آیا هوش مصنوعی می‌تواند به ریشه‌کن کردن فقر کمک کند؟ محققان روش‌هایی را برای کمک به فقیرترین افراد آزمایش می‌کنند

از اواخر سال 2020، در حالی که همه‌گیری COVID-19 در اوج خود بود، تلفن‌های همراه ده‌ها هزار روستایی فقیر در توگو با خبرهای خوب زنگ خوردند. پول آنها آماده بود. با کمک هوش مصنوعی (AI)، این روستاییان در نوار باریک زمینی در غرب آفریقا تأیید شده بودند که حدود 10 دلار آمریکا هر دو هفته یکبار دریافت کنند، که مستقیماً به حساب‌های پول موبایلی آنها تحویل داده می‌شد. اگرچه ممکن است زیاد به نظر نرسد، اما می‌تواند از گرسنگی کشیدن مردم جلوگیری کند.

پروژه‌های مرسوم کاهش فقر متکی به داده‌های جمع‌آوری‌شده از طریق نظرسنجی‌های حضوری هستند - که در طول همه‌گیری امکان‌پذیر نبود. اما تلاش توگو، که Novissi نامیده می‌شود، که در زبان محلی Éwé به معنای "همبستگی" است، هوش مصنوعی را برای تعیین اینکه چه کسی باید کمک دریافت کند، در خود جای داده است. این پروژه، به رهبری Cina Lawson، وزیر اقتصاد دیجیتال و تحول توگو، به همراه دانشمندانی از دانشگاه کالیفرنیا، برکلی، و سازمان غیردولتی (NGO) GiveDirectly، تصاویر ماهواره‌ای و داده‌های شبکه‌های تلفن همراه را تجزیه و تحلیل کردند تا ثروت مناطق و افراد خاص را تخمین بزنند. Lawson می‌گوید: "ما به یک رویکرد جراحی نیاز داشتیم." او می‌گوید این لحظه مهمی برای استفاده از هوش مصنوعی در کار مبارزه با فقر بود.

حدود 700 میلیون نفر در سراسر جهان در فقر شدید زندگی می‌کنند، که توسط بانک جهانی به عنوان زندگی با کمتر از 2.15 دلار در روز تعریف شده است. پایان دادن به این فقر، یکی از اهداف توسعه پایدار سازمان ملل متحد، نیازمند درک این است که چه کسی نیازمند است و نیازهای آنها چیست. اما اندازه‌گیری فقر مدت‌هاست که یک چالش بوده است، که عمدتاً به دلیل زمان و هزینه‌ای است که در تلاش برای جمع‌آوری داده‌ها از فقیرترین و آسیب‌پذیرترین جمعیت‌ها صرف می‌شود.

هوش مصنوعی به Lawson اجازه داد تا از موانع مرسوم استفاده از داده‌های قدیمی و ناقص برای استفاده سریع از بودجه محدود خود عبور کند. Joshua Blumenstock، دانشمند علوم کامپیوتر در دانشگاه کالیفرنیا، برکلی، که در Novissi همکاری داشت، می‌گوید این رویکرد هم مورد توجه و هم جنجال قرار گرفته است.

Ariel BenYishay، اقتصاددان توسعه در آزمایشگاه تحقیقات AidData در ویلیام & مری، دانشگاهی در ویلیامزبورگ، ویرجینیا، می‌گوید ابزارهای هوش مصنوعی نه تنها می‌توانند سریع باشند، بلکه می‌توانند شامل بخش بزرگتر و نماینده‌تری از جمعیت نسبت به نظرسنجی‌های خانگی باشند و الگوهایی را در داده‌ها شناسایی کنند که حتی متخصصان نیز ممکن است از دست بدهند. هوش مصنوعی همچنین ممکن است به محققان کمک کند تا ارزیابی کنند که برنامه‌ها تا چه حد به اهداف خود می‌رسند و نشان دهند که چگونه سرمایه‌گذاری در زمینه‌هایی مانند بهداشت، کشاورزی، آموزش و زیرساخت‌ها نتیجه می‌دهد - یا نه. بانک جهانی این ارزش را تشخیص می‌دهد و در حال توسعه ابزارهای پیشرفته هوش مصنوعی برای تلاش برای پیش‌بینی بحران‌های غذایی و درگیری‌های خشونت‌آمیز و استخراج بینش از بخش‌های بزرگ داده‌های جمع‌آوری‌شده پس از مداخله کمک‌رسانی است. این بانک گزارش فقر، رفاه و سیاره خود را در اکتبر 2024 با اشاره به اینکه "تلاش‌ها برای مبارزه با فقر باید بر اهرم قرار دادن یادگیری ماشین و مدل‌های هوش مصنوعی برای پر کردن شکاف‌های داده و فعال کردن نظارت به موقع‌تر تمرکز کنند"، به پایان رساند.

Ola Hall، جغرافی‌دان انسانی در دانشگاه لوند در سوئد، که در مورد تلاقی هوش مصنوعی و فقر تحقیق می‌کند، می‌گوید دلایلی برای احتیاط وجود دارد. مدل‌های هوش مصنوعی به دلیل نژادپرستانه، جنسیتی و دارای سوگیری‌های دیگر بودن مورد انتقاد قرار گرفته‌اند. Hall می‌گوید، همانطور که نظرسنجی‌های خانگی اغلب فقیرترین خانواده‌ها را از دست می‌دهند زیرا مسکن دائمی ندارند، برنامه‌های مبتنی بر هوش مصنوعی ممکن است به افرادی که داده‌های دیجیتالی ندارند کمک نکنند. او می‌گوید آنها به هیچ وجه به اندازه کافی دقیق نیستند که تعیین کنند چه کسی واجد شرایط دریافت کمک یا یارانه نقدی است و چه کسی نیست.

BenYishay می‌گوید، هرچند که هوش مصنوعی ناقص باشد، سیستم‌های فعلی ارزیابی فقر به همان اندازه اسفناک هستند. او می‌گوید: "خط پایه داده‌های بی‌نقص نیست. در واقع داده‌های بسیار بدی است."

اندازه‌گیری فقر

Charles Booth، اصلاح‌طلب اجتماعی بریتانیایی، تلاشی اولیه برای کمی‌سازی فقر از سال 1886 تا 1903 انجام داد، زمانی که او سنگفرش‌های لندن را برای جمع‌آوری داده‌ها در مورد درآمد و طبقه اجتماعی مردم پیمود. او یک نقشه رنگی از شهر ایجاد کرد و یافته‌های خود را در رساله‌ای با عنوان زندگی و کار مردم در لندن گزارش داد. Seebohm Rowntree، جامعه‌شناس انگلیسی و تیمش با 11560 خانواده در یورک، انگلستان مصاحبه کردند و یافته‌ها را در کتابی در سال 1901 به نام فقر: مطالعه‌ای در مورد زندگی شهری منتشر کردند. این تیم فقر را بر اساس توانایی برآورده کردن "کارایی فیزیکی" یک فرد یا حداقل نیازهای تغذیه‌ای آنها محاسبه کرد. یک رژیم غذایی حداقلی نمونه ممکن است شامل نان، فرنی، بیکن آب‌پز، سیب زمینی، شیر بدون چربی و چیزهای دیگر باشد.

پس از اینکه رئیس جمهور ایالات متحده، Lyndon Johnson، در سال 1964 "جنگ با فقر" را اعلام کرد، دفتر فرصت اقتصادی آستانه فقری را اتخاذ کرد که توسط اقتصاددان Mollie Orshansky ابداع شده بود که رویکردی مشابه را در پیش گرفت. این آستانه فقر را به عنوان حداقل درآمد مورد نیاز برای پوشش غذا، سرپناه و سایر هزینه‌های اساسی تعریف کرد. تقریباً در همان زمان، هند محاسبات مشابهی را برای مردم خود انجام داد. اگرچه هر متخصص فرمول‌های خود را برای در نظر گرفتن تغییرات محلی در اجاره و هزینه‌های غذا تغییر داد، اما همه آنها فقر را بر اساس میزان پولی که یک فرد در روز با آن زندگی می‌کند تعریف کردند.

