Conscious infrastructure for fairness aware detection of household water insecurity in Hyderabad informal settlements

Resumo Técnico: Infraestrutura Consciente para a Detecção de Insegurança Hídrica Familiar com Sensibilidade à Equidade em Assentamentos Informais de Hyderabad

Problema
As aplicações atuais de Inteligência Artificial (IA) e aprendizado de máquina na governança de água urbana são predominantemente organizadas em torno da perspectiva operacional das concessionárias, focando em ativos de rede, fluxos, pressões e visibilidade de infraestrutura. Esta orientação é analiticamente incompleta para assentamentos informais, onde a insegurança hídrica é frequentemente experienciada não como uma ausência total de infraestrutura, mas como o ônus doméstico de tornar serviços pouco confiáveis ou inseguros utilizáveis. O artigo identifica um "hiato de visibilidade infraestrutural": o descompasso entre os ônus experimentados pelas famílias (perda de tempo, pressão de renda, riscos à saúde, custos de enfrentamento) e as evidências que os sistemas de decisão pública reconhecem como acionáveis. Quando os modelos de IA são treinados apenas em variáveis visíveis às concessionárias (ex: tipo de fonte, cronogramas de abastecimento), correm o risco de otimizar a legibilidade institucional enquanto negligenciam famílias cuja insegurança se expressa através do trabalho e da interrupção econômica. Isso constitui um "viés de formulação do problema" em vez de meramente um viés algorítmico técnico.

Metodologia
O estudo operacionaliza uma arquitetura de suporte à decisão denominada Sistemas Neurais de Infraestrutura Consciente (CINS). É importante notar que "neural" neste contexto refere-se a uma arquitetura de decisão interligada que conecta dados domésticos, classificação preditiva, auditorias de equidade de subgrupos e protocolos de resposta institucional, e não ao uso de algoritmos de redes neurais.

• Fonte de Dados: A análise utiliza um conjunto de dados brutos compreendendo 1.700 registros de pesquisas domiciliares em 34 assentamentos informais em Hyderabad, Índia, e 34 registros de amostras de qualidade da água. Os dados originam-se de uma pesquisa de doutorado sobre acesso à água potável e tomada de decisão.
• Variável de Desfecho: O desfecho primário é um indicador binário de se uma residência relatou que seu cronograma de trabalho foi interrompido pelo tempo de abastecimento ou disponibilidade de água potável. Isso serve como um proxy para a insegurança hídrica "vinculante", capturando consequências econômicas e temporais diretas em vez de percepção subjetiva.
• Comparação de Modelos: Dois modelos de regressão logística foram estimados e comparados em um conjunto de teste mantido à parte (30% dos dados, estratificado):
  1. Modelo Visível à Concessionária: Inclui variáveis mais próximas do conhecimento convencional de infraestrutura (uso de fonte, cronograma de abastecimento, duração do armazenamento, ID do assentamento, risco microbiológico vinculado).
  2. Modelo de Ônus Doméstico: Inclui todas as variáveis visíveis à concessionária mais variáveis de ônus doméstico (medianas de renda/despesa, proporções de despesas, classificações de qualidade/quantidade percebidas, indicadores de doença/tratamento, ônus de busca de água e dependência de múltiplas fontes).
• Métricas de Avaliação: O desempenho foi avaliado por meio de acurácia, precisão, recall, F1-score, AUC e, especificamente, a Taxa de Falsos Negativos (FNR). O estudo prioriza a redução da FNR entre subgrupos vulneráveis (quartil de renda mais baixa, domicílios com múltiplas fontes, domicílios dependentes de caminhões-pipa e aqueles em assentamentos com risco microbiológico) sobre a acurácia agregada.
• Auditoria de Equidade: Uma análise de subgrupo foi realizada para determinar se a inclusão de variáveis de ônus reduziu a subdetecção para grupos vulneráveis específicos. Uma análise de importância de recursos (feature importance) via Random Forest foi usada como uma verificação suplementar de interpretabilidade.

