Anderson의 관점
기계 학습으로 글로벌 빈곤의 실제 상태를 추정하는 방법
Unite.AI를 Google의 선호 소스에 추가
UC 버클리, 스탠퍼드 대학교, 페이스북의 협력을 통해 기계 학습을 사용하여 국가 및 국가 간의 실제 빈곤 상태에 대한 더 깊은 이해를 제공합니다.
연구는 연구로, 저소득 및 중소득 국가의 모든 지역에 대한 재산 미세 추정이라는 제목으로, 사용자가 저소득 및 중소득 국가의 빈곤 지역과 지역의 절대적 및 상대적 경제 상태를 상호 작용하여 탐색할 수 있는 베타 웹사이트와 함께 제공됩니다.
이 프레임워크는 위성 이미지, 지형도, 모바일 전화 네트워크 및 페이스북의 집계된匿名데이터를 통합하며, 상대적 재산 불평등을 보고하는 목적으로 면대면 설문조사에 대해 검증됩니다.
빈곤도 지도를 나타낸 세계지도. 아래는 남아프리카와 레소토의 12제곱킬로미터 지역의 확대도입니다. 출처: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf
이 시스템은 나이지리아 정부에 의해 사회 보호 프로그램을 관리하는 기준으로 채택되었으며, 세계은행의 기존 프레임워크와 함께 작동합니다.
연구는 데이터 빈곤이 국가의 데이터 수집 자원이나 인프라가 제한적인 경우에 원조의 분배에 영향을 미친다고 주장합니다.
미報告 빈곤층 등록
연구자들의 시뮬레이션은 기존의 원조 자원 할당 규정에 따라 이 시스템을 사용하면 가장 필요한 사람들에게 더 많은 지급이 증가하고, 높은 소득 계층에 있는 기존 수령인의 지급이 감소한다는 것을 보여주었습니다.
이전의 AI를 사용한 빈곤 추정 연구는 주로 위성으로부터 얻은 데이터에 집중했지만, 연구자들은 모바일 연결성 데이터가 지역 간의 재산 불평등에 대한 더 정확한 통찰력을 제공한다고 주장합니다.
위성 이미지 빈곤 분석
위성 기반 빈곤 분석의 원리는貧困한 사람들이 밤에 전등을 켤 수 있는 돈이 없거나 전등 시설이 없을 수 있다는 가정에 기반합니다. 이러한 가정은 다른 방법으로 확인된 사람들의 존재와 상관관계를 통해 결핍 지수를 생성할 수 있습니다.
이 기술은 2016년에 스탠퍼드 대학교의 다른 연구 그룹에 의해 제안되었습니다.
4개의 컨볼루션 필터는 도시 지역, 농촌 지역, 물, 도로와 관련된 특징을 식별합니다. 출처: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf
글로벌 빈곤 통계의 기초
연구자들은 기존의 인구 통계 및 건강 조사 프로그램(DHS) 데이터를 사용하여 데이터 프레임워크를 파생시켰습니다.
이 프레임워크는 DHS 데이터와 함께 작동하며, 높은 해상도로 작동합니다.
모바일 연결성 경제 지표
경제적으로 어려운 지역에 거주하는 사람들에게 모바일 연결성은 지난 20년 동안 기술적 생명선을 제공했습니다. 모바일 전화는 또한 은행 계좌나 다른 전통적인 수단이 없는 원조 수령인에게 결제 플랫폼으로 사용됩니다.
그러나, 이전에 관찰된 바와 같이, 모바일 네트워크 지표를 경제 지수로 사용하는 것은 몇 가지 잠재적인 단점이 있습니다. 이러한 시스템은 사용자에게 여러 개의 모바일 전화가 있는 경우에 게임될 수 있으며, 개인의 고유한 ID 해시를 대신할 수 있습니다. 또한 이러한 식별 시스템을 생성하는 경우 개인 정보 보호에 대한 영향을 미칠 수 있습니다.