Dean Jolliffe، اقتصاددان بانک جهانی در واشنگتن دی سی، می‌گوید رویکرد دلار در روز صریح و آسان برای انتقال است. با این حال، میزان پولی که یک فرد برای گذران زندگی خرج می‌کند، تنها یک جنبه از فقر است. Sabina Alkire، اقتصاددان و کشیش Anglica، از روشی دقیق‌تر برای تعریف فقر حمایت می‌کند. Alkire، که مدیر ابتکار فقر و توسعه انسانی آکسفورد در دانشگاه آکسفورد، انگلستان است، می‌گوید: "من می‌خواهم بدانم چند فقیر خانه ندارند، چند فقیر فرزندی در مدرسه ندارند، بنابراین می‌توانم به روش‌های ملموس و مستقیم پاسخ دهم."

در اوایل دهه 2000، Alkire راهی برای ثبت تأثیرات مختلف فقر بر مردم می‌خواست. Alkire می‌گوید فقط به این دلیل که یک نفر پول کافی برای خرید غذا دارد، به این معنی نیست که پول کافی برای مراقبت‌های پزشکی یا شهریه مدرسه دارد. در سال 2008، Alkire با James Foster، اقتصاددان در دانشگاه George Washington در واشنگتن دی سی، همکاری کرد تا آنچه را که شاخص فقر چندبعدی (MPI) نامیده می‌شود توسعه دهد. این رویکرد یک معیار متحد از فقر را با شمارش محرومیت‌ها و شدت آنها، با مجموع ده شاخص، از جمله تغذیه، حضور در مدرسه، دسترسی به آب آشامیدنی و آنچه که یک خانوار برای سوخت پخت و پز استفاده می‌کند، تخمین می‌زند.

برای حوزه فقر، این یک تغییر بزرگ بود. این امر به سیاست‌گذاران و دیگران اجازه داد تا متغیرهای متقابل که در فقر در سطح خانوار نقش دارند را اندازه‌گیری، تجزیه و تحلیل و هدف قرار دهند. برنامه توسعه سازمان ملل متحد شاخص فقر انسانی خود را که بر بقا، سواد و سطح زندگی متمرکز بود، با MPI Alkire و Foster در سال 2010 جایگزین کرد، اگرچه آژانس‌های خاص سازمان ملل متحد همراه با بانک جهانی همچنان به تعریف دلار در روز متکی هستند.

محققان و آژانس‌های کمک‌رسانی راه‌های بی‌شماری غیر از MPI برای تعریف فقر توسعه داده‌اند. Jennifer Davis، که ریاست برنامه آب، بهداشت و توسعه در دانشگاه استنفورد در کالیفرنیا را بر عهده دارد، می‌گوید این روش‌ها در عواملی که شامل می‌شوند متفاوت هستند، بسته به اینکه چه چیزی را می‌خواهند اندازه‌گیری کنند و داده‌های موجود. در مقاله‌ای در سال 2024، تیمی به رهبری Davis و دانشجوی فارغ‌التحصیل او، Christine Pu، چهار تعریف از فقر را که در این زمینه استفاده می‌شوند، از جمله هزینه روزانه سرانه، اما نه MPI، ارزیابی کردند و تفاوت‌های زیادی در نحوه رتبه‌بندی خانوارها در اتیوپی، غنا و اوگاندا توسط این تعاریف یافتند. Pu می‌گوید: "هنگامی که ما تحلیل خود را انجام دادیم، نه تنها توافق چندانی برای کل نمونه پیدا نکردیم، بلکه برای خانه‌وارهای شهری یا برای 20 درصد پایین یا برای 1 درصد پایین که ممکن است بیشترین نیاز را داشته باشیم، پیدا نکردیم."

