A mesterséges intelligencia segíthet a szegénység leküzdésében, de a szakértők óvatosságra intenek. Az MI-elemzések gyorsabb döntéseket és hatékonyabb erőforrás-elosztást tesznek lehetővé a segélyprogramokban, azonban a technológia nem tévedhetetlen, és komoly etikai kérdéseket vet fel.
A szegénység elleni küzdelem területén forradalmi változást hozott a mesterséges intelligencia, amely helyettesítheti a hagyományos felméréseket. A Covid–19-világjárvány alatt Togóban a Novissi nevű program mesterséges intelligencia segítségével döntötte el, hogy ki részesüljön anyagi támogatásban: elemezte a műholdképeket és a mobiltelefon-hálózatok adatait, hogy megbecsüljék az egyes régiók és személyek vagyoni helyzetét, és ez alapján osztották el a rendelkezésre álló 34 millió dolláros keretet a több mint nyolcmilliós lakosságú országban.
A Világbank tavaly októberi Poverty, Prosperity, and Planet jelentése is hangsúlyozta, hogy „az erőfeszítéseket a gépi tanulási és mesterségesintelligencia-modellek kiaknázására kell összpontosítani az adathiányok megszüntetése és az időszerűbb nyomon követés lehetővé tétele érdekében”. Ez különösen fontos a világ legszegényebb területein, ahol a Világbank meghatározása szerint mintegy 700 millió ember él napi 2,15 dollárnál kevesebből.
A hagyományos módszerek korlátai
A szegénység mérése régóta kihívást jelent, főként az idő- és költségszűke miatt – magyarázta Dean Jolliffe, a Világbank közgazdásza. Hozzátette, a tapasztaltabbaknak is több órára van szükségük egyetlen család felméréséhez. Bár a mesterséges intelligencia gyakran pontatlan, Ariel BenYishay közgazdász szerint a jelenlegi rendszerek sem jobbak.
Az MI-eszközök nemcsak a kutatások sebességén javíthatnak, de a háztartási felméréseknél nagyobb, reprezentatívabb részét is lefedhetik a népességnek, és olyan mintázatokat azonosíthatnak az adatokban, amelyeket még a szakemberek is figyelmen kívül hagyhatnak. Az MI segíthet a kutatóknak értékelni, hogy a programok mennyire felelnek meg a céljaiknak, és bemutathatja, hogyan térülnek meg – vagy éppen nem – az egészségügybe, a mezőgazdaságba, az oktatásba és az infrastruktúrába történő beruházások.
Műholdakkal mérik fel a szegénységet
Marshall Burke laboratóriumvezető és csapata úttörő munkát végez a műholdképek és a mesterséges intelligencia ötvözésével a szegénység feltérképezésére. A kutatók Afrika éjszakai és nappali műholdfelvételeit egyaránt felhasználták, hogy megtanítsák a számítógépes modelleket a gazdagságra utaló jellemzők felismerésére.
Ismertette, hogy egy gép képes átfésülni az összes adatot, és meghatározni, mely aspektusok a legfontosabbak. A kutatócsapat 2016-ban arról számolt be, hogy a műholdképek mesterséges intelligenciával végzett elemzése erősen korrelált a terepen végzett szegénységmérésekkel. A gépi tanulás fejlődésével a szakemberek továbbfejlesztették modelljeiket a legújabb technikák beépítésével.
Egy 2020 májusában nyilvánosságra hozott pánafrikai adatkészletet használva, amikor a csapat összehasonlította a gépi tanulási előrejelzéseit 20 ezer falu vagyoni helyzetével kapcsolatos felmérési adataival, az algoritmus ugyanolyan jól teljesített, mint a fáradságos terepi felmérések – az idő és a költség töredékéért.
Néha sikerül, néha nem
A togói Novissi projekt 2022-es elemzése kimutatta, hogy az MI-alapú megközelítés jobban azonosította a segítségre szoruló embereket, mint az országban használt más módszerek – mondta Joshua Blumenstock, a Kaliforniai Egyetem tudósa. Azonban hozzátette, nem biztos, hogy jobbak lettek volna más megoldásokkal, még akkor sem, ha azoknál több erőforrással és felkészülési idővel számolnak.
Ahogyan már említettük, a technológia nem tévedhetetlen. 2022-ben a Google jótékonysági szervezete és a GiveDirectly együttműködésében pénzügyi támogatást küldtek hatezer afrikai családnak. Az MI-alapú előrejelzések ugyanis ezeket a régiókat a jövőbeni árvizek szempontjából magas kockázatúnak minősítették. A támogatásnak köszönhetően a mozambiki gazdák még a vízszint emelkedése előtt megerősíthették az otthonaikat és a földjeiket, míg egy másik kísérletben a nigériai gazdák az árvíz utáni hetekben kaptak célzott segélyt. Azonban a mozambiki áradás nem pontosan ott következett be, ahol előre jelezték, így előfordult, hogy egyes nem érintett családok is kaptak támogatást, míg néhány valóban kárt szenvedett kimaradt belőle.
Szükség van manuális felmérésekre is
Az MI-modelleket korábban is érte kritika rasszizmus, szexizmus és egyéb torzítások miatt. Ahogyan a háztartási felmérések gyakran figyelmen kívül hagyják a legszegényebb családokat – mivel sokuknak nincs állandó lakhelye –, úgy az MI-alapú programok sem feltétlenül tudnak segítséget nyújtani azoknak, akiknek nincs digitális nyomuk. Egyetlen ország sem képes jelenleg többdimenziós szegénységi mérést végezni adminisztratív nyilvántartásokból és műholdadatokból, mert azok nem láthatnak be a házakba és nem mondhatják meg, hogy melyik gyermek alultáplált. A kutatóknak tehát szükségük van viszonyítási alapra, hogy ellenőrizzék az algoritmikus előrejelzéseiket.
Kapcsolódó:
