L’IA può aiutare a battere la povertà? I ricercatori testano modi per aiutare le persone più povere

A partire dalla fine del 2020, con la pandemia di Covid-19 in pieno svolgimento, i telefoni cellulari di decine di migliaia di abitanti di villaggi impoveriti sono stati pingiti da buone notizie. I loro soldi erano pronti. Con l’aiuto dell’intelligenza artificiale (AI), questi abitanti del villaggio nella stretta striscia di terra nell’Africa occidentale erano stati approvati per ricevere circa $ 10 ogni due settimane, consegnati direttamente ai loro conti di denaro mobile. Anche se potrebbe non sembrare molto, potrebbe impedire alle persone di avere fame.

I progetti convenzionali di relieve della povertà si basano sui dati raccolti attraverso sondaggi di persona, che non erano possibili durante la pandemia. Ma lo sforzo di Togo, soprannominato Novissi, che significa “solidarietà” nella lingua locale ewé, ha incorporato l’IA per determinare chi dovrebbe ricevere aiuti. Il progetto, guidato da Cina Lawson, il ministro del Togo dell’economia digitale e della trasformazione, insieme agli scienziati dell’Università della California, Berkeley e dell’Organizzazione non governativa (ONG), ha analizzato le immagini e i dati satellitari dalle reti di telefonia mobile a stimare la ricchezza di regioni e individui particolari¹. “Avevamo bisogno di un approccio chirurgico”, afferma Lawson. È stato un momento importante per l’uso dell’IA nel lavoro anti-povertà, afferma.

Circa 700 milioni di persone in tutto il mondo vivono in estrema povertà, definite dalla Banca mondiale che vive con meno di $ 2,15 al giorno. Terminare quella povertà, uno degli obiettivi di sviluppo sostenibile delle Nazioni Unite, richiede una comprensione di chi è nel bisogno e quali siano i loro bisogni. Ma misurare la povertà è stata a lungo una sfida, in gran parte a causa del tempo e dei costi nel tentativo di raccogliere dati dalle popolazioni più povere e vulnerabili.

Combina l’IA con la scienza dei cittadini per combattere la povertà

L’intelligenza artificiale ha permesso a Lawson di lanciare gli ostacoli convenzionali di utilizzare dati vecchi e incompleti per sfruttare rapidamente il suo budget limitato. È un approccio che sta raccogliendo sia interesse che controversia, afferma Joshua Blumenstock, uno scienziato informatico dell’Università della California, Berkeley, che ha collaborato a Novissi.

Gli strumenti AI non possono solo essere veloci, afferma Ariel Benyishay, economista dello sviluppo presso l’Aiddata Research Lab di William & Mary, un’università di Williamsburg, in Virginia, ma possono anche includere una parte più ampia e rappresentativa della popolazione rispetto alle indagini domestiche e identifica i modelli nei dati che potrebbero perdere anche specialisti. L’intelligenza artificiale potrebbe anche aiutare i ricercatori a valutare in che modo i programmi raggiungono i loro obiettivi e dimostrare come gli investimenti in settori quali la salute, l’agricoltura, l’istruzione e le infrastrutture pagano o meno. La Banca mondiale riconosce questo valore e ha sviluppato strumenti AI avanzati per cercare di prevedere crisi alimentari e conflitti violenti e di ottenere approfondimenti da grandi fasce di dati raccolti dopo un intervento di aiuto. Ha concluso la sua povertà, prosperità e rapporto del pianeta² Nell’ottobre 2024 rilevando che gli sforzi anti-povertà “dovrebbero concentrarsi sull’apprendimento automatico e i modelli di intelligenza artificiale per colmare le lacune di dati e consentire un monitoraggio più tempestivo”.

Ma ci sono ragioni per essere cauti, afferma il geografo umano Ola Hall alla Lund University in Svezia, che ricerca l’intersezione dell’intelligenza artificiale e della povertà. I modelli AI sono stati criticati per essere razzisti, sessisti e altrimenti di parte. Proprio come i sondaggi domestici spesso mancano le famiglie più povere perché non hanno alloggi permanenti, i programmi basati sull’intelligenza artificiale potrebbero non aiutare le persone che non hanno percorsi di dati digitali, afferma Hall. Non sono affatto abbastanza accurati da determinare chi si qualifica per aiuti o sussidi in contanti e chi no, dice.