همراه با عدم توافق در مورد تعاریف، مشکل زمان نیز وجود دارد. Jolliffe می‌گوید، حتی یک تیم میدانی خوب روغن‌کاری شده نیز به چند ساعت نیاز دارد تا از یک خانواده نظرسنجی کند. اگرچه محققان فقر معیارهای خود را اصلاح کرده‌اند و آخرین روش‌های محاسباتی را برای تجزیه و تحلیل داده‌ها در خود جای داده‌اند، اما اغلب به نظرسنجی‌های میدانی برای جمع‌آوری آن داده‌ها ادامه می‌دهند. Jolliffe می‌گوید بسیاری از مردم تعجب می‌کنند که ما هنوز نظرسنجی‌های خانگی انجام می‌دهیم. اما، "این تصور که ما در مورد همه چیز در مورد همه داده داریم، تا حد زیادی یک دیدگاه دنیای ثروتمند است".

روی آوردن به هوش مصنوعی

Marshall Burke به عنوان یک دانشجوی دکترا در اقتصاد کشاورزی و منابع، با جمع‌آوری داده‌های پر زحمت آشنا بود. Burke برای کسب اطلاعات در مورد شیوه‌های کشاورزی و کشاورزی در شرق آفریقا، به کنیا و اوگاندا سفر کرد، جایی که ماه‌ها را صرف صحبت با کشاورزان و قدم زدن در مزارع آنها کرد. اما زمانی که Burke آزمایشگاه تغییرات محیطی و پیامدهای انسانی را در دانشگاه استنفورد در سال 2015 تأسیس کرد، تعجب کرد که آیا انقلاب کامپیوتر ممکن است رویکردهای بهتری ارائه دهد یا خیر.

David Lobell، که تجربه زیادی در سنجش از دور داشت، در دفتری در کنار او مستقر بود. تقریباً در همان زمان، Stefano Ermon، متخصص هوش مصنوعی و تشخیص تصویر، نیز به دانشگاه استنفورد پیوست. بحث‌های این سه نفر به این موضوع معطوف شد که چگونه می‌توان از داده‌های روزافزون تصاویر ماهواره‌ای برای کمک به شناسایی افرادی که در فقر در سراسر جهان زندگی می‌کنند، استفاده کرد. محققان با دانستن اینکه نور شب می‌تواند یک شاخص تقریبی برای ثروت باشد، از تصاویر ماهواره‌ای شبانه از مناطق سراسر آفریقا در کنار تصاویر روزانه برای آموزش مدل‌های کامپیوتری برای شناسایی ویژگی‌های مرتبط با ثروت استفاده کردند.

Burke می‌گوید، درخواست از یک کامپیوتر برای مقایسه تصاویر مناطقی که از قبل مشخص است بسیار ثروتمند یا بسیار فقیر هستند، یک نسخه الکترونیکی از بازی "پیدا کردن تفاوت" است. الگوریتم‌ها توزیع و وضعیت جاده‌ها، میزان فضای سبز، اندازه و فاصله ساختمان‌ها و تعداد زیادی متغیر دیگر را مقایسه می‌کنند. Burke می‌گوید: "همه چیزهایی که من و شما به فکرش می‌افتیم که در یک تصویر به دنبالش باشیم، کمی پیش‌بینی‌کننده هستند." "یک ماشین می‌تواند تمام آن داده‌ها را مرتب کند" و تعیین کند که کدام جنبه‌ها مرتبط‌ترین هستند.

در سال 2016، این تیم گزارش داد که تجزیه و تحلیل هوش مصنوعی از تصاویر ماهواره‌ای به شدت با اندازه‌گیری‌های میدانی فقر مرتبط است. با پیشرفت یادگیری ماشین، Lobell، Burke و Ermon مدل‌های خود را با ادغام آخرین تکنیک‌ها اصلاح کردند.

این سه نفر با استفاده از مجموعه داده‌های پان‌آفریقایی از تصاویر ماهواره‌ای که به طور عمومی در دسترس هستند، یک رویکرد به روز شده را در ماه مه 2020 آزمایش کردند. هنگامی که این تیم پیش‌بینی‌های یادگیری ماشین خود را با داده‌های نظرسنجی مرتبط با ثروت از 20000 روستا مقایسه کرد، الگوریتم به همان خوبی نظرسنجی‌های پر زحمت عمل کرد، اما با کسری از تلاش و هزینه (به "پیش‌بینی‌های فقر" مراجعه کنید).

