Makine Öğrenimi ile Küresel Yoksulluğun Gerçek Durumunu Tahmin Etme

UoC Berkeley, Stanford Üniversitesi ve Facebook’tan bir işbirliği, makine öğreniminin kullanımıyla ülkeler ve uluslar arası düzeyde yoksulluğun gerçek durumuna daha derin ve daha ayrıntılı bir bakış açısı sunuyor.

Araştırma, Düşük ve Orta Gelirli Ülkeler için Tüm Zenginlik Miktarlarının Mikro Tahminleri adlı bir beta web sitesiyle birlikte sunuluyor ve bu site, kullanıcıların düşük ve orta gelirli ülkelerdeki alanların ve yoksulluk cebplerinin mutlak ve göreli ekonomik durumunu etkileşimli olarak keşfetmelerine olanak tanır.

Çerçeve, uydu görüntüleri, topografik haritalar, cep telefonu ağları ve Facebook’tan toplu anonim verilerden oluşan verileri içerir ve bu veriler, bir bölgedeki相对 zenginlik farklılıklarını raporlamak amacıyla yüz yüze anketlerle doğrulanır.

Yoksulluğun küresel haritası, en çok etkilenen alanlara ağırlık verilerek oluşturuldu. Aşağıda, Güney Afrika ve Lesotho’nun (b) 12 km²’lik bir alanı ve Cape Town yakınlarındaki Khayelitsa kasabası görülüyor. Kaynak: https://arxiv.org/ftp/arxiv/papers/2104/2104.07761.pdf

Sistem, Nijerya hükümeti tarafından sosyal koruma programlarını yönetmek için bir temel olarak benimsendi ve Dünya Bankası’ndan mevcut çerçevenin yanı sıra Ulusal Sosyal Güvenlik Ağ Projesi (NASSP) ile birlikte çalışıyor. Şubat ayında, ilk yararlanıcılar 5000 Nijerya nairası tutarında bir nakit transferi aldı ve bu tutar, altı ay boyunca ödenecek ve bir milyon nairaya ulaşıldığında sona erecektir.

Makale, veri yoksulluğunun, ülkelerin sınırlı altyapısı veya veri toplama kaynakları nedeniyle yardımı yanlış dağıtmasına önemli bir katkı sağladığını ve siyasi olarak motive edilmiş yanlış raporlamanın da bu konuda bir faktör olduğunu belirtiyor.

Bilinemeyen Yoksulların Kaydı

Araştırmacıların simülasyonları, mevcut yardım kaynaklarının dağıtımına ilişkin düzenlemeler altında, bu sistemin en çok ihtiyacı olanlara ödemeyi artırdığını ve daha yüksek gelir gruplarındaki mevcut yararlanıcılar için ödemeyi azalttığını gösterdi. Makale, COVID-19 krizinin başlangıcında, sosyal koruma programı yöneticilerinin yardımı dağıtmakta zorlandıklarını, çünkü kapsamlı veya ayrıntılı veri bulunmadığını da belirtiyor. Nijerya’da, Örneğin, en son anket verileri yalnızca tüm Nijerya ilçelerinin %13,8’ini kapsarken, yeni sistem %100 kapsama sunuyor.

Önceki AI destekli yoksulluk tahmini çalışmaları, büyük ölçüde uydu verilerine odaklanmıştı (aşağıya bakınız), ancak araştırmacılar, mobil bağlantılı verilerin daha doğru ve ayrıntılı bir gelir farklılığı görüntüsünü sağladığını ve bu bilginin projenin katkıda bulunan verilerinin yarısını oluşturduğunu belirtiyorlar.

Genel olarak, araştırmacılar, bir ülkede eğitilen modellerin, komşu ülkeleri kapsayan modeller için faydalı ve doğru bir şablon olabileceğini gözlemliyorlar. Ayrıca, yeni çerçevenin yalnızca şehir ve kırsal alanlar arasında ayrım yapabileceğini, aynı zamanda şehirleşmiş alanlar içindeki farklılıkları da gösterebileceğini, bu da birçok recent araştırma girişiminin kapsamını aşan bir şey olduğunu belirtiyorlar.

