Così l’IA può rivoluzionare la lotta alla povertà

Roma – Grazie all’Intelligenza artificiale (IA) sarà possibile identificare meglio le popolazioni più bisognose nei paesi poveri e ad allocare le risorse in loro aiuto in modo più efficace. È quanto emerge da uno studio guidato dalla Cornell University e pubblicato su Proceedings of the National Academy of Sciences (PNAS). Per eliminare la povertà estrema, definita come la disponibilità di meno di 2,15 dollari (circa 2,05 euro) a persona al giorno, i governi e le agenzie umanitarie e di sviluppo devono sapere quante persone vivono al di sotto di quella soglia e dove. Tuttavia, queste informazioni spesso mancano nei paesi che hanno più bisogno di aiuto. Le indagini sulle famiglie relative a reddito e consumi, considerate il gold standard per definire le soglie di povertà, spesso non sono disponibili o sono obsolete perché sono costose e difficili da somministrare frequentemente. Nel frattempo, i dati provenienti da satelliti e altri sistemi di osservazione della Terra che monitorano infrastrutture, condizioni naturali e comportamento umano sono stati utilizzati con successo per generare indici di povertà basati sulle risorse scollegati però dalle misure monetarie più rilevanti per i decisori politici. Le nuove stime sulla povertà strutturale del team della Cornell hanno mirato a colmare questa lacuna traducendo i numerosi dati di osservazione della Terra in termini più fruibili per i decisori politici. Concentrato su quattro nazioni dell’Africa meridionale e orientale, il loro progetto pilota è riuscito ad ottenere informazioni di più immediata utilità come la quota di persone che vivono al di sotto della soglia di povertà globale. “I rapidi progressi nella scienza dei dati non hanno ottenuto un’ampia accettazione perché non hanno prodotto stime utilizzabili”, ha affermato Chris Barrett , professore di economia applicata e autore principale dello studio “Abbiamo reso i progressi computazionali più pratici collegandoli alle soglie di povertà monetaria”. La ricerca si è concentrata su Etiopia, Malawi, Tanzania e Uganda, nazioni agricole con alti tassi di povertà, dove lavorano molte agenzie di sviluppo, ma con solo una vaga idea di dove vivano le persone più povere. “Questi sono i luoghi in cui pensiamo che il modello di povertà strutturale sia piuttosto rilevante”, ha affermato la prima autrice Elizabeth Tennant , ricercatrice associata in economia. “Sono anche i luoghi in cui avevamo buoni dati su consumi e asset, quindi siamo stati in grado di esaminare entrambi e modellare le loro connessioni”. Il team ha addestrato modelli di apprendimento automatico utilizzando 13 indagini nazionali sulle famiglie condotte nei quattro paesi tra il 2008 e il 2020, collegandole ai dati di osservazione della Terra su risorse come qualità delle abitazioni, terreni, bestiame, veicoli e accesso alla tecnologia, inclusi i telefoni cellulari. In breve, hanno affermato i ricercatori, i dati delle indagini più vecchie hanno addestrato l’intelligenza artificiale per fornire informazioni sui livelli di reddito a partire però dai dati delle recenti osservazioni satellitari. “Stiamo dimostrando che è possibile ottenere tutta la precisione computazionale dei progressi compiuti dalla comunità della scienza dei dati, mantenendo al contempo l’utilità politica e programmatica di queste misure monetarie, e in un modo rivolto al futuro, non al passato”, ha affermato Barrett. “Vuoi sapere chi è povero in questo momento, non quando è stato condotto un grande sondaggio anni fa, ed è questo che i nostri modelli di povertà strutturale aiutano a prevedere”. (30Science.com)