Principais Resultados

• Desempenho do Modelo: O modelo de ônus doméstico superou o modelo visível à concessionária no conjunto de teste.
  • Acurácia: Aumentou de 0,669 para 0,731.
  • Recall: Aumentou de 0,636 para 0,714.
  • F1-Score: Aumentou de 0,513 para 0,593.
  • AUC: Aumentou de 0,731 para 0,818.
  • Taxa de Falsos Negativos: Diminuiu de 0,364 para 0,286.
• Matriz de Confusão: O modelo de ônus doméstico identificou corretamente 100 verdadeiros positivos (domicílios com interrupção) em comparação com 89 do modelo visível à concessionária, reduzindo os domicílios com interrupção não detectados de 51 para 40.
• Equidade de Subgrupo:
  • Melhorias: A FNR diminuiu significativamente para o quartil de renda mais baixa (32,1% para 25,0%) e para domicílios com múltiplas fontes (40,5% para 31,6%).
  • Anomalia: A FNR para domicílios dependentes de caminhões-pipa aumentou ligeiramente (8,8% para 12,5%). Os autores interpretam isso como um resultado do fato de o uso de caminhões-pipa já ser um forte preditor no modelo visível à concessionária; a adição de variáveis de ônus redistribuiu os pesos do modelo, enfraquecendo levemente o desempenho para este subgrupo específico cujo risco já era altamente visível.
• Importância de Recursos: No modelo de ônus doméstico, a pressão econômica (despesa, margem de renda), a qualidade percebida do serviço e o ônus de busca de água emergiram como preditores de alto escalão ao lado das variáveis de infraestrutura, confirmando que a experiência doméstica adiciona informações relevantes para a decisão.

Principais Contribuições

1. Estrutura Conceitual: O artigo introduz o hiato de visibilidade infraestrutural como uma ponte entre a insegurança hídrica doméstica, justiça de dados e governança urbana. Define este hiato como a diferença entre os ônus experimentados pelas famílias e as evidências reconhecidas pelos sistemas de decisão.
2. Evidência Empírica: Fornece uma comparação reproduzível demonstrando que a incorporação de variáveis de ônus doméstico melhora a detecção de domicílios de alto risco e reduz falsos negativos entre subgrupos vulneráveis, desafiando a suficiência dos dados centrados na infraestrutura.
3. Arquitetura de Governança (CINS): O artigo propõe o CINS não apenas como uma ferramenta preditiva, mas como uma arquitetura de governança que vincula a classificação preditiva a protocolos de resposta institucional. Argumenta que a IA sensível à equidade deve ser projetada em torno da detecção de ônus domésticos e deve disparar ações específicas (ex: reteste, correção de suprimento, avaliação de acessibilidade) em vez de permanecer como saídas passivas de painéis de controle (dashboards).
4. Reenquadramento da Equidade: O estudo desloca a avaliação da equidade na IA de infraestrutura da acurácia agregada para a distribuição de falsos negativos entre subgrupos vulneráveis, argumentando que a equidade é uma propriedade da inclusão de dados e da formulação do problema, não apenas de ajustes post-hoc do modelo.

Significância e Alegações
O artigo alega que a equidade na IA de infraestrutura não é alcançada meramente corrigindo as saídas do modelo, mas alterando fundamentalmente a arquitetura de dados para incluir os ônus domésticos. O argumento central é que uma família pode ser "formalmente visível" (conectada a uma rede), porém "analiticamente invisível" em relação aos ônos de trabalho e econômicos que suporta.

Os autores alegam modestamente que sua análise demonstra que as variáveis de ônus doméstico melhoram a detecção sob uma especificação de linha de base transparente. Eles não alegam ter identificado um modelo final ideal ou ter implementado totalmente o CINS operacionalmente. Em vez disso, o artigo posiciona a comparação de modelos como um instrumento de diagnóstico para a visibilidade institucional, mostrando o que é perdido quando o ônus doméstico é excluído. A significância reside na afirmação de que, para a IA ser sensível à equidade na governança de água urbana, ela deve ser projetada para reconhecer as realidades vividas dos assentamentos informais — especificamente a fragmentação do serviço e os ônus associados — em vez de depender exclusivamente da visibilidade da infraestrutura. O artigo conclui que, sem integrar dados de ônus doméstico e vincular previsões a protocolos de resposta, a IA corre o risco de tornar a governança da água mais eficiente enquanto preserva a invisibilidade daqueles mais afetados pela acessibilidade não confiável.