Tuttavia, l’IA imperfetta potrebbe essere, tuttavia, gli attuali sistemi di valutazione della povertà sono altrettanto abissali, afferma Benyishay. “La base non è dati perfetti. In realtà sono dati molto scadenti “, afferma.

Misurare la povertà

Il riformatore sociale britannico Charles Booth ha intrapreso uno sforzo iniziale per quantificare la povertà dal 1886 al 1903 quando ha attraversato i ciottoli di Londra che raccolgono dati sui redditi delle persone e sulla classe sociale. Ha creato una mappa della città codificata a colori e ha riportato le sue scoperte in un trattato intitolato Life and Labor of the People a Londra. Il sociologo inglese Seebohm Rowntree e il suo team hanno intervistato 11.560 famiglie a York, Regno Unito, e hanno pubblicato i risultati in un libro del 1901 chiamato Povertà: uno studio della vita della città. Il team ha calcolato la povertà sulla base della capacità di soddisfare “l’efficienza fisica” di una persona o i loro requisiti nutrizionali minimi. Una dieta minimale del campione potrebbe includere pane, porridge, pancetta bollita, patate, latte scremato e poco altro.

Dopo che il presidente degli Stati Uniti Lyndon Johnson dichiarò una “guerra alla povertà” nel 1964, l’Ufficio delle opportunità economiche adottò una soglia di povertà ideata dall’economista Mollie Orshansky che adottava un approccio simile. Ha definito la povertà come il reddito minimo indispensabile richiesto per coprire cibo, alloggio e altri costi di base. Nello stesso periodo, l’India ha eseguito calcoli simili per la sua popolazione. Sebbene ogni esperto abbia armeggiato con le loro formule per tenere conto delle variazioni locali dei costi di affitto e cibo, hanno definito tutti la povertà sulla base di quanti soldi una persona vive al giorno.

L’approccio in dollari al giorno è schietto e facile da comunicare, afferma Dean Jolliffe, un economista della Banca mondiale di Washington DC. Tuttavia, quanti soldi una persona spende per ottenere è solo un aspetto della povertà. L’economista e sacerdote anglicano Sabina Alkire sostiene un modo più sfumato per definire la povertà. “Voglio sapere quante poveri non hanno una casa, quanti poveri hanno un bambino fuori dalla scuola, quindi posso effettivamente rispondere in modi molto tangibili e diretti”, afferma Alkire, che è il direttore dell’Oxford Poverty and Human Iniziativa di sviluppo presso l’Università di Oxford, Regno Unito.

All’inizio degli anni 2000, Alkire voleva un modo per catturare i vari effetti della povertà sulle persone. Solo perché qualcuno ha abbastanza soldi per comprare cibo non significa che abbiano abbastanza per le cure mediche o le tasse scolastiche, afferma Alkire. Nel 2008, Alkire ha lavorato con James Foster, un economista presso la George Washington University di Washington DC, per sviluppare quello che è chiamato l’indice di povertà multidimensionale (MPI)³. L’approccio stima una misura unificata della povertà raccontando le privazioni e la loro intensità, con un totale di dieci indicatori, tra cui l’alimentazione, la frequenza scolastica, l’accesso all’acqua potabile e ciò che una famiglia utilizza per la cottura del carburante.

Per il campo della povertà, questo è stato un cambio di mare. Ha permesso ai politici e ad altri di misurare, sezionare e colpire le variabili interagenti che contribuiscono alla povertà a livello di famiglia. Il programma di sviluppo delle Nazioni Unite ha sostituito il suo indice di povertà umana, incentrato sulla sopravvivenza, l’alfabetizzazione e lo standard di vita, con l’MPI di Alkire e Foster nel 2010, sebbene alcune agenzie delle Nazioni Unite insieme alla Banca mondiale continuino a fare affidamento sul dollaro al giorno definizione.

“It’s Chaos”: i congelamenti di finanziamenti statunitensi mettono in pericolo la salute globale

Ricercatori e agenzie di aiuti hanno sviluppato una miriade di modi diversi dall’MPI per definire la povertà. Questi metodi variano nei fattori che includono, a seconda di ciò che vogliono misurare e dei dati a portata di mano, afferma Jennifer Davis, che dirige il programma su acqua, salute e sviluppo presso la Stanford University in California. In un documento del 2024, una squadra guidata da Davis e la sua studentessa laureata Christine Pu valutavano quattro definizioni di povertà che vengono utilizzate sul campo, tra cui la spesa pro capite quotidiana ma non MPI, e hanno trovato enormi differenze nel modo in cui tali definizioni classificano le famiglie in Etiopia, Ghana e Uganda⁴. “Quando abbiamo fatto la nostra analisi, non solo non abbiamo trovato molto accordo per l’intero campione, non lo abbiamo trovato per le famiglie urbane, o per il 20% inferiore, o per il basso 1% in cui potremmo aspettarci il più grande bisogno “, afferma Pu.

