یک استراتژی هوشمند برای کمک به COVID – با داده های ماهواره ای


چشم انداز پرنده ای از لومه ، پایتخت توگو ، از Google Maps.
بزرگنمایی / چشم انداز پرنده ای از لومه ، پایتخت توگو ، از Google Maps.

نقشه های گوگل

هنگامی که ویروس کرونا ویروس جدید در ماه مارس به توگو رسید ، رهبران آن و همچنین بسیاری از کشورها با دستور ماندن در خانه برای سرکوب عفونت و یک برنامه کمک اقتصادی برای جایگزینی درآمد از دست رفته ، پاسخ دادند. اما نحوه هدایت و تحویل این کمک توسط توگو ، به تعبیری ، فن آورتر از کشورهای بسیار بزرگتر و ثروتمندتر بود. هیچ کس از طریق پست چک کاغذی دریافت نکرد.

در عوض ، دولت توگوسی به سرعت سیستمی را برای کمک به فقیرترین افراد با پرداخت پول نقد همراه جمع کرد ، این فناوری در آفریقا بیش از کشورهای ثروتمند مستقر است که گویا در خط مقدم فناوری تلفن همراه است. آخرین پرداخت ها ، توسط بودجه غیردولتی GiveDirectly ، با استفاده از الگوریتم های یادگیری ماشین که نشانه های فقر در تصاویر ماهواره ای و داده های تلفن همراه را جستجو می کنند ، انجام شده است.

پروژه توگو نمونه ای از همه گیری است که نیاز به آزمایش های فوری دارد و می تواند منجر به تغییراتی پایدار شود. روی آوردن به داده های ماهواره ای و موبایل تا حدودی به دلیل فقدان داده های قابل اعتماد در مورد شهروندان و نیازهای آنها است. Shegun Bakari ، مشاور رئیس جمهور توگو می گوید که این روش بسیار خوب کار کرده است به طوری که رویکرد داده محور احتمالاً به طور گسترده تری مورد استفاده قرار می گیرد. وی گفت: “این پروژه از نظر چگونگی ایجاد سیستم حفاظت اجتماعی خود در توگو برای ما اساسی است.”

سیستم کمک جدید Novissi نام دارد که به زبان محلی Ewe به معنای “همبستگی” است و در طی 10 روز کاری فشرده از اواخر ماه مارس تشکیل شد. سینا لاوسون ، وزیر اقتصاد دیجیتال توگو ، به دلیل ترس از عوارض جانبی توقف همه گیری ، انگیزه داشت. نیمی از 8 میلیون نفر جمعیت توگو با درآمد کمتر از 1.90 دلار در روز زندگی می کنند. بیشتر آنها در بخش به اصطلاح غیررسمی کار می کنند ، به عنوان مثال به عنوان کارگر دستی یا خیاطی ، و محدودیت های COVID-19 به شدت درآمد آنها را کاهش می دهد. لاوسون گفت: “ما فکر می کردیم که باید از این افراد حمایت کنیم زیرا اگر آنها به دلیل COVID نمی میرند ، از گرسنگی می میرند.”

Novissi در 8 آوریل راه اندازی شد و در همان روز کمک هایی را برای کارگران غیر رسمی در لومه پایتخت توگو و اطراف آن ارسال کرد. تبلیغات رادیویی از مردم می خواست كه به شماره خاصی پیامك ارسال كنند كه این امر از طریق یك پرسشنامه كوتاه از طریق پیامك انجام می شد. اگر بررسی علیه پایگاه شناسایی رأی دهندگان توگو ، که 93 درصد از جمعیت را پوشش می دهد ، تأیید کند که شخصی قبلاً یک حرفه غیر رسمی را اعلام کرده و در یک منطقه واجد شرایط زندگی می کند ، بلافاصله کم و بیش ارسال می شود. این برنامه به سرعت به منطقه اطراف دومین شهر بزرگ توگو ، Sokode گسترش یافت.

مردان هر ماه 10،500 دلار (فرانک) CFA ، هر دو هفته تقریباً 20 دلار ، و زنان 12،250 دلار (فرانک) ، تقریباً 23 دلار ، CFA دریافت می کنند. تفاوت در طراحی برای حمایت بهتر از خانواده بود. این بودجه برای جایگزینی تقریباً یک سوم حداقل دستمزد توگو استفاده شد. تاکنون دولت حدود 22 میلیون دلار از طریق Novissi برای نزدیک به 600،000 نفر ارسال کرده است.

