Innovación

Machine learning para predecir la pobreza

Un grupo de investigadores de la Universidad de Stanford ha dado con la clave para crear mapas fiables de la pobreza en el mundo: combinar imágenes satelitales con tecnologías de aprendizaje profundo.

Eliminar la pobreza es una de las mayores ambiciones de la humanidad a lo largo de la historia, sino la mayor desde que existen enormes desigualdades entre distintas zonas del planeta Tierra que impiden el acceso a alimentos, agua y servicios públicos esenciales a millones de personas. No en vano, se trata del primero de los diecisiete Objetivos de Desarrollo Sostenible de las Naciones Unidas de cara al año 2030.

Sin embargo, y más allá de las cuestiones de fondo sobre cómo lograr tan ambiciosa misión, existe una necesidad más concreta y en la que las nuevas tecnologías pueden ayudar de forma notable: contar con datos fiables sobre la distribución de la pobreza que sustituyan a las actuales mediciones basadas en recolecciones e informes manuales.

¿Qué diferencia hay entre Deep Learning, Inteligencia Artificial y Machine Learning?

Y es que, las organizaciones no gubernamentales y las distintas entidades que trabajan sobre el terreno -especialmente en el continente africano, donde existen muchas aldeas de las que apenas hay datos ni encuestas- necesitan información precisa sobre las poblaciones empobrecidas y sus necesidades concretas, con el fin de poder diseñar estrategias para desplegar los recursos de forma más eficaz.
Machine learning para predecir la pobreza
Como decimos, las nuevas tecnologías arrojan algo de luz y esperanza sobre este tema, concretamente al combinar los datos procedentes de los satélites con sistemas de machine learning o aprendizaje profundo para crear mapas detallados de la pobreza en África. En ello están trabajando un grupo de investigadores de la Universidad de Stanford, creadores del Sustainability and Artificial Intelligence Lab.

La idea surgió de los expertos de la Universidad de Stanford Neal Jean, Marshall Burke, Michael Xie, W. Matthew Davis, David B. Lobell y Stefano Ermon. Su sistema capta una amplia variedad de datos satelitales en tiempo real que son enviados a una máquina automatizada que devuelve distintos modelos socioeconómicos con variables tan relevantes como el consumo per cápita en cualquier lugar del planeta.

La máquina necesita una gran cantidad de datos para poder sacar conclusiones fiables, por lo que del satélite se utilizan numerosas mediciones, aunque la principal es la presencia de luz artificial. En ese sentido, el sistema automatizado entiende que las luces que brillan en la oscuridad es un signo de desarrollo económico mientras que, por el contrario, la ausencia de la misma es entendida como sinónimo de áreas empobrecidas.

Las imágenes nocturnas se comparan con las diurnas para poder descubrir los asentamientos con pocas luces. De hecho, la máquina logró por sí sola, gracias a su algoritmo de aprendizaje profundo, a seleccionar las imágenes de elementos urbanos que son muy reconocibles para los seres humanos, como carreteras, áreas urbanas o tierras de cultivo.

Proyecto centrado en África

La tecnología puede ser aplicada en cualquier lugar del globo, aunque por el momento sus diseñadores se han centrado en el continente africano y, más concretamente, en países como Nigeria, Uganda, Tanzania y Malawi. Son precisamente estos algunos de los lugares más afectados por la pobreza extrema y, por ende, zonas prioritarias donde las ONG están actuando a ciegas, en muchos de los casos, y que recibirán como agua de mayo esta nueva iniciativa.

Sobre el autor de este artículo

Alberto Iglesias Fraga

Periodista especializado en tecnología e innovación que ha dejado su impronta en medios como TICbeat, El Mundo, ComputerWorld, CIO España, Kelisto, Todrone, Movilonia, iPhonizate o el blog Think Big de Telefónica, entre otros. También ha sido consultor de comunicación en Indie PR. Ganador del XVI Premio Accenture de Periodismo y Finalista en los European Digital Mindset Awards 2016.