BenYishay می‌گوید: "این یک مفهوم بهبود بسیار مهم برای جامعه توسعه بود." او می‌گوید تیم‌های دیگر به این آزمایش می‌پیوندند و ایده‌های مختلفی را ارائه می‌کنند. او می‌گوید دانشمندان در حال استفاده از یادگیری ماشین برای جستجوی الگوها در تصاویر ماهواره‌ای و داده‌های تلفن همراه و تجزیه و تحلیل تأثیرات خشکسالی، بهره‌وری کشاورزی، سرمایه‌گذاری‌های زیرساختی و موارد دیگر هستند.

Abe Tarapani، مدیر اجرایی Atlas AI، یک شرکت منفعت عمومی در پالو آلتو، کالیفرنیا، که توسط Burke، Lobell و Ermon تأسیس شده است، می‌گوید بیشتر این تلاش‌ها صرفاً به این دلیل که این زمینه بسیار جوان است، به تحقیقات دانشگاهی محدود می‌شود. Tarapani می‌گوید، ریسک‌ها بسیار زیاد است که فقط با سر وارد آن شویم. اما زمانی که همه‌گیری رخ داد، Lawson احساس کرد که چاره دیگری ندارد.

آزمایش در دنیای واقعی

Lawson بودجه‌ای 34 میلیون دلاری برای پروژه Novissi، از منابع دولتی و سازمان‌های غیردولتی، برای کمک به جمعیتی بیش از هشت میلیون نفر داشت. او نیاز داشت تا نحوه توزیع آن را مشخص کند. اما توگو داده‌های فقری نداشت که به اندازه کافی جدید یا دانه‌بندی شده باشد، به ویژه برای مناطق کشاورزی کشور.

Lawson با توصیه یک مشاور، با Blumenstock تماس گرفت. در سال 2015، Blumenstock گزارش داده بود که از الگوریتم‌های یادگیری ماشین برای تجزیه و تحلیل داده‌های تلفن همراه برای پیش‌بینی ثروت در رواندا استفاده کرده است و از تصاویر ماهواره‌ای برای ایجاد نقشه‌های فقر از تمام کشورهای کم‌درآمد و متوسط با وضوح 2.4 کیلومتر استفاده کرده است.

تلفن‌های همراه به طور گسترده در توگو استفاده می‌شوند و این کشور پول موبایلی را پذیرفته است. Blumenstock به Lawson گفت که هوش مصنوعی می‌تواند بین افراد ثروتمندتر و کسانی که در فقر در مناطق روستایی زندگی می‌کنند، بر اساس استفاده از تلفن همراه، از جمله تراکنش‌های پول موبایلی، و همچنین فراوانی و تنوع تماس‌ها و پیام‌ها، تمایز قائل شود. این، همراه با تجزیه و تحلیل تصاویر ماهواره‌ای، راهی برای تلاش برای تعیین اینکه چه کسی بیشتر به پول نیاز دارد، ارائه داد.

تجزیه و تحلیلی از پروژه Novissi که در سال 2022 گزارش شد، نشان داد که رویکرد هوش مصنوعی بهتر از روش‌های دیگری که در توگو در نظر گرفته می‌شد، افرادی را که به کمک نیاز داشتند، شناسایی کرده است. اما Blumenstock می‌گوید، هنوز مشخص نیست که چقدر روش‌های دیگر می‌توانست با منابع و زمان بیشتر برای آماده‌سازی بهتر باشد.