لاوسون افتخار می کرد که کمک های دولتی به این سرعت ارسال می شود ، اما با گسترش COVID-19 ، او همچنین نگران بود که برنامه اش نتواند افراد نیازمند را هدف قرار دهد ، تا حدی به دلیل اینکه نمی دانست کجا برود. پیدا کردن آنها. مقامات دولتی با Joshua Blumenstock ، مدیر مشترک مرکز اقدام جهانی موثر در دانشگاه برکلی ، که در حال تحقیق درباره چگونگی پر کردن داده های بزرگ می تواند خلا information اطلاعاتی کشورهایی مانند توگو را پر کند ، تماس گرفتند. آزمایشگاه وی نشان داده بود که ضبط های تلفنی می تواند ثروت فردی در رواندا و همچنین تحقیقات شخصی را پیش بینی کند و تصاویر ماهواره ای می تواند مناطق فقر در جنوب صحرای آفریقا را ردیابی کند.

بلومنستاک پیشنهاد داد که فناوری خود را برای کمک به کار بگیرد و تیمی را استخدام کرد که شامل دانشجویان برکلی ، دو استاد از شمال غربی و نوآوری برای مبارزه با فقر بود. وی همچنین Lawson را به GiveDirerect پیوند داد ، که پرداخت نقدی را به کشورهای فقیر توزیع می کند. GiveDirect به طور مستقیم با Blumenstock قبل از استفاده از کار خود برای اولویت بندی کمک ها صحبت کرد و اکنون فرصتی را برای عملی کردن ایده می یابد.

پرداخت های GiveDirerect معمولاً نشان دهنده اطلاعات جمع آوری شده از کارکنانی است که از جوامع فقیر بازدید می کنند و نظرسنجی های خانگی را انجام می دهند. اما این در طی همه گیری خطراتی را به همراه دارد. هان شنگ چیا ، مدیر پروژه های ویژه این سازمان ، کنجکاو بود که آیا داده های ماهواره ای و مشابه می توانند به گروه کمک کنند تا کمک های سریعتر و گسترده تری را توزیع کند. وی گفت: “مقیاس نیازهایی که امسال با آنها روبرو هستیم بسیار زیاد است.” بانک جهانی در ماه اکتبر تخمین زده است که تعداد افراد در فقر شدید در سال جاری حدود 100 میلیون نفر افزایش یابد ، این اولین رشد جهانی در 20 سال گذشته است.

Blumenstock و تیم او در حال آموزش الگوریتم های تجزیه و تحلیل تصویر برای ایجاد یک نقشه خوب از توگو از تصاویر ماهواره ای هستند که با استفاده از نظرسنجی خانوار 2018 که فقط به بخشی از کشور رسیده است ، کالیبره شده اند. این الگوریتم ها شاخص های ثروت و فقر مانند مواد مختلف بام و سطح جاده ها را در اختیار داشتند. محققان یک سیستم دوم ساخته اند که ثروت کاربران دو شبکه اصلی تلفن همراه توگو را با استفاده از الگوهای تماس و سایر جزئیات حساب ، مانند اعتبار ، محاسبه می کند. این بخش از سیستم براساس نظرسنجی تلفنی سپتامبر در حدود 10 هزار نفر در فقیرترین مناطق انجام شده است که توسط تجزیه و تحلیل ماهواره ای مشاهده شده است. GiveDirectly همچنین تیم کوچکی را برای جمع آوری اطلاعات بیشتر در مورد جوامع نیازمند به توگو اعزام کرد.

یک سیستم اتوماتیک جدیدتر با استفاده از پول GiveDirectly در ماه نوامبر راه اندازی شد. در مناطقی که به عنوان کم برخوردارترین منطقه معرفی شده اند ، افرادی که الگوریتم های آنها مشخص شده است که با هزینه ای کمتر از 1.25 دلار در روز زندگی می کنند پیام های متنی دریافت می کنند که آنها را به درخواست کمک دعوت می کند ، این فرایند طولانی تر طول می کشد. کمتر از 3 دقیقه مردان ماهیانه پنج پرداخت با پرداخت هر کدام حدود 13 دلار و زنان هر کدام حدود 15 دلار پرداخت می کنند. نامزدها بر اساس پایگاه داده رأی دهندگان توگویی و الزامات GiveDirectly بررسی می شوند.