Yoksulluk Analizinde Uydu Görüntüleri

Uydu tabanlı yoksulluk analizinin temel ilkesi, yoksul insanların gece vakti elektrikli ışıkları çalıştırmak için para bulamadıkları veya hiç elektrikli ışık tesisatına sahip olmadıkları varsayımıdır. Işıkların absenceinin, diğer yöntemlerle (örneğin, mobil bağlantılı verilerle) belirlenen insanların varlığıyla ilişkili olduğu durumlarda, bir yoksunluk endeksi oluşturulabilir.

Bu teknik, 2016 yılında başka bir araştırma grubunun daha önceki Stanford makalesinde önerildi. Bu makalede açıklanan yöntem, ABD Hava Kuvvetleri Savunma Meteorolojik Uydu Programı (DMSP) tarafından sağlanan akşam saatlerinde uydu görüntülerinin kullanımını başlattı.

Dört convolutional filtre, soldan sağa, şehir bölgeleri, kırsal bölgeler, su ve yollarla ilgili özelliklere dikkat çeker. İlk satır, Google Haritalar’dan kaynak görüntülerini, orta satır makine öğrenimi analizinden filtre aktivasyon haritalarını ve alt satır, aktivasyon haritalarının orijinal harita görüntülerine eklenmesini gösterir. Kaynak: https://science.sciencemag.org/content/sci/353/6301/790.full.pdf

Stanford projesi, gece ışıklarının uydu gözetimindeki kanıtlarını, aynı yıl gerçekleşen DHS anketlerinin veritabanıyla ilişkilendirdi. Belirli ekonomik göstergeler için gece ışığı değerlerinin ortalamalarını oluşturmak gerekliydi.

Küresel Yoksulluk İstatistikleri için Temel Gerçek

Yeni Stanford projesi için araştırmacılar, mevcut Demografik ve Sağlık Anketi (DHS) Programı’ndan veri çerçevesini türetmeye karar verdiler, bu da effectively DHS şemasını veritabanında tekrar ediyor. Araştırmacılar gözlemliyor ki: ‘Modelimizi yalnızca DHS verileri üzerinde eğittik, çünkü bu, kamuoyuna açık, uluslararası standartlaştırılmış zenginlik verilerini sağlayan, alt-bölgesel coğrafi işaretlerle ev düzeyinde zenginlik tahminleri sunan en kapsamlı tek kaynaktır.’

Ancak, proje DHS’den çok daha yüksek bir çözünürlükte çalışıyor ve mevcut çerçevenin kullanılmasının iki faydası var: ilk olarak, DHS verileri gelirin resmi raporlanmasına dayanmıyor, bu da en çok yoksullukla mücadele eden ülkelerde güvenilir bir gösterge değil; ikinci olarak, veriler standardize bir şekilde toplanıyor ve uluslararası bir şablonla uyumlu, bu da araştırmacıların çerçevesinin diğer ülkeleri de kapsamasını sağlıyor.

Ekonomik Bir Gösterge Olarak Mobil Bağlantı

Ekonomik olarak zor durumda olan bölgelerde yaşayan insanlar için, mobil bağlantı son yirmi yıl içinde bir teknolojik can simidi haline geldi, çünkü mobil telefonlar bu koşullarda güvenilebilecek minimum teknolojik platformdur. Mobil telefonlar, ayrıca banka hesabı veya geleneksel para alma yolları olmayan yardım alacaklar için de facto ödeme platformları haline geldi.

Önceki gözlemlerde olduğu gibi, makine öğrenimi sistemleri için ekonomik bir gösterge olarak mobil ağ göstergelerini kullanmanın bazı potansiyel dezavantajları vardır: bu sistemden en çok yararlanmak isteyen people, hatta bir cep telefonuna bile sahip olmayabilir; sistem, kullanıcıların birden fazla cep telefonuna sahip olduğu durumlarda, bir telefonun vatandaşların benzersiz kimlik numaraları için bir proxy haline geldiği durumlarda manipüle edilebilir; ve bu tür bir kimlik sistemi oluştururken, yerel veya ulusal hükümetin projeye bazı denetimleri varsa, gizlilik endişeleri ortaya çıkabilir.