Usando Tecnologia pra Evitar Despejos de Inquilinos

Em várias cidades, as evacuações de inquilinos são um desafio e tanto para a estabilidade habitacional. A situação é bem parecida com um jogo de Jenga—um movimento errado e tudo pode desmoronar. Para ajudar quem tá em risco de ser despejado, precisa de programas de outreach eficazes. É aí que entram os métodos baseados em dados.

Nossa meta é descobrir se usar tecnologia esperta pode melhorar esses programas. A gente propõe uma nova estrutura chamada Busca Geoespacial Ativa (AGS), que foca em identificar unidades de aluguel que precisam de ajuda, considerando os custos de viagem e os Recursos limitados.

#Entendendo as Evacuações de Inquilinos

As evacuações podem colocar a galera numa roda viva de instabilidade, principalmente pra quem tá em comunidades marginalizadas, como famílias com crianças ou mães solteiras. Quando uma família é despejada, isso pode criar um efeito dominó que piora a crise habitacional, atingindo não só o inquilino, mas o mercado de aluguel todo. Os dados mostram que as evacuações nos EUA estão aumentando, com milhões de casos registrados todo ano. Isso é preocupante porque afeta quem menos pode arcar com isso.

Durante a pandemia de COVID-19, teve uma pausa temporária nas taxas de evacuação graças a moratórias em vários níveis de governo. Mas, agora que essas medidas foram retiradas, estamos de volta a enfrentar o desafio das taxas de evacuação subindo.

#A Necessidade de Outreach Eficaz

Uma forma de lidar com o problema das evacuações é fornecer recursos diretamente pra inquilinos em risco. Informações sobre representação legal, assistência financeira e outros recursos podem ser vitais pra ajudar os inquilinos a ficarem em suas Casas. Mas, fazer campanha nos bairros pra alcançar esses inquilinos pode ser trabalhoso e os recursos disponíveis costumam ser limitados.

Então, como a gente faz o melhor com o que tem?

#Apresentando a Busca Geoespacial Ativa (AGS)

É aí que entra nossa estrutura de Busca Geoespacial Ativa. A AGS foi feita pra ajudar os trabalhadores de outreach a encontrarem de forma eficiente as casas que podem estar em risco de despejo. Pense nisso como uma caça ao tesouro, mas, em vez de tesouro, a meta é achar pessoas que precisam de ajuda.

A estrutura da AGS identifica uma sequência de propriedades pra investigar, prevendo quais unidades estão em maior risco de evacuação. O objetivo é usar o tempo e os recursos da melhor forma possível, enquanto se adapta a novas informações que aparecem.

#Como a AGS Funciona

A AGS usa algo chamado abordagem de aprendizado por reforço hierárquico. Essa expressão chique basicamente significa que ela aprende com a experiência, ajustando suas estratégias com base no que funciona e no que não funciona.

Imagina que você tá numa caça ao tesouro com um orçamento. Só pode visitar um número certo de casas, e cada uma delas te custa tempo e energia. A AGS descobre quais casas têm mais chances de ter pessoas precisando de ajuda e te direciona pra lá, tudo enquanto monitora seu orçamento.

#O Desafio da Previsão

Um dos maiores desafios nesse processo é que a gente não sabe de cara quais casas estão em risco. A gente pode usar dados históricos pra fazer suposições, mas as previsões podem ficar desatualizadas rápido.

Isso torna importante equilibrar duas abordagens: exploração (pegar novas informações) e exploração (usar informações que já temos pra encontrar casas em risco). A AGS foi desenhada pra encontrar esse equilíbrio de forma eficaz.

#Construindo a Estrutura

Na AGS, a gente cria vários locais em uma área geográfica, cada um representando uma unidade de aluguel. O sistema usa uma política de busca pra decidir quais casas visitar primeiro, com base em fatores como filings de despejo anteriores e outros detalhes das propriedades.

Toda vez que um local é conferido, um custo é incorrido, que pode variar dependendo da distância percorrida. O objetivo principal da AGS é maximizar o número de descobertas enquanto se mantém dentro do orçamento.

#Avaliando a AGS

Pra ver como a AGS funciona, a gente avaliou usando dados de evacuação de uma grande área urbana. Os resultados mostraram que a AGS é muito mais eficiente em identificar casos de evacuação comparado aos métodos tradicionais.

#Principais Descobertas

1. Eficiência: A AGS superou os métodos base, fazendo dela uma ferramenta valiosa pra outreach.
2. Adaptabilidade: A política de busca pode reagir a novas informações sobre evacuações conforme elas surgem.
3. Gerenciamento de Orçamento: A AGS gerencia os recursos eficientemente, garantindo o máximo de outreach com fundos limitados.

#Pesquisa Relacionada

A AGC se encaixa em um corpo maior de pesquisa focada em usar tecnologia pra lidar com questões sociais. Métodos semelhantes foram aplicados em diferentes áreas como ajuda em desastres, redistribuição de doação de alimentos e mais. Mas nenhum focou especificamente na prevenção de Despejos dessa forma.

#Técnicas de Busca Ativa

A AGS se baseia em técnicas de busca ativa existentes, que são usadas pra encontrar pontos de dados específicos em um grande conjunto de dados. Enquanto os métodos tradicionais procuram por instâncias com rótulos conhecidos, a AGS precisa explorar sem conhecimento prévio sobre as propriedades-alvo.

#Busca Ativa Visual

Um modelo relacionado, chamado Busca Ativa Visual (VAS), usa imagens pra ajudar a identificar objetos-alvo em uma grande área de imagem. Mas a AGS não se baseia somente em dados visuais, já que foca no contexto geográfico das propriedades.

#A Abordagem Hierárquica

Pra melhorar ainda mais a AGS, a gente introduz uma estrutura hierárquica que divide a área de busca em regiões menores.

1. Política de Nível 1: Essa política decide qual região maior investigar com base em um conjunto de entradas.
2. Política de Nível 2: Uma vez que uma região é escolhida, essa política se concentra em propriedades específicas pra checar.

Essa configuração permite uma melhor gestão de buscas complexas em áreas grandes.

#Avaliando o Desempenho

Quando testamos a AGS em dados reais de evacuação, ela consistentemente superou os métodos tradicionais, especialmente em áreas com recursos limitados.

#Variações nos Custos de Consulta

A gente também analisou como diferentes custos de consulta influenciaram o desempenho. Em cenários onde encontrar alvos era mais difícil, a AGS mostrou resultados ainda mais promissores, destacando sua adaptabilidade.

#Combinando Tipos de Dados

Uma parte interessante do nosso trabalho foi como os dados visuais e tabulares influenciaram o desempenho. Embora os dados visuais possam fornecer insights, os dados tabulares costumam ter mais peso. Mas, quando usados juntos, eles criam uma ferramenta mais poderosa pra identificar casas em risco.

#Conclusão

A estrutura da Busca Geoespacial Ativa representa um passo significativo pra melhorar os esforços de outreach pra inquilinos em risco de despejo. Combinando de forma eficaz aprendizado por reforço com dados geoespaciais, a AGS é como ter uma arma secreta na luta contra a instabilidade habitacional.

À medida que avançamos, é essencial considerar não só como essas tecnologias podem ajudar, mas também as implicações éticas de usar dados pra servir populações vulneráveis. Com a abordagem certa, a AGS poderia ajudar muito as agências de serviços sociais a conectar inquilinos com a ajuda que eles precisam, potencialmente evitando o caos que as evacuações costumam trazer.

Vamos torcer pra que a única coisa que seja despejada sejam as formas ultrapassadas de encontrar inquilinos em risco!