در طی دو هفته ، چیا می گوید ، در این برنامه 30،000 فقیرترین مردم توگو ، که بسیاری از آنها در مناطق روستایی بودند ، پرداخت کرده است. وی با بیان اینکه می توان این روش را در جاهای دیگر نیز اعمال کرد ، گفت: “برای پوشش این دامنه جغرافیایی ، تیم های میدانی عظیم با بیش از 200 نفر در ماه مورد نیاز است.”

بلومنستاک می گوید اولین بار است که می بیند نمایندگان فقر برای هدایت مستقیم پول نقد ، نه فقط برای اطلاع از تصمیمات کمک ، مورد استفاده قرار می گیرند. وی گفت: “تمام این سازوكار كمكی بدون تماس است” ، اگرچه تیم وی از نظرسنجی تلفنی برای بررسی مجدد برنامه استفاده كرد و سال آینده نظرسنجی شخصی را در توگو برنامه ریزی كرد. GiveDirectly تاکنون تقریباً 800،000 دلار از بودجه برنامه ریزی شده 10 میلیون دلاری توزیع کرده است که برای دسترسی به 115،000 نفر طراحی شده است.

پروژه توگو اولین آزمایش استفاده از الگوریتم ها برای هدف قرار دادن کمک به فقیرترین فقیران جهان نیست. نقشه های تراکم جمعیت که توسط متخصصان یادگیری ماشین در فیس بوک ایجاد شده است ، به یک کمپین هدفمند واکسیناسیون وبا در موزامبیک کمک کرد سال گذشته پس از آن که طوفان باعث خسارت گسترده و جاری شدن سیل شد. همچنین سال گذشته ، بنیاد راکفلر به راه اندازی استارتاپی به نام Atlas AI برای تجاری سازی تحقیقات دانشگاه استنفورد در مورد اندازه گیری فقر و بازده با استفاده از تصاویر ماهواره ای و یادگیری ماشین کمک کرد.

ضیا هان ، معاون ارشد نوآوری در بنیاد ، می گوید این فناوری باید از برنامه هایی مانند کار خود در زمینه توسعه کشاورزی پشتیبانی کند یا تصمیم بگیرد که کجا از ساخت “مینی شبکه” های خورشیدی روستایی برای بهبود دسترسی به برق پشتیبانی کند. اندازه گیری زیرساخت های الکتریکی از طریق تصاویر فضایی می تواند زمان کمتری داشته باشد و از حساسیت زمین که با ایجاد تصویری روشن از نیازهای جامعه تداخل می کند ، جلوگیری شود. هان گفت: “بعضی اوقات س questionsالات سیاسی در مورد اینکه وزارتخانه های دولتی دقیقاً چقدر می خواهند فقر روستایی را به تصویر بکشند وجود دارد.”

با این حال ، شنود ماهواره ها و الگوریتم ها صحت یا حقیقت تجربی را تضمین نمی کنند. برای اطمینان ، مدل های یادگیری ماشین باید داده هایی را نشان دهند که نشان دهنده وضعیتی هستند که در آن استفاده می شود. هان می گوید: “اگر داده های مغرضانه وارد کنید ، تصمیمات مغرضانه ای دریافت خواهید کرد.”

راکفلر از پروژه ای به نام صندوق Lacuna پشتیبانی می کند که در اوایل سال جاری برای کمک به ایجاد مجموعه داده ها برای حمایت از استفاده از یادگیری ماشین در کشورهای کم درآمد راه اندازی شده است. در ابتدا ، این کار بر روی صحرای آفریقا متمرکز بود ، از جمله روش هایی برای شناسایی بهتر محصولات و آفات موجود در منطقه که برای بیشتر افراد در آزمایشگاه های هوش مصنوعی غربی ناشناخته است.

چگونه یادگیری ماشینی می تواند کمک کند – یا شکست بخورد – پروژه های بشردوستانه با استفاده بیشتر دولت ها و اهدا کنندگان از آن آشکار می شود. توگو ممکن است در زمره آزمایشگران برجسته باشد. باكاری ، مشاور رئیس جمهور این كشور ، می گوید كه Novissi علاقه به استفاده از این فناوری را برای سایر برنامه های كمك و كمك به امور مالی دولت ایجاد كرده است. وی گفت: “اگر می توانید از داده های بزرگ برای هدف قرار دادن فقیرترین افراد استفاده کنید ، می توانید از همین فناوری استفاده کنید تا بدانید چه کسی می خواهد مالیات بیشتری برای کمک به فقیرترین مناطق کشور بپردازد.”

این داستان در ابتدا در سایت wired.com منتشر شد.


منبع: khabar-tak.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*