تلاش‌های دیگر مبتنی بر هوش مصنوعی نیز با عدم قطعیت‌هایی مواجه هستند. در سال 2022، همکاری بین سازمان خیریه Google.org و GiveDirectly پولی را سازماندهی کرد تا به حساب‌های پول موبایلی 6000 خانواده ساکن آفریقا ارسال شود. این مناطق توسط پیش‌بینی‌های مبتنی بر هوش مصنوعی در معرض خطر بالای سیل‌های آینده قرار گرفته بودند. این پول به کشاورزان در موزامبیک اجازه داد تا خانه‌ها و مزارع خود را قبل از بالا آمدن آب تقویت کنند و در یک آزمایش جداگانه، کمک‌های پس از سیل در هفته‌های پس از سیل به کشاورزان نیجریه‌ای هدایت شد. اما سیل در موزامبیک دقیقاً در جایی که پیش‌بینی شده بود رخ نداد، که به این معنی بود که برخی از خانواده‌های غیر متضرر پول دریافت کردند و برخی از خانواده‌های متضرر دریافت نکردند.

Daniel Quinn، مدیر GiveDirectly در سانفرانسیسکو، کالیفرنیا، می‌گوید این اشتباهات به این معنا نیست که این برنامه کار نکرده است. Quinn می‌گوید: "افرادی که درست خارج از خط مرزی هدف ما بودند، هنوز به شدت نیازمند بودند."

Samuel Fraiberger، دانشمند داده در گروه تأثیر توسعه بانک جهانی در شهر نیویورک، می‌گوید که این تلاش امیدوارکننده بود و بعداً گسترش یافت. Fraiberger، که به رهبری تلاش‌های هوش مصنوعی در بانک جهانی کمک می‌کند، می‌گوید: "این یک کاربرد واقعی از این نوع روش‌ها است." با این حال، او آگاه است که بدون مراقبت در اجرا، هوش مصنوعی می‌تواند سوگیری‌های موجود را تداوم بخشد. او می‌گوید توسعه روش‌هایی برای ارزیابی کیفیت داده‌های مورد استفاده برای آموزش هوش مصنوعی بسیار مهم خواهد بود. استفاده از هوش مصنوعی در کنار داده‌های بزرگ نیز با نگرانی‌های مربوط به حریم خصوصی همراه است. تیم Lawson مجبور شد در هنگام اجرای Novissi به چنین نگرانی‌هایی رسیدگی کند.

Alkire و دیگران در این زمینه نسبت به هر تلاشی که ممکن است جمع‌آوری و تجزیه و تحلیل داده‌ها را بیش از حد ساده کند، بدبین هستند. Alkire می‌گوید: "هیچ کشوری روی زمین در حال حاضر نمی‌تواند یک معیار فقر چندبعدی را از سوابق اداری و داده‌های ماهواره‌ای انجام دهد، زیرا شما نمی‌توانید داخل خانه را ببینید و بگویید کدام کودک دچار سوءتغذیه است." او می‌افزاید که هیچ مقدار محاسبات پیشرفته نمی‌تواند کمبود داده‌های ضعیف را جبران کند.

Hall خاطرنشان می‌کند که محققان فقر همیشه به یک معیار برای بررسی پیش‌بینی‌های الگوریتمی خود نیاز خواهند داشت. چه کسی به کمک نیاز دارد، این نیاز چه شکلی دارد و چه نوع کمکی مناسب است، دائماً در حال تغییر است. اگرچه الگوریتم‌ها در حال بهتر شدن هستند، اما او در حال حاضر توانایی هوش مصنوعی را برای شناسایی افرادی که در فقر زندگی می‌کنند در "سطح بلوغ" دو از ده ارزیابی می‌کند.

اما Burke می‌گوید هر دو رویکرد الگوریتمی و نظرسنجی‌های مرسوم ارزشمند و مورد نیاز هستند. او نمی‌خواهد یکی را در مقابل دیگری قرار دهد. او می‌گوید زمانی که دولت‌ها و آژانس‌های کمک‌رسانی با بودجه‌های محدود و تکانه‌های ناگهانی اقتصادی مواجه هستند، هوش مصنوعی می‌تواند ابزار کلیدی باشد که به رساندن کمک به افرادی که بیشتر به آن نیاز دارند کمک می‌کند.