Insieme alla mancanza di accordo sulle definizioni, c’è il problema del tempo. Anche una squadra di campo ben oliata ha bisogno di diverse ore per esaminare una singola famiglia, afferma Jolliffe. Sebbene i ricercatori della povertà abbiano perfezionato le loro metriche e stiano incorporando gli ultimi metodi computazionali per l’analisi dei dati, spesso continuano a fare affidamento su sondaggi sul campo per raccogliere tali dati. Molte persone sono sorprese dal fatto che facciamo ancora sondaggi domestici, afferma Jolliffe. Ma “questa nozione che abbiamo dati su tutto ciò che riguarda tutti è una prospettiva del mondo ricco”.

Rivolgendosi all’IA

Come studente di dottorato in economia agricola e delle risorse, Marshall Burke aveva familiarità con la laboriosa raccolta di dati. Per conoscere le pratiche agricole e agricole nell’Africa orientale, Burke ha viaggiato in Kenya e Uganda, dove ha trascorso mesi a parlare con gli agricoltori e a camminare. Ma quando Burke ha iniziato il cambiamento ambientale e il laboratorio dei risultati umani alla Stanford University nel 2015, si chiese se la rivoluzione del computer potesse offrire approcci migliori.

Questi esperimenti potrebbero sollevare milioni di terribili povertà

David Lobell, che aveva una vasta esperienza nel telerilevamento, occupò l’ufficio accanto a lui. Nello stesso periodo, anche uno specialista in AI e riconoscimento delle immagini, Stefano Ermon, si è unita alla Stanford University. Le discussioni del trio si sono rivolte al modo in cui i dati sempre crescenti dalle immagini satellitari potrebbero essere usati per aiutare a identificare le persone che vivono in povertà in tutto il mondo. Sapendo che l’illuminazione notturna può essere un proxy approssimativo per la ricchezza, i ricercatori hanno usato le immagini satellitari notturne di aree in tutta l’Africa insieme alle immagini diurne per insegnare ai modelli di computer per identificare le caratteristiche associate alla ricchezza.

Chiedere a un computer di confrontare le immagini di aree che sono già note per essere estremamente ricche o estremamente scarse è una versione elettronica del gioco “Spot the Difference”, afferma Burke. Gli algoritmi confrontano la distribuzione e le condizioni delle strade, la quantità di spazio verde, le dimensioni e la spaziatura degli edifici e una moltitudine di altre variabili. “Tutti i tipi di cose che tu e io penseremmo di cercare in un’immagine sono un po ‘predittivi”, afferma Burke. “Una macchina può ordinare tutti quei dati” e determinare quali aspetti sono più rilevanti.

Nel 2016, il team ha riferito che le analisi dell’intelligenza artificiale delle immagini satellitari erano fortemente correlate alle misurazioni sul terreno della povertà⁵. Mentre l’apprendimento automatico avanzato, Lobell, Burke ed Ermon hanno perfezionato i loro modelli incorporando le ultime tecniche.

Utilizzando un set di dati panafricani di immagini satellitari disponibili pubblicamente, il trio ha testato un approccio aggiornato nel maggio 2020. Quando il team ha confrontato le sue previsioni di apprendimento automatico con i dati di sondaggio legati alla ricchezza di 20.000 villaggi, l’algoritmo ha funzionato proprio come il sondaggi laboriosi, ma a una frazione di sforzo e costo⁶ (Vedi “previsioni sulla povertà”).

“Questo è stato un concetto di miglioramento fondamentale per la comunità dello sviluppo”, afferma Benyishay. Altre squadre si stanno unendo all’esperimento, lanciando molte idee diverse, dice. Gli scienziati stanno applicando l’apprendimento automatico per cercare modelli in immagini satellitari e dati sui telefoni cellulari e per analizzare gli impatti della siccità, della produttività agricola, degli investimenti infrastrutturali e altro ancora, afferma.