Utilizamos cookies propias y de terceros para mejorar nuestros servicios, analizar y personalizar tu navegación, mostrar publicidad y facilitarte publicidad relacionada con tus preferencias. Si sigues navegando por nuestra web, consideramos que aceptas su uso. Puedes cambiar la configuración u obtener más información aquí.

Combinan noche e inteligencia artificial para mapear la pobreza global

Un reto en la lucha contra la pobreza es la falta de información fiable. Una nueva tecnología de mapeo basada en millones de imágenes de satélite y en inteligencia artificial puede ser la solución.
Para analizar esas imágenes, los investigadores utilizan el aprendizaje de máquina, una disciplina dentro del amplio ámbito de la inteligencia artificial. En el aprendizaje de máquina, los científicos computacionales proporcionan un modelo con los datos en bruto y un objetivo, pero programan directamente el sistema para resolver el problema. En lugar de ello, la idea es diseñar un algoritmo que aprende cómo resolver el rompecabezas peinando los datos sin la interferencia humana.
Los investigadores comenzaron su proyecto de mapeo de la pobreza sabiendo que las luces nocturnas proporcionan un excelente indicador de la actividad económica mediante la revelación de la presencia de la electricidad y las comodidades que representa. Esa fue la mitad de los datos en bruto que su sistema necesita.
"Básicamente, proporcionamos el sistema de de aprendizaje de máquina con imágenes de satélite del día y la noche y solicitamos predicciones sobre la pobreza", dijo Stefano Ermon, profesor asistente de Ciencias de la Computación en la Universidad de Stanford. "El sistema esencialmente aprendió a resolver el problema mediante la comparación de estos dos conjuntos de imágenes."
La técnica básica - la dirección de un modelo para comparar las imágenes para predecir un valor específico - es una variante del aprendizaje de máquina conocida como el aprendizaje de transferencia. Ermon compara esto a cómo las habilidades para conducir un coche son transferibles a una motocicleta. En el caso de la cartografía de la pobreza, el modelo utilizado predice la distribución de las imágenes durante el día y la intensidad de las luces nocturnas y, por tanto, la prosperidad relativa.
A continuación, transifrió lo que aprendió a la tarea de predecir la pobreza. Lo hizo mediante la construcción de "filtros" asociados a los diferentes tipos de infraestructura que son útiles en la estimación de la pobreza. El sistema hizo esto una y otra vez, haciendo comparaciones y predicciones del día a la noche y constantemente reconcilió sus construcciones analíticas basadas en la máquina con detalles recogidos de los datos.
A medida que el modelo aprende, recoge todo lo que se asocia con el aumento de luz en la imagen durante la noche comparada con imágenes diurnas de la misma zona, correlaciona sus observaciones con los datos obtenidos de encuestas de campo en las mismas zonas y hace un juicio.
Dichos juicios fueron excepcionalmente precisos. "Cuando comparamos nuestras predicciones con los modelos fabricados a partir de costosos estudios de campo, encontramos que los niveles de rendimiento eran muy cercanos", dijo Ermon.
En última instancia, los investigadores creen que este modelo podría suplantar a los caros estudios sobre el terreno y que consumen mucho tiempo usados en la actualidad para el mapeo de la pobreza.
"Esto ofrece una oportunidad increíble para la medición barata, escalable y sorprendentemente precisa de la pobreza", dijo Burke.