelkező klaszterek komplex optimalizált halmazaiból áll. Ehhez szükség van a hiányzó szolgáltatások hotspotjainak a programhoz szabadon csatlakozó budapesti lakosok visszajelzéseivel megerősített beazonosításához, ami alapján lehetséges az olyan ideális helyek javaslata az üzlethelyiséget kereső, megüresedett kirakatokat, irodákat betölteni igyekvő új vállalkozások számára, hogy eközben a természetes versenyt fenntartva, lehetőségük van beilleszkedni a nagyobb szisztémába és integrálódni egy már létező zárt láncú rendszerbe, ahol minden adott vállalkozót közvetlen kapcsolat köt össze egyiket másikkal, s egymást gyarapítják.
Mindent összevetve, a városközpontok és s azok környékén kialakuló üzleti centrumok hatására kis helyen tömörül a forgalom számottevő része, így ez utóbbiak által felértékelődött területeken az üres irodahelyiségek, illetve minden egyéb szolgáltatás fokozatosan egyre megfizethetetlenebbé válnak – ez a képzeletbeli ballon az idővel exponenciálisan tágul, és egyre kevesebb használható szabad terület marad, folyamatosan növekvő költségekkel.
Változatlanul növekszik a szükségessége annak, hogy a munkahelyekre, a hozzá kapcsolódó szolgáltatásokra, illetve az oktatási, a kulturális és kikapcsolódási egységekre holisztikus, egész városokat, megapoliszokat lefedő rendszerként tekintsünk a mindezeket összekötő infrastruktúra hálózat optimalizált decentralizálásával.
A mesterséges intelligencia innovatív felhasználása hozzájárulhat a korábban említett zárt láncú rendszerek létrehozásához, ahol a vállalkozások újra fel képesek használni egymás hulladéktermékei vagy újrahasznosítják majd visszacsatolják őket a hurkolt ökoszisztéma rendszerébe.
(Magyar Építőművészet Utóirat 2024/5)
http://www.budapestoffices.net
https://budapest.impacthub.net/hun/
https://www.ksh.hu/docs/hun/xftp/idoszaki/munkerokelyz/tavmunka/index.html
https://www.ksh.hu/stadat_files/nep/en/nep0034.html
https://www.worldometers.info/world-population/hungary-population/
https://www.macrotrends.net/cities/21138/budapest/population
https://buffer.com/state-of-remote-work/2023
https://news.un.org/en/story/2022/03/1113162
https://www.gemconsortium.org/reports/latest-global-report
https://www.jll.hu/en/trends-and-insights
https://www.nyc.gov/assets/mome/pdf/freelancing-ny-report-09062019.pdf
Grossmann, Inga & Hottung, André & Krohn-Grimberghe, Artus. (2019). Machine learning meets partner matching: Predicting the future relationship quality based on personality traits.
Vera Cruz, Germano & Aboujaoude, Elias & Rochat, Lucien & Bianchi-Demicheli, Francesco & Khazaal, Yasser. (2023). Finding Intimacy Online: A Machine Learning Analysis of Predictors of Success. Cyberpsychology, behavior and social networking.
Eastwick, P. W., Joel, S., Carswell, K. L., Molden, D. C., Finkel, E. J., & Blozis, S. A. (2023). Predicting romantic interest during early relationship development: A preregistered investigation using machine learning. European Journal of Personality, 37(3), 276-312. https://doi.org/10.1177/089020702188587
Luo, Linhao & Yang, Liqi & Xin, Ju & Fang, Yixiang & Zhang, Xiaofeng & Yang, Xiaofei & Chen, Kai & Zhang, Zhiyuan & Liu, Kai. (2020). RRCN: A Reinforced Random Convolutional Network based Reciprocal Recommendation Approach for Online Dating.